阈值同态加密在隐私计算中的应用:解读
记录学习本论文的笔记。
摘要#
(1)单密钥同态加密
只有一个私钥,且不同公钥加密的密文无法相互计算。
(2)阈值同态加密(多密钥加密)
支持多个私钥,不同公钥加密的密文可以互相计算。
引言#
(1)大数据发展很好,结合机器学习更好服务社会,但存在一个问题:单个企业的数据无法支撑算法在自身业务场景的落地(自己的数据量不够,需要别人的),所以需要数据互联互通,数据共享。
(2)隐私计算可以解决,定义,作用,常见技术,本文主要介绍其中的同态加密技术,且重点分析单密钥的同态加密和阈值同态加密技术,以及后者在隐私计算中的应用优势。
单密钥同态加密#
定义#
总结:
(1)在单密钥同态加密中,能执行同态计算的密文,必须是相同密钥加密的。
问题#
这里,CA肯定会跳出来说,我是干啥的!
总结:
(1)不得不承认,单密钥同态加密确实在该方面存在不足!
阈值同态加密#
定义#
这里的计算密钥
也是多个? 个私钥, 个公钥和计算密钥,阈值同态加密真NB!
当前阈值同态加密方案#
目前的方案大都是基于单密钥全同态加密算法改进的,加密模式大致相同,即支持多个私钥,不同公钥下的密文(在计算密钥下进行转换,密钥交换?)可以互相计算。
阈值:
- 不同私钥,不同公钥,不同计算密钥
- 解密时,自少需要
个才能解密成功
【12】:Efficient RSA key generation and threshold paillier in the two-party setting-2019
【4】:Multiparty homomorphic encryption: from theory to practice-2020
【2】:Efficient multi-key homomorphic encryption with packed ciphertexts with application to oblivious neural network inference-2019
【11】:Multi-key homomorphic encryption from TFHE-2019
应用#
安全多方横向联邦建模#
论文:POSEIDON: privacy-preserving federated neural network learning-2020
具体流程:
总结:
(1)参数加密
(2)查询数据被查询者使用自己公钥加密,若要解密,需要所有参与者(查询者+节点)的私钥。
安全模型推理#
论文:Efficient multi-key homomorphic encryption with packed ciphertexts with application to oblivious neural network inference-2019
具体流程:
总结:
(1)服务器作为“中介”与租客和房东周旋,数据始终是密态,且私钥没有暴露。
(2)这里的公钥两份,私钥两份,且可以用自己的私钥解密,但需要聚合一起才能恢复明文,这点和需多个私钥联合解密有区别!
安全多方云计算#
Multi-key privacypreserving deep learning in cloud computing-2017
其他#
(1)借助阈值同态加密技术提出MPC框架,并与现有的MPC方案对比
- Multiparty homomorphic encryption: from theory to practice-2020
- On-the-fly multiparty computation on the cloud via multikey fully homomorphic encryption-2012
- Multiparty computation with low communication, computation and interaction via threshold FHE-2012
- Multiparty computation from threshold homomorphic encryption-2001
(2)借助阈值同态加密提出一种联邦集成树模型
Privacy preserving vertical federated learning for tree-based models-2020
(3)基于阈值同态加密提出一种联邦学习方案
Privacy-preserving federated learning based on multi-key homomorphic encryption-2021
(4)借助阈值同态加密实现一个安全生物认证方案
THRIVE: threshold homomorphic encryption based secure and privacy preserving bIometric VErification system-2014
总结#
总结:
(1)隐私数据保护目前很受重视。
(2)如何在隐私计算下,进行数据流通,共享,发挥最大价值目前很火,值得研究投入。
(3)文章内容:介绍了、指出了、并对。。进行了分析和研究。
(4)正式衔接了“Lifted ElGamal 门限加密算法”
作者:Hang Shao
出处:https://www.cnblogs.com/pam-sh/p/16446840.html
版权:本作品采用「知识共享」许可协议进行许可。
声明:欢迎交流! 原文链接 ,如有问题,可邮件(mir_soh@163.com)咨询.
【推荐】国内首个AI IDE,深度理解中文开发场景,立即下载体验Trae
【推荐】编程新体验,更懂你的AI,立即体验豆包MarsCode编程助手
【推荐】抖音旗下AI助手豆包,你的智能百科全书,全免费不限次数
【推荐】轻量又高性能的 SSH 工具 IShell:AI 加持,快人一步
· DeepSeek 开源周回顾「GitHub 热点速览」
· 物流快递公司核心技术能力-地址解析分单基础技术分享
· .NET 10首个预览版发布:重大改进与新特性概览!
· AI与.NET技术实操系列(二):开始使用ML.NET
· .NET10 - 预览版1新功能体验(一)