该论文提出了一种利用可验证的链下计算（Verifiable Off-Chain Computation）来保护隐私的基因组分析方法。随着基因组测序成本下降和医疗数据共享需求增加，基因组数据的高度敏感性使得在云端或区块链上进行计算面临严峻的隐私泄露风险。传统链上计算虽然透明但成本高昂且无法满足大规模数据处理需求，而链下计算又缺乏可信的验证机制。作者设计了一种将基因组分析任务拆分为链下执行与链上验证的架构：使用可信执行环境（TEE）或零知识证明（ZKP）等技术确保链下计算结果的正确性和完整性，同时通过智能合约实现可验证性，避免原始基因组数据暴露给非授权方。论文还构建了原型系统，评估了在常见基因组分析任务（如变异识别、基因相关性统计）中的性能开销与隐私保证，结果表明该方法在保证隐私与可验证性的前提下，显著降低了链上存储和计算成本。该研究为医疗数据共享、个人基因组数据管理等场景提供了可行的隐私保护计算范式，适合关注区块链隐私计算、生物信息学安全以及数据合规的领域研究者阅读。

本文提出 BioZKFHE，一个用于可扩展加密生物特征识别的框架，它结合了 BGV 型全同态加密与委员会中介的证明开/解密及智能合约验证。研究背景是在外包场景下进行大规模生物特征识别，需要同时保证生物模板和查询数据在计算过程中的机密性，以及由不可信计算节点产生的加密相似度输出的可验证正确性。现有基于 FHE 的生物特征系统主要关注机密性，而实际可验证性在底层的加密 1:N 匹配层引入了两个瓶颈：一是相似度评估中大量的旋转操作和带宽开销，二是重复证明同态相似度迹的高成本。为此，作者提出了两种核心方法：(1) 单系数多值（SCMV）打包技术，通过基-T 扩展将多个量化嵌入值绑定到每个明文项中，从而减少加密存储并避免旋转密集的加密 1:N 匹配；(2) 可并行化可验证相似度计算（PVSC），利用 BGV 的双 CRT 执行结构将每个块状相似度迹分解为并行的证明实例，在结果释放前进行打开和检查。在标准格假设和明确的委员会/验证者假设下，分析了可恢复性、噪声增长、机密性、加密输出完整性和最终结果完整性。实验在 FaceNet 和 MobileFaceNet 上进行，展示了近乎无损的生物特征效用、最高 67% 的加密存储减少，以及对于 1 万到 4 万模板的端到端证明验证运行时间约为 22 到 44 秒。

MicroNova 是一种基于折叠的递归论证系统，旨在高效证明形如 y = F^(ℓ)(x) 的增量计算，其中 F 可以是使用 R1CS 约束系统编码的非确定性计算。与现有折叠论证相比，MicroNova 的关键创新在于其验证者在资源受限环境（如以太坊区块链）中的具体效率。证明过程逐步生成，且证明大小和验证时间与迭代步数 ℓ 无关。在最后迭代后，证明被压缩为 O(log N) 个群元素，其中 N 是单次调用 F 的约束数。压缩证明的验证仅需 O(log N) 次群标量乘法和两次配对运算。MicroNova 需要通用可信设置，并可复用为 KZG 多项式承诺方案创建的现有设置材料。论文还给出了实现和实验评估：在以太坊上验证一个证明大约消耗 220 万 gas，证明者的开销相比基础的 Nova 仅有极小增加。这项工作对区块链上可验证计算、递归证明合成等领域有显著贡献，尤其为在智能合约中高效验证复杂计算提供了实用方案。

全同态加密（FHE）允许云计算服务商直接在用户提供的密文上执行计算，而无需解密，这对于医疗、金融等隐私敏感领域的数据外包处理至关重要。然而，在该模式下，客户端普遍担心恶意服务器或服务器端漏洞可能导致数据、计算过程或结果被篡改，从而破坏结果的完整性和准确性。确保计算的可验证性且保持低开销仍是一个开放性问题。为了解决这一挑战，本文提出 DataSeal，一种将算法级容错（ABFT）技术与 FHE 机密性相结合的方案。ABFT 原本用于检测和容忍计算中的硬件故障，DataSeal 将其改造为可验证 FHE 计算完整性的轻量级机制。通过在多种应用场景下的实验评估，作者证明 DataSeal 在提供 FHE 计算可验证性方面，其空间与计算开销远低于传统方法（如消息认证码 MAC、零知识证明 ZKP、可信执行环境 TEE），并且随着问题规模增大，额外开销几乎可以忽略不计。该方案无需修改 FHE 底层密码原语，具有较好的实用性和可扩展性。DataSeal 的核心贡献在于将 ABFT 的校验思想推广到加密域，实现了低开销、高置信度的结果验证，为 FHE 在真实云环境中的可信部署提供了新的技术路径。

