Awesome Privacy Computing

1. Secure Multiparty Computation (SMPC)

1.1 Primitive

1.1.1 Oblivious Transfer (OT)

• Precomputing Oblivious Transfer, CRYPTO'95
• Efficient Oblivious Transfer Protocols, SODA'01
• IKNP03: Extending Oblivious Transfers Efficiently, CRYPTO'03
• ALSZ13: More Efficient Oblivious Transfer and Extensions for Faster Secure Computation, CCS'13
• KK13: Improved OT Extension for Transferring Short Secrets, CRYPTO'13
• KOS15: Actively Secure OT Extension with Optimal Overhead, CRYPTO'15
• MASCOT: Faster Malicious Arithmetic Secure Computation with Oblivious Transfer, CCS'16
• Fast Actively Secure OT Extension for Short Secrets, NDSS'17
• Efficient Pseudorandom Correlation Generators: Silent OT Extension and More, CRYPTO'19
• Efficient two-round OT extension and silent non-interactive secure computation, CCS'19
• Ferret: Fast Extension for Correlated OT with Small Communication, CCS'20
• Silver: Silent VOLE and Oblivious Transfer from Hardness of Decoding Structured LDPC Codes, CRYPTO'21

1.1.2 Garbled Circuit

• Protocols for Secure Computations (Extended Abstract), FOCS'82
• How to generate and exchange secrets, FOCS'86
• Improved Garbled Circuit: Free XOR Gates and Applications, ICALP'08
• FairplayMP – A System for Secure Multi-Party Computation, CCS'08
• Secure Two-Party Computation Is Practical, ASIACRYPT'09
• Foundations of Garbled Circuits, CCS'12
• FleXOR: Flexible Garbling for XOR Gates That Beats Free-XOR, CRYPTO'14
• Two Halves Make a Whole: Reducing Data Transfer in Garbled Circuits using Half Gates, EUROCRYPT'15
• MRZ15: Fast and Secure Three-party Computation: The Garbled Circuit Approach, CCS'15
• Three Halves Make a Whole? Beating the Half-Gates Lower Bound for Garbled Circuits, CRYPTO'21

1.1.3 Arithmetic/Boolean Circuit

• GMW: How to play ANY mental game, STOC'87

• Multiparty Computation from Somewhat Homomorphic Encryption

• Practical Covertly Secure MPC for Dishonest Majority Or: Breaking the SPDZ Limits

• SPDZ2k: Efficient MPC mod 2k for Dishonest Majority

• ATLAS: Efficient and Scalable MPC in the Honest Majority Setting, CRYPTO'21

• The Cost of IEEE Arithmetic in Secure Computation, LatinCrypt'21

• Fast Fully Secure Multi-Party Computation over Any Ring with Two-Thirds Honest Majority, CCS'22

• A Framework for Constructing Fast MPC over Arithmetic Circuits with Malicious Adversaries and an Honest-Majority, CCS'17 1.1.5 A/B/Y Shares Conversion

• ABY – A Framework for Effificient Mixed-Protocol Secure Two-Party Computation, NDSS'15

• ABY3 : A Mixed Protocol Framework for Machine Learning, CCS'18

• Trident: Efficient 4PC Framework for Privacy Preserving Machine Learning, NDSS'20

• MP-SPDZ: A versatile framework for multi-party computation, CCS'20

• ABY2.0: Improved Mixed-Protocol Secure Two-Party Computation, USENIX Security'21

• MOTION – A Framework for Mixed-Protocol Multi-Party Computation, TOPS'22

• Tetrad: Actively Secure 4PC for Secure Training and Inference, NDSS'22

• Improved primitives for mpc over mixed arithmetic-binary circuits, CRYPTO'20

1.1.6 PSI

• Efficient Batched Oblivious PRF with Applications to Private Set Intersection, CCS'16
• Actively Secure 1-out-of-N OT Extension with Application to Private Set Intersection, CT-RSA'17
• SpOT-Light: Lightweight Private Set Intersection from Sparse OT Extension, CRYPTO'19
• PSI from PaXoS: Fast, Malicious Private Set Intersection, EUROCRYPT'20
• VOLE-PSI: Fast OPRF and Circuit-PSI from Vector-OLE, EUROCRYPT'21

