「隐语小课」伪随机相关生成器与 OT/VOLE

简介: 「隐语小课」伪随机相关生成器与 OT/VOLE


引言

不经意间线性计算 (Oblivious linear functional evaluation, OLE) 及其变体 Vector OLE (VOLE) 是多方安全计算中的核心组件之一。它们可以广泛应用于 OT 扩展 [BCGI18][BCG+19a][BCG+19b]、产生乘法三元组、隐私集合求交 [RR22] 和零知识证明 [WYKW21] 等场景中。因此,如何高效的产生随机 VOLE 组 (VOLE correlation) 一直是密码学学界研究的重点。

[BCGI18] 提出了伪随机相关生成器 (pseudorandom correlation generator, PCG) 的概念,它的核心思想是:通过“少量的通信”使参与方得到“短”的种子,随后参与方利用这些种子产生“大量”的相关随机数。同时,[BCGI18] 还给出了 PCG-based VOLE 的构造框架,并提出了亚线性通信复杂度的 OT 扩展协议 Silent OT extension。

[BCG+19b] 的实验结果显示,相比传统的 OT extension [IKNP03][KOS16],Silent OT extension 在低带宽的网络环境下性能更佳。在带宽为 10 Mbps 的环境下,产生 组 OT 仅需 8000 ms,比传统的 OT extension 提速了约 15 倍。

图片出自  [BCG+19b] table 2.


一、背景知识

1.1 OLE/VOLE

OLE 是一类两方的协议,其中 Sender 输入 ,Receiver 输入  并获得 。而 VOLE 则是 OLE 的向量版本。

,即 时,OLE/VOLE 会退化为 OT。

1.2 伪随机相关生成器 (PCG)

PCG 是近年 MPC 研究的热点,它的本质是通过“短的种子”生成“长的随机串”(即相关随机数)。而在 MPC 应用中,“离线”阶段不再需要存储大量的相关随机数,而只需要存储少量的 PCG 种子。当“在线”阶段需要消耗相关随机数时,各方不需要任何交互,可以直接通过 PCG 种子产生所需的相关随机数。

两方的伪随机相关生成器由 PCG.Gen 和 PCG.Extend 两个算法构成,其中 PCG.Gen 可以由可信第三方或两方协议实现 [BCGI18][BCG+19b]。

 ● :随机算法,给定安全参数 ,输出一对种子 。

 ● :确定性算法,给定  及种子 ,输出伪随机串 ,并且满足 。

1.3 (多)点函数秘密共享

点函数 是一种特殊的函数,当且仅当输入 时,输出 ,否则输出 。而点函数秘密共享 DPF (distributed point function) 是由 Gilboa 等人在 2014 年提出的 [GI14],它可以直接应用于 PIR (private information retrieval) 和安全关键字搜索 (secure keyword search) 中。两方的 DPF 通常会使用 GGM-tree punctured PRF 实现。它主要由 两个算法组成:  ● :随机算法,给定安全参数 ,两个整数 ,输出一对密钥    ● :确定性算法,给定 ,输出结果

正确性:


安全性:存在一个模拟算法 ,它与真实产生的密钥 是计算不可区分的。

如上图所示,定义算法 遍历 。

而多点函数 则是点函数的扩展,若 时,则输出 。否则,输出 。分布式多点函数一般是通过复合使用 个 DPF 实现。与 DPF 相似,它也是由两个算法组成:

● :随机算法,给定安全参数 ,两个集合 ,输出一对

● :确定性算法,给定 和 ,输出结果 。其中,上述算法需要满足以下性质:

正确性:


同理,可以定义相应的算法  遍历 。

1.4 LPN(Learning Parity with Noise)

LPN 是密码学领域上一个非常著名的问题 [BFK+93]。它描述的是给定一个随机矩阵 ,秘密选取随机向量 和“错误扰动”向量 。分布  与均匀随机的 是计算不可区分的。

同时,LPN 与其对偶版本是等价的。寻找矩阵  s.t. ,那么会有 ,此时 也是与均匀随机分布 是计算不可区分的。

二、PCG-based VOLE 原理介绍

VOLE 和 Random VOLE 的功能如下所示,其中 [BCGI18] 论证了两者是等价的。

在 [BCGI18] 中,Boyle 等人提出了一套基于 MPFSS 和 LPN 构造 Random VOLE 的框架:

1. Receiver 会选择元素 ,Sender 选择“稀疏”的扰动向量 。

2. Receiver 和 Sender 调用 的分布式算法,并分别得到 和 ,使得 。(具体可见 [SGRR19] Protocol 4)

3. Receiver 设置 ,并利用公开的 dual-LPN 矩阵 计算向量;而 Sender 设置 ,然后计算    和  。

具体运行流程,如下图所示:

