登录社区云，与社区用户共同成长
邀请您加入社区
同态加密简介f：加密函数f^-1：解密函数f(A)=A’,f(B)=B’,f©=C’,且A’+B’=C’对于一般的加密函数，用f^-1对C‘进行解密，其结果显然为无意义的乱码。但如果f可以进行同态加密,f^-1(C’)=C，此时有C=A+B经此，数据处理权与数据所有权得到分离，且用户可以在防止数据泄露的同时利用云服务器的算力。同态加密分类加性同态：f(A)+f(B)=f(A+B...
背景现在数据安全问题已经成为全领域全民关注的问题，国家层面也出台了重量级的《数据安全法》向全行业表达国家对数据安全的重视。这其中个人信息保护领域逐步开始兴起以隐私计算为核心的技术发展分支。包括同态加密技术，安全多方计算，差分隐私计算，联邦学习等具体方向。它们都在不同场景下想达到不交换数据或者不交换明文数据的情况下依然进行业务计算。这种模式是前沿创新的，试想，当一方拥有数据，但没有可用算力，需要依赖
联邦学习（Federated Learning, FL）通过在分布式边缘设备上协作训练全局模型，避免直接共享原始数据，成为解决数据孤岛和隐私泄露问题的关键技术。然而，边缘设备的异构性（如算力、内存限制）和隐私攻击（如梯度反演、成员推断攻击）对FL的实用化提出了双重挑战。差分隐私通过在数据或梯度中添加数学噪声（如拉普拉斯噪声或高斯噪声），确保单个数据点的修改不会显著影响输出结果，从而抵御成员推断攻击
嵌入式开发是指针对嵌入式系统进行软硬件设计与实现的技术领域。嵌入式系统是以应用为中心，以计算机技术为基础，软硬件可裁剪，适用于对功能、可靠性、成本、体积、功耗有严格要求的专用计算机系统。与通用计算机系统不同，嵌入式系统通常执行预定义的任务，具有实时性、高可靠性和低功耗等特点。其应用范围极其广泛，从家用电器、智能穿戴设备到工业控制、汽车电子、医疗仪器和航空航天等领域无处不在，是现代信息技术的重要组成
当上海外高桥码头的集装箱被物联网传感器覆盖，当北京CBD写字楼的租金数据通过AI算法实时定价，当苏州刺绣的非遗技艺被转化为可交易的数字凭证——这场由AI（人工智能）与RWA（Real World Assets，实体资产通证化）驱动的价值重构，正在悄然改写人类对"资产"的定义。
为了给iOS app加固，我们可以采取以下几种方式：代码混淆是通过修改源代码结构和变量名，使得代码难以被理解和反编译。这可以防止黑客获取应用程序的代码，因为即使他们能够获得源代码，也会很难理解它。可以使用工具，如Obfuscator-iOS，对代码进行混淆。代码混淆的具体方法有很多种，可以使用第三方的代码混淆工具，也可以手动实现。下面提供一个手动实现的示例代码：以上代码是一个简单的代码混淆示例，将
借鉴致远的文章学习同态加密，本文主要记录同态加密中Flatten操作，参考文献为 Craig Gentry，Amit Sahai，Brent Waters 的《Homomorphic Encryption from Learning with Errors: Conceptually-Simpler, Asymptotically-Faster, Attribute-Based》。这篇文章主要实现
Paillier同态加密
CKKS同态加密在数据库引擎中的高效实现，是一项融合了深邃数学理论（格密码）、高性能计算（NTT优化）、参数工程艺术和精妙系统设计的杰作。通过深入剖析核心源码的优化点（NTT/Rescale/Rotation/计算图），我们看到“密态计算”并非遥不可及的魔法，而是工程师们克服重重性能障碍，在多项式环上精心雕琢出的实用解决方案。尽管挑战依然巨大（高延迟、资源消耗），但随着算法进步、硬件支持和工程实践
在大数据分析、经济学和医学研究等许多领域，数据共享已经变得至关重要，但在数据敏感的情况下，仍然难以实现。事实上，分享个人信息需要个人无条件同意，或者出于隐私和安全原因通常被禁止。在本文中，我们提出了Drynx，一个分布式数据集上的隐私意识统计分析的分散系统。Drynx依赖于一组计算节点来实现统计数据的计算，如标准偏差或极值，以及机器学习模型在敏感和分布式数据上的训练和评估。为了确保数据的机密性和数
