Efficient Linear Multiparty PSI and Extensions to Circuit/Quorum PSI

2024-02-01 12:40

本文主要是介绍Efficient Linear Multiparty PSI and Extensions to Circuit/Quorum PSI,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

本片文章的内容和之前说的两篇文章密切相关,强烈建议回顾前两篇(必须回顾!!!)

2017--OPPRF              

2019--batch OPPRF     

目录

一、基础知识:(简单说一下)

1.Cuchoo Hashing:

2.PSM

3.秘密共享

二、multiparty PSI 


一、基础知识:(简单说一下)

1.Cuchoo Hashing:

生成三个(几个都行,以3个为例)hash函数,分别为h_1,h_2,h_3,和一个table表,若h_1(x)位置为空, 就将x放在h_1(x)的位置上,若该位置已经存在元素y,则替换该元素,并将y放在h_2(y)的位置上(位置为空),若该位置存在元素z,则替换元素z,并将z放在元素h_3(z)对应的位置上(位置为空),若此位置存在元素m,在替换元素,并将m放在h_1(m)位置上,一直循环直到找到相应位置。(对于死循环可以设置阈值,强行停止循环。)

2.PSM

可以理解为一个和Batch-OPPRF一样的一个协议,R方输入为q=q_1,...,q_\beta(查询到元素集合),S输入为数据集X=X_1,...,X_n(q_iX_i中查询)。返还给R y_i, 返还给S w_i,如果元素在数据集里面y_i =w_i,否则y_i=随机数。

3.秘密共享

·加法秘密共享:这里用的是shamir秘密共享,需要知道他的特性:< x > +< y > =< x+y >          其中< x >是x的秘密共享值。

·线性秘密共享:c[a]+[b]=[ca+b],其中[a]是a的秘密共享值。

二、multiparty PSI 

先说原理,后面自己理解。

这里参与者为P1,...,Pn。选择P1作为R方,P2,...,Pn为S方。所用参与者共同产生三个hash函数h_1,h_2,h_3

P1通过Cuchoo Hashing产生一个Table1,P2,...,Pn使用普通的三次hash产生Table2,...,Tablen(就是将一个数x  hash三次放在表的三个位置上)。

使用PSM协议,将P1作为R方发送Table1,P2,...,Pn为S方发送Table2...Tablen。

结束时P1对于表中的每一个位置的元素查询了n-2次,计作y_{ij},其中ij代表在Pi的表中查询第j个元素,P2...Pn获得w_{ij}。P1计算<a_j>_1=\sum_{i=2}^{n}-y_{ij},P2...Pn<a_j>_i=w_{ij},若查询到元素,可以看出来所有<a>加起来为0。

之后几步的主要的作用是盲化结果。这里涉及了一种转换,主要原因是加法秘密共享无法乘运算。

这些内容如果基本看懂,后面的内容应该问题不大。这三篇文章是一个完整的OPPRF的体系,也许刚开始看起来十分复杂,但是仔细研究完第一篇后面的两篇会轻松许多。

参考文献:Efficient Linear Multiparty PSI and Extensions to Circuit/Quorum PSI

这篇关于Efficient Linear Multiparty PSI and Extensions to Circuit/Quorum PSI的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/667321

相关文章

理解分类器(linear)为什么可以做语义方向的指导?(解纠缠)

Attribute Manipulation(属性编辑)、disentanglement(解纠缠)常用的两种做法:线性探针和PCA_disentanglement和alignment-CSDN博客 在解纠缠的过程中,有一种非常简单的方法来引导G向某个方向进行生成,然后我们通过向不同的方向进行行走,那么就会得到这个属性上的图像。那么你利用多个方向进行生成,便得到了各种方向的图像,每个方向对应了很多

[论文笔记]QLoRA: Efficient Finetuning of Quantized LLMs

引言 今天带来LoRA的量化版论文笔记——QLoRA: Efficient Finetuning of Quantized LLMs 为了简单,下文中以翻译的口吻记录,比如替换"作者"为"我们"。 我们提出了QLoRA,一种高效的微调方法,它在减少内存使用的同时,能够在单个48GB GPU上对65B参数的模型进行微调,同时保持16位微调任务的完整性能。QLoRA通过一个冻结的4位量化预

