多方安全计算

安全多方计算(Secure Multiparty Computation, SMPC) SMPC通过密码学协议在互不信任的环境中实现安全协同计算,其技术复杂但应用潜力巨大。尽管面临性能和普及挑战,但随着硬件优化与协议创新,未来有望在医疗、金融、Web3等领域发挥更重要作用。 阅读详情

多方安全计算(Secure Multi-Party Computation, MPC)是密码学的一个分支,在无可信第三方的情况下,仍可安全地按照公开的计算逻辑,进行数据协同计算,并输出结果。

即使参与各方输入的数据只有自己知道,仍可以通过加密算法,各自得到自己想要的计算结果,但无法推断出原始加密数据,从而保障了隐私安全。

MPC起源于姚期智院士在1982年提出的百万富翁问题。自MPC理论创立以来,已经衍生出多个技术分支,包括混淆电路、秘密分享、同态加密,不经意传输,隐私集合交集和差分隐私等。

混淆电路

混淆电路(secret sharing,SS)又称姚氏加密电路。它在1986年由姚期智教授提出,所以又称姚氏电路。

其核心是将安全计算函数编译成布尔电路的形式,对电路本身进行加密。对于混淆电路存在两种操作:

一种是生成混淆电路,先生成一个特定功能的布尔电路,再以此为基础,将其中的逻辑门(真值)转换为混淆门(假值),即可生成一个混淆电路;

另一种操作称为求值操作,先生成混淆电路,再使用混淆电路计算得到输出。

混淆电路也可以理解为一种密码学协议,它基于混淆电路形成安全计算协议,由最初的两方安全协议,推演出多方安全协议。

秘密分享

秘密分享(secret sharing,SS)由Shamir和Blakley于1979年提出,秘密分享算法是将极为复杂的电路设计,简化为简约高效的数学思路。

其基本形式是将每个数字拆散成多个数,并将这些数分发到多个参与方,而每个参与方只能拿到原始数据的一部分。

结果是,要想还原真实数据,只有大家把各自所分得的数据放在一起才能实现,缺一不可。

由于秘密拆分方式不同,秘密分享分为基于多项式插值的秘密分享和加性秘密分享。

加性算术秘密分享能够计算线性运算、加性布尔秘密分享能够计算比较大小等非线性运算。

加性秘密分享只需要进行简单的运算,计算开销小,在MPC中得到了广泛的应用。秘密分享的缺点是交互轮数和电路深度有关。

不经意传输

不经意传输(oblivious transfer,0T)由Rabin于1981年提出,消息发送方拥有多个消息,接收方只能获得其中某个值,而发送方也不知道接收方的选择信息。

其衍生技术相关不经意传输(correlated oblivioustransfer,COT)可以生成具有关系的随机数。

OT,COT是重要的密码学组件,能够为GC传输导线标签、为SS生成相关随机数,只使用OT技术也能实现MPC协议。

在OT的性能优化历程中,OT扩展(OT Extension)技术引入对称加密来降低计算开销,静默OT扩展(silent OT Extension)技术在本地扩展随机数种子来降低通信开销。

同态加密

同态加密(homomorphic encryption,HE)的概念由Rivest等人于1978年提出,可以在无需解密的情况下直接对加密数据执行计算。

在发展过程中先后有部分同态加密方案与浅同态加密方案提出,直到2009年Gentry构造出首个全同态加密方案。

同态加密的优点是能以最小的通信成本设计轮数较优的MPC协议,缺点是乘法同态运算会带来较大的计算和存储开销,目前加法同态在实际中应用较多。

差分隐私

差分隐私(Differential Privacy,DP)技术是Dwork在2006年针对数据库的隐私泄露问题提出的一种新型密码学手段。

该机制是在源数据或计算结果上添加特定分布的噪音,确保各参与方无法通过得到的数据分析出数据集中是否包含某一特定实体。

差分隐私包括本地差分隐私和计算结果差分隐私。

本地差分隐私指在汇聚和计算前对数据加入噪声,用于数据收集方不可信的场景;

计算结果差分隐私是指最终计算结果发布前对其加噪声。

隐私集合交集

隐私集合求交(Private Set Intersection,PSI)是多方安全计算领域中的经典问题,它要求参与方在互相不公开本地集合的前提下,共同计算得出多个参与方的集合的交集,且不能向任何参与方泄露交集以外的信息。

