XiaoMi-AI文件搜索系统
World File Search SystemRLWE
使用同构加密
摘要 - 在各种现实世界情景中与隐私相关问题的解决方案是众人瞩目的焦点。但是，每个计划支持的有限类型的操作类型都是应用程序的主要缺点。尽管他基于学习 - 错误（LWE）问题的计划提供了有效的查找表（LUT）评估，但与基于RING LWE（RLWE）问题的HE计划相比，它们在算术操作和低通量方面具有不利影响。如果HE包含算术操作或其计算宽度很大，则在包含LUT的电路上的使用受到了限制。在本文中，我们提出了使用基于RLWE的HE方案在LUTS上进行批处理查询的同构算法。要查找加密查询中大小n的加密luts，我们的算法使用o（log n）同构比较和o（n）乘以。对于未加密的LUTS，我们的算法使用O（log n）比较，O（√n）Ciphertext乘法和O（n）标量乘法。我们提供基于CKKS计划的概念验证实施（ASIACRYPT 2017）。加密的摊销运行时间（分别未加密的）大小512的LUS为0。041（分别0。025）秒。我们的实施约2。4-6。0 x的吞吐量高于当前基于LWE的方案的实现，其在LUT的结构上具有更大的灵活性。
![arxiv：2502.07284v1 [cs.cr] 2025年2月11日](/simg/g:\will\search\icon\source\d\df3ff0a7ad3180706db8db5ea47d521c49976c22.webp)
arxiv：2502.07284v1 [cs.cr] 2025年2月11日
摘要。基于晶格的密码学是量子后安全加密方案的有前途的基础，其中有错误的学习（LWE）问题是钥匙交换，收益和同构计算的基石。LWE的现有结构化变体，例如Ring-Lwe（RLWE）和Module-Lwe（MLWE），依靠多项式环以提高效率。但是，这些结构固有地遵循传统的多项式乘法规则，并以它们表示结构化矢量化数据的能力来实现。这项工作介绍了多种元素（VLWE），这是建立在代数几何形状基于代数几何形状的新的结构化晶格概率。与RLWE和MLWE不同，后者使用标准乘法使用多项式环，VLWE在代数品种定义的多元多项式环上使用VLWE操作。一个关键的区别是这些多项式不包含混合变量，并且乘法操作是定义的坐标，而不是通过标准的多项式乘法。该结构可以直接编码和同态处理高维数据，同时保持最差的案例至平均案例硬度降低。我们通过将VLWE的安全性降低到解决理想SVP的多个独立实例中，证明了其针对分类和量子攻击的弹性。此外，我们分析了混合代数武器攻击的影响，表明现有的Gröbner基础和降低技术并不能直接损害VLWE的安全性。建立在该基础上，我们基于VLWE构建了矢量同态加密方案，该方案支持结构化计算，同时维持受控的噪声增长。此方案为隐私的机器学习，加密搜索和对结构化数据的计算进行了潜在的优势。我们的结果位置VLWE是基于晶格的密码学中的一种新颖而独立的范式，杠杆几何形状可以使新的加密功能超出传统的多项式戒指。
堆：具有并行的引导
摘要 - 同构加密（FHE）是一种加密技术，具有通过对加密数据启用计算来彻底改变数据隐私的潜力。最近，CKKS FHE方案变得非常流行，因为它可以处理实数。但是，CKKS计算尚未普遍存在，因为它在计算和内存方面都是资源密集的，并且比未加密数据的计算要慢多个数量级。最新的算法和硬件优化可加速CKKS计算是有希望的，但是由于昂贵的操作称为Boottrapping，CKKS计算继续表现不佳。虽然已经做出了几项努力来加速自举，但它仍然是主要的性能瓶颈。这种性能瓶颈的原因之一是，与计算Boottrapping算法的CKK的非自举一部分不同，是固有的顺序，并且在数据中显示了相互依存关系。为了应对这一挑战，在本文中，我们引入了使用混合方案切换方法的加速器。HEAP使用CKKS方案进行非引导步骤，但是在执行CKKS方案的自举步骤时，请切换到TFHE方案。通过从单个rlwe密文中提取系数来表示多个LWE密文，从而向TFHE方案转变为TFHE方案。我们将自举函数合并到盲骨操作中，并同时将盲的操作应用于所有LWE密文。堆中的方法是硬件的不可知论，可以映射到具有多个计算节点的任何系统。随后可行地进行引导的并行执行是可行的，因为不同的LWE密文之间没有数据依赖性。使用我们的方法，我们需要较小的自举键，从而从键的主内存中读取约18×少量数据。此外，我们在堆中介绍了各种硬件优化 - 从模块化算术级别到NTT和盲核数据PATAPATH优化。为了评估HEAP，我们在RTL中实现了堆，并将其映射到一个FPGA系统和八型FPGA系统。我们对自举操作的堆的全面评估显示为15。与Fab相比， 39×改进。 同样，对逻辑回归模型训练的堆的评估显示了14。 71×和11。 与Fab和Fab-2实现相比， 57×改进。 索引术语 - ckks，tfhe，方案切换，自举，FPGA加速39×改进。同样，对逻辑回归模型训练的堆的评估显示了14。71×和11。57×改进。索引术语 - ckks，tfhe，方案切换，自举，FPGA加速