活动介绍

统计安全两方计算的再探索

立即解锁
发布时间: 2025-08-31 00:32:57 阅读量: 6 订阅数: 35 AIGC
### 统计安全两方计算的再探索 #### 1. 技术概述 在两方计算中,实现安全且高效的协议是一个重要的研究方向。这里展示了通过一个三轮统计接收方私有基本不经意传输(elementary OT,简称 eOT)协议和一个非交互承诺方案,能够获得一个五轮(轮次最优)的两方计算(2PC)协议,该协议能抵御计算能力无界的接收方和概率多项式时间(PPT)的发送方的攻击。 ##### 1.1 单边统计两方计算协议 我们的编译器基于前人的工作进行改进,前人构建了一个五轮的 2PC 协议来抵御恶意对手。该协议涉及两个参与方:接收方计算能力无界,在第四轮结束时获得输出;发送方计算能力受限,在第五轮结束时获得输出。协议通过两个转换步骤实现:先构建一个能抵御可解释对手的协议,然后通过交互式证明将其编译为能抵御恶意对手的协议。 - **抵御可解释对手的健壮 2PC**:可解释对手生成的协议消息处于所有诚实生成的传输记录分布的支持范围内,模拟器需要从传输记录中提取对手方的输入和随机性。在这种情况下,经典的基于混淆电路的方法(接收方为评估者,发送方为混淆者)不再适用,因为接收方计算能力无界,而信息论上的私有混淆方案仅适用于 NC1 电路。 - **角色反转**:采用不同的方法,让接收方混淆电路,发送方评估电路。发送方通过统计接收方私有 OT 获得与输入对应的线标签,从而对无界的恶意接收方隐藏其输入。OT 协议需要三轮,从接收方(作为 OT 的发送方)开始,接收方在第三轮发送混淆电路。 - **针对可解释方的模拟**:模拟器需要通过提取可解释对手的输入来进行模拟。为了提取恶意发送方的输入,发送方需要使用四轮统计隐藏且计算绑定的可提取承诺方案对其输入进行承诺。同样,接收方使用三轮统计绑定且计算隐藏的可提取承诺方案对其输入和随机性进行承诺。这些承诺允许模拟器提取可解释对手方的输入和随机性。 - **最后修改**:为了避免模拟中的问题,接收方混淆一个不同的电路,使得混淆电路计算输出的加密。发送方在第三轮结束时获得混淆电路,对其进行评估以获得加密输出,然后在第四轮将其发送给接收方。接收方解密输出并在第五轮将其发送给发送方。在理想世界中,模拟器向恶意发送方发送一个模拟的混淆电路,该电路输出 0 的加密,从而在理想世界中提供正确的模拟。 前人工作得到了一个健壮的 5 轮安全两方计算协议 πexp,具有黑盒模拟,能抵御无界的可解释接收方和 PPT 可解释发送方。其底层原语如下: | 原语 | 描述 | | ---- | ---- | | 三轮不经意传输 | 接收方具有统计隐私,发送方具有计算隐私 | | 三轮统计绑定且计算隐藏的承诺方案 | 满足可提取性 | | 四轮统计隐藏且计算绑定的承诺方案 | 满足可提取性 | | NC1 电路的信息论混淆电路 | 用于验证特定的 NC1 关系 | 我们的贡献在于证明了 eOT 协议和非交互承诺方案足以实例化上述原语,从而从 eOT 和非交互承诺方案得到协议 πexp。具体如下: 1. 从 eOT 以保轮的方式构建满足不可区分性发送方安全的三轮 SRP - OT 协议(iOT)。 2. 从任何非交互承诺方案构建三轮统计绑定且计算隐藏的承诺方案。 3. 通过将非交互承诺方案替换为两轮统计隐藏承诺方案,得到四轮统计隐藏且计算绑定的可提取承诺方案。我们从 SRP iOT 构建两轮统计隐藏承诺方案。 4. 从单向函数获得混淆电路。 ##### 1.2 最终编译器 为了将 πexp 的安全性提升到能抵御恶意对手,使用零知识协议: - **应对恶意发送方**:发送方需要证明其正确生成了 πexp 的第二轮和第四轮消息。这通过一个四轮延迟输入统计零知识协议(SZK)来完成,输入语句由发送方(作为证明者)在 SZK 的最后一轮选择。SZK 与 πexp 并行运行,πexp 前两轮的健壮性确保即使恶意发送方错误构造第二轮消息,诚实接收方的输入也不会泄露。 - **应对恶意接收方**:接收方需要证明其正确生成了 πexp 的第一轮、第三轮和第五轮消息。这通过一个五轮延迟输入零知识证明(ZKP)来完成,输入语句由接收方(作为证明者)在 ZKP 的最后一轮选择。ZKP 与 πexp 并行运行,πexp 前两轮的健壮性确保即使恶意接收方错误构造第一轮消息,诚实发送方的输入也不会泄露。然而,恶意构造的 πexp 第三轮消息可能会在发送方发送第四轮消息时泄露诚实发送方的输入,ZKP 无法解决这个问题。 - **条件秘密披露**:为了解决上述问题,使用两轮条件秘密披露(CDS)协议。接收方在发送 πexp 的第三轮消息时附带 CDS 的公钥。发送方使用 CDS 公钥和输入语句对 πexp 的第四轮消息进行加密。如果接收方能够提供证明其第一轮和第三轮消息可解释的见证,则成功解密第四轮消息;否则,CDS 明文(πexp 的第四轮消息)保持统计隐藏。 mermaid 流程图如下: ```mermaid graph LR A[开始] --> B[构建 πexp] B --> C{应对恶意发送方} B --> D{应对恶意接收方} C --> E[SZK 证明] D --> F[ZKP 证明] D --> G[CDS 协议] E --> H[协议完成] F --> H G --> H ``` #### 2. 从 eOT 构建组件 接下来介绍从 eOT 构建的几个重要原语。 ##### 2.1 三轮统计接收方私有 eOT 引入了纯模型下统计接收方私有基本 OT 的概念。它是一个三轮的 OT 协议,发送方发送第一条消息作为预处理阶段,接收方根据其选择位发送第二条消息,发送方发送第三条消息。发送方获得随机输出。基本安全性确保恶意接收方无法计算出发送方的两个输出,统计接收方隐私意味着选择位对恶意发送方统计隐藏。可以通过 OT 反转技术从两轮统计发送方私有 OT 构建 eOT,从而从多种假设(如 LWE、QR、N 次剩余性、DDH、决策 CSIDH 和 LPN + Nissan Wigderson 去随机化)中获得实例。还基于 CDH 假设和互逆 CSIDH 假设构建了 eOT。 ##### 2.2 三轮统计接收方私有 iOT 提升 eOT 的安全性以构建 iOT,使其获得针对恶意接收方的不可区分性安全。如果接收方的选择位是 γ,则 m1 - γ 对恶意接收方在计算上与随机字符串不可区分。通过基于 Goldreich - Levin 哈希函数的基本 OT 到不可区分性安全 OT 的转换,以保轮的方式实现这一点,从而从与 eOT 相同的假设集合中获得 iOT。 ##### 2.3 三轮延迟输入统计发送方私有 SSPOT 引入了延迟输入统计发送方私有 SSPOT 的概念,其中只有最后一条 OT 消息依赖于接收方的选择位 γ。它是一个三轮的 OT 协议,接收方发送第一条消息作为接收方预处理阶段,发送方发送第二条消息作为发送方预处理阶段,接收方根据 γ 发送第三条消息。发送方获得随机输出字符串。通过对三轮 SRP iOT 仔
corwn 最低0.47元/天 解锁专栏
赠100次下载
继续阅读 点击查看下一篇
profit 400次 会员资源下载次数
profit 300万+ 优质博客文章
profit 1000万+ 优质下载资源
profit 1000万+ 优质文库回答
复制全文

