活动介绍

安全计算中的可识别中止与秘密共享技术解析

立即解锁
发布时间: 2025-08-31 00:44:41 阅读量: 8 订阅数: 36 AIGC
### 安全计算中的可识别中止与秘密共享技术解析 #### 1. 基本定义与概念 - **多方函数的安全计算**:设 \(f : (\{0, 1\}^*)^n \to (\{0, 1\}^*)^n\) 为一个 \(n\) 方函数。若对于每个现实世界的敌手 \(A\),都存在一个模拟器 \(S\),其运行时间是 \(A\) 运行时间的多项式,使得对于大小至多为 \(t\) 的每个 \(C \subseteq [n]\),有 \(\{REAL_{\Pi,C,A}(aux)(x, \lambda)\}_{x\in(\{0,1\}^*)^n,\lambda\in\mathbb{N}} \equiv_s \{IDEAL_{f,C,S}(aux)(x, \lambda)\}_{x\in(\{0,1\}^*)^n,\lambda\in\mathbb{N}}\),则协议 \(\Pi\) 能 \(t\) - 安全地计算函数 \(f\)。 - **秘密共享方案**: - 普通秘密共享方案:消息空间为 \(\{0, 1\}^*\) 的秘密共享方案由概率多项式时间算法 \(Share\) 和确定性多项式时间算法 \(LRec\) 组成。 \(Share(msg) \to (s_1, \ldots, s_n)\) 接收消息 \(msg \in \{0, 1\}^*\) 并输出份额 \(s_1, \ldots, s_n\); \(LRec(s_i, \{s_j\}_{j\in S}) \to (msg, L)\) 接收份额 \(s_i\) 和份额子集 \(\{s_j\}_{j\in S}\)(其中 \(i \in S \subset [n]\)),输出重构消息 \(\{0, 1\}^* \cup \{\perp\}\) 和指控集合 \(L \subset [n]\)。 - 带公共和私有份额的秘密共享方案:由概率多项式时间算法 \(Share\) 和确定性多项式时间算法 \(Rec\)、 \(LRec\) 组成。 \(Share(msg) \to (s_{pub}^1, \ldots, s_{pub}^n, s_{priv}^1, \ldots, s_{priv}^n)\) 接收消息 \(msg \in \{0, 1\}^*\) 并输出公共份额 \(s_{pub}^1, \ldots, s_{pub}^n\) 和私有份额 \(s_{priv}^1, \ldots, s_{priv}^n\); \(Rec(\{s_{pub}^i\}_{i\in S}) \to msg/\perp\) 接收公共份额子集 \(\{s_{pub}^i\}_{i\in S}\)(其中 \(S \subset [n]\))并输出值 \(\{0, 1\}^* \cup \{\perp\}\); \(LRec(s_{priv}^i, \{s_{pub}^j\}_{j\in S}) \to (msg, L)\) 接收私有份额 \(s_{priv}^i\) 和公共份额子集 \(\{s_{pub}^j\}_{j\in S}\)(其中 \(S \subset [n]\)),输出重构消息 \(\{0, 1\}^* \cup \{\perp\}\) 和指控列表 \(L \subset [n]\)。 #### 2. 访问结构定义 - **阈值访问结构**:对于任意固定阈值 \(t \in [n]\), \(t\) - 阈值访问结构定义为 \(A_{n,t} = \{S \subset [n] | |S| \geq t\}\)。 - **带观察者的阈值访问结构**:对于任意固定阈值 \(t \in [n]\) 和集合 \(O \subset \{1, \ldots, n\}\),带观察者 \(O\) 的 \(t\) - 阈值访问结构定义为 \(A_O^{n,t} = \{S \subset \{1, \ldots, n\} | |S \setminus O| \geq t\}\)。 #### 3. 秘密共享方案的性质 - **正确性**:带公共和私有份额的秘密共享方案 \((Share, Rec, LRec)\) 对于访问结构 \(A\) 是正确的,如果对于任意 \(S \in A\),任意 \(i \in S\),任意消息 \(msg \in \{0, 1\}^*\),存在可忽略函数 \(negl(\cdot)\) 使得: - \(Pr[((s_{pub}^1, \ldots, s_{pub}^n, s_{priv}^1, \ldots, s_{priv}^n) \leftarrow Share(msg), (msg, \perp) \leftarrow LRec(s_{priv}^i, \{s_{pub}^j\}_{j\in S}) : msg = msg] = 1 - negl(\lambda)\) - \(Pr[((s_{pub}^1, \ldots, s_{pub}^n, s_{priv}^1, \ldots, s_{priv}^n) \leftarrow Share(msg), msg \leftarrow Rec(\{s_{pub}^j\}_{j\in S}) : msg = msg] = 1 - negl(\lambda)\) 其中概率是对 \(Share\) 算法的随机硬币取的。 - **隐私性**:秘密共享方案 \((Share, LRec)\) 对于访问结构 \(A\) 是私有的,如果对于任意无界敌手 \(A\),任意 \(S \notin A\),任意两个长度相等的消息 \(msg, msg' \in \{0, 1\}^*\),有 \(|Pr[A(\{(s_{pub}^i, s_{priv}^i)\}_{i\in S}) = 1 | (s_{pub}^1, \ldots, s_{pub}^n, s_{priv}^1, \ldots, s_{priv}^n) \leftarrow Share(msg)] - Pr[A(\{(s_{pub}^i, s_{priv}^i)\}_{i\in S}) = 1 | (s_{pub}^1, \ldots, s_{pub}^n, s
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

【动画系统终极指南】:3步掌握Cocos2d-x塔防角色高效动画管理术

![【动画系统终极指南】:3步掌握Cocos2d-x塔防角色高效动画管理术](https://www.codeandweb.com/static/1ee283722d44498929877d7b0594899a/a6312/post-image.png) # 1. Cocos2d-x动画系统概述与核心概念 Cocos2d-x 是一款广泛应用于2D游戏开发的开源引擎,其动画系统为开发者提供了高效、灵活的动画实现方式。本章将从整体视角出发,概述 Cocos2d-x 动画系统的基本架构,并引出关键核心概念,如精灵(Sprite)、帧(Frame)、动画播放器(Animation & Animato

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

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

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

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

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