本文介绍了如何为本地数据存储实现端到端加密，重点使用Rust的ring库实现AES-256-GCM加密。文章强调不能直接使用用户密码作为密钥，而是需要通过PBKDF2密钥派生函数处理密码，配合随机生成的盐（Salt）和Nonce来增强安全性。文中详细说明了加密流程：生成随机Salt和Nonce，使用PBKDF2派生密钥，然后进行AES-256-GCM加密，最终将Salt、Nonce和密文组合存储。
借鉴致远的文章学习同态加密，本文主要记录无需自举的层次同态加密流程，参考文献为Zvika Brakerski、Craig Gentry和Vinod Vaikuntanathan的《(Leveled) Fully Homomorphic Encryption without Bootstrapping》，这篇文章是HElib库所使用的基础算法。下面介绍全同态加密的历史发展流程以及本文的针对性问题：(
区块链来源于社会和经济发展需求，解决在非完全可信的环境下依靠相互缺乏信任的群体之间的协作达成可信的交易。当一笔数据产生后，会由共识机制进行数据维护通过分布式存储记录在链上，然后交由智能合约去执行，最后由密码学保证整个体系的安全。用打麻将来举个例子：分布式 —— 每人一个账本，都参与记账共识机制 —— 谁胡牌谁记账，其他人复制胡牌人的记账。不可伪造——胡牌人记的账，需要经过其他人3人的检查，记错账，
道本科技智慧合同管理平台采用深度学习、自然语言处理技术、知识图谱等新兴技术，基于网络的群体智能、人机一体化和海量数据，实现对专业律师审合同能力的复制，让用户可以享受到专业的律师服务。智慧法务管理系统作为推动企业法治数字化转型的重要工具，不仅提高了法律服务效率，而且加强了企业的法律风险防控能力，打造了真正意义上的硬核企业。在传统的OCR技术基础上，道本科技智慧合同管理平台融合了NLP语义理解技术，可
Shiro框架封装cookie和session配置实现RememberMe效果------Shiro框架
借鉴致远的文章学习同态加密，本文主要记录密钥切换与模切换流程，参考文献为Zvika Brakerski 和Vinod Vaikuntanathan的《Efficient Fully Homomorphic Encryption from (Standard) LWE》，这篇文章的针对性问题如下：IND-CPA安全是指攻击者即使能够自由加密任何他选中的明文，也无法区分两个特定明文的加密结果。下面介绍
具体来说，FHE 需要将加密数据打包成大向量（数万个元素长），FHE 对这些向量提供的操作有限，并且值的噪声会随着每次操作而增长，这会造成不直观的性能权衡。然而，作为智能合约编程环境的一部分，现有的动态验证方法并没有为程序员提供清晰阐明组件之间接口的概念，尤其是对于代表不透明合约实例的地址。不幸的是，现有的智能合约语言对此的语言支持有限。此外，我们评估了 ConSol 的效率，并将 gas 消耗与
在数据成为核心资产的今天，如何精准、高效地保护敏感信息已成为企业生存与发展的命脉。本文将系统性地剖析数据库字段级加密的核心价值、技术选型与最佳实践。我们将从基础概念入手，深入探讨密钥管理、性能优化等传统挑战，并重点展望2025年及以后，AI如何赋能字段级加密，催生出动态访问控制、智能异常检测等主动防御新范式。文章结合行业案例与量化指标，提供了一套从理论到实践、从架构到代码的综合实施路线图，旨在为技
当以太坊Layer2网络Base的日均交易量突破5000万笔，当Solana的智能合约执行速度达到每秒百万级，当AI辅助编码工具将合约开发效率提升80%——2025年的智能合约开发领域，正经历一场由技术融合与生态创新驱动的“范式革命”。开发者不再满足于单一的Solidity编辑器或测试框架，而是需要一套覆盖设计、编码、测试、部署、监控全生命周期的“全栈工具链”。
2025年9月，全球首款基于AI代理的DeFi协议"NeuralFinance"上线，其智能合约通过自然语言交互即可调用，用户无需编写代码即可完成杠杆交易、流动性挖矿等复杂操作。这一突破性应用背后，是DApp（去中心化应用）开发范式的根本性变革——从技术极客的专属玩具，进化为连接现实世界与区块链的超级接口。据DappRadar统计，2025年第二季度全球DApp用户规模突破1.2亿，交易量达470