相关推荐

史东来

安全技术专家
复旦大学计算机硕士,资深安全技术专家,曾在知名的大型科技公司担任安全技术工程师,负责公司整体安全架构设计和实施。
最低0.47元/天 解锁专栏
赠100次下载
百万级 高质量VIP文章无限畅学
千万级 优质资源任意下载
千万级 优质文库回答免费看
立即解锁

专栏目录

最新推荐

强化学习与合成数据生成:UnityML-Agents深度解析

# 强化学习与合成数据生成:Unity ML - Agents 深度解析 ## 1. 好奇心奖励与超参数设置 在强化学习中,为了激发智能体的好奇心,可以传递与外在奖励相同的超参数。具体如下: - **好奇心奖励信号超参数**: - `reward_signals->curiosity->strength`:用于平衡好奇心奖励与其他奖励(如外在奖励)的缩放系数,取值范围在 0.0 到 1.0 之间。 - `reward_signals->curiosity->gamma`:根据奖励实现所需的时间来调整奖励感知价值的第二个缩放系数,与外在奖励的 `gamma` 类似,取值范围也在

利用Kaen实现PyTorch分布式训练及超参数优化

### 利用Kaen实现PyTorch分布式训练及超参数优化 #### 1. 启用PyTorch分布式训练支持 在进行模型训练时,我们可以使用Kaen框架来支持PyTorch的分布式训练。以下是相关代码示例: ```python train_glob = os.environ['KAEN_OSDS_TRAIN_GLOB'] if 'KAEN_OSDS_TRAIN_GLOB' in os.environ else 'https://raw.githubusercontent.com/osipov/smlbook/master/train.csv' val_glob = os.environ['

模型生产化:从本地部署到云端容器化

# 模型生产化:从本地部署到云端容器化 ## 1. 引入 FastAPI 在将模型投入生产的过程中,我们首先要安装 FastAPI。由于 FastAPI 是一个 Python 模块,我们可以使用 pip 进行安装。打开一个新的终端,运行以下命令: ```bash $ pip install fastapi uvicorn aiofiles jinja2 ``` 这里我们安装了一些 FastAPI 所需的额外依赖项。uvicorn 是一个用于设置 API 的底层服务器/应用程序接口,而 aiofiles 则使服务器能够异步处理请求,例如同时接受和响应多个独立的并行请求。这两个模块是 FastA

