联合学习(FL)促进了客户在培训共享的机器学习模型的情况下合作,而无需公开各个私人数据。尽管如此,FL仍然容易受到效用和隐私攻击的影响,特别是逃避数据中毒和建模反演攻击,从而损害了系统的效率和数据隐私。现有的范围通常专门针对特定的单一攻击,缺乏普遍性和全面的防守者的观点。为了应对这些挑战,我们介绍了f ederpography d efense(FCD),这是一个统一的单框架,与辩护人的观点保持一致。FCD采用基于行的转座密码加密,并使用秘密钥匙来对抗逃避黑框数据中毒和模型反转攻击。FCD的症结在于将整个学习过程转移到加密的数据空间中,并使用由Kullback-Leibler(KL)差异引导的新型蒸馏损失。此措施比较了本地预审最终的教师模型对正常数据的预测以及本地学生模型对FCD加密形式相同数据的预测的概率分布。通过在此加密空间中工作,FCD消除了服务器上的解密需求,从而导致了计算复杂性。我们证明了FCD的实践可行性,并将其应用于对基准数据集(GTSRB,KBTS,CIFAR10和EMNIST)上的Evasion实用程序攻击。我们进一步扩展了FCD,以抵御CI-FAR100数据集中的Split FL中的模型反转攻击。与第二最佳方法相比,我们在各种攻击和FL设置中进行的实验表明了对效用逃避(影响> 30)和隐私攻击(MSE> 73)的实际可行性和巨大性。
同态加密代表了一种通过启用计算直接在加密数据上执行的无需解密的转换方法来保护云计算的方法。本研究探讨了同构加密方案的潜力,以增强云存储的安全性和隐私性和敏感信息的处理。通过在整个计算过程中维护数据加密,同态加密可确保敏感数据仍然可以保护未经授权的访问和漏洞,即使在云环境中也是如此。该研究研究了各种同态加密技术,评估了其现实应用应用的性能,可伸缩性和实用性。此外,它解决了计算开销和实施复杂性等挑战,提出了解决方案,以优化和简化云计算中同构加密的使用。这项研究强调了在越来越多的云依赖的数字景观中推进加密技术以维护数据隐私的重要性。
摘要。完全同态加密(FHE)是一个密码原始的原始原始性,可在加密数据上进行任意操作。自从[rad78]中对这个想法的概念以来,它被认为是密码学的圣杯。在2009年第一次建造[Gen09]之后,它已经发展成为具有强大安全保证的实践原始性。大多数现代建筑基于众所周知的晶格问题,例如学习错误(LWE)。除了其学术吸引力外,近年来,由于其适用于相当数量的现实世界用例,因此近年来还引起了行业的重大关注。ISO/IEC即将进行的标准化工作旨在支持这些技术的更广泛采用。但是,标准体,开发人员和最终用户通常会遇到的主要挑战之一是建立参数。在FHE的情况下,这尤其困难,因为参数不仅与系统的安全级别有关,而且与系统能够
摘要。PRIVILEGE 解决方案推动了目前已使用人工智能 (AI) 系统的国防技术的发展,在协作环境中实现数据安全和隐私保护。PRIVILEGE 将加强不同盟友在敏感国防和军事数据的安全分析方面的合作。该方法基于将分布式 AI 框架(例如联邦学习和 PATE)与隐私保护和安全工具(例如同态加密、可验证计算或多方计算)相结合。提出的解决方案是通用的,但是,将针对三个特定的实际用例来验证该方法并证明 PRIVILEGE 在实践中的适用性:国防行动中的无线电波分类、恶意网络日志的分类以及无人驾驶车辆的视频处理。
