XiaoMi-AI文件搜索系统
World File Search SystemFHE
可通过基于晶格的Snarks
摘要。完全同态加密（FHE）是一种普遍的加密原始原始性，可以在加密数据上计算。在各种加密协议中，这可以使计算将计算外包给第三方，同时保留输入对计算的隐私。但是，这些方案对对手做出了诚实而有趣的假设。以前的工作试图通过将FHE与可验证的计算（VC）相结合来重新移动此假设。最近的工作通过引入环上的同构计算的完整性检查来提高了这种方法的灵活性。但是，对于大乘积深度的电路，有效的fhe也需要称为维护操作的非环计算，即Modswitching和Keyswitching，无法通过现有构造有效验证。我们提出了第一个有效可验证的FHE方案，该方案通常使用双CRT表示，在该方案中通常计算了FHE方案，并使用基于晶格的Snarks来分别证明该计算的组件，包括维护操作，包括维护操作。因此，我们的构造理论上可以处理引导操作。我们还介绍了对包含多个密文 - ciphertext多平台的计算的加密数据的可验证计算的首次实现。具体而言，我们验证了一个近似神经网络的同态计算，该计算在不到1秒钟内包含三层和> 100个密文，同时保持合理的摊贩成本。
如何构建量子 FHE
[ Mah20 ， Bra18 ] 的 QFHE 构造建立在可从 LWE 假设构建的经典 FHE 方案之上。然而，他们的方案使用了特定 FHE 方案的非常特殊的属性。例如，[ Mah20 ] 使用了对偶 GSW FHE 方案 [ GSW13 ] 以及从 LWE 构建的噪声陷门无爪函数。该构造利用了这样一个事实：位 b 的对偶 GSW 加密可以转换为对该位“编码”的无爪函数对 ( f 0 , f 1 ) 的描述，对于两个原像 x 0 和 x 1 ，使得 f 0 ( x 0 ) = f 1 ( x 1 ) ，x 0 和 x 1 的第一位与 b 异或。类似地，[ Bra18 ] 关键性地使用了 GSW 加密方案和与给定密文一致的所有随机字符串集合的离散高斯结构。换句话说，这两种方案都使用了底层原语的特定实例，并利用了它们复杂的相互作用。这引出了一个自然的问题，这也是我们工作的起点：
有效的保存应用程序的阈值
阈值密码学。虽然FHE解决了在封闭数据上的计算问题上的关键问题，但必须安全地存储解密密钥，以从中获得任何真正的好处。典型的企业密钥管理解决方案涉及使用安全硬件解决方案，例如HSM，SGXS等。尽管他们在实践中提供合理的安全性，但他们经常缺乏可编程性，繁琐的设置程序，可伸缩性，高成本，侧渠道攻击等[KHF + 19，LSG + 18]。使用阈值Cryptog-raphy [SHA79，DF90，DDFY94]的另一种方法是由Hashicorp Vault 1等企业提供的。在该方法中，密钥在多个服务器之间共享（例如T），以避免“单点失败”和阈值 - 旧数 - 可以协作以重新计算解密密钥。然而，这在密钥重建过程中将目的视为解密服务器上的单一折衷，将完全揭示关键。理想的解决方案必须始终具有分布的解密密钥。这是通过thfhe（阈值）方案[AJL + 12，MW16，BGG + 18，CCK23]实现的，在该方案中，任何一个阈值数量共同执行解密，而无需在任何位置重构密钥。尤其是当事方与钥匙的股票进行了部分解密，并将其发送给解密者，他们一旦获得了总共获得这样的解密（可能包括其自身的部分解密），他们将它们结合在一起，以获取信息。
高效按键切换，实现字型FHE和GPU加速
