XiaoMi-AI文件搜索系统
World File Search System同态
基于后量子密码学的同态加密演算法
Abel C. H. Chen Chunghwa Telecom Co.，Ltd。Chchen.scholar@gmail.com; OrcID 0000-0003-3628-3033Abel C. H. Chen Chunghwa Telecom Co.，Ltd。Chchen.scholar@gmail.com; OrcID 0000-0003-3628-3033
同态哈希功能的量子碰撞发现
abtract。哈希功能是基本的加密原始功能。某些哈希功能试图通过减少已知的严重问题来证明对碰撞和前图攻击的安全性。这些哈希功能通常具有一些允许减少的额外属性。哈希函数是加性或乘法的，使用量子计算机的隐藏子组问题算法容易受到量子攻击的影响。使用量子甲骨文到哈希，我们可以重建哈希函数的内核，这足以找到碰撞和第二次预示。当哈希函数相对于Abelian组中的组操作是加法的时，总会有足够的实现此攻击。我们将具体的攻击示例提交了可证明的哈希功能，包括对⊕线性哈希函数的前攻击和某些乘法同构哈希方案。
通过采样扩大图同态以进行分类
摘要。特征生成是图机器学习中一个开放的研究课题。在本文中，我们研究了使用图同态密度特征作为同态数的可扩展替代方案，这些方案保留了相似的理论性质和考虑归纳偏差的能力。为此，我们提出了一种简单采样算法的高性能实现，该算法计算同态密度的加性近似值。在图机器学习的背景下，我们在实验中证明，在样本同态密度上训练的简单线性模型可以在标准图分类数据集上实现与图神经网络相当的性能。最后，我们在合成数据上的实验中表明，当使用布隆过滤器实现时，该算法可以扩展到非常大的图。
使用同态加密技术增强云数据安全
Purbanchal大学科学技术学院（PUSAT）副教授，尼泊尔比拉特纳加尔摘要，因为云计算完全改变了公司存储和处理数据的方式，数据安全性变得越来越重要。当我们在云中使用标准加密方法（与此设置的唯一限制都无法正常工作时，我们通常会出现数据泄露和更多脆弱性点。同构加密（HE），它使我们可以在不显示数据本身的情况下对加密数据进行计算，这是一个改变游戏规则的选项。本文讨论了同态加密的操作及其增强云安全性，数据保护和信任的潜力。由于云数据安全性有限，有几种趋势可能会在将来增强同构加密的安全性。现实生活中的案例研究和应用在本文中用于展示和讨论这种尖端的加密方法如何在现实世界中起作用。云数据安全的未来将受到异态加密的显着影响。
具有同态加密数据空间的统一防御
联合学习（FL）促进了客户在培训共享的机器学习模型的情况下合作，而无需公开各个私人数据。尽管如此，FL仍然容易受到效用和隐私攻击的影响，特别是逃避数据中毒和建模反演攻击，从而损害了系统的效率和数据隐私。现有的范围通常专门针对特定的单一攻击，缺乏普遍性和全面的防守者的观点。为了应对这些挑战，我们介绍了f ederpography d efense（FCD），这是一个统一的单框架，与辩护人的观点保持一致。FCD采用基于行的转座密码加密，并使用秘密钥匙来对抗逃避黑框数据中毒和模型反转攻击。FCD的症结在于将整个学习过程转移到加密的数据空间中，并使用由Kullback-Leibler（KL）差异引导的新型蒸馏损失。此措施比较了本地预审最终的教师模型对正常数据的预测以及本地学生模型对FCD加密形式相同数据的预测的概率分布。通过在此加密空间中工作，FCD消除了服务器上的解密需求，从而导致了计算复杂性。我们证明了FCD的实践可行性，并将其应用于对基准数据集（GTSRB，KBTS，CIFAR10和EMNIST）上的Evasion实用程序攻击。我们进一步扩展了FCD，以抵御CI-FAR100数据集中的Split FL中的模型反转攻击。与第二最佳方法相比，我们在各种攻击和FL设置中进行的实验表明了对效用逃避（影响> 30）和隐私攻击（MSE> 73）的实际可行性和巨大性。
具有有效公共验证的完全同态加密