我们提出了一种有效的公开性验证的完全同态加密方案,该方案能够通过密文评估任意布尔电路,还产生了正确的同质计算的简洁证明。我们的方案基于DUCAS和MICCIANCIO(EUROCRYPT'15)提出的FHEW,我们将Ginx同型累加器(Eurocrypt'16)结合起来,以改善自举效率。为了使证明效果生成证明,我们将广泛使用的Rank-1约束系统(R1C)推广到环设置并获得环R1C,并在FHEW中属于同型同态计算。特别是,我们开发了在环R1C中有效表达的技术,即“非算术”操作,例如用于FHEW结构中使用的小工具分解和模量切换。我们通过将RING R1CS实例转换为多项式的汇总检查协议,然后将其编译为简洁的非交互式证明,通过将基于晶格的基于晶格的多项式承诺纳入Cini,Malavolta,Malavolta,Nguyen,nguyen和Wee(Wee(Wee)(Wee(Crypto'24))。结合在一起,我们公开的可验证的FHE方案依赖于有关晶格问题的标准硬度,以便在时间O(| c | 2·Poly(λ))和大小O(log 2 | C | C |·Poly(λ))中产生简洁的电路C的简洁证明。此外,我们的计划还实现了Walter(EPRINT 2024/1207)的最近提议的IND-SA(在半活性攻击下没有可区分性),当可以验证同型计算时,该安全性准确地捕获了客户数据隐私。
Purbanchal大学科学技术学院(PUSAT)副教授,尼泊尔比拉特纳加尔摘要,因为云计算完全改变了公司存储和处理数据的方式,数据安全性变得越来越重要。当我们在云中使用标准加密方法(与此设置的唯一限制都无法正常工作时,我们通常会出现数据泄露和更多脆弱性点。同构加密(HE),它使我们可以在不显示数据本身的情况下对加密数据进行计算,这是一个改变游戏规则的选项。本文讨论了同态加密的操作及其增强云安全性,数据保护和信任的潜力。由于云数据安全性有限,有几种趋势可能会在将来增强同构加密的安全性。现实生活中的案例研究和应用在本文中用于展示和讨论这种尖端的加密方法如何在现实世界中起作用。云数据安全的未来将受到异态加密的显着影响。
摘要:量子计算确实对经典密码学构成了巨大威胁,从而危及物联网设备的安全。因此,本文致力于提出一种针对物联网 (IoT) 环境的抗量子同态加密 (QRHE) 系统。该 QRHE 密钥系统的主要观点基本上是保护物联网网络流量中的信息处理免受量子威胁。除此之外,该系统还允许在未事先解密的情况下处理加密信息的数据,从而保证了所处理数据的机密性和完整性。系统中使用的基于格的加密技术基于错误学习 (LWE) 问题,该问题已经显示出对经典和量子攻击的强大能力。本文介绍了一种同态加密算法,允许密文之间进行加法和乘法运算,以确保在安全数据聚合和分析过程中的隐私。实验结果表明,即使经过多次同态运算,所提出的系统仍能保持 98% 的高准确率,证明了其在保护数据机密性和完整性方面的有效性。虽然与传统方法相比,所提出的系统的计算成本略高,但它仍然为量子计算时代的物联网应用提供了全面的安全解决方案。
在当今的数字环境中,尤其是在医疗保健行业中,保护隐私技术的重要性永远不会被夸大。升级的监管要求,例如美国和欧盟的一般数据保护法规(GDPR)等《健康保险可移植性法案》(HIPAA),需要严格的数据保护措施来保护患者信息。这些法规要求卫生保健实体实施强大的机制,以确保数据的机密性,完整性和隐私性。同时,由于需要扩展存储,计算能力和协作平台,因此可以看出,云计算可以集成到医疗基础架构中,这为隐私和安全带来了固有的风险。强制性调节合规性和云计算的固有风险的结合突出了对先进的隐私保护技术的需求。幸运的是,该领域的进步正在从理论结构发展为实用的现实世界。隐私技术的可行性和可扩展性的进步至关重要,为医疗保健行业提供了浏览数字隐私和安全性复杂景观所需的工具,同时利用云计算的好处。[11]
摘要保护基本数据的机密性。同质加密的最新进展使得使用基于同构加密的方案在物体应用程序中保护机密和个人数据成为可能。然而,在这个密码学领域,使用完全同态加密方案的标准和准则相对年轻。本文分析了同态加密领域中现有的库。由于分析的结果,执行同构加密和分裂的运行以及开发整数同构加密图书馆的实施的相关性。提出了同态分裂的方法,该方法允许执行分离同构加密数据的操作。为了确保物联网构建体之间的数据存储和交换,已经创建了和实现了完整的同型加密库体系结构,从而可以对在各种Atmelavr微控制器中加密的数据进行所有算术操作。