論文の概要: Bridging the Gap Between PHE and FHE: A Performance and Trade-off Analysis of The Somewhat Homomorphic BGN Cryptosystem

• arxiv url: http://arxiv.org/abs/2607.28700v1
• Date: Thu, 30 Jul 2026 12:33:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-03 14:29:40.407788
• Title: Bridging the Gap Between PHE and FHE: A Performance and Trade-off Analysis of The Somewhat Homomorphic BGN Cryptosystem
• Title（参考訳）: PHEとFHEのギャップを埋める: 同型BGN暗号システムの性能とトレードオフ分析
• Abstract要約: ホモモルフィック暗号化(HE)はプライバシ保護データ分析を可能にするが、実践者は軽量部分ホモモルフィック暗号化(PHE)と計算的に支配的なフルホモモルフィック暗号化(FHE)のトレードオフに直面していることが多い。 Boneh-Goh-Nissim (BGN) 暗号システムは、このギャップをSomewhat Homomorphic Encryption (SWHE) スキームとして橋渡しし、無制限の追加と1つの暗号文の乗算をサポートする。 本稿では,PHEおよびFHEパラダイムに対するBGNの比較分析を行い,その軽量Pythonフレームワークへの統合について述べる。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Homomorphic encryption (HE) enables privacy-preserving data analytics, but practitioners often face a trade-off between lightweight Partially Homomorphic Encryption (PHE) and computationally dominant Fully Homomorphic Encryption (FHE). The Boneh-Goh-Nissim (BGN) cryptosystem bridges this gap as a Somewhat Homomorphic Encryption (SWHE) scheme supporting unlimited additions and one ciphertext multiplication. Despite its algebraic elegance, practical BGN adoption has been hindered by a lack of accessible software implementations. This paper presents a comparative analysis of BGN against PHE and FHE paradigms through its integration into the lightphe Python framework, allowing deployment in just a few lines of code. We benchmark encrypted 128-dimensional vector operations under 80-bit, 112-bit and 128-bit security levels against Paillier, Damgard-Jurik, Okamoto-Uchiyama, and the FHE CKKS scheme via TenSEAL. Results reveal a computation-communication trade-off: BGN is computationally slower due to bilinear pairings compared to PHE and SIMD-optimized FHE, but retains a microscopic public key size of 3-6 KB, up to five orders of magnitude smaller than FHE. Crucially, BGN enables boundless homomorphic aggregation after a single multiplication, supporting complex tasks such as linear regression inference, Cosine Similarity, and Squared Euclidean Distance. Furthermore, an optimized precision of 2 digits suffices to match plaintext ranking baselines, overcoming the target-group discrete logarithm decryption bottleneck. By open-sourcing this pipeline in lightphe, this work establishes BGN as a practical engine for bandwidth-constrained, decentralized architectures.