PSI 是隐私计算关键技术之一,也是纵向联邦学习的关键支撑技术。

在纵向联邦学习场景中,PSI 也被称为样本对齐(Sample Alignment)或者数据库撞库,即各参与方需要首先求出各自的训练样本ID集合之间的交集。

基于计算得到的训练样本ID 交集进行后续的纵向联邦模型训练。

零知识证明

零知识证明(zero-knowledge proof)是指证明者能够在不向验证者提供任何有用的信息的情况下,使验证者相信某个论断是正确的计算技术。

零知识证明的原理在于构建一个多方协议,即参与的多方需要完成一项任务所需采取的一系列步骤,通过完成这些步骤。

证明者向验证者证明并使其相信自己知道或拥有某一消息,但证明过程不能向验证者泄漏任何关于被证明消息的信息。

小结

目前MPC技术最典型的应用场景是隐私保护机器学习(privacy-preserving machine learning,PPML)。

从算法应用来说,多方安全计算根据其可在各方不泄露输入数据的前提下完成多方协同分析、处理和发布结果这一技术特点,广泛应 用于联合统计、联合查询、联合建模、联合预测等场景,也可以支持用户自定义计算逻辑的通用计算需求。

本文是对多方安全计算的概述,后续会分别介绍各个技术特点,以及如何利用MPC技术来实现PPML方案。

参考文献

[1] 郭娟娟,王琼霄等. 安全多方计算机器在机器学习中的应用. 计算机研究与发展. 2021.06

[2] 隐私计算联盟. 隐私计算白皮书(2021). 2021.07

< img src="https://hnxx.oss-cn-shanghai.aliyuncs.com/official/1678694737820.png?t=0.6334725112165747" />

安全多方计算的原理及其实现方法 安全多方计算是一种协议,它使得多个参与方(通常称为“方”或“玩家”)能够计算一个公共输入的函数输出,而不泄露任何关于他们各自输入的信息。 阅读详情

相关推荐

安全多方计算MPC学习笔记

参考:https://blog.youkuaiyun.com/juzhenyuan/article/details/80913777 MPC Secure Multi-Party Computation 安全多方计算 一种保护数据安全隐私的多方计算算法。 GC Garbled Circuit 加密电路 ...

小熊划水博 2万+

安全多方计算简介

文章目录一、安全多方计算定义二、安全多方计算安全模型1.行为模型2.安全门限三、安全多方计算关键技术1.秘密共享(Secret Sharing, SS)2.不经意传输(Oblivious Transfer, OT)3.混淆电路(Garbled Circuit, GC) 一、安全多方计算定义 安全多方计算(Secure Multi-Party Computation,SMPC)用于解决一组互不信任的参与方各自持有秘密数据,协同计算一个既定函数的问题。安全多方计算在保证参与方获得正确计算结果的同时,无法获得计

WuwuwuH_的博客 1万+

安全多方计算

一、安全多方计算产生背景   如今,互联网已经完成了从IT时代向DT时代的转变,数据已经成为DT时代企业的核心竞争力。二数据作为一种新能源,只有流动起来才能产生价值。不过,大多数的企业考虑到数据安全和个人隐私等问题,对数据共享都非常谨慎。面对现实生活中产生的“数据孤岛”现象,安全多方计算的出现提供了一种解决方案,为实现数据的可控共享做出了重大贡献。 二、安全多方计算简要介绍   安全多方计算(Secure Muti-party Computation,简称MPC,亦可简称SMC或SMPC)的研究主要是针对无

qq_43646149的博客 2572

安全多方计算之一:什么是安全多方计算

安全多方计算问题SMC,Secure Multi-party Computation)由由中国计算机科学家、2000年图灵奖获得者姚启智教授于1982年在论文《Protocols for secure computations》中以百万富翁问题(两个百万富翁Alice和Bob想知道他们两个谁更富有,但他们都不想让对方及其他第三方知道自己财富的任何信息),开创了密码学研究的新领域。

聚集机器学习、信息安全 1万+

基于同态加密体制的安全多方计算

1 同态门限密码体制 具有加法同态性的门限密码体制是构造安全多方计算协议的一个基本工具。具体来说,设(sk,pk,M,C,E,D)(sk,pk,M,C,E,D)(sk,pk,M,C,E,D)是一个公钥密码体制,其中sksksk是私钥,pkpkpk是公钥,MMM是明文空间,CCC是密文空间,EEE和DDD分别是加密算法和解密算法。特别是明文空间MMM和密文空间CCC都是带有某种运算的有限交换群。对任...

