当前位置：产品详细
『同态加密平台下载软件』相关资讯(华军软件园|绿色下载站|系统之家|西西软件园|未来软件园|当下软件园|PC下载站|下载之家|ZD423|大眼仔旭|果核剥壳|无忧无虑软件站|软件玩家|零度软件园|阿刚软件园)
1.全同态加密的硬件加速
全同态加密（FHE）的硬件加速研究在简化计算任务和繁琐计算任务场景下均取得了一定进展，但距离全面实用化仍存在差距，具体分析如下：不考虑Bootstrapping的场景当计算目标较简易，密文在同态计算过程中积累的噪声增量有限，无需使用Bootstrapping时，FHE主要进行同态加法、同态乘法和同态移位操作，尤其是计算量最大的同态乘法操作，硬件加速效果显著：FPGA平台：HEAX表明FPGA平台上的CKKS的同态乘法操作比纯软件实现快100 - 200倍，有两个数量级的提升。公开文献中HEAX的实验数据最有参考价值，从中可知CKKS做一次同态乘法需要0.01ms - 0.02ms。又因为CKKS使用SIMD编码，同态乘法相当于$Napprox4000$次同态的浮点数乘法，因此单次（同态）浮点数乘法耗时$2.5times 10^{-6}-5times 10^{-6}$ms。ASIC平台：F1是ASIC平台上的一个硬件架构，实验结果表明比纯软件实现快了至少14,000倍，和HEAX相比，性能也增长了148 - 190倍。不过F1只有RLT仿真模型并没有实体的ASIC流片实验，论文中的实验结果仅供参考。GPU平台：GPU平台下的同态乘法性能逊色不少，最好的结果是做一次CKKS同态乘法（相当于65536次加密状态下的浮点数乘法）需7.96ms，比FPGA平台上的结果慢了两个数量级。CPU - FPGA异构计算：Intel的方案本质是CPU - FPGA的异构计算，让CPU执行FHE的整体算法框架，让FPGA加速Keyswtich、NTT和inverse NTT这四类运算。Intel将FPGA硬件加速功能抽象成C++ APIs，用户只需要提供FHE或者基于FHE更繁琐的应用的软件实现，做较小的改动即可实现FHE硬件加速，但公开资料未提供实际性能数据。通过对比硬件加速后的同态乘法与当代CPU进行非加密状态下的浮点数乘法性能可知，通过硬件加速，同态乘法的实际性能已经和非同态乘法相当，满足实用化需求。由此可进一步得出结论：对于计算深度有限的计算任务，FHE已经具备了实用化特性。考虑Bootstrapping的场景当计算目标较繁琐时（比如神经网络的随机梯度下降训练），FHE的基本操作不够用，必须支持Bootstrapping，目前不同硬件平台的加速情况如下：ASIC平台：做一次Bootstrapping大约耗时14 - 70ms。在此基础上做（同态）逻辑回归训练大约需要2ms，做一次（同态）深度神经网络训练需要460s。和直接在CPU上实现（同态）逻辑回归训练和（同态）深度神经网络训练的结果相比，速度上大约有5000倍的提升。FPGA平台：FPGA平台上做一次Bootstrapping比lattigo纯软件实现快了200多倍，比主流的GPU实现快了1.5倍。有研究通过近似公式估算FPGA平台上Bootstrapping的耗时为187ms，同时直接给出了单次同态乘法耗时为1.71ms。由此可见在硬件加速平台上，Bootstrapping的计算时间比同态乘法慢了至少两个数量级，虽然这个结果比软件平台上Bootstrapping比同态乘法慢四个数量级的结论已经有了非常大的提升，但没有改变Bootstrapping计算繁琐度制约了FHE在繁琐计算任务上的实用化这个结论。GPU平台：目前GPU平台上做一次CKKS Bootstrapping最好的结果需要328ms，比纯软件实现快了200多倍，由此可知目前FPGA实现和GPU实现的Bootstrapping性能大概相当。另外，TFHE最重要的GPU实现工作cuFHE在NVIDIA Titan Xp显卡上做一次Bootstrapping需要0.5ms。聚焦加速第三代FHE Bootstrapping：还有一些工作聚焦加速以TFHE为代表的第三代FHE Bootstrapping，针对单个门运算的Bootstrapping。其中FPGA实现的最好结果来自FPT，做一次Bootstrapping需要0.66ms；ASIC实现的Matcha做一次Bootstrapping需要0.2ms。和最好的软件实现TFHE - rs做一次Bootstrapping需9ms相比，硬件实现在计算速度上有一个数量级以上的提高。不同硬件平台在全同态加密中的性能表现存在差异，FPGA和ASIC在特定操作上加速效果显著，GPU则相对较弱。总体而言，对于简易计算任务，FHE已具备实用化特性；对于繁琐计算任务，虽然硬件加速提升了Bootstrapping性能，但计算繁琐度仍制约其实用化。
