Privacy-Preserving Deep Learning via Additively Homomorphic Encryption这篇论文结构比较明了，也挺简单的，它只针对机器学习中的一个算法进行隐私保护，就是异步随机梯度下降算法，也只用了一种密码学技术，加法同态加密。论文提出了一个新的深度学习系统，使用加法同态加密来保护诚实但好奇的云服务器上的梯度。之前的secagg其实也算是对梯度的

这篇综述主要就是调查了十一个安全多方计算的框架，进行了一些比对。他们还创建了一个github资源库，里面有这11个框架的代码、有样例还有相关的文档信息。主要分为这两个方面，一个是调查，另一个就是这个开源资源。在这项工作中，他们调查了十一个安全多方计算的通用编译器。其中有9个框架和连个电路编译器。考虑了11种系统：EMP工具包，Obliv-C，ObliVM，TinyGar-ble，SCALE-MAM

SecureNN: 3-Party Secure Computation for Neural Network Training论文在这种三个服务器的设置下，为神经网络中一些常用函数建立了特定的算法协议，像矩阵乘法，激活函数，最大池化函数这些。我们之前读过的论文中处理这些神经网络中的函数大多会使用同态加密、混淆电路、不经意传输这些，但是这篇论文都没有用到，只是通过三方安全计算的方法，用加法秘密共享

一、实验室名称：攻防实验室二、实验项目名称：多表代换密码算法实现三、实验学时：2 学时四、实验原理：五、实验目的：1、熟悉多表代换密码算法；2、掌握密码算法中参数选取、密钥生成、加密和解密的基本流程。六、实验内容：实现n=3的多表代换密码体制，能够随机生成密钥对输入的英文字母信息进行加密或正确解密。七、实验器材（设备、元器件）：学生每人一台PC，安装Windows 7操作系统...

Trident: Efficient 4PC Framework for Privacy Preserving Machine Learning这篇论文和上周那篇极其相似。4PC设置背后的动机是，在给予额外诚实方的情况下，研究3PC设置中现有解决方案在理论和实践上的性能改进。结果表明，与3PC相比，拥有一个额外的诚实方可以实现更简洁更高效的协议。 举例来说，在4PC中进行操作消除了对昂贵的...