論文の概要: The Beginner's Textbook for Fully Homomorphic Encryption

• arxiv url: http://arxiv.org/abs/2503.05136v5
• Date: Sat, 26 Apr 2025 18:20:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-29 18:43:11.222632
• Title: The Beginner's Textbook for Fully Homomorphic Encryption
• Title（参考訳）: 完全同型暗号化のためのBeginner's Textbook
• Authors: Ronny Ko,
• Abstract要約: FHE(Fully Homomorphic Encryption)は、暗号化データ上で直接計算を行うことができる暗号方式である。 すべての計算が暗号化されたデータ上で実行されると、結果を明らかにするために復号化することができる。 FHEは機密ブロックチェーンサービスに適用可能で、スマートコントラクトの機密データが暗号化され、機密保持されることを保証する。
• 参考スコア（独自算出の注目度）: 1.6679662639178265
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Fully Homomorphic Encryption (FHE) is a cryptographic scheme that enables computations to be performed directly on encrypted data, as if the data were in plaintext. After all computations are performed on the encrypted data, it can be decrypted to reveal the result. The decrypted value matches the result that would have been obtained if the same computations were applied to the plaintext data. FHE supports basic operations such as addition and multiplication on encrypted numbers. Using these fundamental operations, more complex computations can be constructed, including subtraction, division, logic gates (e.g., AND, OR, XOR, NAND, MUX), and even advanced mathematical functions such as ReLU, sigmoid, and trigonometric functions (e.g., sin, cos). These functions can be implemented either as exact formulas or as approximations, depending on the trade-off between computational efficiency and accuracy. Fully Homomorphic Encryption (FHE) enables privacy-preserving machine learning by allowing a server to process the client's data in its encrypted form through an ML model. With FHE, the server learns neither the plaintext version of the input features nor the inference results. Only the client, using their secret key, can decrypt and access the results at the end of the service protocol.FHE can also be applied to confidential blockchain services, ensuring that sensitive data in smart contracts remains encrypted and confidential while maintaining the transparency and integrity of the execution process. Other applications of FHE include secure outsourcing of data analytics, encrypted database queries, privacy-preserving searches, efficient multi-party computation for digital signatures, and more. This article is designed to help the reader understand how FHE works from the mathematical level.