1.1.7 Multiparty ECDSA signing

• Blockchain-Crypto-MPC, CCS'18
• MPECDSA, S&P'19

1.2 Survey

• Yehuda Lindell. Secure Multiparty Computation (MPC)
• Yehuda Lindell. How to Simulate It - A Tutorial on the Simulation Proof Technique
• Manoj Prabhakaran and Amit Sahai (Eds.). Secure Multi-Party Computation

1.3 Books

• A Pragmatic Introduction to Secure Multi-Party Computation
• Applications of Secure Multiparty Computation
• Efficient Secure Two-Party Protocols
• Secure Multiparty Computation and Secret Sharing
• Foundations of Cryptography Vol. 2
• Engineering Secure Two-Party Computation Protocols

1.4 Courses

• Cryptographic Computing Course

Примечание: в запросе не удалось определить основной язык текста, поэтому перевод выполнен на русский язык. 1.5 Open Source Framework

• ABY, NDSS'15.
• ABY3, CCS'18, 2019/518.
• BatchDualEx, eprint: 2016/632.
• CrypTen, link.
• EMP-toolkit (emp-ag2pc, emp-m2pc, emp-agmpc), eprint: 2017/189, 2016/762, 2017/030.
• Fancy-Garbling, 2016/969.
• FRESCO, Practice'15.
• HoneyBadgerMPC.
• JIFF, link.
• MP-SPDZ, documentation, eprint: 2020/521.
• MpyC, TPMPC'18.
• Obliv-C, 2015/1153.
• SCALE-MAMBA, link.
• Sharemind, Cyber'13.
• Swanky, Tf-encrypted.

2 Federated Learning (FL)

• Privacy-Preserving Deep Learning, CCS'15.
• Practical Secure Aggregation for Privacy Preserving Machine Learning, CCS'17.
• Privacy-Preserving Deep Learning via Additively Homomorphic Encryption, TIFS'17.
• NIKE-based Fast Privacy-preserving High-dimensional Data Aggregation for Mobile Devices, CACR'18.
• PrivFL: Practical Privacy-preserving Federated Regressions on High-dimensional Data over Mobile Networks, CCSW'19.
• VerifyNet: Secure and verifiable federated learning, TIFS'19.
• PrivColl: Practical Privacy-Preserving Collaborative Machine Learning.
• NPMML: A Framework for Non-interactive Privacy-preserving Multi-party Machine Learning, TDSC'20.
• SAFER: Sparse secure Aggregation for FEderated leaRning.
• Secure Byzantine-Robust Machine Learning.
• Secure Single-Server Aggregation with (Poly)Logarithmic Overhead, CCS'20.
• Batchcrypt: Efficient homomorphic encryption for cross-silo federated learning, USENIX ATC'21.
• FedSel: Federated SGD under Local Differential Privacy with Top-k Dimension Selection. 3 Trusted Execution Environment (TEE)

4 Homomorphic Encryption (HE)

FHE библиотеки

Библиотеки, которые можно использовать для реализации приложений с использованием гомоморфного шифрования:

• Microsoft SEAL — библиотека C++ для полностью гомоморфного шифрования, реализующая схемы BFV и CKKS.
• HEAAN — схема с собственной поддержкой фиксированной точки приближённой арифметики.
• HElib — схема BGV с начальной загрузкой и приближённая числовая схема CKKS.
• lattigo — библиотека Go для криптографии на основе решёток.
• PALISADE — библиотека шифрования на решётках.
• tfhe — быстрая полностью гомоморфная схема: начальная загрузка менее 0,1 секунды.
• FHEW — полностью гомоморфное шифрование на основе работы «FHEW: Bootstrapping Homomorphic Encryption in less than a second».
• concrete — библиотека Rust для полностью гомоморфного шифрования, которая реализует вариант TFHE от Zama.
• Cupcake — библиотека Facebook для (аддитивной версии схемы) Fan-Vercauteren на Rust.

