循环安全的同态加密方案

赵秀凤; 付雨; 宋巍涛

doi:10.7544/issn1000-1239.2020.20200422

循环安全的同态加密方案

(信息工程大学密码工程学院郑州 450001) (zhao_xiu_feng@163.com)

基金项目: 国家自然科学基金项目(61601515,61702578,61902428)；河南省自然科学基金项目(162300410332)；军事类研究生资助课题(JYKT910372019307)

详细信息

中图分类号: TP391
计量
- 文章访问数: 1032
- HTML全文浏览量: 10
- PDF下载量: 362
出版历程
- 发布日期: 2020-09-30

Circular Secure Homomorphic Encryption Scheme

(College of Cryptography Engineering, Information Engineering University, Zhengzhou 450001)

Funds: This work was supported by the National Natural Science Foundation of China (61601515, 61702578, 61902428), the Natural Science Foundation of Henan Province of China (162300410332), and the Military Graduate Project (JYKT910372019307).

摘要

摘要: 全同态加密可以对密文进行有效计算，是实现云计算、大数据以及机器学习中数据隐私安全的一项重要密码技术.利用“自举”技术可以构造全同态加密方案，但是使得运算密钥随着运算电路的深度线性增长，这是全同态加密方案实用性的一个主要瓶颈.然而，如果同态加密方案满足循环安全性，即可以对方案的私钥进行安全的加密，则可以使得运算密钥的规模独立于运算电路的深度.因此，满足循环安全性的同态加密方案是值得研究的一个问题.基于噪声淹没技术，给出了循环安全的公钥同态加密方案，并给出了安全性证明和参数设置；进一步，通过引入拒绝采样技术，给出了优化的循环安全公钥同态加密方案，在增加部分采样算法的代价下，将系统参数从超多项式级降低到多项式级，大大约减方案公钥和密文规模，从而可以有效改善密文运算的计算复杂性，提升同态加密方案的性能.
- 同态加密 /
- 循环安全 /
- 错误学习问题 /
- 噪声淹没技术 /
- 拒绝采样
Abstract: Homomorphic encryption allows evaluation on encrypted data, and it is an important encryption technique to realize data privacy security in cloud computing, big data and machine learning. Constructions of fully homomorphic encryption employ a “bootstrapping” technique, which enforces the public key of the scheme to grow linearly with the maximal depth of evaluated circuits. This is a major bottleneck with regards to the usability and the eciency of the scheme. However, the size of the public key can be made independent of the circuit depth if the somewhat homomorphic scheme can securely encrypt its own secret key. Achieving circular secure somewhat homomorphic encryption has been an interesting problem which is worth studying. This paper presents a circular secure public key homomorphic encryption scheme using noise flooding technique, and gives the security proof and parameter setting; furthermore, by introducing the refuse sampling technique, an optimized circular secure public key homomorphic encryption scheme is given, and the system parameters are reduced from the super polynomial level to the polynomial level, which greatly reduces the public key and ciphertext size. And then the computational complexity of ciphertext evaluation can be effectively improved and the performance of homomorphic encryption scheme be improved.
- homomorphic encryption /
- circular secure /
- learning with errors problem /
- noise flooding technique /
- reject sampling

HTML全文

参考文献(0)

施引文献(64)

期刊类型引用(19)

1.	包晓丽. 可信数据空间：技术与制度二元共治. 浙江学刊. 2024(01): 89-100+239-240 . 百度学术
2.	林宁，张亮. 基于联邦学习的个性化推荐系统研究. 科技创新与生产力. 2024(04): 27-30 . 百度学术
3.	李璇，邓天鹏，熊金波，金彪，林劼. 基于模型后门的联邦学习水印. 软件学报. 2024(07): 3454-3468 . 百度学术
4.	洪榛，冯王磊，温震宇，吴迪，李涛涛，伍一鸣，王聪，纪守领. 基于梯度回溯的联邦学习搭便车攻击检测. 计算机研究与发展. 2024(09): 2185-2198 . 本站查看
5.	陈卡. 基于模型分割的联邦学习数据隐私保护方法. 电信科学. 2024(09): 136-145 . 百度学术
6.	余晟兴，陈钟. 基于同态加密的高效安全联邦学习聚合框架. 通信学报. 2023(01): 14-28 . 百度学术
7.	林莉，张笑盈，沈薇，王万祥. FastProtector：一种支持梯度隐私保护的高效联邦学习方法. 电子与信息学报. 2023(04): 1356-1365 . 百度学术
8.	顾育豪，白跃彬. 联邦学习模型安全与隐私研究进展. 软件学报. 2023(06): 2833-2864 . 百度学术
9.	郭松岳，王阳谦，柏思远，刘永恒，周骏，王梦鸽，廖清. 面向数据混合分布的联邦自适应交互模型. 计算机研究与发展. 2023(06): 1346-1357 . 本站查看
10.	陈宛桢，张恩，秦磊勇，洪双喜. 边缘计算下基于区块链的隐私保护联邦学习算法. 计算机应用. 2023(07): 2209-2216 . 百度学术
11.	高莹，陈晓峰，张一余，王玮，邓煌昊，段培，陈培炫. 联邦学习系统攻击与防御技术研究综述. 计算机学报. 2023(09): 1781-1805 . 百度学术
12.	张连福，谭作文. 一种面向多模态医疗数据的联邦学习隐私保护方法. 计算机科学. 2023(S2): 933-940 . 百度学术
13.	周赞，张笑燕，杨树杰，李鸿婧，况晓辉，叶何亮，许长桥. 面向联邦算力网络的隐私计算自适激励机制. 计算机学报. 2023(12): 2705-2725 . 百度学术
14.	莫慧凌，郑海峰，高敏，冯心欣. 基于联邦学习的多源异构数据融合算法. 计算机研究与发展. 2022(02): 478-487 . 本站查看
15.	陈前昕，毕仁万，林劼，金彪，熊金波. 支持多数不规则用户的隐私保护联邦学习框架. 网络与信息安全学报. 2022(01): 139-150 . 百度学术
16.	侯坤池，王楠，张可佳，宋蕾，袁琪，苗凤娟. 基于自编码神经网络的半监督联邦学习模型. 计算机应用研究. 2022(04): 1071-1074+1104 . 百度学术
17.	詹玉峰，王家盛，夏元清. 面向联邦学习的数据交易机制. 指挥与控制学报. 2022(02): 122-132 . 百度学术
18.	肖林声，钱慎一. 基于并行同态加密和STC的高效安全联邦学习. 通信技术. 2021(04): 922-928 . 百度学术
19.	刘飚，张方佼，王文鑫，谢康，张健毅. 基于矩阵映射的拜占庭鲁棒联邦学习算法. 计算机研究与发展. 2021(11): 2416-2429 . 本站查看