我们提出了一种有效的公开性验证的完全同态加密方案，该方案能够通过密文评估任意布尔电路，还产生了正确的同质计算的简洁证明。我们的方案基于DUCAS和MICCIANCIO（EUROCRYPT'15）提出的FHEW，我们将Ginx同型累加器（Eurocrypt'16）结合起来，以改善自举效率。为了使证明效果生成证明，我们将广泛使用的Rank-1约束系统（R1C）推广到环设置并获得环R1C，并在FHEW中属于同型同态计算。特别是，我们开发了在环R1C中有效表达的技术，即“非算术”操作，例如用于FHEW结构中使用的小工具分解和模量切换。我们通过将RING R1CS实例转换为多项式的汇总检查协议，然后将其编译为简洁的非交互式证明，通过将基于晶格的基于晶格的多项式承诺纳入Cini，Malavolta，Malavolta，Nguyen，nguyen和Wee（Wee（Wee）（Wee（Crypto'24））。结合在一起，我们公开的可验证的FHE方案依赖于有关晶格问题的标准硬度，以便在时间O（| c | 2·Poly（λ））和大小O（log 2 | C | C |·Poly（λ））中产生简洁的电路C的简洁证明。此外，我们的计划还实现了Walter（EPRINT 2024/1207）的最近提议的IND-SA（在半活性攻击下没有可区分性），当可以验证同型计算时，该安全性准确地捕获了客户数据隐私。
用于物联网的抗量子同态加密...
摘要：量子计算确实对经典密码学构成了巨大威胁，从而危及物联网设备的安全。因此，本文致力于提出一种针对物联网 (IoT) 环境的抗量子同态加密 (QRHE) 系统。该 QRHE 密钥系统的主要观点基本上是保护物联网网络流量中的信息处理免受量子威胁。除此之外，该系统还允许在未事先解密的情况下处理加密信息的数据，从而保证了所处理数据的机密性和完整性。系统中使用的基于格的加密技术基于错误学习 (LWE) 问题，该问题已经显示出对经典和量子攻击的强大能力。本文介绍了一种同态加密算法，允许密文之间进行加法和乘法运算，以确保在安全数据聚合和分析过程中的隐私。实验结果表明，即使经过多次同态运算，所提出的系统仍能保持 98% 的高准确率，证明了其在保护数据机密性和完整性方面的有效性。虽然与传统方法相比，所提出的系统的计算成本略高，但它仍然为量子计算时代的物联网应用提供了全面的安全解决方案。
使用物联网中的完全同态加密
摘要保护基本数据的机密性。同质加密的最新进展使得使用基于同构加密的方案在物体应用程序中保护机密和个人数据成为可能。然而，在这个密码学领域，使用完全同态加密方案的标准和准则相对年轻。本文分析了同态加密领域中现有的库。由于分析的结果，执行同构加密和分裂的运行以及开发整数同构加密图书馆的实施的相关性。提出了同态分裂的方法，该方法允许执行分离同构加密数据的操作。为了确保物联网构建体之间的数据存储和交换，已经创建了和实现了完整的同型加密库体系结构，从而可以对在各种Atmelavr微控制器中加密的数据进行所有算术操作。
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，
同态加密数据的量子密文减小方案
目前，面对云计算中巨大而复杂的数据，量子计算的平行计算能力尤为重要。量子主成分分析算法用作量子状态断层扫描的方法。我们在特征分解后对密度矩阵的特征值矩阵进行特征提取以实现尺寸降低，拟议的量子主成分提取算法（QPCE）。与经典算法相比，该算法在某些条件下实现了指数的加速。给出了量子电路的特定实现。考虑到客户端的有限计算能力，我们提出了一个量子同型密文减少方案（QHEDR），客户端可以加密量子数据并将其上传到云中进行计算。以及通过量子同构加密方案以确保安全性。计算完成后，客户端将在本地更新密钥，并解密了密文结果。我们已经实施了在量子云中实施的量子密文减少方案，该方案不需要交互并确保安全。此外，我们在IBM的真实计算平台上的QPCE算法上进行了实验验证，并给出了一个简单的示例，即在云中执行混合量子电路以验证我们方案的正确性。实验结果表明，该算法可以安全有效地进行密文减少。