XiaoMi-AI文件搜索系统
World File Search Systemverifying
正式验证Kyber：第V：机器检查Ind ...
摘要。我们提供了ML-KEM的正确性和IND-CCA安全性的正式验证的证明，即基于Kyber的键盘封装机制（KEM），该机制（KEM）正在接受NIST的标准化。证明是通过EasyCrypt进行机器检查的，其中包括：1）BOS等人之后的Kyber Base Base公开加密方案的正确性（解密失效概率）和IND-CPA安全性的形式化。在Euro S＆P 2018; 2）在随机甲骨文模型（ROM）中，富士基 - 奥卡马托转换的相关变体的形式化，该变换紧随其后（但不是完全）Hofheinz，HövelmannsandHövelmannsand Kiltz，tcc 2017； 3）证明了ML-KEM规范的Ind-CCA安全性及其作为KEM的正确性遵循了先前的结果； 4）两个正式验证的ML-KEM用Jasmin编写的实现，这些实现是恒定的，在功能上等同于ML-KEM规范，因此，因此，继承了上几点中建立的可证明的安全性保证。 顶级定理给出了独立的混凝土界限，以使ML-KEM的正确性和安全性降低到模块lwe的（变体）。 我们通过利用各种EasyCrypt功能来讨论它们如何模块化构建。在Euro S＆P 2018; 2）在随机甲骨文模型（ROM）中，富士基 - 奥卡马托转换的相关变体的形式化，该变换紧随其后（但不是完全）Hofheinz，HövelmannsandHövelmannsand Kiltz，tcc 2017； 3）证明了ML-KEM规范的Ind-CCA安全性及其作为KEM的正确性遵循了先前的结果； 4）两个正式验证的ML-KEM用Jasmin编写的实现，这些实现是恒定的，在功能上等同于ML-KEM规范，因此，因此，继承了上几点中建立的可证明的安全性保证。顶级定理给出了独立的混凝土界限，以使ML-KEM的正确性和安全性降低到模块lwe的（变体）。我们通过利用各种EasyCrypt功能来讨论它们如何模块化构建。
正式验证Kyber
摘要。我们提供了ML-KEM的正确性和IND-CCA安全性的正式验证的证明，即基于Kyber的键盘封装机制（KEM），该机制（KEM）正在接受NIST的标准化。证明是通过EasyCrypt进行机器检查的，其中包括：1）BOS等人之后的Kyber Base Base公开加密方案的正确性（解密失效概率）和IND-CPA安全性的形式化。在Euro S＆P 2018; 2）在随机甲骨文模型（ROM）中，富士基 - 奥卡马托转换的相关变体的形式化，该变换紧随其后（但不是完全）Hofheinz，HövelmannsandHövelmannsand Kiltz，tcc 2017； 3）证明了ML-KEM规范的Ind-CCA安全性及其作为KEM的正确性遵循了先前的结果； 4）两个正式验证的ML-KEM用Jasmin编写的实现，这些实现是恒定的，在功能上等同于ML-KEM规范，因此，因此，继承了上几点中建立的可证明的安全性保证。 顶级定理给出了独立的混凝土界限，以使ML-KEM的正确性和安全性降低到模块lwe的（变体）。 我们通过利用各种EasyCrypt功能来讨论它们如何模块化构建。在Euro S＆P 2018; 2）在随机甲骨文模型（ROM）中，富士基 - 奥卡马托转换的相关变体的形式化，该变换紧随其后（但不是完全）Hofheinz，HövelmannsandHövelmannsand Kiltz，tcc 2017； 3）证明了ML-KEM规范的Ind-CCA安全性及其作为KEM的正确性遵循了先前的结果； 4）两个正式验证的ML-KEM用Jasmin编写的实现，这些实现是恒定的，在功能上等同于ML-KEM规范，因此，因此，继承了上几点中建立的可证明的安全性保证。顶级定理给出了独立的混凝土界限，以使ML-KEM的正确性和安全性降低到模块lwe的（变体）。我们通过利用各种EasyCrypt功能来讨论它们如何模块化构建。
在混乱且高度可编程的量子模拟器上学习，验证和删除错误
，如果我不突出我从东方加州理工学院的理论伪顾问Soonwon Choi突出显示。suonwon于2020年初开始与我们的团队合作，这个联盟一直非常富有成果，并且一直持续到今天。此外，我应归功于我与我分享了紧密合作伙伴关系的很快的学生。丹尼尔·马克（Daniel Mark）具有能够为我提出的任何问题提供答案，并能够从薄空气中发明理论证明和数值分析技术。他深厚的分析知识极大地提高了许多项目。Zhuo Chen是我对大约基准测试项目的不断伴侣，这是我博士学位最复杂的数量级。当我不断地欺骗他进行更多（和更大的）模拟时，他通过他的无与伦比的数字能力，他的奉献精神和耐心使他从字面上实现了整个工作。
开创验证 AI 模型公平性的新方法
该框架（本质上是一对算法）应用于模型的训练阶段，即模型从训练数据中“学习”时。这避免了与已经训练过的审计模型相关的潜在问题，例如审计员使用不代表训练数据的数据集来测试模型。该框架也是完全保密的：公司不需要向审计员透露其模型或训练数据，从而保护其知识产权。这是通过一种称为“零知识证明”的加密技术实现的，该技术允许一方在不透露数据的情况下证明有关其数据的陈述。
从 Lustre 到 Simulink：用于验证嵌入式系统应用程序的反向编译。
在构建嵌入式系统（更具体地说是控制器）时，基于模型的设计如今已不可避免。在可用的模型语言中，同步数据流范式（如 MATLAB Simulink 或 ANSYS SCADE 等语言中实现的）已成为关键嵌入式系统行业的主流。这两个框架都用于设计控制器本身，但也提供代码生成方法，从而能够更快地部署到目标，并在设计过程的早期阶段（模型级别）更轻松地执行 V&V 活动。同步模型还通过使用同步观察器简化了正式规范的定义，使用工程师掌握的同一种语言将需求附加到模型上，并使用模拟方法或代码生成工具。然而，很少有研究涉及从较低级别的模型或代码自动合成 MATLAB Simulink 注释。本文介绍了从 Lustre 模型到真正的 MATLAB Simulink 的编译过程，无需依赖外部 C 函数或 MATLAB 函数。此转换基于 Lustre 到命令式代码的模块化编译，并在生成的 Simulink 模型中保留输入 Lustre 模型的层次结构。我们实施了该方法并使用它来验证编译工具链，将 Simulink 映射到 Lustre，然后映射到 C，这要归功于等效性测试和检查。从 Lustre 到 Simulink 的反向编译还提供了自动生成 S