SecurityException: JCE cannot authenticate the provider BC” 这样的错误，通常意味着Java加密扩展（JCE）无法验证加载的加密提供者，即找不到Bouncy Castle，或者Bouncy Castle有多个，再或者Bouncy Castle版本不对等。添加指定的：>bcprov-jdk18on依赖就好了。
同态加密算法之paillier算法
Paillier同态加密算法以及其正确性与安全性分析
摘要：本项目设计并实现了一个基于Java+Vue的同态加密敏感数据检索与计算平台，旨在解决数据隐私保护与安全计算问题。平台采用Paillier同态加密算法实现数据全生命周期密文保护，支持密文检索、加法运算和统计分析等操作。系统采用前后端分离架构，后端基于SpringBoot提供RESTful API，前端使用Vue3构建交互界面，实现用户注册、数据加密上传、密文计算、密钥管理等功能。平台适用于医疗
Paillier加密算法作为加法同态加密的经典实现，以“密文加法对应明文加法”的核心特性，解决了“数据可用不可见”中的加法运算需求，成为隐私计算领域的基础技术之一。尽管计算效率仍是其规模化应用的瓶颈，但通过硬件加速、混合架构、算法优化等手段，其已在金融风控、医疗统计等场景实现落地。未来，随着与联邦学习、区块链等技术的融合及标准化推进，Paillier算法将在更多敏感数据处理场景中发挥价值，为数字时
然而，在技术和商业现实面前，这一权利的实现困难重重。2009年，Craig Gentry 提出了第一个全同态加密的构造，基于格密码学中的理想格问题，并引入了“自举（bootstrapping）”的概念，从而在理论上首次实现了在密文上执行任意多项式计算的可能。而无论是个体在不同场景下的数字分身，还是个体被数据化之后的分类计算，都导致个体的“去个体化”，人群被采集的数据代替个体而进入社会化程序，这时，
学习题为《Reversible steganography in cipher domain for JPEG images using polynomial homomorphism》的论文随着物联网（IoT）设备的普及，大量敏感数据（如指纹、身份信息）需要在云端传输和存储。传统隐写技术虽然能隐藏信息，但无法保护图像本身的隐私。
提出了xMK-CKKS,一种多密钥同态方案。客户端使用聚合公钥加密梯度，解密的时候需要所有客户端提供解密份额，协助服务器解密总和。基于FadAvg和XMK-CKKS提出一个ppfl模型。在半诚实模型下可以防止n-1个客户端和服务器的勾结。
本文提出了CKKS的RNS变体。首先本文引入了一种新的密文模结构，该结构允许对分圆多项式进行RNS分解，并对每个RNS分量进行NTT转换，实际上就是近似模组成的模链。同时本文还提出了一种不需要RNS组合的近似模交换技术，即在密文在RNS表示下可以使用近似模交换技术变得到模交换后的结果。实际上可以看到，这里全部使用到了CKKS的核心概念，误差是明文的一部分，只要误差足够小就可以接受。
记录下FATE实现纵向联邦的原理，以逻辑回归为例，重点关注同态加密的使用。一、背景在《FATE横向联邦：基于同态加密的逻辑回归》中简单记录了横向LR，本文记录下纵向LR的实现。二、两方（1 Guest + 1 Host）纵向联邦时，Guest是拥有label的一方，Host是不含lable的建模方，Guest希望通过联合，扩展数据的特征维度。设想的模型训练流程：存在的问题：对于纵向联邦，在梯度求解
从1978年的概念提出，到2009年的首次实现，再到2021年不断演进的方案，全同态加密见证了密码学领域半个世纪的技术进步。每一代方案的提出都是对前人工作的继承与创新，共同推动了这一革命性技术的发展。让我们期待在不远的将来，全同态加密能够真正走进我们的日常生活，为数据安全和隐私保护带来质的飞跃。1.2.2.1.3 数据安全发展技术发展历程：高级公钥加密方案——代理重加密下一篇：更新中更多推荐阅读内
在不能够使用 SIMD 操作时（部分机器学习场景可能没有 batch 的情况，比如矩阵分解），使用 key size 比较小的 paillier 效率更高；在能够使用 SIMD 操作时（例如大部分场景下的机器学习模型训练、推理），SEAL-CKKS 效率显著高于 paillier。除了 Paillier 和 CKKS，未来我们将测试更多的同态加密算法效率。