区块链之美 6129

MPC: 保护计算隐私的多方计算协议

多方计算(Multi-Party Computation,简称MPC)是一种用于保护计算隐私的协议。它允许多个参与方在不共享私密数据的情况下进行计算,从而确保敏感信息得到保护。MPC 在众多领域中都具有广泛的应用,包括金融、医疗、数据分析等。本文将详细介绍 MPC 的原理及其在编程中的应用。

2301_79326857的博客 751

多方安全计算MPC

1.多方安全计算的价值 MPC是密码学的一个重要分支,旨在解决一组互不信任的参与方之间保护隐私的协同计算问题,为数据需求方提供不泄露原始数据前提下的多方协同计算能力。 在目前个人数据毫无隐私的环境下,对数据进行确权并实现数据价值显得尤为重要。MPC就是实现此目的的计算协议,在整个计算协议执行过程中,用户对个人数据始终拥有控制权,只有计算逻辑是公开的。计算参与方只需参与计算协议,无需依赖第三方就能完成数据计算,并且参与各方拿到计算结果后也无法推断出原始数据。 2.多方安全计算的来源 多方安全计算(MP

培根芝士的专栏 7046

5分钟上手,Cursor + IntelliJ IDEA 双端开发:高效协同的终极方案

最好的工具,是让你忘记工具的存在。通过AI 的创造力(Cursor)IDE 的工程力(IDEA)无缝的上下文流转(插件协同)从此,不再手忙脚乱切窗口,不再迷失在文件树中。只需一个快捷键,专注编码本身。装上这两个插件后,日常开发体验虽然没有天翻地覆的变化, 但至少摸鱼的几个小时时间是有的!

weixin_44058951的博客 2201

安全多方计算之十:联邦学习与安全多方计算

联邦学习和安全多方计算都是解决数据隐私保护问题的技术,两者既有联系又有区别。 本文针对两种的基本概念、应用场景、区别与联系进行了详细介绍。

聚集机器学习、信息安全 5613

CentOS 7下kkFileView 4.4.0离线部署全攻略(含LibreOffice 7.5配置避坑指南)

本文详细介绍了在CentOS 7环境下离线部署kkFileView 4.4.0的全流程,包括LibreOffice 7.5的配置避坑指南、中文字体解决方案以及企业级运维实践。通过本指南,用户可以在内网环境中快速搭建稳定可靠的文档在线预览服务,提升办公效率。

weixin_28481133的博客 292

相控阵雷达仿真入门:TWS与TAS模式实战解析(附代码示例)

本文深入解析相控阵雷达仿真中的TWS(边搜索边跟踪)与TAS(搜索加跟踪)模式,提供实战代码示例和优化策略。通过简化模型设计和对象化建模,帮助开发者快速构建高效仿真系统,适用于军事推演和装备评估。文章涵盖核心逻辑、数据结构设计及性能优化技巧,提升仿真效率与准确性。

weixin_30687051的博客 455

多方学习与安全多方计算

多方学习(Multi-party Learning,简称 MPL)是一种基于安全多方计算(Secure Multi-party Computation,SMPC)的机器学习技术。在多方学习中,各参与方通过安全计算协议(如秘密共享)对数据进行处理,仅共享模型训练过程中的必要中间结果(而非原始数据),最终共同得到一个基于所有参与方数据训练的模型。其核心目标是打破 “数据孤岛”,利用分布式数据提升模型性能(如精度、泛化能力),同时避免原始数据的泄露。

qq_65213554的博客 681

Linux C/C++ or 嵌入式面试之《C/C++笔面试系列》(10) C++ 前置后置增减运算符重载形式与比较

C语言的++、–运算符在此不讨论。 文章目录1、前置后置增减运算符重载的形式2、前置和后置运算符的性能比较 1、前置后置增减运算符重载的形式 自增运算符“++”和自减运算符“–”分别包含两个版本。即运算符前置形式(如 ++x)和运算符后置形式(如 x++),这两者进行的操作是不一样的。因此,当我们在对这两个运算符进行重载时,就必须区分前置和后置形式。C++根据参数的个数来区分前置和后置形式。如果按照通常的方法来重载 ++ 运算符(即作为成员函数重载时不带参数,或者作为非成员函数重载时带有一个参数),那么重载