2.同态加密简明教程
同态加密是一种允许直接对加密数据进行操作而无需先解密的加密技术，改变了隐私保护的方式。以下是一个简明的同态加密教程：同态加密概述概念：同态加密允许在密文上直接进行计算，计算结果解密后与在明文上计算的结果一致。这一概念最早可追溯到RSA加密，但直到2009年Craig Gentry提出全同态加密理论后，才得到广泛关注和发展。发展：早期同态加密主要限于学术研究，随着理论突破，出现了许多实用的同态加密库。常用同态加密库：Microsoft SEAL：支持BFV和CKKS方案，文档完善，适合初学者。HElib：支持BGV和CKKS方案，功能强盛但繁琐度较高。PALISADE：支持多种方案，包括BFV、BGV、CKKS和FHEW，灵活性高。TFHE：专注于GSW方案的环变体，适合快速同态计算。HEAAN：支持CKKS方案，包含自举功能，适合浮点数计算。使用Microsoft SEAL同态加密库基本流程：编码：将数据（如数组）编码为特定格式的明文。加密：将明文加密为密文。同态计算：在密文上进行计算（如加法、乘法）。解密：将计算后的密文解密为明文。解码：将明文解码为原始数据格式。示例伪代码：const arr = [1, 2, 3, ...];const
3.NuLink 提供了多种加密工具来确保数据的安全性和隐私性
NuLink通过提供PRE、ZKP、ABE、FHE等加密工具确保数据的安全性和隐私性。NuLink作为一个注重数据安全与隐私的平台，为用户提供了多种先进的加密工具，以确保他们的数据在传输和存储过程中得到充分的保护。这些加密工具包括但不限于：PRE（同态加密）：定义：同态加密是一种允许对加密数据进行特定类型计算的加密方法，而无需先解密数据。作用：它使得用户可以在不暴露原始数据的情况下，对加密数据进行数学运算或分析。这极大地增强了数据的隐私性，同时保持了数据的可用性。ZKP（零知识证明）：定义：零知识证明是一种密码学协议，它允许一方（证明者）向另一方（验证者）证明某个事实或信息的真实性，而无需透露该事实或信息的具体内容。作用：在NuLink中，ZKP可以用于验证数据的完整性、真实性或合规性，同时保护数据的隐私不被泄露。ABE（属性基加密）：定义：属性基加密是一种基于用户属性（如身份、角色、权限等）进行加密和解密操作的加密方法。作用：ABE使得数据可以根据用户的属性进行细粒度的访问控制，从而确保只有符合特定属性条件的用户才能访问数据。这有助于防止数据泄露给未经授权的用户。FHE（全同态加密）：定义：全同态加密是同态加密的一种高级形式，它允许对加密数据进行任意类型的计算，而不仅仅是特定类型的计算。作用：FHE提供了更高的灵活性和功能性，使得用户可以在加密数据上执行更繁琐的计算和分析任务。然而，由于全同态加密的计算繁琐性和性能开销较大，它在实际应用中的使用可能受到限制。除了这些加密工具外，NuLink还允许用户在本地对他们的数据进行加密。这意味着用户可以在将数据上传到NuLink平台之前，先使用上述加密工具对数据进行加密处理。这样做可以进一步增强数据的隐私性和安全性。加密后的数据可以继续进行称为“端点加密”的过程。端点加密是指在数据传输的起点和终点之间对数据进行加密保护的一种技术。在NuLink中，端点加密可以确保数据在传输过程中不会被未经授权的用户截获或篡改。综上所述，NuLink通过提供多种先进的加密工具（如PRE、ZKP、ABE、FHE）以及支持本地数据加密和端点加密的功能，为用户的数据提供了全方位的安全性和隐私性保护。这些措施使得用户可以放心地在NuLink平台上存储和传输他们的敏感数据，而无需担心数据泄露或滥用的问题。同时，NuLink也通过其官方Twitter账号（ @ NuLink_）与用户保持沟通，及时发布最新的安全更新和隐私保护措施，以确保用户的数据安全得到持续不断的保障。
4.同态加密与机器学习中的隐私保护
同态加密（HE）为机器学习中的隐私保护提供了重要技术手段，尤其在云外包计算和联邦学习两种模型中，通过加密数据直接计算的方式有效降低了隐私泄露风险。以下从两个模型的具体应用场景展开分析：
一、云外包计算模型中的隐私保护云外包计算中，用户将数据上传至云服务器进行模型训练或推断，服务器直接接触原始数据，因此隐私保护的核心在于防止数据在计算过程中被泄露。同态加密通过允许对密文直接操作，使服务器无法获取明文信息，同时完成计算任务。1. 模型推断：加密数据直接预测用户加密私有数据后发送至云端，服务器在密文状态下运行已训练好的模型，最终返回密文预测结果，用户解密