摘要 — 速度效率、内存优化和量子抗性对于保障云计算环境的性能和安全性至关重要。全同态加密 (FHE) 通过在无需解密的情况下对加密数据进行计算来满足这一需求，从而保护数据隐私。此外，基于格的 FHE 是量子安全的，可以防御潜在的量子计算机攻击。然而，当前 FHE 方案的性能仍然不令人满意，主要是因为操作数的长度和与几个资源密集型操作相关的计算成本。在这些操作中，密钥切换是最苛刻的过程之一，因为它涉及在更大的循环环中进行计算所需的复杂算术运算。在这项研究中，我们介绍了一种新算法，该算法在密钥切换的数论变换 (NTT) 中实现了线性复杂度。该算法提供了与最先进算法相当的效率，同时显著简单且消耗更少的 GPU 内存。值得注意的是，它将空间消耗减少了高达 95%，对 GPU 内存非常友好。通过优化 GPU 性能，我们的实现与基线方法和当前最先进的方法相比实现了高达 2.0 倍的加速。该算法有效地平衡了简单性和性能，从而增强了现代硬件平台上的加密计算，并为云计算环境中更实用、更高效的 FHE 实现铺平了道路。
一个具有高通量
我们提出了一个用基于晶格的加密性加固的量子后区块链。使用的数字签名算法可确保对量子计算带来的安装威胁的安全性。其加密算法是为整个网络构建完全同态加密（FHE）计算的构建。该授权区块链节点以其加密形式正确处理交易，而在不了解其明文内容的情况下，仅保留独家的解密特权，仅保留给单个资产持有人，以明文授予他们访问其交易详细信息。我们还提出了一项优化的拜占庭式容忍度consus协议，展示了该系统实现每秒30,000笔交易的潜力。我们还提出了一个本机虚拟麦酸（VM），旨在支持诸如加法，减法，比较和密钥切换之类的主要操作。此内在功能使用户有能力开发任意计算逻辑，从而促进了对加密数据的执行。此VM不仅促进了交易的合成性，而且还坚持区块链生态系统内的机密性，中央集权和反审查措施的基本宗旨。我们的合规方法是双重的：单个资产持有人可能会在明文中对其交易历史进行潜在的审查，同时在网络层面上，管理实体保留了整体交易历史记录的加密存储库。管理实体具有解密密钥，可以根据需要揭幕交易详细信息。这种双层分层可确保对我们系统内的合规措施的细微差别遵守。
cifher：具有可重大结构的基于芯片的FHE加速器
摘要 - 同构加密（FHE）是备受关注的隐私解决方案，但是FHE的高计算开销对其实际采用构成了挑战。尽管先前的研究试图设计ASIC加速器来减轻开销，但他们的设计需要过多的芯片资源（例如，区域）来包含和处理大量操作数据。我们提出了一个基于芯片的FHE加速器Cifher，它具有可重大的结构，以通过具有成本效益的多芯片模块（MCM）设计来应对挑战。首先，我们设计了一种灵活的核心体系结构，其配置可调节以符合chiplets的全球组织和设计约束。其独特的功能是一个可组合功能单元，为数字理论变换提供了不同的计算吞吐量，这是FHE中最主要的函数。然后，我们建立了一般的数据映射方法，以最大程度地减少互连开销，当将芯片组织到MCM包装中时，由于包装约束，这将变成了重要的瓶颈。这项研究表明，由许多紧凑型芯片组成的Cifher软件包提供的性能可与最先进的单片ASIC加速器相提并论，同时大大降低了整个包装范围的功耗和制造成本。索引术语 - 同构加密，域特异性档案，chiplet
对有效加密处理的方案和库的比较
摘要 - 近年来，收集和分析云中大数据的机会有所增加。加密处理对于保护云服务器上的数据至关重要，并且可以在加密状态下执行计算的同质加密是为此目的高度期望的。完全同态加密（FHE）是一种加密方案，允许在加密状态下进行任何数量的添加和乘法操作。在追求FHE的实际应用时，已经提出了多个加密方案，并且有几个库可用于执行这些方案。在本研究中，我们首先进行了比较，以帮助根据应用程序的执行环境和处理要求选择适当的FHE加密方案和库。特别是，我们组织了在OpenFhe，Lattigo和TFHEPP库中实施的BFV，BGV，CKK和Zama的TFHE方案变体的时空复杂性和兼容操作。为了实现128位安全性，发现BGV，BFV和CKKS以此顺序最快。此外，内存使用情况因库而变化，而OpenFhe需要比Lattigo更少的内存。与Zama的TFHE方案变体相比，BFV，BGV和CKKS方案的加密过程中的差异是值得注意的。在CKKS和Zama的TFHE变体之间的比较中，Zama的TFHE变体与任意值之间的乘法更兼容，但是CKKS与向量内部产物更兼容。对所有加密方案的共同挑战是它们的巨大时空复杂性。因此，作为第二个考虑因素，我们比较了Zama在云DRAM有限的环境中，OpenFHE和TFHEPP之间的执行时间和固态驱动器（SSD）带宽，例如在云中。发现当DRAM受到限制时，TFHEPP更快。这是因为OpenFHE中的Gate密钥生成时间显着增加，这是因为算术处理所需的记忆力不足。索引术语 - （torus）完全同型加密，SSD
