#multi-party-computation

共收录 3 条相关安全情报。

← 返回所有主题
👥 作者: Zixian Gong, Kun Tian, Yi Zhang, Fengxia Liu

本文提出了一种可验证且抗合谋的多方量子私有集操作协议,主要针对阈值私有集交集(TPSI)问题。传统的量子TPSI协议通常依赖第三方(TP)来解释最终结果,偏离了TPSI的基数测试范式。本文设计了一种基于旋转的量子构造,其中单光子序列依次经过参与者侧数据旋转、TP-参与者掩码旋转以及相关聚合旋转,产生隐藏标签测量向量:TP可以完成最终测量,但无法解释结果的语义含义。基于这些隐藏测量,通过 oblivious linear evaluation (OLE) 的内积过程和轻量级乱码电路实现阈值决策,仅在交集基数达到阈值时揭示条件交集重构。该协议从理论上证明了正确性和安全性,并在IBM Qiskit平台上通过量子电路模拟验证了可行性。研究背景:多方私有集操作在隐私保护数据共享中具有重要应用,如联合数据分析、安全多方计算等。核心问题:现有的量子TPSI协议缺乏显式的基数测试,且存在合谋风险。提出的方法:通过旋转操作和隐藏标签实现TP的盲测量,结合OLE和乱码电路实现阈值判定,抵抗参与方与TP的合谋。主要贡献:首次在量子TPSI中引入显式基数测试,提升了安全性和实用性。模拟实验表明方案可行。目标读者:量子密码、安全多方计算、隐私保护数据挖掘领域的研究人员。

💡 推荐理由: 提出了首个支持显式基数测试的量子多方TPSI协议,增强了量子安全计算中的隐私保护能力,尤其适用于需要阈值判定的联合数据共享场景。

🎯 建议动作: 研究跟进

排序因子: 来自 arXiv 其他板块 (+2) | Community 数据源 (+1) | LLM 评分加成 (+0.5)
推荐 9.7
Conf: 50%
👥 作者: Thomas Yurek, Licheng Luo, Jaiden Fairoze, Aniket Kate, Andrew Miller 0001

本文旨在弥合多方计算(MPC)理论与实践之间的差距,特别是针对具有间歇性延迟的网络环境中实现完全鲁棒性(即保证输出交付,包括离线阶段)的问题。现有的MPC库缺乏完全的鲁棒性,而理论上的MPC构造虽然能够保证鲁棒性,但实践中缺乏高效的可验证/完全秘密共享(VSS/CSS)方案。现有CSS协议要么需要实际中难以实现的广播信道,要么产生至少与参与者数量成二次方的计算和通信开销。本文提出了hbACSS,一套最优弹性的异步完全秘密共享协议,其计算和通信开销均为(准)线性。为了实现hbACSS,作者开发了hbPolyCommit,一种高效的多项式承诺方案,在多项式度上实现(准)线性的计算和通信开销,且无需可信设置。作者实现了hbACSS协议,并进行了广泛的实用性分析,观察到协议随参与方数量增加而良好扩展。特别是,使用hbACSS生成MPC输入掩码,这是一种实用原语,此前在实践中仅能以非鲁棒方式计算。该工作对希望构建鲁棒MPC系统的开发者和研究者具有重要参考价值。

💡 推荐理由: 本文解决了MPC实践中长期存在的鲁棒性缺失问题,提出的线性开销协议使完全秘密共享在异步网络中变得实用,可显著增强实际MPC系统的可靠性。

🎯 建议动作: 研究跟进

排序因子: 来自网络安全顶级会议 (+8) | Community 数据源 (+1) | LLM 评分加成 (+0.7)
👥 作者: Sarabjeet Singh, Shreyas Singh, Sumanth Gudaparthi, Xiong Fan, Rajeev Balasubramonian

本文提出 Hyena,一个针对同态加密(HE)下深度神经网络推理进行优化的硬件-软件协同框架。针对云服务中用户数据隐私保护需求,HE 允许在加密数据上直接计算,但计算和数据移动开销巨大。Hyena 采用混合 HE 与多方计算(MPC)方案,相比纯全同态加密(FHE)更实用。主要贡献包括:(1) 新的数据打包技术,降低数据移动量;(2) 新的数据流,增加复用,减少旋转、密钥切换、NTT 转换等昂贵操作;(3) 在平衡流水线架构上评估,高效处理上述原语。实验表明,与广泛使用的 Channel-packing 相比,Hyena 实现 38 倍加速和 162 倍能耗降低,ResNet20 推理端到端延迟仅 11.4 毫秒,加速器面积 163 mm²,功耗 16.75 W。本文适用的读者包括隐私计算、硬件加速、安全推理领域的研究者和工程师。

💡 推荐理由: 同态加密推理是保护用户数据隐私的关键技术,但性能瓶颈严重。Hyena 通过软硬件协同优化,显著提升了加密推理的效率和能效,对推动隐私保护 AI 服务的实际部署有重要意义。

🎯 建议动作: 研究跟进

排序因子: 来自网络安全顶级会议 (+8) | Community 数据源 (+1) | LLM 评分加成 (+0.5)