XiaoMi-AI文件搜索系统
World File Search SystemFHE
一个新的基于CRT的完全同型加密
fhe方案可以在加密数据上执行广泛的操作，包括算术（加法和乘法）和逻辑操作，使它们完成。这意味着从理论上讲，任何可计算的函数都可以在加密数据上评估，而无需揭示数据本身。范围的潜在应用是广泛的，包括安全的投票系统，保护隐私的数据分析以及加密的搜索功能等。FHE解决的关键挑战之一是需要保持数据隐私，同时实现现代数据分析和Ma-Chine学习的功能。传统的加密方案在静止和运输中安全数据，但需要解密以进行处理，将敏感信息暴露于电池漏洞中。fhe在整个处理生命周期中保持了加密数据，从而显着增强了安全性和隐私性。尽管具有有希望的功能，但实际上，FHE的实际部署受到了性能问题的阻碍，尤其是与同构操作相关的高计算间接费用。早期方案需要进行引导[8] [6] [12] - 一种刷新密文以管理计算过程中噪声增长的过程 - 这在计算上昂贵且对现实世界应用程序非常有效[1]。使用中国剩余定理（CRT）进行完全同构加密（FHE）方案的概念首先是由Rivest，Adleman和Dertouzos [13]引入了1978年的“隐私同态”。由Rivest，Adleman和Dertouzos设计的隐私同构同构如下：基本想法是定义一个加密功能，该功能允许在无需解密的无需解密的无需加密数据上组合。该方法始于启用基本的二进制操作（例如加法和乘法），而不是加密数据。由于任何函数都可以通过多项式添加和加密数据上的乘法来近似，这意味着有可能在数据上计算任何函数。
年度奖项
演员：劳伦斯·奥托·赫维森，《Homtet》，J. Arthur Ronk-fyo Cities Film，Universol-lnlernaliono！（斯里菲什）演员（编剧）：沃尔特·胡森，《Fressure of Sierrtr llodre》，华纳兄弟。女演员：JANE WYTAN，《Johnny Belindo》，沃纳兄弟电影公司。 配角：CLAIRE TREVOR，《Key Lorgo》，沃纳兄弟电影公司。 广告指导（黑白）：ROGER K. RUSE，“Homlet”，J. Arthur Ronk-fwo Cities Film，Universol-lnlernolionol（英国） 导演（彩色）：HEIN HECKROfH，“fhe Red Shoes”，J. Arlhur Ronk-Archers，Eogle-Lion（英国） 精选装饰（黑白）：CARILEN DILLON，“Homlet”，J. Arthur Ronk-fwo Cities Film，Universol-lnlernolionol（爱尔兰） 精选装饰（彩色）：ARTHUR IAWSON，“fhe Red Shoes”，J. Arthur Ronk-Arthers， Eogle-Lion（英国） 摄影（黑白）：Wilson DANIELS，“Fhe Noked City”，Lork Hellinger Productions，Inc.，Universal International 电影（彩色）：JOSEPH VALENNE、Wilson V. SKALL 和 WINION HOGH，“Joon ol A?”，“Sierro Pictures，Inc.，RKO Ritchie 服装设计（黑白）：ROGER X. FURSE，“Hnmlet”，J. Arlhur Ritchie-Two Cities Film，Universal International（英国） 服装设计（彩色）：DORofHY JEAKINS 和 KARINSKA，“Joon of Arc”，Sierro Pictures，Inc.，RKO Ritchie 导演：JOHN HUSTON，“freosure of Arc”，Sierrq Pictures，Inc.，RKO tlodre，” Worner Bros. 电影剪辑： PAUL WHERWAX，“fhe Noked Ciry”，ilark Hellinger Produclions，lnt.