该论文针对 H.265/HEVC 视频编码标准中选择性加密方案存在的问题，提出了一种基于混沌映射的系数加扰新方法。现有系数加扰方法计算开销大，导致比特率开销增加、执行时间延长，且安全性不足。论文利用混沌映射的伪随机性、遍历性和对初始条件的敏感性，生成高度不可预测的系数分布，从而在保持低复杂度的同时增强安全性。与传统加扰相比，混沌映射确保了加密系数之间的最小相关性，增强了抵抗统计攻击和差分攻击的能力。此外，加扰条件经过专门设计，以最小化对比特率开销的影响。该方法与语法元素加密（SEC）结合，包括运动矢量差（MVD）、量化变换系数（QTC）和亮度帧内预测模式（Luma IPM），能有效扭曲视频内容。所提方案与切片同步运行，即使部分切片丢失，视频内容解密仍能保持完整。另外，采用 AES-CTR 生成的随机序列与 H.265 编码流结合，以抵御选择明文攻击。实验部分（摘要中未详述）预计会验证该方法在安全性、比特率开销和计算效率方面的改进。该研究适合视频加密、多媒体安全和密码学应用领域的研究人员以及视频编解码标准安全评估人员阅读，为 HEVC 内容保护提供了一种兼顾安全性和压缩效率的新思路。

在联邦学习（FL）中，隐私保护训练面临计算开销与安全性之间的权衡。现有全加密方案（如同态加密）虽能保护数据，但计算成本过高，难以部署。本文提出HADES框架，一种选择性特征加密与混合模型融合的隐私保护联邦学习方法。核心思想是：并非加密所有数据，而是通过主成分分析（PCA）识别出对隐私最敏感的特征子集，仅对这些特征进行多方同态加密（MHE），其余特征和对应模型部分保持明文。HADES包含两个并行的训练管道：加密管道处理敏感特征，明文管道处理非敏感特征，最后通过融合机制将两个管道输出的表示无缝整合，实现端到端训练。此外，作者提出一种通用打包方案，考虑整个神经网络架构，消除冗余旋转操作，提升计算效率。实验表明，HADES在保持与普通FL相同准确率的同时，显著降低了重建攻击的成功率，并优化了运行时间。该工作适合对联邦学习隐私保护、同态加密优化感兴趣的研究人员和工程师阅读，尤其适用于医疗、金融等特征高度敏感的场景。