该论文题为《Private Blocklist Lookups with Checklist》，聚焦于隐私保护的黑名单查询问题。在现实应用（如恶意URL拦截、广告阻断、账号安全检测、威胁情报比对）中，客户端通常需要向服务器查询某个条目（例如域名、IP、哈希值）是否命中黑名单。传统实现若直接提交查询条件，会暴露用户的具体访问目标，构成严重隐私风险。现有替代方案包括让客户端下载完整黑名单进行本地匹配，但会带来巨大的带宽和存储开销，难以适应频繁更新的海量黑名单。论文针对这一核心矛盾，提出了一种名为Checklist的新型协议或系统，旨在使客户端能够在不向服务器泄露查询内容的前提下高效完成黑名单匹配。由于本次输入仅提供论文标题与作者，未包含完整摘要，无法确切描述其加密原语（如是否基于私有信息检索PIR、不经意传输OT、同态加密等）或具体性能指标。不过根据该研究领域的常见方法判断，Checklist很可能引入新的通信复杂度优化或并发查询结构，以兼顾隐私保护与现实可用性。该研究适合关注隐私增强技术、安全系统设计、密码学协议的研究人员和工程师，尤其对需要向用户提供检测能力但又不愿收集用户浏览数据的服务商具有参考意义。

本文提出了一种名为 BKPIR 的新型关键词隐私信息检索（Keyword PIR）方案，旨在解决现有 Keyword PIR 方案难以支持布尔检索模型的问题。在实际应用场景中，用户往往需要通过逻辑组合（如 AND、OR、NOT）来精确表达查询意图，而现有方案通常仅支持简单的单关键词匹配，无法满足这一需求。BKPIR 利用同态相等操作（homomorphic equality operations）作为底层密码学原语，设计了一种能够在数据库中的多对多关键词-值映射上实现隐私保护检索的方法，同时支持布尔运算符，从而表达更丰富的搜索逻辑。该方案在扩展检索能力的同时，保留了经典 PIR 的核心安全保证，即服务器无法获知用户查询的具体内容或检索结果。作者声称这是首个将关键词 PIR 与布尔检索模型进行集成的工作。实验评估表明，BKPIR 实现了通信开销的降低，其效果与多对多数据库中值的总数成正比；同时，聚合查询的处理性能也随着值数量的增加而线性提升。这些优势增强了其在真实世界场景中的可行性，例如隐私保护的网页搜索和专利检索。总体而言，该研究在理论上填补了关键词 PIR 在布尔检索模型上的空白，并通过实验验证了其效率优势，适合对隐私信息检索、同态加密应用及隐私保护搜索技术感兴趣的研究者和安全工程师阅读。

该论文题为《A Leakage-Free Framework for Private Set Operations》，作者包括 Wenhao Wu, Yuyue Chen, Bowen Shen, Peng Yang, Ximing Fu, Zoe Lin Jiang, Junbin Fang。由于提供的摘要内容为空，本摘要仅能基于标题与所属研究领域进行概述。私有集合操作（Private Set Operations, PSO）是安全多方计算的重要分支，典型操作包括私有集合交集、并集、差集及基数等，目标是在不泄露参与方各自私有集合的前提下完成计算。传统协议往往会在不经意间泄露超出预定结果的信息（如集合大小、元素分布等），形成侧信道风险。该研究提出的'无泄漏框架'，从命名上可推断其核心目标是彻底消除这类额外信息泄露，确保协议仅暴露最终运算结果，而不泄漏任何中间数据。这通常需要结合同态加密、混淆电路、秘密共享等密码学原语，并可能引入更强的安全模型，如可模拟安全。论文标题所强调的'框架'暗示其可能提供一种通用方法，而非单一协议。对于安全从业者而言，此类研究有助于设计更严谨的数据协作方案，特别是在法律合规需求高的场景（如医疗、金融）中。但受限于信息不全，无法评估具体技术路线、效率表现或实验验证，也无法确认其相比现有工作的实际优势。建议读者直接查阅论文原文或官方更新以获取完整内容。