neujeans：私人神经网络推断，卷积和引导的联合优化
完全同构加密（FHE）是一种有前途的加密原始原始性，用于实现私人神经网络推理（PI）服务，通过允许客户端将推理任务完全卸载到云服务器，同时使客户端数据不符合服务器。这项工作提出了Neujeans，这是一种基于深层卷积神经网络（CNN）PI的解决方案。neujeans解决了CNN评估的巨大计算成本的关键问题。我们介绍了一种称为系数中插槽（CINS）编码的新型编码方法，该方法可以在一个HE乘法中进行多次插入而无需昂贵的插槽排列。我们进一步观察到编码是通过在常规插槽编码中的密文上进行离散傅立叶变换（DFT）的前几个步骤来获得的。此属性使我们能够保存CINS和插槽编码之间的转换，因为启动绑带密文始于DFT。利用这一点，我们为各种二维卷积（Conv2D）操作设计了优化的执行流，并将其应用于端到端CNN启动。neujeans与基于最新的FHE PI工作相比，高达5.68倍的Conv2D激活序列的性能加速了，并在仅几秒钟内就可以在Imagenet的规模上执行CNN的PI。
加密计算-Compass-2023-1.pdf
6个高级程序31 6.1杂交密封。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。31 6.2 fhe，速率高。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。32 6.2.1通过同态分辨率率1率。。。。。。。。。。。。。。。。。。。。。。32 6.3近似值。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。33 6.3.1 CKKS程序。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。34 6.3.2 CKK的正确性错误成为安全问题。。。。。。。。。。。。。。。。34 6.4 Multikey fhe。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。35 6.5 Quanta fhe。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。36 6.6多线性插图，分裂和障碍。。。。。。。。。。。。。。。。。。。。。。37
NextFlex混合电子产品制造路线图摘要
关于NextFlex NextFlex是美国电子公司，学术机构，非营利组织，州，地方和联邦政府合作伙伴的联盟，其共同目标是推进美国柔性混合电子产品（FHE）的制造。自2015年成立以来，NextFlex技术人员，教育工作者，问题解决者和制造商共同融合，共同促进创新，缩小先进的制造业劳动力差距，并促进可持续的电子制造生态系统。什么是什么？NextFlex定义的柔性混合电子（FHE）是在印刷和加化性电子产品与常规半导体设备和离散组件的相交中存在的场。fhe比有时从此描述中解释的要广泛，因为FHE还包括可以伸展，弯曲和扭曲的电子设备，这些电子设备在三个维度上共同建立在表面上的电子设备，以及在三个维度上制造的那些，无论机械灵活性如何。高级半导体包装和添加剂印刷电路板（PCB）制造是NextFlex越来越重点的领域，因为新型的添加剂技术为柔性和刚性基板提供了不同的功能。