Efficient Fully Homomorphic Encryption with Large Plaintext Space
Notice bibliographique
Résumé
The security of multimedia content and personal privacy for big data has triggered widespread concern in the society. Fully homomorphic encryption (FHE), which can homomorphically compute arbitrary functions on the encrypted data without knowing the secret key, is valuable in protecting user's data security. However, most of the FHE schemes only take single-bit of ciphertext as the input, which makes the evaluation process complicated. In EUROCRYPT'2015, Ducas and Micciancio proposed an FHE scheme FHEW with the plaintext space Z2, and gave an assumption of extending the plaintext space to Zt. In this paper, we optimize the decryption algorithm of FHEW in bootstrapping, and propose an FHE scheme with large plaintext space Zt. Firstly, we optimize the rounding function of the decryption algorithm in FHEW to the msdExtract algorithm, which can homomorphically extract the most significant digit of the plaintext. Secondly, we design the msdExtract algorithm by employing the homomorphic accumulator, and present the process of general bootstrapping. Finally, based on the msdExtract algorithm, we extend the plaintext space of our scheme to Zt, comparing to Z2 in FHEW. The security of our scheme is based on the basic LWE scheme and FHEW. What's more, our scheme can perform the evaluation more conveniently with large plaintext space, and can be applied to more scenarios.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,004 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».