Python作为动态语言一般是以源码方式进行部署的，这就意味着他人在部署机器上可以直接获取项目代码，可能给作者带来不必要的损失和风险，这就需要对代码进行加密或混淆。总体来说1和2的方式还是存在一定的风险，本文将采用第三种方式，且提供五种该类型的加密方式，分别为、Cython、cryptography、RSA、pyAesCrypt和encryptpy。
要世界杯了，在世界杯时谈论股票是一件很无趣的事情，而且，全世界的人都知道，世界杯前后，股票市场几乎都要大跌，这个常识，虽然并不比所有有关所谓庄家的常识更值得常识，但至少有趣，并不像所谓庄家一般无聊。还可以增加一句的是，足球至少有帅男，而见过的如此之多的所谓庄家里，连长得不那么歪瓜裂枣的都少，这的确是实际情况，并不是开玩笑。但你的喜好，就是你的死亡陷阱！在市场中要生存，第一条就是在市场中要杜绝一切喜
人工智能先驱表示，现在是采用智能规模、"以数据为中心"的方案解决重大问题的时机。吴恩达曾参与推动基于海量数据的深度学习模型发展，如今他正倡导小数据解决方案。作为人工智能领域的权威专家，吴恩达在斯坦福大学期间率先使用GPU训练深度学习模型，共同创建了某机构的AI研究部门，并曾担任某中心首席科学家。他目前专注于其公司Landing AI开发的LandingLens平台，帮助制造商通过计算机视觉改进视觉
本文提出基于zk-STARK的ResNet-50可验证计算方案，解决AI模型隐私保护与计算可信验证的核心矛盾。方案包含： 分层验证架构：通过模型切片引擎将ResNet-50拆解为可并行验证的卷积/全连接模块，保持参数隐私的同时生成零知识证明 关键技术实现： 使用Circom语言构建卷积层验证电路，支持SHA-256参数哈希绑定 PHP+Python混合架构实现万级并发验证。
在Intel Ice Lake平台，2048点NTT计算时间从3.2ms降至1.1ms。数论变换（NTT）是CKKS的算力核心。（如TFHE）发展，我们有理由相信3年内同态加密数据库将达到生产级性能要求。：单次SUM聚合吞吐量提升2048倍，大幅降低密文膨胀开销。：在不解密前提下执行计算。其中CKKS方案因支持。采用层次化存储：热数据存明文，冷数据存密文。其中ε根据历史查询误差自适应计算。传
本文深入探讨量子安全同态加密（PQC-FHE）在AI模型保护中的前沿应用。针对量子计算威胁，分析抗量子FHE方案（如NTRU、CKKS）的选型策略，提出后量子签名（如Dilithium）与数字水印的创新融合方案。结合NIST PQC标准化进程，详解系统迁移路径。通过Python/PHP/Web端全栈代码示例，演示如何在现有系统中实现模型权重加密、安全推理与版权追溯。文章涵盖技术架构、商业报价、企业
在这其中，密码学技术是隐私计算领域一个重要的方向，一些高级的密码学技术如安全多方计算 (secure multi-party computation, MPC)、同态加密 (homomorphic encryption, HE)、零知识证明 (zero-knowledge proof, ZKP) 等分别具有独特的、可证明安全的隐私保护特性，其纷纷在隐私计算领域发挥出各自的作用和优势。，及时填补了国
扫码关注保护消费者权益我们在行动时至今日，数据要素已经成为数字经济时代最重要的生产要素之一，成为众多企业和机构的核心资产，而数据价值的体现依赖于数据的安全流通和利用。隐私计算作为新兴技术为数据的安全流动提供了新的可能性，即使在数据融合、计算的过程中，也可以保证数据的隐私。在国内外隐私相关法律纷纷颁布、隐私计算产业不断发展的背景下，隐私计算技术的意义和价值已经日渐深入人心。到目前为止，隐私计算一般分
zama的concrete-ml库和concrete-numpy库
同态加密
——同态加密
联系我们（工作时间：8:30-22:00）
400-660-0108 kefu@csdn.net
九章云极普惠算力
openvela
2048 AI社区
网易易盾开发者社区
永洪数据分析社区
EazyDevelop社区
AtomGit开源社区
MCP技术社区
GitCode-AI社区
西安城市开发者社区
云原生技术专区
DAMO开发者矩阵