• Abstract（参考訳）: 完全同型暗号化(英: Fully Homomorphic Encryption、FHE)は、平文のように暗号化されたデータ上で直接計算を行うことができる暗号方式である。 すべての計算が暗号化されたデータ上で実行されると、結果を明らかにするために復号化することができる。 復号化値は、同じ計算を平文データに適用した場合に得られた結果と一致する。 FHEは暗号化された数値の追加や乗算といった基本的な操作をサポートする。 これらの基本的な演算を用いて、減算、除算、論理ゲート(eg , AND, OR, XOR, NAND, MUX)、ReLU、シグモイド、三角関数(eg , sin, cos)のような高度な数学的関数を含むより複雑な計算を構築することができる。 これらの関数は、計算効率と精度のトレードオフに応じて、正確な公式または近似として実装することができる。 FHE(Fully Homomorphic Encryption)は、サーバがMLモデルを通じてクライアントのデータを暗号化形式で処理できるようにすることで、プライバシ保護機械学習を可能にする。 FHEでは、サーバは入力機能の平文版も推論結果も学習しない。 シークレットキーを使用するクライアントのみが、サービスプロトコルの最後に結果を復号してアクセスすることができる。FHEは、秘密のブロックチェーンサービスにも適用可能で、スマートコントラクト内の機密データが、実行プロセスの透明性と整合性を維持しながら、暗号化および機密性を維持することができる。 FHEの他のアプリケーションには、データ分析のセキュアなアウトソーシング、暗号化されたデータベースクエリ、プライバシ保護検索、デジタル署名のための効率的なマルチパーティ計算などがある。 この記事は、FHEが数学的レベルからどのように機能するかを理解するのに役立つように設計されている。

関連論文リスト

• Cryptanalysis on Lightweight Verifiable Homomorphic Encryption [7.059472280274008]
  Verible Homomorphic Encryption (VHE) は、暗号化技術の一種で、homocrypt Encryption (HE) と Verible Computation (VC) を統合している。 本稿では,暗号方式の同型性を利用した効率的な攻撃手法を提案する。
  論文  参考訳（メタデータ） (2025-02-18T08:13:10Z)
• Cryptanalysis via Machine Learning Based Information Theoretic Metrics [58.96805474751668]
  本稿では,機械学習アルゴリズムの新たな2つの応用法を提案する。 これらのアルゴリズムは、監査設定で容易に適用でき、暗号システムの堅牢性を評価することができる。 本稿では,DES,RSA,AES ECBなど,IND-CPAの安全でない暗号化スキームを高精度に識別する。
  論文  参考訳（メタデータ） (2025-01-25T04:53:36Z)
• Secure Semantic Communication With Homomorphic Encryption [52.5344514499035]
  本稿では,SemCom に準同型暗号を適用する可能性について検討する。 タスク指向のSemComスキームを提案する。
  論文  参考訳（メタデータ） (2025-01-17T13:26:14Z)
• Hades: Homomorphic Augmented Decryption for Efficient Symbol-comparison -- A Database's Perspective [1.3824176915623292]
  本稿では,暗号化データの効率的かつセキュアな比較を可能にする新しい暗号フレームワークであるHADESを紹介する。 Ring Learning with Errors (RLWE)問題に基づいて、HADESはCPAセキュリティを提供し、周波数分析攻撃を軽減するために摂動認識暗号化を組み込んでいる。
  論文  参考訳（メタデータ） (2024-12-28T02:47:14Z)
• Secure numerical simulations using fully homomorphic encryption [2.923600136516929]
  データプライバシは、医療、財務、エンジニアリングデータなどの機密情報に数値シミュレーションを使用する場合、重要な懸念事項である。 完全同型暗号化(FHE)は、暗号化されたデータに直接セキュアな計算を可能にすることによって、データのプライバシを実現するための有望なソリューションを提供する。 暗号的に安全な数値シミュレーションが可能であることを示すが、計算オーバーヘッドとFHEによる数値誤差について慎重に検討する必要がある。
  論文  参考訳（メタデータ） (2024-10-29T07:47:10Z)
• Feature Homomorphism -- A Cryptographic Scheme For Data Verification Under Ciphertext-Only Conditions [0.0]
  本稿では、新しいタイプの準同型:特徴準同型を提案する。 この機能に基づいて、暗号文のみの条件下でのデータ検証のための暗号スキームを導入する。 提案手法は,本論文で概説した要件を満たすアルゴリズム群を設計することを含む。
  論文  参考訳（メタデータ） (2024-10-22T15:30:24Z)
• Enc2DB: A Hybrid and Adaptive Encrypted Query Processing Framework [47.11111145443189]
  本稿では,新しいセキュアデータベースシステムであるEnc2DBを紹介する。 本稿では,マイクロベンチマークテストと自己適応型モードスイッチ戦略を提案し,与えられたクエリに応答する最適な実行パス(暗号やTEE)を選択する。 また、クエリ処理を高速化するために、ネイティブコストモデルやクエリと互換性のある暗号文インデックスを設計、実装する。