利用PyTorch进行快速原型开发

### 利用 PyTorch 进行快速原型开发 在深度学习领域,快速搭建和验证模型是非常重要的。本文将介绍两个基于 PyTorch 的高级库:fast.ai 和 PyTorch Lightning,它们可以帮助我们更高效地进行模型的训练和评估。 #### 1. 使用 fast.ai 进行模型训练和评估 fast.ai 是一个基于 PyTorch 的高级库,它可以让我们在几分钟内完成模型的训练设置。下面是使用 fast.ai 训练和评估手写数字分类模型的步骤: ##### 1.1 模型训练日志分析 在训练过程中,我们可以看到冻结网络的第一个训练周期,然后是解冻网络的两个后续训练周期。日志中

使用PyTorch构建电影推荐系统

### 使用 PyTorch 构建电影推荐系统 在当今数字化时代,推荐系统在各个领域都发挥着至关重要的作用,尤其是在电影推荐领域。本文将详细介绍如何使用 PyTorch 构建一个电影推荐系统,从数据处理到模型训练,再到最终的推荐生成,为你呈现一个完整的推荐系统构建流程。 #### 1. 数据探索与处理 首先,我们需要对 MovieLens 数据集进行探索和处理。该数据集包含用户对电影的评分信息,其中存在一些缺失的评分值,用 NaN 表示。我们的目标是利用非空评分训练推荐系统,并预测这些缺失的评分,从而为每个用户生成电影推荐。 以下是处理数据集的代码: ```python import p

性能调优必看:快速定位并解决塔防游戏FPS下降难题

![性能调优必看:快速定位并解决塔防游戏FPS下降难题](https://cxl.com/wp-content/uploads/2014/09/sync-async-loading.png) # 1. 塔防游戏性能调优概述 在移动和网页游戏日益普及的今天,塔防类游戏因其策略性强、玩法多样而广受玩家喜爱。然而,随着单位数量、特效层级和场景复杂度的提升,性能问题逐渐成为影响玩家体验的关键因素。本章将从整体角度出发,介绍塔防游戏中常见的性能瓶颈,如大量单位绘制、AI路径计算、粒子特效消耗等,并引出后续章节将深入探讨的性能调优策略与工具分析方法。性能优化不仅是技术挑战,更是提升用户体验的核心环节。

多视图检测与多模态数据融合实验研究

# 多视图检测与多模态数据融合实验研究 ## 1. 多视图检测实验 ### 1.1 实验数据集 实验参考了Wildtrack数据集和MultiviewX数据集,这两个数据集的特点如下表所示: | 数据集 | 相机数量 | 分辨率 | 帧数 | 区域面积 | | ---- | ---- | ---- | ---- | ---- | | Wildtrack | 7 | 1080×1920 | 400 | 12×36 m² | | MultiviewX | 6 | 1080×1920 | 400 | 16×25 m² | ### 1.2 评估指标 为了评估算法,使用了精度(Precision)、

电力电子中的Simulink应用:锁相环、静止无功补偿器与变流器建模

# 电力电子中的Simulink应用:锁相环、静止无功补偿器与变流器建模 ## 1. 锁相环(PLL) ### 1.1 锁相环原理 锁相环(PLL)是一种控制算法,用于确定正弦输入的频率和相位角。它主要用于两个系统之间的频率匹配,匹配完成后会存在一个恒定的相位差,从而实现相位“锁定”。PLL由相位检测机制、PID控制器和用于生成相位角信息的振荡器组成。此外,系统中还包含一个低通滤波器,用于获取正弦输入的频率信息。在柔性交流输电系统(FACTS)设备中,PLL增益对稳定系统性能起着至关重要的作用。 ### 1.2 Simulink环境下的PLL设置 为了直观展示PLL如何反映频率和相位的变化

二维和三维偏微分方程耦合求解及生命科学中常微分方程问题的解决

### 二维和三维偏微分方程耦合求解及生命科学中常微分方程问题的解决 #### 1. 二维和三维偏微分方程耦合求解 在求解二维和三维偏微分方程时,有几个具体的问题和解决方法值得探讨。 ##### 1.1 获取相同网格点的 v 值 要在与 u 相同的网格点上获取 v 值,可以输入以下命令: ```matlab >> T_table=tri2grid(p,t,u(length(p)+1:end,end),x,y) ``` 示例结果如下: ``` T_table = 0.6579 0.5915 0.5968 0.6582 0 0.6042 0.4892 0.5073 0.6234 0 0.543

模糊推理系统对象介绍

# 模糊推理系统对象介绍 ## 1. fistree 对象 ### 1.1 概述 fistree 对象用于表示相互连接的模糊推理系统树。通过它可以创建一个相互关联的模糊推理系统网络。 ### 1.2 创建方法 可以使用以下语法创建 fistree 对象: ```matlab fisTree = fistree(fis,connections) fisTree = fistree( ___ ,'DisableStructuralChecks',disableChecks) ``` - `fisTree = fistree(fis,connections)`:创建一个相互连接的模糊推理系统对象