Circuit Design 贴片晶振的区分

贴片晶振脚位的区分(非常详细,尤其是如何区分四脚的有源无源晶振): http://ruitairt.com/Article/tiepian_1.html 如何区分有源和无源晶振: http://ruitairt.com/Article/yzjddbfqsq_1.html

Circuit Design RC 震荡电路

为了测试一个信号放大器,手边又没有合适的信号发生器,所以就需要自己手动来一个信号发生器。。。。。由于所需的频率大概也不会太高,手边也没有电感,所以选择用RC震荡电路来实现这个功能。 借鉴的网页: http://www.eepw.com.cn/article/283745.htm RC振荡电路,采用RC选频网络构成,适用于低频振荡,一般用于产生1Hz~1MHz(fo=1/2πRC)的低频信号。

Circuit Design 三极管驱动蜂鸣器电路 及 蜂鸣器两端电压正确但是不响的解决方案

利用三极管进行电流放大的蜂鸣器驱动电路图: (百度图片找的) 我用有源蜂鸣器实现的这个电路,但是蜂鸣器不响。 details: 1. VCC =5V 蜂鸣器两端的直接电压约为4.5V, 但是蜂鸣器不响。 2. 将蜂鸣器直接接在4.5V的电源两端,蜂鸣器响。(说明蜂鸣器是好的) 3. 测了三极管各个管脚的电压, 和理论上的是一致的。 情况很奇怪,换了好几个三极管结果都是一样的,

【CSS渐变】背景中的百分比:深入理解`linear-gradient`,进度条填充

在现代网页设计中,CSS渐变是一种非常流行的视觉效果,它为网页背景或元素添加了深度和动态感。linear-gradient函数是实现线性渐变的关键工具,它允许我们创建从一种颜色平滑过渡到另一种颜色的视觉效果。在本篇博客中,我们将深入探讨linear-gradient函数中的百分比值,特别是像#C3002F 50%, #e8e8e8 0这样的用法,以及它们如何影响渐变效果。 什么是linear-g

【UVa】 10735 Euler Circuit 混合图的欧拉回路 最大流

题目链接:http://uva.onlinejudge.org/index.php?option=com_onlinejudge&Itemid=8&page=show_problem&problem=1676 题目要求:求混合图的欧拉回路+输出路径。 题目分析: 先看一段比较流行的说法吧~: -----------------------------------------

《Efficient Batch Processing for Multiple Keyword Queries on Graph Data》——论文笔记

ABSTRACT 目前的关键词查询只关注单个查询。对于查询系统来说,短时间内会接受大批量的关键词查询,往往不同查询包含相同的关键词。 因此本文研究图数据多关键词查询的批处理。为多查询和单个查询找到最优查询计划都是非常复杂的。我们首先提出两个启发式的方法使关键词的重叠最大并优先处理规模小的关键词。然后设计了一个同时考虑了数据统计信息和搜索语义的基于cardinality的成本估计模型。 1.

《The Power of Scale for Parameter-Efficient Prompt Tuning》论文学习

系列文章目录 文章目录 系列文章目录一、这篇文章主要讲了什么?二、摘要中T5是什么1、2、3、 三、1、2、3、 四、1、2、3、 五、1、2、3、 六、1、2、3、 七、1、2、3、 八、1、2、3、 一、这篇文章主要讲了什么? The article “The Power of Scale for Parameter-Efficient Prompt Tuning

Spark MLlib模型训练—回归算法 Linear regression

Spark MLlib模型训练—回归算法 Linear regression 线性回归是回归分析中最基础且应用广泛的一种方法。它用于建模目标变量和一个或多个自变量之间的关系。随着大数据时代的到来,使用像 Spark 这样的分布式计算框架进行大规模数据处理和建模变得尤为重要。本文将全面解析 Spark 中的线性回归算法,介绍其原理、参数、Scala 实现、代码解读、结果分析以及实际应用场景。 1