  論文  参考訳（メタデータ） (2024-04-10T08:11:12Z)
• FoC: Figure out the Cryptographic Functions in Stripped Binaries with LLMs [54.27040631527217]
  削除されたバイナリの暗号関数を抽出するFoCと呼ばれる新しいフレームワークを提案する。 まず、自然言語における暗号関数のセマンティクスを要約するために、バイナリ大言語モデル(FoC-BinLLM)を構築した。 次に、FoC-BinLLM上にバイナリコード類似モデル(FoC-Sim)を構築し、変更に敏感な表現を作成し、データベース内の未知の暗号関数の類似実装を検索する。
  論文  参考訳（メタデータ） (2024-03-27T09:45:33Z)
• Ciphertext-Only Attack on a Secure $k$-NN Computation on Cloud [0.0]
  暗号化は、不正アクセス、データ漏洩、そしてその結果の金銭的損失、評判の損害、法的問題を防ぐことができる。 Sanyashiらは、クラウド上のプライバシー保護のための$k$-NN計算を容易にする暗号化スキームを提案した。 我々は、効率的なアルゴリズムを与え、その暗号方式が暗号文のみの攻撃(COA)に弱いことを実証的に示す。
  論文  参考訳（メタデータ） (2024-03-14T03:53:01Z)
• SOCI^+: An Enhanced Toolkit for Secure OutsourcedComputation on Integers [50.608828039206365]
  本稿では,SOCIの性能を大幅に向上させるSOCI+を提案する。 SOCI+は、暗号プリミティブとして、高速な暗号化と復号化を備えた(2, 2)ホールドのPaillier暗号システムを採用している。 実験の結果,SOCI+は計算効率が最大5.4倍,通信オーバヘッドが40%少ないことがわかった。
  論文  参考訳（メタデータ） (2023-09-27T05:19:32Z)
• GPT-4 Is Too Smart To Be Safe: Stealthy Chat with LLMs via Cipher [85.18213923151717]
  実験により、いくつかの安全領域において、GPT-4の安全性アライメントをバイパスするために、ある暗号がほぼ100%の時間で成功することが示された。 本稿では,ロールプレイのみを使用し,自然言語によるいくつかの実演を行い,これを誘発する新しいSelfCipherを提案する。
  論文  参考訳（メタデータ） (2023-08-12T04:05:57Z)
• Publicly-Verifiable Deletion via Target-Collapsing Functions [81.13800728941818]
  ターゲットの折り畳みは、公開可能な削除(PVD)を可能にすることを示す。 我々は、弱い暗号的仮定から公開可能な削除を支援する様々なプリミティブを得るために、このフレームワークを構築している。
  論文  参考訳（メタデータ） (2023-03-15T15:00:20Z)
• Verifiable Encodings for Secure Homomorphic Analytics [10.402772462535884]
  ホモモルフィック暗号化は、機密データ上のクラウドで除算された計算のプライバシを保護するための有望なソリューションである。 本稿では,クラウドベースの同型計算のクライアント検証を実現するための2つの誤り検出符号化とビルド認証手法を提案する。 我々は,暗号化されたデータ上で実行されたアウトソース計算の検証システムであるVERITASにソリューションを実装した。
  論文  参考訳（メタデータ） (2022-07-28T13:22:21Z)
• THE-X: Privacy-Preserving Transformer Inference with Homomorphic Encryption [112.02441503951297]
  トランスフォーマーモデルのプライバシ保護推論は、クラウドサービスユーザの要求に基づいています。 我々は、事前訓練されたモデルのプライバシ保存推論を可能にするトランスフォーマーの近似アプローチである$textitTHE-X$を紹介した。
  論文  参考訳（メタデータ） (2022-06-01T03:49:18Z)
• FFConv: Fast Factorized Neural Network Inference on Encrypted Data [9.868787266501036]
  本稿では、畳み込みと暗号文のパッキングを統一するFFConvと呼ばれる低ランク分解法を提案する。 先行技術であるLoLaとFalconと比較して,提案手法は,それぞれ最大87%,12%の遅延を減少させる。
  論文  参考訳（メタデータ） (2021-02-06T03:10:13Z)
• Faster Secure Data Mining via Distributed Homomorphic Encryption [108.77460689459247]
  ホモモルフィック暗号化(HE)は、最近、暗号化されたフィールド上で計算を行う能力により、ますます注目を集めている。 本稿では,スケーリング問題の解決に向けて,新しい分散HEベースのデータマイニングフレームワークを提案する。 各種データマイニングアルゴリズムとベンチマークデータセットを用いて,新しいフレームワークの有効性と有効性を検証する。
  論文  参考訳（メタデータ） (2020-06-17T18:14:30Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。