，Universal Inlernotionol 影片（配乐影片）： JOHNNY GREEN 和 ROGER EDENS，“Eosler Porade”，MG-II 影片（爱情或喜剧影片配乐）： BRTEAN EASDAIE，“fhe Red Shoes”，J. Arthur Rank-Archers，Eogle.Lion（英国） 影片（原创歌曲）： “BUIfONS AND BOWS” 来自“fhe Polefoce”，Poromounl.曲作者和歌词作者：Joy Livingston 和 Roy Evons 最佳影片：J. Arthur Ronk，两城电影公司，环球国际（英国）短片（动画片），“IHE IITTLE ORPHAN”，导演：Fred Quimby，制片人短片（单卷）：“SYILPHONY OF A ClfY”，20 世纪福克斯，Edmund H. Ieek，制片人长片（双卷）：“SEAL ISLAND”，沃尔特迪斯尼，雷电华电影公司，沃尔特迪斯尼，制片人原创录音：FOIL AS I. ILOUTON，“FHE SNOKE PRR”，20 世纪福克斯特别观众：PAUI EAGLER、J. IITCLLAN JOHNSON、USSELI SHEARMAN 和 CLARENCE SLIFER，视觉；查尔斯·费因安和杰伊斯·G·西瓦里，有声读物，“珍妮的肖像”，塞尼克工作室 编剧（编剧）：约翰·胡森，“塞罗拉的宝藏”，沃纳兄弟 编剧（电影故事）：理查德·施魏策尔和大卫·韦奇西尔，“系列”，派克森电影公司，瑞士
应用程序意识近似同质加密
完全同态加密（FHE）是在加密数据上执行计算的强大工具。Cheon-Kim-Kim-Song（CKKS）方案是近似FHE的实例化，对于具有真实和复数的机器学习应用程序特别有效。al-尽管CKK具有明确的效率优势，但混乱始终围绕着准确描述图书馆中的应用，并安全地实例化了这些问题的计划，尤其是在Li和Micciancio（Eurocrypt'21）的关键恢复攻击之后，用于IND-CPA D设置。目前在IND-CPA D的应用程序不合时宜的，通用的定义以及软件库中CKK的高效，特定于应用程序的实例之间存在差距，这导致了Guo等人的最新攻击。（USENIX SECurity'24）。要缩小此差距，我们介绍了应用程序意识到的同构加密（AAHE）的概念，并设计了相关的安全性定义。该模型更紧密地与实践中的方案实施和使用的方式更加紧密，同时还可以识别和解决流行库中潜在的漏洞。然后，我们提供了一种应用程序规范语言（ASL），并制定指南，以实现AAHE模型，以实现CKKS实际应用的IND-CPA D安全性。我们在OpenFhe库中提出了ASL的概念证明实现，以显示Guo等人的攻击方式。可以反驳。更重要的是，我们表明我们的新模型和ASL可用于确切方案的安全有效实例化，并应对Cheon等人最近的IND-CPA D攻击。（CCS'24）和Checri等。（加密24）。
增强自主无人机导航的隐私和安全性
摘要 - 自主无人驾驶汽车（UAV）已成为国防，执法，灾难响应和产品交付的重要工具。这些自主导航系统需要一个无线通信网络，并且最近是基于深度学习的。在诸如边境保护或灾难响应之类的关键场景中，确保自主无人机的安全导航至关重要。但是，这些自主无人机容易受到通过通信网络或深度学习模型的对抗性攻击 - 窃听 /中间 /成员 /成员推理 /重建。为了解决这种敏感性，我们提出了一种创新的方法，该方法结合了增强学习（RL）和完全同型加密（FHE），以实现安全的自主无人机导航。此端到端的安全框架是为无人机摄像机捕获的实时视频供稿而设计的，并利用FHE对加密的输入图像执行推断。虽然FHE允许对加密数据进行计算，但某些计算运算符尚未实现。卷积神经网络，完全连接的神经网络，激活功能和OpenAI Gym库被精心适应FHE域，以实现加密的数据处理。我们通过广泛的实验证明了我们提出的方法的功效。我们提出的方法可确保自主无人机导航中的安全性和隐私性，并且绩效损失微不足道。索引术语 - 自主无人驾驶汽车，完全同构加密，隐私，增强学习
sqisign2d-east：使用2 ...
