XiaoMi-AI文件搜索系统
World File Search SystemPaillier
同态密码学的理论和应用
提供了对已知的同构密码系统的全面调查，包括正式定义，安全假设以及介绍的每个密码系统的安全证明的概述。还考虑了几个同型Cryp-Tosystems的阈值变体，并首先构建了给出的阈值Boneh-Goh-Nissim加密系统，以及在Fouque，Poupard和Poupard和STERN的阈值语义安全游戏中的完整安全性证明。 这种方法基于Shoup的阈值RSA签名方法，该方法已预先应用于Paillier和Damg˚ard-Jurik Cryptosystems。 研究了这种方法是否适合其他同构密码系统的问题，结果表明，当解密需要还原模型时，需要采取不同的方法。阈值变体，并首先构建了给出的阈值Boneh-Goh-Nissim加密系统，以及在Fouque，Poupard和Poupard和STERN的阈值语义安全游戏中的完整安全性证明。这种方法基于Shoup的阈值RSA签名方法，该方法已预先应用于Paillier和Damg˚ard-Jurik Cryptosystems。研究了这种方法是否适合其他同构密码系统的问题，结果表明，当解密需要还原模型时，需要采取不同的方法。
通过同型加密迈向量子安全联合学习：梯度学习
联合学习（FL）包括用于机器学习的分散培训算法的家族[1] - [3]，使内部分裂能够在不集中培训数据的情况下协作训练模型。这种方法通过将培训计算分配到边缘来减轻数据中心的计算负担。但是，至关重要的是要注意，尽管联邦学习提供了一个分散的框架，但它可能无法继承客户的隐私。中央服务器收到的更新有可能无意间揭示有关客户培训数据的信息[4]，[5]。保护客户对联合学习的隐私的流行策略包括基于差异的隐私（DP）和基于同型加密（HE）方法。DP的想法是在梯度上添加噪音，以保护梯度的保密性[6]。基于DP的学习算法的现有作品包括本地DP（LDP）[7]，具有选择性参数更新[8]，基于晶格[9]等的DP等。尽管可以直接采用DP，但它具有较弱的隐私保证和潜在准确性损失的缺点。他是一种加密技术，可以在加密数据上执行计算，而无需首先解密。在联邦学习的背景下，同构加密在确保个别参与者数据的隐私方面起着至关重要的作用。由于FL中的梯度的聚集仅涉及添加，因此许多最近的作品[10]，[11]提议采用基于Paillier [12]的加性同构加密。某些基于晶格的问题，例如但是，一旦可以使用Shor的量子算法有效地将大整数构成大型整数[13]，Paillier的安全性就会损坏。基于晶格的密码学被认为是抗量子的[14] - [16]。
通过区块链增强云存储安全性 -
在不断变化的技术创新景观中摘要以及与云存储相关的安全性问题越来越多，该研究重点是改善云记录安全性的关键主题。该研究引入了与以太坊区块链集成的访问控制范式。为了提高安全性，采用了改进的SALP群优化（ISSO）技术来生成秘密密钥生成所需的关键随机数。此外，该研究还利用了另外两种加密算法：Paillier联合多层感知器（PF-MLP）模型和同型加密标准（HES），进一步保护原始健康推文数据集的隐私。研究评估了各种加密方法的安全性约束和功效，指导选择最强的框架来保护健康推文数据集。ISSO技术简化了密钥对生成，这使潜在攻击者访问原始数据更具挑战性。所提出的加密解码方法表明，加密时间分别为800毫秒和900毫秒，表现出优于最激烈的 - Shamir-Adleman（RSA）算法和椭圆形曲线加密（ECC）。此外，该方法在上传和下载速度中超过了ECC和RSA，分别为4 ms和6 ms。以1500毫秒的处理时间，该提出的方法显着超过了先前的方法，展示了其在加密操作中的效率和优越性。这项工作结合了访问控制，区块链技术和高级加密技术，以解决与云存储相关的压力安全问题。通过增强数据安全性和机密性，集成框架代表了外包到云平台的数据安全性的重大进步。关键字数据安全性，SALP群优化，同形加密标准，云计算，Paillier联合学习，以太坊区块链。
可证明的安全性和应用程序的新限制
摘要。我们提供了新的结果，表明无法证明Elgamal加密是CCA1-Secure，这是密码学中长期存在的开放问题。我们的结果归功于基于非常广泛的基于元减少的不可能结果，这是与有效重新融合的证人的随机自我可重新相关关系。我们开发的技术首次允许为挑战者在安全游戏结束时输出新的挑战语句的非常弱的安全概念提供不可能的结果。这可以用来最终解决过去仍然难以捉摸的加密型定义。我们表明，我们的结果具有广泛的适用性，通过将几种已知的加密设置作为随机自我重新还原和可重新传递关系的实例。这些设置包括一般的半态PKE和大型认证的同型单向双向物种。结果，我们还为Paillier和Damg˚ard-jurik的IND-CCA1安全性获得了新的不可能结果，以及许多单人反转假设（例如一摩尔DLOG或一元RSA假设）。
安全的联邦学习：分析不同的加密工具
摘要：将联合学习确定为旨在使用私人数据集培训不同客户模型的最有效的协作学习方法之一。是私人的，我们的意思是，客户的数据集从未公开，因为它们用于本地培训客户的模型。然后，中央服务器负责汇总不同型号的权重。中央服务器通常是一个诚实而有趣的实体，可能有兴趣通过使用模型反转或会员推论来收集有关客户数据集的信息。在本文中，我们讨论了提供安全联合学习框架的不同加密选项。我们调查了差异隐私，同型加密和多方计算（MPC）的使用，同时考虑了不同的威胁模型。在我们的同态加密方法中，我们将使用Paillier Cryptosystem的优化版本获得的结果与使用BFV和CKK获得的结果进行了比较。至于MPC技术，在各种安全假设下测试了不同的一般协议。总体而言，我们发现他的性能更好，对于较低的带宽使用情况。
privacy_preserving_protocol_for ...
智能仪表是智能网络网络中能源消耗数据的主要来源，该网络可以用细性记录能量使用。使用智能仪表扩大了能源供应商与消费者之间的反应。智能电表的安全性和用户的隐私是至关重要的。智能表数据的研究，尤其是安全问题，是一个非常活跃的研究领域。高频智能电表以少量突发（每秒或分钟）捕获并传输能量使用数据。在如此短的时间内处理数据时保持高度的安全性对于智能电表等资源有限的设备至关重要。为了解决此问题，这项工作使用基于差异扩展的可逆水印和Paillier同型加密提供了高频智能电表（P3HF）的隐私协议。提出的协议可以通过引入唯一的加密服务器并使用联合水印和加密来保护实时数据传输，从而显着提高了高频智能电表的安全性。获得的结果，其中包括使用Arduino Uno Rev.3在真实硬件平台上进行的实验，表明所提出的方案确保了安全性和用户数据隐私，同时消耗了低的能量和执行时间。此外，比较分析表明，所提出的协议的性能要比有关数据和隐私需求，对攻击的韧性以及克服其局限性的能力的早期研究工作更好。