二进制君 5834

谈谈:多方安全计算的定义以及多方安全计算在电子签名方面的应用

多方安全计算,是一种无需以“中心化信赖”为基础,从密码学和数学原理上可证明安全技术。多方安全计算应用于电子签名,可以克服“中心化”平台“超级代理人”模式带来的根本缺陷,并可保证使用的高度便捷,是可靠与便捷共生的理想电子签名

1726

华为OD机试真题2026双机位C卷 C语言 实现【主次关联成环警告】

在ICT运维领域,现网运维工程师面向对设备上报的众多告警,往往需要筛选出最主要的告警优先处理,次等级的告警或许为同一个根因导致的告警,处理优先级会放后或者不处理,这样就诞生出主次关联告警的概念。给定一系列告警的主次关联关系,判断是否存在如下情况:

MISAYAONE的博客 174

HLA分型

HLA分型 一、根据WES的tumor数据进行数据分型 选用hlahd 软件安装及使用 [root@18605fd8771e ~]# wget https://jaist.dl.sourceforge.net/project/bowtie-bio/bowtie2/2.4.1/bowtie2-2.4.1-linux-x86_64.zip [root@18605fd8771e ~]# unzip bowtie2-2.4.1-linux-x86_64.zip && mv bowtie2-2.4.1

qq_23435961的博客 2492

区块链为何对安全多方计算如此热情?

安全多方计算是密码学中非常活跃的研究领域,被认为是解决保护隐私的协同计算问题的良药。安全多方计算具有输入隐私性、计算正确性以及去中心化特征,能使数据既保持隐私又能被使用,从而释放隐私数据分享,隐私数据分析,隐私数据挖掘的巨大价值。 安全多方计算是密码学中非常活跃的研究领域,被认为是解决保护隐私的协同计算问题的良药。安全多方计算具有输入隐私性、计算正确性以及去中心化特征,能使数据既保持隐私又能被使...

跨链技术践行者 3152

[SV]SystemVerilog中,系统函数$cast()的作用是什么?

摘要:SystemVerilog中的$cast()系统函数用于安全的动态类型转换,主要在类层次结构中将父类句柄转换为子类句柄(向下转换)。它通过运行时类型检查确保转换合法性,成功时返回1并赋值句柄,失败则返回0。这种机制使得可以通过父类句柄访问子类特有成员,在多态场景(如UVM验证)中尤为重要。使用时需检查返回值处理转换失败情况。$cast()比静态转换更安全,但不能用于无关类或基本数据类型间的转换。

元直的博客 1215

隐私计算-多方安全计算

多方安全计算(MPC:Secure Muti-Party Computation)理论是姚期智先生为解决一组互不信任的参与方之间在保护隐私信息以及没有可信第三方的前提下协同计算问题而提出的理论框架。多方计算的目标就是对一组计算的参与者,每个参与者拥有自己的数据,并且不信任其它参与者和任何第三方,在这种前提下,如何对各自私密的数据计算出一个目标结果的过程。MPC是一种计算协议,数据持有方可以各自使用自己的数据进行训练,最终通过协议汇总结果。MPC比较常见的落地场景就是姚期智提出的百万富翁问题。

爱跳水的温文尔雅的laughing 3372

Devexpress16.2.6破解工具

Devexpress16.2.6破解工具Devexpress16.2.6破解工具Devexpress16.2.6破解工具Devexpress16.2.6破解工具

Camera2Demo

在Camera2 的基础上进行封装,使得Camera2一堆初始化逻辑与Activity分离,降低耦合度,完成预览拍照并保存的操作

上一篇: 多线程编程进阶——Java类库中的锁
下一篇: 多变量时间序列的预测和建模指南(附Python代码)
gool奇米
博客等级 码龄4年 16粉丝 149原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值