活动介绍

驯服YOSO协议中的适应性与网络无关的统计安全MPC

立即解锁
发布时间: 2025-08-31 00:53:38 阅读量: 9 订阅数: 46 AIGC
### 驯服YOSO协议中的适应性与网络无关的统计安全MPC #### 1. YOSO协议角色分配与编译器相关内容 在一些协议场景中,为了应对对手的自适应腐败能力,需要对角色分配功能进行灵活编程。这里提到了通过修改Benhamouda等人的委员会选择协议来实现角色分配功能FRA,以允许角色和机器之间的映射进行模棱两可的处理。 ##### 1.1 原委员会选择协议思路 原协议将选择委员会成员的任务委托给提名委员会。提名委员会中的提名者无需接收任何私人输入,可通过密码学排序自我选择。对于足够大的提名委员会,腐败提名者的比例将接近整个系统中的腐败比例。当一台机器被选为提名者时,它会为所提名的角色采样新鲜的临时密钥,公钥会与在特殊形式的匿名公钥加密下对私钥的加密一起广播。由于考虑到自适应对手可能会腐败提名委员会的所有成员,每个提名者在发送消息之前必须删除其秘密状态。所有机器可以观察广播频道,并尝试解密每个提名密文,如果解密成功,该机器就被提名,可以解密发送到该角色的密文消息。 ##### 1.2 修改方案 为了满足角色分配功能,进行了一些修改。将用于提名密文的加密方案替换为密钥和消息非承诺加密(KM - NCE),并引入了随机数信标,为每一轮提供新鲜的均匀随机数,以确保从角色到提名的映射是均匀随机的,不受对手的影响。 ##### 1.3 协议ΠRA 每台机器M可以访问一个包含KM - NCE公钥和每个计算机器的VRF验证密钥的公钥基础设施(PKI)。VRF密钥由所有机器在FVRF上调用(恶意)密钥生成来生成。每台机器还存储其当前的长期KM - NCE私钥M.sk。设c为预定义的委员会大小。 - **新委员会流程**: 1. 在第r轮收到输入(New, cid, C)后,如果已经存在cid* = cid的存储值,则忽略此命令;否则,存储值(r, cid, C, PKeys, SKeys),其中PKeys和SKeys为空列表。 2. 向随机数信标输入(Read, r),以接收随机数ρ。 3. 向FVRF输入(EvalProve, (ρ, cid)),并等待输出(Evalutated, draw, π)。 4. 如果draw是获胜抽奖(即draw / 2ℓVRF ≤ p),则继续提名一方;否则,跳过其余步骤。 5. 从P中均匀随机采样一个机器索引pid′。 6. 为提名的角色生成新鲜的临时加密和签名密钥,(ek, dk) ← PKE.Gen(),(vk, sk) ← SIG.Gen()。 7. 将解密和签名密钥加密到所选机器,ctxt ← KM - NCE.Enc(Mpid′.pk, (pid′, dk, sk))。 8. 擦除密钥dk, sk以及用于采样密钥和pid′的所有随机数,以及任何加密随机数。 9. 将(cid, ek, vk, ctxt, draw, π)发布到公告板。 - **读取流程**: 1. 在第r′轮(r + 2 ≤ r′)输入(Read, cid)时,检索值(r, cid, C, PKeys, SKeys),如果不存在则停止。 2. 观察公告板,收集在第r轮发布的委员会标识符为cid的消息列表。 3. 从列表中删除由机器M发布的drawj不是获胜抽奖的元素。可以通过向FVRF输入(Verify, (ρ, cid), drawj, πj, Mpid.vkVRF)来验证,其中pid是发布消息到公告板的机器的标识符,ρ是信标为委员会cid提供的随机数。如果FVRF返回0,或者drawj / 2ℓVRF > p,则删除该元素。 4. 按加密密钥按字典顺序对列表进行排序,只保留前c个元素。如果列表没有恰好c个元素,则用值(cid, ⊥, ⊥, ⊥)填充。 5. 向随机数信标输入(Read, r + 1),以接收随机数ρ。 6. 让σ是由随机数ρ定义的[c]上的均匀随机排列,并将σ应用于列表。 7. 遍历列表,对于第j个元素
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

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['

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

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

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

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

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

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

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)、

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