差分隐私（Differential Privacy）为数据分析提供严格的隐私保证，但在回答大量线性查询时，必须在隐私预算、响应精度和随机位数之间权衡。经典机制（如 Hardt 与 Talwar 提出的 K-范数机制）虽能在给定隐私预算 ε 下将 l∞ 误差控制在较好水平，却往往需要消耗大量随机位；而在低功耗设备或分布式场景中，高熵随机源本身是稀缺资源。本文针对这一“随机性-效用权衡”问题，提出了一个随机性有效的 K-范数机制变体：只需 O(log d) 个随机位即可回答 d 个线性查询，同时达到 O(d/ε) 的 l∞ 误差。相比 Canonne 等人的现有算法，该方案的随机位消耗显著降低；当隐私参数 ε ≤ 1/d 时，该结果在误差与随机位数上均达到渐近最优。此外，作者还给出了计算上高效的版本，以 O(log d) 倍的误差增加为代价换取更低的计算复杂度。该工作属于理论计算机科学、随机化算法与隐私计算的交叉领域，其核心贡献是证明“少量随机位也能接近最优精度”这一可达成上界，揭示了随机位数与查询精度之间的基本关系。该结果对随机性受限环境（如边缘设备上的私有数据收集）中的差分隐私系统设计有指导价值，也为后续设计低熵需求的隐私机制提供了新思路。适合研究差分隐私理论、算法机制设计及隐私增强工程化的读者阅读。

该论文提出了一种名为“批量差分隐私信息检索”（Batched Differentially Private Information Retrieval）的新方法，旨在解决在信息检索场景下保护用户隐私与可用性之间的平衡问题。传统信息检索（如数据库查询）可能泄露用户的查询模式，而完全加密或混淆的检索方法又往往带来高昂的计算和通信开销。差分隐私（Differential Privacy, DP）为查询结果提供形式化的隐私保证，但直接将其应用于信息检索时，通常需要对每次查询注入噪声，这会导致批量查询时的累积误差过高，降低数据实用性。论文的核心贡献在于设计了一种批量处理机制，使得在一组查询任务上整体的隐私预算可以得到更合理的分配，并通过引入可证明的隐私与精确性权衡，减少了为实现相同隐私保护级别所需的噪声量，从而提升了查询结果的准确性和系统的整体效率。文中可能还探索了该协议与私有信息检索（PIR）技术的结合，使得服务器在无法观察单个查询内容的前提下，仍能对批量查询施加差分隐私保护。该工作适合对隐私增强技术、差分隐私机制设计、私有信息检索协议及数据安全研究感兴趣的研究人员和工程师阅读，但当前仅为初稿阶段的摘要，尚未提供完整的实验细节或正式的安全证明，因此成果的有效性仍需后续版本或完整论文来验证。

本论文是对第11届可编辑计算与应用同态加密工作坊（WAHC '23）的会议报道或综述性文章。WAHC 是密码学与安全领域的重要学术活动，聚焦于加密计算（Encrypted Computing）与全同态加密（Fully Homomorphic Encryption, FHE）的理论研究、工程实现及实际应用。由于本次工作坊的主题涵盖同态加密的算法优化、硬件加速、安全性分析以及典型应用场景（如隐私保护的数据挖掘、机器学习推断、多方计算等），该文很可能总结了会议中展示的最新研究成果、关键进展以及开放挑战。同态加密允许在密文上直接进行计算，计算结果解密后与明文运算结果一致，是解决数据隐私与计算可用性矛盾的核心技术之一。近年来，随着后量子密码标准化和隐私计算法规的收紧，同态加密的实用化进程显著加速。这篇工作会议报道可为安全研究人员、密码学工程师以及关注数据合规的技术决策者提供同态加密领域当前研究动态的概览，有助于了解哪些加密方案（如 BGV、BFV、CKKS）在实际部署中更具潜力，以及性能瓶颈和优化方向。由于本文只有标题和作者信息，没有完整的摘要正文，上述内容是基于可编辑计算与同态加密战役的通用背景推断的，并非对具体论文内容的复述。