• Abstract（参考訳）: ホモモルフィック暗号化(HE)はプライバシ保護データ分析を可能にするが、実践者は軽量部分ホモモルフィック暗号化(PHE)と計算的に支配的なフルホモモルフィック暗号化(FHE)のトレードオフに直面していることが多い。 Boneh-Goh-Nissim (BGN) 暗号システムは、このギャップをSomewhat Homomorphic Encryption (SWHE) スキームとして橋渡しし、無制限の追加と1つの暗号文の乗算をサポートする。 代数的エレガンスにもかかわらず、実用的なBGNの採用は、アクセス可能なソフトウェア実装の欠如によって妨げられている。 本稿では,PHEおよびFHEパラダイムに対するBGNの比較分析を行い,その軽量Pythonフレームワークへの統合により,ほんの数行のコードでデプロイできることを示す。 我々は,80ビット,112ビット,128ビットのセキュリティレベルを,Paillier,Damgard-Jurik,岡本内山,TenSEALによるFHE CKKSスキームに対して,80ビット,112ビット,18ビットのベクトル演算をベンチマークした。 BGN は PHE や SIMD に最適化された FHE と比較して双線形ペアリングにより計算が遅いが、顕微鏡的公開鍵サイズは 3-6KB であり、FHE よりも最大 5 桁小さい。 重要なことに、BGNは単一の乗法の後、有界な準同型アグリゲーションを可能にし、線形回帰推論、コサイン類似性、正方形ユークリッド距離などの複雑なタスクをサポートする。 さらに、最適化された2桁の精度で平文ランキングの基準値と一致し、ターゲットグループの離散対数復号ボトルネックを克服する。 このパイプラインを光速でオープンソース化することで、BGNは帯域制限のある分散アーキテクチャの実用的なエンジンとして確立される。

関連論文リスト

• EI-DDLGN: Efficient Encrypted Inference with Deep Differentiable Logic Gate Networks under TFHE [0.0]
  EI-DDLGNはTFHEに基づくDDLGN推論の詳細な研究である。 セマンティクス保存型実行戦略である Model-Fixed-Wire PBS Bypass も導入する。 MNIST, FashionMNIST, UCI Phishing における72の深さ幅構成に対する評価の結果, DDLGN が TFHE 推論の効率的な代替となることが示された。
  論文  参考訳（メタデータ） (2026-09-12T01:00:19Z)
• BioZKFHE: Scalable Encrypted Biometric Identification via Verifiable Homomorphic Similarity Evaluation [20.524348401618735]
  BioZKFHEは、検証可能な同型類似性評価によるスケーラブルな暗号化生体認証のためのフレームワークである。 BGV準同型計算と委員会による証明/復号化とオープンな証明バッチのスマートコントラクト検証を組み合わせる。 FaceNetとMobileFaceNetの実験では、ほぼ無数のバイオメトリックなユーティリティ、最大67%の暗号化ストレージの削減、22～44秒のエンドツーエンドの証明検証ランタイムが示されている。
  論文  参考訳（メタデータ） (2026-07-24T08:08:54Z)
• Constrained Decoding for Diffusion Language Models via Efficient Inference over Finite Automata [57.27430779838529]
  有限オートマトンとして表現可能な任意の制約の下で,制約付き平均場後部からサンプリングする,正確かつトラクタブルなアルゴリズムを提案する。 このアプローチは、構築による制約満足度を保証し、欲求とサンプリングベースのデコーディングの両方をサポートし、並列およびブロックワイドデコーディングと互換性がある。 Dream-7B と LLaDA-8 の実証的な評価は、様々なタスクにおいてかなりの精度の向上を示した。
  論文  参考訳（メタデータ） (2026-07-08T05:48:57Z)
• HE^2: A Communication-Light Heterogeneous Architecture for Efficient Fully Homomorphic Encryption [15.713680964307736]
  CKKSは、完全同型暗号化方式として登場し、プライバシー保護アプリケーションに期待されている。 CKKSには、計算コストの高い計算集約演算子(ComOps)と、メモリフットプリントが大きいメモリ集約演算子(MemOps)の両方が含まれる。 データフローグラフ(DFG)最適化とアーキテクチャ共設計を備えた通信用xPU-xMUヘテロジニアスFHEアクセラレータである$HE2$を提案する。
  論文  参考訳（メタデータ） (2026-05-29T08:38:53Z)
• ExpanderGraph-128: A Novel Graph-Theoretic Block Cipher with Formal Security Analysis and Hardware Implementation [0.0]