摘要。大型语言模型（LLMS）最近改变了许多行业，增强了内容生成，客户服务代理，数据分析甚至软件的生成。这些应用程序是在远程服务器上托管的十个应用程序，以保护神经网络模型IP；但是，这引起了人们对输入查询的隐私的担忧。完全同质加密（FHE）是一种允许在私人数据上进行计算的加密技术，已被提议作为解决挑战的解决方案。然而，由于LLM的大小和FHE的计算开销的增加，今天使用分型模型方法对当今的实用fhe llms进行了进程。在这里，用户将其FHE加密数据发送到服务器以运行加密的注意头层；然后，服务器返回该图层的结果，以供用户本地运行该模型的其余部分。通过采用此方法，服务器维护其模型IP的一部分，并且用户仍然可以执行私有LLM推理。在这项工作中，我们评估了单层拆分模型LLM的神经网络模型IP构图，并演示了一种新颖的攻击向量，该攻击向量使用户可以轻松从服务器中提取神经网络模型IP，从而绕开了对加密量的要求的保护措施。在我们的分析中，我们证明了这种攻击的可行性，并讨论了潜在的缓解。
MAD：加速全同态加密的内存感知设计技术
云计算使个人和公司更容易获得大型计算和内存资源。然而，它也引发了人们对用户与远程云服务器共享的数据的隐私担忧。全同态加密 (FHE) 通过对加密数据进行计算为该问题提供了解决方案。不幸的是，所有已知的 FHE 构造都需要一个噪声项来确保安全，而且这种噪声在计算过程中会增加。要对加密数据执行无限制计算，我们需要执行一个称为引导的定期降噪步骤。此引导操作受内存限制，因为它需要几 GB 的数据。与未加密数据相比，这导致操作加密数据所需的时间增加了几个数量级。在这项工作中，我们首先对 CKKS FHE 方案中的引导操作进行了深入分析。与其他现有工作类似，我们观察到 CKKS 引导表现出较低的算术强度（<1 Op/byte）。然后，我们提出了内存感知设计 (MAD) 技术来加速 CKKS FHE 方案的引导操作。我们提出的 MAD 技术与底层计算平台无关，可以同样应用于 GPU、CPU、FPGA 和 ASIC。我们的 MAD 技术利用了几种缓存优化，可以实现最大限度的数据重用并执行操作的重新排序，以减少需要传输到/从主存储器的数据量。此外，我们的 MAD 技术包括几种算法优化，可减少数据访问模式切换的次数和昂贵的 NTT 操作。将我们的 MAD 优化应用于 FHE 可将引导算法强度提高 3 × 。对于逻辑回归 (LR) 训练，通过利用我们的 MAD 优化，现有的 GPU 设计可以在相同的片上内存大小下获得高达 3.5 × 的性能提升。类似地，现有的 ASIC 设计在 LR 训练和 ResNet-20 推理方面分别可获得高达 27 倍和 57 倍的性能提升，
探索针对内存计算的密码学的大整数乘法
摘要 - 出现的加密系统，例如完全型号的加密（FHE）和零知识证明（ZKP）是计算和数据密集型的。fhe和ZKP在软件和硬件中的影响很大程度上依赖于von Neumann架构，在数据移动上损失了大量的能量。有希望的计算范式正在内存（CIM）中进行计算，该计算使计算能够直接发生在内存中，从而减少数据运动和能耗。但是，有效地执行大整数乘法（在FHE和ZKP中至关重要）是一个开放的问题，因为现有的CIM方法仅限于小型操作数尺寸。在这项工作中，我们通过探索用于大整数乘法的高级算法方法来解决这个问题，并将Karatsuba算法确定为CIM应用程序最有效的方法。此后，我们设计了第一个用于电阻CIM横杆的Karatsuba乘数。我们的乘数使用三阶段管道来增强吞吐量，此外，还可以平衡内存耐力与有效的数组大小。与现有的CIM乘法方法相比，当比例扩展到ZKP和FHE所需的位宽度时，我们的设计在吞吐量中最多可实现916倍，而面积时间产品的改进则达到281倍。索引术语 - 在内存中计算，大整数乘以，karatuba乘法
实施同态加密的安全指南
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
用于航空航天应用的柔性混合电子产品 - ECTC
重点：将硅谷的创业与创新文化与全国的区域和技术节点网络相结合，通过集成印刷和包装、系统设计工具、材料放大、减薄设备处理以及可靠性测试和建模方面的制造进步，将 FHE 技术商业化。
物联网系统中的安全且可计算的基于区块链的数据共享方案
摘要：物联网（IoT）设备有望收集大量数据，这些数据支持不同类型的应用程序，例如健康监视器，智能家居和交通管理。然而，其特征（例如资源受限的性质，动态性和大规模增长）带来了确保IoT数据共享的挑战。如今，提出了基于基于区块链的密码 - 基于基于基于区块链的加密（CP-ABE）来实现安全的IoT数据共享。在基于区块链的CP-ABE数据共享方案中，数据被加密并存储在云中。一旦用户想处理数据，他们就应该下载然后在客户端端中解密密文，然后在处理数据后，用户加密并上传密文到云。这超过使用云计算资源的优势。可以采用完全同态加密（FHE）和同型签名技术来实现密文计算和正确检查密文计算结果。在本文中，我们提出了一个安全且可计算的数据共享系统，以确保用户享受云端的计算便利性。特别是，提出的系统集成了CP-ABE和FHE，以实现安全的IoT数据共享和密文计算。此外，我们生成了密文的同态签名，以使用户能够检查密文计算结果的正确性。绩效评估和安全分析表明，提出的计划是实用且安全的。此外，要监督云，为用户提供诚实的物联网数据访问控制，存储和计算服务，我们记录了数据的访问策略，数据的哈希，密文的签名以及区块链上密码的同质签名。