联邦学习中客户端的上传模型更新可能泄露隐私，私有平均聚合是跨孤岛场景的关键环节。同态加密(HE)可作为私有聚合的基础，但传统单密钥方案要求客户端与聚合器之间满足强不共谋假设；多方同态加密(MHE)虽能消除此限制，却因近期针对受限解密访问的攻击而必须在协作解密时加入与安全参数λ相关的极大方差smudging噪声，进而导致密文显著膨胀和实现复杂度上升。本文基于RLWE困难问题提出轻量级多密钥同态加密协议，核心创新是避免生成集体公钥：每个客户端用自己的密钥加密模型更新，所得密文仍支持同态累加和多客户端协作解密；协议在解密时显式跟踪并抵消密文中的噪声分量，从而彻底去除对smudging噪声的依赖，大幅降低通信占用和在线计算开销。作者给出了两种实例化：基于BFV的精确整数聚合版本，以及基于CKKS的近似实数聚合版本；并在半诚实安全模型下证明，即使聚合器与至多L-1个客户端合谋，协议仍可保证安全性。与最新MHE聚合方案相比，所提方法明显减小了密文扩展度和在线运行代价，同时保持了实用的同态聚合性能，显示出其在真实联邦学习部署中的潜力。该工作为跨孤岛联邦学习中的隐私聚合提供了更高效的安全设计，但当前仍偏理论分析与仿真验证，尚需实现与标准化。适合关注隐私保护机器学习和应用密码学的安全工程师及研究人员阅读参考。

安全多方计算（MPC）允许多方在不暴露各自输入的情况下协同计算函数。传统上，MPC 编译通常将高级语言程序转化为布尔电路或算术电路，然后执行电路求值。然而，这种电路表示方法并不适应具有复杂控制流（如 if-else 分支、循环、动态跳转等）的程序，因为将这类控制流编译为电路往往会导致指数级增长的电路规模或需要展开所有可能的执行路径，造成极高的编译和运行成本。为缓解该问题，此前的研究提出了在 MPC 内部模拟完整 CPU 的方法，从而允许直接运行未做电路化转换的指令集程序。这种方式虽然能表达任意控制流，但是其代价同样高昂：每一轮求值都需要模拟 CPU 的完整指令周期，包括指令获取（fetch）、解码（decode）、执行（execute）、内存访问（RAM access）等操作，这些步骤本身都会产生额外的 MPC 计算与通信开销，导致整体性能大幅下降。针对这一困境，本文（根据标题）提出了一种基于可变指令集架构（VISA）的通用 MPC 编译器设计思路。VISA 的核心思想或许是通过设计一种可动态调整的指令集，使得编译器能够针对不同的程序特征选择或生成合适的指令表示，从而在电路编译和 CPU 模拟之间取得一种更灵活的折衷，以期减少不必要的 CPU 模拟开销，同时保留对复杂控制流的友好支持。本文的目标可能是提出一个通用的编译框架，使 MPC 能够更高效地处理真实世界中包含大量控制流的程序。鉴于目前仅公开了摘要，具体的架构设计、指令集定义、编译算法、安全证明以及实验评估结果尚未披露。