  128ビットのブロック暗号であるbfExpanderGraph-128(EGC128)を20ラウンドのバランスの取れたFeistelネットワークとして提案する。 セキュリティ分析はMILPベースの差分境界を組み合わせ、SCIPを介して10ラウンドで最適であることが証明され、147.3ビットの差分セキュリティを確立し、完全な暗号に対して413ビットに保守的に外挿する。 Xilinx Artix-7上のFPGA合成は380 LUTで100MHzで261Mbpsを達成するが、ARM Cortex-M4Fソフトウェアは25.8KBのFlashと1.66msの暗号化を必要とする。
  論文  参考訳（メタデータ） (2026-03-13T04:15:20Z)
• A Non-leveled and Reliable Approximate FHE Framework through Binarized Polynomial Rings [1.1701842638497677]
  ホモモルフィック暗号化(HE)は、暗号化されたデータに対するセキュアな計算を可能にし、クラウドコンピューティング、ヘルスケア、ファイナンスなどのドメインにおけるユーザのプライバシを保護する。 CKKSは、機械学習と数値計算の重要な要件である複素数に対する近似演算をサポートすることで有名である。 本稿では,2値係数のリング上で完全に動作し,軽量なブートストラップ機構で再スケーリングを置き換えたCKKSの2値変種を提案する。
  論文  参考訳（メタデータ） (2025-08-04T22:53:36Z)
• Cloning Games, Black Holes and Cryptography [50.022147589030304]
  クローンゲーム解析のための新しいツールキットを提案する。 このフレームワークにより、バイナリフェーズ状態に基づいて新しいクローンゲームを分析することができる。 連成位相の変分最適境界は、ブラックホールの理想化されたモデルで衝突する情報について定量的な洞察を与えることを示す。
  論文  参考訳（メタデータ） (2024-11-07T14:09:32Z)
• Improved Communication-Privacy Trade-offs in $L_2$ Mean Estimation under Streaming Differential Privacy [47.997934291881414]
  既存の平均推定スキームは、通常、$L_infty$幾何に最適化され、ランダムな回転や、$L$幾何に適応するカシンの表現に依存する。 本稿では,スパシフィケーションに固有のランダム性をDPに組み込んだ,スパシフィケーションガウシアン機構の新たなプライバシ会計手法を提案する。 従来の手法とは異なり、我々の会計アルゴリズムは直接$L$幾何で動作し、ガウスの機構に迅速に収束するMSEが得られる。
  論文  参考訳（メタデータ） (2024-05-02T03:48:47Z)
• FoC: Figure out the Cryptographic Functions in Stripped Binaries with LLMs [51.898805184427545]
  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)
• 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)
• HEFT: Homomorphically Encrypted Fusion of Biometric Templates [20.10175446213924]
  完全同相暗号(FHE)を用いたバイオメトリックテンプレートの安全な融合とマッチングのための非インタラクティブ解を提案する。 HEFTと呼ばれるこの手法は、FHEが課すユニークな制約、すなわち非算術演算に対する計算サポートの欠如を克服するためにカスタム設計されている。 テンプレート融合実験により, HEFT (i) による生体認証性能の11.07%, AUROCの9.58%向上が確認された。
  論文  参考訳（メタデータ） (2022-08-15T14:55:08Z)
• Is Vertical Logistic Regression Privacy-Preserving? A Comprehensive Privacy Analysis and Beyond [57.10914865054868]
  垂直ロジスティック回帰(VLR)をミニバッチ降下勾配で訓練した。 我々は、オープンソースのフェデレーション学習フレームワークのクラスにおいて、VLRの包括的で厳密なプライバシー分析を提供する。
  論文  参考訳（メタデータ） (2022-07-19T05:47:30Z)
• Improved Branch and Bound for Neural Network Verification via Lagrangian Decomposition [161.09660864941603]
  ニューラルネットワークの入出力特性を公式に証明するためのブランチとバウンド(BaB)アルゴリズムのスケーラビリティを改善します。 活性化に基づく新しい分岐戦略とBaBフレームワークであるブランチとデュアルネットワーク境界(BaDNB)を提案する。 BaDNBは、従来の完全検証システムを大きなマージンで上回り、対数特性で平均検証時間を最大50倍に削減した。
  論文  参考訳（メタデータ） (2021-04-14T09:22:42Z)

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。