活动介绍

具有最小信任的全安全多方计算探索

立即解锁
发布时间: 2025-08-31 00:33:04 阅读量: 10 订阅数: 36 AIGC
### 具有最小信任的全安全多方计算探索 #### 1. 研究背景与相关工作 在多方计算(MPC)领域,存在诸多经典的不可能结果,如在多数方不诚实情况下实现公平MPC的不可能。为了绕过这些限制,研究者们进行了多方面的探索。 相关工作主要分为三大类: - **最小完备原语研究**:旨在研究公平计算所有函数所需的“最小帮助”,将辅助者定义为“完备”原语。例如,[FGMO01] 开启了对安全计算最小完备原语的研究,指出在多数方不诚实情况下,任何完备原语的基数为 n 是必要的,并提出了通用黑盒(UBB)作为一种原语。后续 [GIM+10] 提出了更简单的“公平重建”原语。[IOS12] 首次提出了全安全的无条件完备原语构造,其复杂度不随被评估函数的复杂度增长,但调用次数与电路规模成比例。为改进调用次数,[IOS12] 还提出了其他构造,如调用次数仅取决于参与方数量和电路输出大小的构造,以及将调用次数减少到 1 但以指数级增加完备原语计算复杂度为代价的构造。 - **非标准公平性概念探索**:一些工作通过考虑非标准的公平性概念来绕过 [Cle86] 的不可能性结果。例如,[GK12,BOO15,BLOO20] 考虑部分公平性;[BK14,KB14,ADMM14] 通过施加惩罚来强制公平性;[CGJ+17] 使用公告板;[EGL85,GMPY11,PST17] 探索资源公平性。 - **利用硬件令牌和物理不可克隆函数(PUFs)**:一系列工作研究了使用防篡改硬件令牌的通用可组合(UC)安全性,包括有状态和无状态变体。例如,[BJOV18] 基于单向函数的最小假设,使用硬件令牌提出了一个 UC 安全的非交互式安全计算(NISC)协议。[BFSK11,OSVW13,BKOV17] 探索了在访问 PUFs 的假设下的 UC 安全计算。 #### 2. 安全模型 在 UC 框架下,我们定义了真实世界和理想世界的执行模型。 ##### 2.1 真实世界 一个 n 方协议 Π 由 n 个概率多项式时间(PPT)交互式图灵机(ITMs)组成,每个参与方 Pi 初始化时带有输入 xi 和随机硬币 ri。参与方在同步轮次中交互,通信可以通过广播信道或全连接的点对点(P2P)网络进行,且所有通信都是私密且理想认证的。此外,存在一个特殊的“可信方”(TP),每个参与方 Pi 可以通过私密且认证的点对点信道与 TP 交互。TP 通常不持有输入,协议结束时也不获取输出,并且是无状态的。 恶意腐败的参与方(“主动”方)会从敌手 A 接收任意指令,而诚实方和半诚实腐败方(“被动”方)会忠实地遵循协议指令。敌手 A 是抢先的,即在每一轮中,敌手可以在产生腐败方的消息之前看到诚实方发送的消息。 协议结束时,敌手 A 向环境 Z 提供一个输出,该输出是 A 在整个协议过程中的视图的任意函数。Z 还会获得诚实方的输出,最后 Z 输出一个比特。 ##### 2.2 理想世界 我们描述了具有一致中止(un - abort)、可识别中止(id - abort)、公平性(fairness)和全安全(full)的理想世界执行。 理想计算的过程如下: 1. **参与方发送输入到可信方**:诚实方 Pi 将其输入 xi 发送到可信方。模拟器 S 可以为腐败方发送任意输入。 2. **可信方与模拟器通信**:可信方计算 (y1, ..., yn) = f(x′1, ..., x′n)。如果没有腐败方或 type = full,则进入步骤 4。 - 如果 type ∈ {un - abort, id - abort},可信方将 {yi}i∈C 发送给 S。 - 如果 type = fairness,可信方发送 ready 给 S。 3. **模拟器 S 响应可信方**: - 如果 type ∈ {un - abort, fairness},模拟器可以向可信方发送 abort。 - 如果 type = id - abort,若选择中止,模拟器 S 可以选择一个腐败方 i∗∈C 进行指责,并发送 (abort, i∗) 给可信方。 4. **可信方回复参与方**: - 如果可信方收到模拟器 S 的 abort: - 设置中止消息 abortmsg: - 如果 type ∈ {un - abort, fairness},abortmsg = ⊥。 - 如果 t
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

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['

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

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

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

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

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)、

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

排行榜接入全攻略:第三方SDK集成实战详解

![cocos2d-x 塔防游戏源码](https://docs.godotengine.org/en/3.1/_images/ui_mockup_break_down.png) # 1. 排行榜系统概述与应用场景 在现代互联网应用中,排行榜系统已成为增强用户参与感和提升活跃度的重要工具。无论是在游戏、社交、电商,还是内容平台中,排行榜都能有效激发用户的竞争意识与社交互动。排行榜系统不仅展示用户之间的排名关系,还承载着数据聚合、实时更新、多维度统计等复杂功能。本章将从排行榜的基本概念出发,探讨其在不同业务场景中的典型应用,并为后续技术实现打下理论基础。 # 2. 排行榜技术原理与架构设计

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

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