键值（key-value）数据是一种自然存在的数据类型，例如用户对Web服务、商品或特征的评分，但在本地信任模型下尚未得到深入研究。现有的本地差分隐私（LDP）方案在计算键值统计数据时，由于每个用户独立添加噪声，导致最终统计结果的精度受到严重限制。多此计算（MPC）虽然能够保持比LDP更高的准确度，并且同样不需要可信的中央参与方，但如果直接将MPC应用于键值数据，其计算开销通常令人望而却步。为了解决这一矛盾，本文提出了一种新颖的分布式计算范式——选择性多方计算（Selective MPC）。核心思路是：为每个参与方提供一个随机数据子集的视图，凭借差分隐私的泄漏特性，巧妙地捕获“减法噪声”（subtractive noise），从而在保持隐私的同时显著提升统计精度和计算效率。作者严格证明了该协议满足纯差分隐私，并在差分隐私与MPC的组合模型下具备可证明的安全性。在实验评估中，该协议能够在20秒内计算包含10000个键的统计数据，并可扩展到30个服务器，对于单个键的查询响应时间不足1秒。这项工作突破了传统LDP与MPC在键值统计场景中的性能瓶颈，为分布式环境下高精度隐私统计提供了可行的技术路线，尤其适用于数据分散在多个机构且彼此不信任、却又需要联合统计分析的场景。

CryptDough 是一个面向安全多方计算（MPC）的统一分析引擎，由来自波士顿大学等多机构的研究者提出。在传统 MPC 解决方案中，系统通常只支持单一威胁模型或单一工作负载类型（如关系查询、时间序列分析或机器学习推理），这使得跨域联合分析变得复杂且低效。CryptDough 的核心目标是在同一系统运行时内，为多种威胁模型（如半诚实、恶意等）和多种分析类型提供原生支持，从而解决现有系统的碎片化问题。为实现这一目标，论文提出了两项关键设计：一是分层系统架构，通过渐进式抽象降低（progressive lowering of abstractions）实现模块化和可扩展性；二是“虚拟向量”（virtual vectors）概念，允许用户在整个软件栈的各层编写单线程代码，而将通信、并行化和内存管理的复杂性下沉到执行引擎中自动处理。这种设计不仅简化了用户编程模型，还使得引擎能够统一优化不同负载。实验表明，CryptDough 能够泛化现有最先进 MPC 系统的功能，并且在它们所支持的分析任务上性能具备竞争力，通常在多个基准上实现超过 2 倍的性能提升。该论文主要面向系统研究者、隐私计算工程师以及需要构建跨域联合分析平台的数据基础设施团队。

该论文研究多方洗牌协议在元数据隐藏通信中的效率改进。传统的混合网络（mixnet）由服务器轮流对用户消息进行可验证的洗牌，但操作开销较高。作者提出一种新的思路：让多台服务器协作地对消息的秘密共享值进行洗牌和验证，而非直接洗牌原始消息。基于此，他们构建了 Clarion 系统，实现匿名广播和消息传递。首先，设计了一个三服务器匿名广播方案，可抵御一个恶意服务器，且仅依赖对称密码学，避免了公钥运算带来的性能瓶颈。其次，将该方案扩展为 k 服务器版本，可抵御至多 k-1 个恶意服务器，但代价是每轮洗牌的预处理阶段更昂贵。最后，作者将 Clarion 协议集成到现有的 MCMix 匿名消息系统中，显著提升其性能。实验表明，在小消息广播场景下，Clarion 比由一系列单服务器可验证洗牌组成的混合网络快 9.2 倍；在与 MCMix 的会话协议对比中，Clarion 实现了 11.8 倍的性能提升。该工作为元数据隐藏通信提供了更高效的原语，可能推动匿名通信系统的实际部署。对防御者而言，理解这类技术有助于评估匿名网络的风险，以及设计针对恶意匿名通信的检测或应对措施。