本文研究了在流式认证数据上实现隐私保护证明的问题。在该场景中，服务器从可信数据提供者处持续接收数据流，并被要求向第三方正确且隐私地证明对数据执行的计算结果。第三方除了知道声称结果的正确性外，不获得任何数据信息。挑战在于第三方仅与服务器通信，却能验证结果相对于提供者所认证数据的有效性。该问题广泛应用于股票市场监控与预测服务、政府基于大型医疗数据库发布的统计等场景，这些都需要可靠且可扩展的解决方案。论文提出了针对签名数据的高效零知识证明方法，支持对数据流进行可验证计算，同时确保数据隐私。主要贡献包括：形式化定义了流式认证数据上的零知识证明模型，设计了高效的协议实现，并通过实验证明了其性能优势。适合密码学、隐私保护计算、数据流处理等领域的研究人员和工程师阅读。

本文针对动态加密控制系统中云服务器计算的完整性验证问题，提出了一种新颖的验证算法。传统加密控制虽能保护数据和参数隐私，但云服务器可能篡改计算结果，现有方法要么依赖强假设，要么计算开销大，且仅适用于静态计算。作者利用控制器的系统理论输入输出特性，通过在云端并行处理人工挑战信号，与请求的控制输入一起计算，从而在工厂侧检查结果的正确性。该方法几乎不增加额外计算负担，能以高概率检测错误计算，且能防御重放攻击。论文属于理论与方法贡献，适合从事加密控制、安全计算和自动化领域的学者与工程师阅读。

本文研究动态有序集合（支持插入、删除、成员查询、前驱后继、最小值最大值等操作）的回顾性审计问题。集合由不可信方维护，被动审计者（auditor）仅需存储 5 个机器字和 1 个标志位，并在每次操作时接收一个常量大小的公开 tally 记录。审计阶段，维护者披露声称的活跃空区间（live vacant intervals）。方法的核心是利用最大间隙（maximal gaps）表示顺序语义：间隙有出生、引用、消费、时间戳等状态，同时两个隐藏域累加器分别对出生账本和消费账本进行相等性测试。诚实执行以概率 1 被接受；若包含 T 次操作的会话中存在错误回答，接受概率至多为 (4T+1)/p（p 为秘密域元素大小，对计算能力无限制的维护者有效）。论文证明确定性或可见硬币审计器需要线性状态，并发现移除时间戳规则会导致精确重放伪造。实现方面，采用叶导向的 (2,4)-树作为维护者数据结构，每个操作最坏情况 O(log n) 时间，每个元素额外存储一个字，且再平衡事件在 m 次更新上具有可审计的 O(m) 包络。检查点审计可通过加法误差组合。本文适合研究可验证计算、数据完整性审计及信任最小化系统的研究人员阅读。

本文研究网络控制系统（NCS）中加密控制器对隐密攻击（covert attacks）的抵抗能力。加密控制通常利用同态加密（HE）将控制器外包给第三方平台（如云服务）以保护数据机密性。近期研究试图通过修改HE方案来同时抵御完整性攻击，但本文证明，公钥HE方案固有的可塑性问题使得仅靠HE无法解决完整性安全问题。因为加密控制所依赖的同态性既可被善用也可被滥用，攻击者即使不知道未加密模型，也能在加密控制实施的情况下成功发动隐密攻击。然而，通过互补技术仍能实现对此类攻击的弹性。文章提出一种基于可验证计算的方法，与现代同态密码系统集成，具有渐进安全性且不增加通信开销。该工作从系统理论角度揭示了加密控制的局限性，并给出了可行的解决方案。适合研究网络物理系统安全、加密计算和自动化控制理论的研究人员和工程师阅读。

本文提出 martFL，一种专为安全、可验证的数据市场设计的联邦学习架构。在数据市场中，数据需求方（DA）需要从多个数据提供方（DP）获取高质量训练数据，但直接交换原始数据存在隐私风险。联邦学习通过交换模型或梯度来传递数据效用，但现有架构存在三个关键挑战：1) DA 无法在交易前私下评估各 DP 提交的本地模型质量；2) 现有聚合协议难以有效排除恶意 DP，同时避免对 DA 可能有偏的根数据集过拟合；3) 缺乏公正的计费机制来按贡献分配奖励。martFL 通过两项创新设计解决上述问题：首先，一个质量感知的模型聚合协议，使 DA 即使在根数据集有偏的情况下，也能从聚合中排除低质量或投毒的本地模型；其次，一个可验证的数据交易协议，使 DA 能够以简洁且零知识的方式证明其已按照承诺的权重忠实地聚合了这些本地模型，从而允许 DP 根据其权重/贡献明确索取奖励。作者实现了 martFL 原型，并在多种任务上进行了广泛评估。结果表明，martFL 可将模型准确率提升高达 25%，同时节省高达 64% 的数据获取成本。该工作适用于联邦学习、数据市场、隐私计算等方向的研究者和工程师。