同态加密的发展

声明:该文章由个人整理相关资料+理解而来…

  • “Homomorphic”: a (secret) mapping from plaintext space to ciphertext space that preserves arithmetic operations.

  • Mathematical Hardness: (Ring) Learning with Errors Assumption; every image (ciphertext) of this mapping looks uniformly random in range (ciphertext space).

  • “Security level”: the hardness of inverting this mapping withoutthe secret key.
    Example: 128 bits → 2^128 operations to break

全同态加密:

同态加密的发展_第1张图片
简单来讲,对密文的操作对应着对原来明文的操作。

同态加密 vs.安全多方计算 、SGX

同态加密的发展_第2张图片同态加密的发展_第3张图片其中,同态加密在计算代价上较大,主要花费在Bootstrapping上,而多方计算主要耗费在通信代价上,SGX 依赖于可信硬件。

发展

  • 起源:Rivest, Adleman, Dertouzos (1978)首次提出,当时称为“隐私同态”。

  • [Gentry09’] Big breakthrough,第一个实现了真正的FHE.

  • 2009-10: Plausibility:
    [GH’11] 这篇论文实现了Gentry09的Bootstrapping,重加密一比特密文需要 30 minutes.

  • 2011-12: Real Circuits
    **[GHS’12]**Homomorphic evaluation of the AES circuit. 这是对BGV的实现,用于计算“Real-world”的电路,AES加密和解密。A 30,000-gate in 36 hours

  • 2013-16: Usability
    HElib同态加密库 [HS’14]: IBM基于BGV方案优化的开源实现
    The same 30,000-gate in 4-15 minutes
    每个slot重加密大约花费6分钟
    [HS’15]Bootstrapping for helib
    bootstrapping for packed ciphertexts in a matter of minutes
    FHEW[DM’15]: bootstrapping 一个单比特密文 < 1s
    THHE[CGGI’16]:bootstrapping 一个单比特密文 < 0.1s

  • 2017-Today:
    Practical uses for real-world applications

FHE的发展划分为三代FHE:
  1. 第一代:
    [Gentry’09 ] 基于理想格的方案
    [DGHV‘10’] 基于整数的的全同态
    其噪声增长太快,同态能力受限,影响效率和安全性

  2. 第二代:
    [BV’11]:基于LWE构造全同态
    [BGV’12]:无需Bootstrapping 构造Leveled FHE
    [Bra’12]: FHE without Modulus Switching
    from Classical GapSVP
    (1)提出了非常好的技巧来控制噪声 ,如通过模切换,增加 plaintext-to-ciphertext expansion ratio, 提高了效率。
    (噪声增长 from linear to logarithmic in the degree of the evaluated function)
    (2)基于更加标准的困难假设,如LWE、 NTRU
    (3)还有一些其他提高计算能力的技巧,如packing技术,将多个消息打包为一个密文。

  3. 第三代:
    [GSW’13]:非对称乘法(噪声增长非对称)
    [BV’14]:利用了噪声的非对称增长,将左乘子设计为带有小噪声,但是与第二代的效率优化不兼容,因此overhead方面比第二代更高。
    [AP’14]
    [DM’15]
    [CGGI16]

    第三代FHE的效率可能不如第二代,但是它们基于更弱的困难问题假设。

应用

同态加密的发展_第4张图片

你可能感兴趣的:(同态加密,机器学习中的隐私保护)