本文是一篇关于分布式点函数（Distributed Point Function, DPF）及其推广形式——函数秘密共享（Function Secret Sharing, FSS）的综述性论文。DPF 是一种密码学原语，它允许两方或多方对一个秘密的权重为 1 的向量（等价于一个点函数）进行压缩形式的加性秘密共享。其核心价值在于：相比于直接共享整个向量，DPF 的共享体积非常小，同时仍能支持高效的求值操作。这种轻量级结构使得 DPF 在多个领域得到广泛应用，包括：私有信息检索（PIR）、匿名消息传递（如匿名投票或电子投票）、具有预处理阶段的安全计算协议，以及伪随机相关生成器——即利用小规模的随机种子扩展出大量伪随机的密码学相关实例，用于加速安全多方计算等任务。论文进一步讨论了从 DPF 到 FSS 的自然扩展，FSS 不再局限于点函数，而是支持更丰富的函数类别（如比较函数、区间函数等），同时保持类似的效率优势。高效的 FSS 构造能够将 DPF 的许多应用推广到更通用的场景，从而提升这些隐私保护协议的表达能力和实用性。文中系统梳理了 DPF 和 FSS 的定义、已知构造方法以及典型应用，并展望了开放问题。对于密码学研究者、隐私计算工程师以及关注数据安全与隐私保护的从业者而言，本文是一份重要的参考资料，也为后续在安全协议设计中选用合适的秘密共享工具提供了理论指导。

本文针对RNS-CKKS全同态加密（FHE）方案中缩放因子与模数刚性耦合的问题，提出了一种名为“嫁接”（Grafting）的解耦技术。在标准RNS-CKKS中，缩放因子决定数值精度，模数保证安全性，但两者必须紧密关联，导致设计受限，例如难以找到合适的NTT素数，且精度灵活性不足。本文的核心方法是通过重新设计密钥生成、加密和计算流程，允许在加密过程中独立设置缩放因子，从而打破耦合。具体地，Grafting技术引入额外的转换步骤，使得用户可以在保持相同模数的情况下调整缩放因子，或者在不同缩放因子之间进行切换。实验表明，该方法在不降低安全性的前提下，显著提升了参数选择的灵活性，并减少了因参数不匹配导致的效率损失。主要贡献包括：形式化地定义了缩放因子与模数解耦的必要条件；提出了Grafting算法的具体实现；通过理论分析和实验验证了其正确性与性能优势。本文适合FHE研究人员、密码学工程师以及需要优化同态加密性能的开发人员阅读。

该论文提出 DP4SQL，一个支持灵活隐私策略的差分隐私 SQL 系统。现有差分隐私 SQL 系统仅支持固定的隐私策略，例如所有表都必须保护记录存在性或内容，无法处理混合隐私需求（如部分公开列、不同字段不同保护级别）。DP4SQL 允许数据管理者自定义每张表、每个字段的可否认性要求，避免“一刀切”策略导致的过度保护或噪声注入不足。系统通过引入声明式隐私策略语言和新的查询稳定性计算规则，自动适配不同隐私需求下的噪声量。实验表明，在真实数据集上，DP4SQL 相比现有系统可在满足差异化隐私要求的同时，显著降低查询答案的噪声。该工作适用于需要精细隐私控制的数据库场景，如医疗、金融等多表关联数据发布。

本文提出并形式化了一种新型匿名凭证（AC）模型——核心/辅助匿名凭证（CHAC），旨在解决现有AC系统在移动应用等现代场景中的实际部署障碍。现有AC研究虽然丰富，但未充分考虑凭证共享防御和资源受限平台（如智能手机中的SIM卡）的约束。CHAC模型将系统分为受限的核心设备（如SIM卡）和强大的辅助设备（如智能手机），核心设备执行与凭证大小或属性数量无关的操作，而辅助设备无法在无核心设备参与下使用凭证，从而防止凭证共享。作者利用灵活公钥签名（SFPK）和可聚合的基于属性的等价类签名（AAEQ）等原语，构造了一个可证明安全的通用CHAC方案，并给出了具体实例化。该方案的关键特性是：展示令牌的大小与凭证中的属性数量无关，且核心设备只需计算一次椭圆曲线标量乘法，无论属性多少。为验证实用性，作者在Multos智能卡（作为核心）和Android智能手机（作为辅助）上实现了原型。实验表明，即使对于包含1000个属性的凭证，凭证展示在智能卡上耗时低于500毫秒，在智能手机上约200毫秒。该工作为在移动环境下实现隐私保护且高效的匿名认证提供了可行方案，尤其适用于需要强隐私和资源受限设备的场景。