活动介绍

同态加密可实现的CCA2松弛

立即解锁
发布时间: 2025-08-31 00:32:55 阅读量: 10 订阅数: 37 AIGC
### 同态加密可实现的 CCA2 松弛 在当今的数字时代,数据安全和隐私保护至关重要。同态加密作为一种强大的加密技术,允许在加密数据上进行计算,而无需先解密,为隐私保护提供了新的可能。本文将深入探讨同态加密中的 funcCPA 安全性,它是对 CCA2 安全性的一种有效松弛,能在保护隐私的同时,实现更高效的计算。 #### 1. 预备知识 - **术语和符号**:对于 \(n \in N\),用 \([n]\) 表示集合 \(\{1, \ldots, n\}\)。使用标准定义,如关于安全参数 \(\lambda\) 的可忽略函数 \(neg(\lambda)\) 和多项式函数 \(poly(\lambda)\)、概率多项式时间算法(ppt)、随机变量、概率集合、计算不可区分性、统计距离 \(\Delta(\cdot, \cdot)\) 以及(强)单向函数。 - **CPA 安全的公钥加密**:公钥加密(PKE)方案 \(E = (Gen, Enc, Dec)\) 具有正确性、CPA 不可区分性实验 \(EXP_{A,E}^{cpa}(\lambda)\) 以及单消息和多消息的 CPA 安全性。如果对密文空间中的任何密文应用解密算法都能返回消息空间中的元素,且密文空间可有效识别,则该方案是完全可解密的。 - **同态加密**:同态公钥加密方案(HE)是在公钥加密方案的基础上,增加了一个支持对密文进行“同态评估”的 ppt 算法 \(Eval\)。其正确性要求扩展到对密文执行的任何同态评估序列。完全同态加密方案还需满足紧凑性,即密文的大小不会随同态操作序列的复杂度增长。 | 方案类型 | 定义 | | ---- | ---- | | 同态加密(HE) | \(E = (Gen, Enc, Dec, Eval)\),其中 \((Gen, Enc, Dec)\) 是正确的 PKE,\(Eval\) 对输入的公钥 \(pk\)、电路 \(C : M^{\ell} \to M\) 和密文 \(c_1, \ldots, c_{\ell}\) 输出密文 \(\tilde{c} \leftarrow Eval_{pk}(C, c_1, \ldots, c_{\ell})\) | | 安全的 HE | 是 CPA 安全的 PKE | | 紧凑的 HE | 其解密电路的大小是安全参数的多项式 | | \(C\) - 同态的 HE | 对于所有 \(C \in C\) 和所有输入 \(x_1, \ldots, x_{\ell}\),有 \(Pr[Dec_{sk}(Eval_{pk}(C, c_1, \ldots, c_{\ell})) \neq C(x_1, \ldots, x_{\ell})] \leq neg(\lambda)\) | | 完全同态加密 | 紧凑且对所有电路类 \(C\) 都是 \(C\) - 同态的 | - **分层同态加密(Leveled HE)**:对于每个 \(L \in Z^+\) 作为额外参数传递给 \(Gen\),记为 \((pk, sk) \leftarrow Gen(1^{\lambda}, 1^L)\),该方案能紧凑地评估深度至多为 \(L\) 的所有电路。其算法复杂度在 \(\lambda\) 的基础上与 \(L\) 成多项式关系。分层 HE 的 CPA 安全性定义与标准 CPA 定义类似,但允许对手选择挑战密文加密的级别。 ```mermaid graph TD; A[Chal 运行 Gen(1^λ, 1^L) 获得密钥] --> B[Chal 提供 (pk_ℓ) 给 A]; B --> C[A 发送 x0, x1 和 ℓ 给 Chal]; C --> D[Chal 选择 b 并计算 c ← Enc_{pk_ℓ}(x_b) 发送给 A]; D --> E[A 输出 b′]; E --> F[根据 b′ = b 定义实验输出]; ``` - **密文净化**:密文净化算法用于同态加密,可对密文进行重新随机化,使其在统计上接近解密为相同明文的其他(净化后)密文。大多数当代 HE 方案都存在净化算法。净化算法 \(Sanitize\) 满足消息保持性和净化性: - 消息保持性:\(\forall c\) 在密文空间中,\(Dec_{sk}(Sanitize_{pk}(c)) = Dec_{sk}(c)\)。 - 净化性:\(\forall c, c'\) 在密文空间中,若 \(Dec_{sk}(c) = Dec_{sk}(c')\),则 \(\Delta ((Sanitize_{pk}(c), (pk, sk)), (Sanitize
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['

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

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

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

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

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

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)、

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