Приложения FHE

• OpenMined — децентрализованное управление данными и интеллектом на основе HE и глубокого/федеративного обучения.
  • KotlinSyft — библиотека Kotlin для Android-части экосистемы с открытым исходным кодом от OpenMined.
  • PySyft — Python-библиотека для серверной/IoT-части экосистемы с открытым исходным кодом от OpenMined.
  • SwiftSyft — Swift-библиотека для iOS-части экосистемы с открытым исходным кодом от OpenMined.
  • syft.js — JavaScript-библиотека для веб-части экосистемы с открытым исходным кодом от OpenMined.
• Rosetta — фреймворк для обеспечения конфиденциальности на основе TensorFlow.
• tf-encrypted — мост между TensorFlow и библиотекой Microsoft SEAL.

Статьи по FHE

• Fully homomorphic encryption using ideal lattices, STOC'99.
• Fully homomorphic encryption from ring-LWE and security for key dependent messages, CRYPTO'11.
• Homomorphic Evaluation of the AES Circuit, CRYPTO'12.
• Fully homomorphic encryption with polylog overhead, EUROCRYPT'12.
• Fully Homomorphic Encryption without Modulus Switching from Classical GapSVP, CRYPTO'12.
• Homomorphic Encryption from Learning with Errors: Conceptually-Simpler, Asymptotically-Faster, Attribute-Based, CRYPTO'13.
• Algorithms in HElib, CRYPTO'14.
• FHEW: Bootstrapping Homomorphic Encryption in Less Than a Second, EUROCRYPT'15.
• Faster Fully Homomorphic Encryption: Bootstrapping in Less Than 0.1 Seconds, ASIACRYPT'16.
• Faster packed homomorphic operations and efficient circuit bootstrapping for TFHE, ASIACRYPT'17. Гомоморфное шифрование для арифметических операций над приближёнными числами, ASIACRYPT'17

Полный вариант схемы FV для гомоморфного шифрования с использованием остаточных классов, SAC'17

Ускоренные операции гомоморфного шифрования и эффективная загрузка схем для TFHE, ASIACRYPT'17

Более быстрые гомоморфные линейные преобразования в HElib, CRYPTO'18

Загрузка для приближённого гомоморфного шифрования, EUROCRYPT'18

Улучшенный вариант схемы BFV для остаточных классов, CT-RSA'19

TFHE: быстрое полностью гомоморфное шифрование на торе, JOC'20

Эффективные методы гомоморфного сравнения с оптимальной сложностью, ASIACRYPT'2020

PEGASUS: соединение полиномиальных и неполиномиальных вычислений в гомоморфном шифровании, S&P'21

Общий подход к загрузке для гомоморфного шифрования на основе RLWE, ePrint'21

О безопасности гомоморфного шифрования приближённых чисел, EUROCRYPT'21

Эффективная загрузка для приближённого гомоморфного шифрования с неплотными ключами, EUROCRYPT'21

Эффективное гомоморфное преобразование между (кольцевыми) LWE-шифротекстами, ACNS'21

5. Дифференциальная приватность (DP)

6. Доказательство с нулевым разглашением (ZKP)

7. Машинное обучение с сохранением конфиденциальности (PPML)

