zhyhhhhh-优快云博客

原创 Efficient Batched Oblivious PRF -Private Set Intersection

对于项目x，用三个哈希函数分别进行哈希（这是把项目映射到桶中，哈希值代表着桶中的位置），若哈希的三个位置在桶中至少有一个是空的，则将x存在任一空桶中。否则选择任意的桶，踢除其中的项目，将其替换为x，然后递归地尝试插入被驱逐的项。然后，各方运行一个OPRF的1.2 n + s实例，其中Bob扮演Receiver的角色，并使用他的1.2 n + s个项目作为OPRF的输入。.刚开始的l次OT，就是起到点乘的作用，s=0选t，s=1选u；来选择的），再通过简单的哈希，按行绑定发送的消息x，即。

2025-02-17 16:41:47 731

原创 SoK: oblivious pseudorandom functions

本文对如何构建和使用OPRFs进行了系统的综述。我们首先根据潜在的PRF将现有的OPRF分为四个家族。我们通过将OPRFs可视化在密码学原语的景观中，并通过全面概述OPRFs如何用于改善互联网用户的隐私，进一步展示了OPRFs的理论和实践力量。一个位于客户端和服务器之间的两方协议π\piπ是一个不经意伪随机函数( OPRF )，如果存在某个PRF族fkf_{k}fk，使得π\piπ私下实现下面的功能客户端有输入xxx；服务器有密钥kkk。客户端输出fkx。

2025-01-12 17:44:24 432

原创 FEASE：快速且表达能力强的非对称可搜索加密

它保护的是用户的查询隐私，即服务端无法知道用户查询的是哪条数据。保护的是用户的查询隐私，即服务端无法知道用户查询的是哪条数据。sk_1:G2域的生成元，sk_2:G1域的生成元,指数上是LSSS构造出的秘密份额，再乘上对关键词策略的哈希，两者都用随机r进行掩盖。秘密密钥和密文中使用的属性值都不向云服务器公开，而秘密密钥和密文中分别包含部分隐藏的访问结构和仅包含属性名的属性集。可以看到，FEASE的构造反映了我们的A - KP - ABE方案，将属性作为关键字，将消息设置为属性值。

2024-12-25 15:22:04 651

原创 Multi-Task Federated Reinforcement Learning with Adversaries——带敌手的多任务联邦强化学习

在本文中，我们分析了多任务联邦强化学习算法，其中多个协作代理在各种环境中试图在敌手存在的情况下最大化折现收益总和。我们认为常见的攻击方法并不能保证对多任务联邦强化学习进行成功的攻击，并提出了一种攻击性能更好的自适应攻击方法。此外，我们对传统的联邦强化学习算法进行了修改，以解决在有无攻击者情况下均能有效工作的问题。常见的攻击方式包括数据投毒和模型投毒。其中，敌手试图操纵输入数据或直接学习模型。这些漏洞会显著降低系统的性能（作恶的目的）。

2024-11-20 10:08:19 1155

原创离线深度强化学习中的数据集审计

数据是人工智能中的重要资产，高质量的数据集可以显著提高机器学习模型的性能。在自动驾驶等安全关键领域，离线深度强化学习( offline deep reinforcement learning，offline DRL )经常被用于在预先收集的数据集上训练模型，而不是像在线DRL那样通过与真实世界环境交互来训练这些模型。为了支持这些模型的发展，许多机构通过开源许可证使数据集公开可用，但这些数据集存在潜在的误用或侵权风险。

2024-10-30 10:05:17 781

原创 Exploiting Label Skews in Federated Learning with Model Concatenation——利用模型级联的联邦学习中的标签偏移

联邦学习已经成为一种很有前途的解决方案，可以在不交换原始数据的情况下对不同的数据拥有者进行深度学习。然而，在FL中，非IID数据是一个关键的挑战，它会显著降低最终模型的准确性。在不同的非IID类型中，标签偏斜在图像分类和其他任务中一直具有挑战性和普遍性。与以往大多数研究中平均局部模型不同，我们提出了FedConcat，一种简单而有效的方法，将这些局部模型串联起来作为全局模型的基础，以有效地聚合局部知识。为了减少全局模型的规模，我们采用聚类技术，根据客户的标签分布对客户进行分组，并在每个簇内协同训练一个模型。

2024-10-22 17:39:59 1172