• Классификация машинного обучения по зашифрованным данным, NDSS'14
• Доверенные процессоры для многостороннего машинного обучения без разглашения информации, USENIX SECURITY'16
• Prio: частные, надёжные и масштабируемые вычисления агрегированной статистики, NSDI'17
• SecureML: система для масштабируемого машинного обучения с сохранением конфиденциальности, S&P'17
• MiniONN: предсказания нейронной сети без разглашения данных через MiniONN-преобразования, CCS'17
• Chameleon: гибридная безопасная вычислительная среда для приложений машинного обучения, AsiaCCS'17
• DeepSecure: масштабируемое машинное обучение с доказуемой безопасностью, DAC'17
• SPDZ для безопасных вычислений в машинном обучении, NIPS'18
• ABY3: смешанный протокол для машинного обучения, CCS'18
• SecureNN: эффективное и безопасное обучение нейронных сетей, PETS'18
• Gazelle: низкозатратная среда для безопасного вывода результатов работы нейронных сетей, USENIX SECURITY'18
• CHET: оптимизирующий компилятор для полностью гомоморфных выводов нейронных сетей, PLDI'19
• Новые примитивы для активно безопасного MPC над кольцами с применением к частному машинному обучению, S&P'19
• Helen: злонамеренно защищённое конкурентное обучение для линейных моделей, S&P'19
• Эффективное многоключевое гомоморфное шифрование со сжатыми шифротекстами и применение к выводу результатов работы нейронных сетей без разглашения, CCS'19
• XONN: вывод результатов работы глубоких нейронных сетей на основе XNOR без разглашения, USENIX Security'19
• QUOTIENT: двухстороннее безопасное обучение и вывод результатов работы нейронных сетей, CCS'19 К сожалению, без контекста сложно определить основной язык текста запроса. Однако можно предположить, что это язык программирования или специализированный технический язык в сфере информационной безопасности и машинного обучения.

В запросе представлены ссылки на научные статьи и исследования, которые посвящены различным аспектам разработки и тестирования программного обеспечения, а также вопросам безопасности и конфиденциальности данных. В них рассматриваются методы и подходы к обеспечению безопасности нейронных сетей, разработке эффективных алгоритмов для приватного машинного обучения, а также к созданию систем, обеспечивающих конфиденциальность данных при использовании машинного обучения и искусственного интеллекта.

Для точного определения основного языка текста необходимо больше информации о содержании статей и исследований, на которые ссылается запрос. * «Когда гомоморфное шифрование сочетается с секретным распределением: безопасная крупномасштабная разреженная логистическая регрессия и приложения в контроле рисков, KDD'21».

• «Microsoft Research. Видео с SEAL/CKKS-докладов на закрытом AI-интенсиве Microsoft».
• «Glyph: быстрое и точное обучение глубоких нейронных сетей на зашифрованных данных, NeurIPS'20».
• «Mystique: эффективные преобразования для доказательств с нулевым разглашением с применением к машинному обучению, USENIX Security'21».
• «SoK: эффективное кластеризация с сохранением конфиденциальности, PoPETs'21».
• «ZEN: эффективные доказательства с нулевым разглашением для нейронных сетей».
• «zkCNN: доказательства с нулевым разглашением для предсказаний и точности свёрточных нейронных сетей, CCS'21».
• «Безопасное квантованное обучение для глубокого обучения».
• «Cerebro: платформа для многостороннего криптографического совместного обучения, USENIX Security'21».
• «Tetrad: активно защищённая 4PC для безопасного обучения и вывода, NDSS'22».
• «Adam in Private: безопасное и быстрое обучение глубоких нейронных сетей с адаптивной оценкой момента».
• «SIMC: безопасный вывод машинного обучения против злонамеренных клиентов по цене получестных вычислений, USENIX Security'22».
• «Circa: стохастические ReLU для частного глубокого обучения, NeurIPS'21».
• «Cheetah: бережливое и быстрое безопасное двухстороннее глубокое обучение нейронной сети, USENIX Security'22».
• «Безопасная пуассоновская регрессия, USENIX Security'22».
• «SecFloat: точные вычисления с плавающей точкой и безопасные двусторонние вычисления, S&P'22».
• «MPClan: набор протоколов для вычислений с учётом конфиденциальности, IACR ePrint'22».
• «LLAMA: библиотека математики с низкой задержкой для безопасных выводов, PoPETs'22».