根据分布式多点函数性质:

可以得:

根据对偶 LPN,显然向量 是“均匀随机”的。


三、相关研究

近年来,也有不少学者对 PCG-based VOLE 进行改进。在 [BCG+19b] 中,提出了使用 GGM-tree PPRF 替换 DPF,使得 DPF 的“种子”可以通过 OT 产生,无需可信第三方参与;在 [SGRR19] 中,实现和构造了在整环 和 上的 VOLE;随后,在 [YWL+20] 中,提出了 bootstrapping 的思想,使得 PCG-based VOLE 只需进行一次 one-time setup;而在 [CRR21] 和 [BCG+22] 中,分别提出了两种 LPN-friendly 的编码技术,使得向量与 dual-LPN 矩阵的乘运算更加高效;此外,[GYW+23] 中,提出了一种 correlated GGM-tree 的构造,使得每一层的左右子树的和都为定值,使得 GGM-tree 所需的通信量和计算量都降低了一半。


四、参考文献

  • [BFK+93] Blum A, Furst M, Kearns M, et al. Cryptographic primitives based on hard learning problems[C]//Advances in Cryptology—CRYPTO’93: 13th Annual International Cryptology Conference Santa Barbara, California, USA August 22–26, 1993 Proceedings 13. Springer Berlin Heidelberg, 1994: 278-291.
  • [BI14] Gilboa N, Ishai Y. Distributed point functions and their applications[C]//Advances in Cryptology–EUROCRYPT 2014: 33rd Annual International Conference on the Theory and Applications of Cryptographic Techniques, Copenhagen, Denmark, May 11-15, 2014. Proceedings 33. Springer Berlin Heidelberg, 2014: 640-658.
  • [BCGI18] Boyle E, Couteau G, Gilboa N, et al. Compressing vector OLE[C]//Proceedings of the 2018 ACM SIGSAC Conference on Computer and Communications Security. 2018: 896-912.
  • [SGRR19] Schoppmann P, Gascón A, Reichert L, et al. Distributed vector-OLE: improved constructions and implementation[C]//Proceedings of the 2019 ACM SIGSAC Conference on Computer and Communications Security. 2019: 1055-1072.
  • [BCG+19a] Boyle E, Couteau G, Gilboa N, et al. Efficient pseudorandom correlation generators: Silent OT extension and more[C]//Advances in Cryptology–CRYPTO 2019: 39th Annual International Cryptology Conference, Santa Barbara, CA, USA, August 18–22, 2019, Proceedings, Part III 39. Springer International Publishing, 2019: 489-518.
  • [BCG+19b] Boyle E, Couteau G, Gilboa N, et al. Efficient two-round OT extension and silent non-interactive secure computation[C]//Proceedings of the 2019 ACM SIGSAC Conference on Computer and Communications Security. 2019: 291-308.
  • [YWL+20] Yang K, Weng C, Lan X, et al. Ferret: Fast extension for correlated OT with small communication[C]//Proceedings of the 2020 ACM SIGSAC Conference on Computer and Communications Security. 2020: 1607-1626.
  • [CRR21] Couteau G, Rindal P, Raghuraman S. Silver: silent VOLE and oblivious transfer from hardness of decoding structured LDPC codes[C]//Advances in Cryptology–CRYPTO 2021: 41st Annual International Cryptology Conference, CRYPTO 2021, Virtual Event, August 16–20, 2021, Proceedings, Part III. Cham: Springer International Publishing, 2021: 502-534.
  • [WYKW21] Weng C, Yang K, Katz J, et al. Wolverine: fast, scalable, and communication-efficient zero-knowledge proofs for boolean and arithmetic circuits[C]//2021 IEEE Symposium on Security and Privacy (SP). IEEE, 2021: 1074-1091.
  • [BCG+22] Boyle E, Couteau G, Gilboa N, et al. Correlated pseudorandomness from expand-accumulate codes[C]//Advances in Cryptology–CRYPTO 2022: 42nd Annual International Cryptology Conference, CRYPTO 2022, Santa Barbara, CA, USA, August 15–18, 2022, Proceedings, Part II. Cham: Springer Nature Switzerland, 2022: 603-633.
  • [RR22] Raghuraman S, Rindal P. Blazing fast PSI from improved OKVS and subfield VOLE[C]//Proceedings of the 2022 ACM SIGSAC Conference on Computer and Communications Security. 2022: 2505-2517.
  • [GYW+23] Guo X, Yang K, Wang X, et al. Half-tree: Halving the cost of tree expansion in cot and dpf[C]//Advances in Cryptology–EUROCRYPT 2023: 42nd Annual International Conference on the Theory and Applications of Cryptographic Techniques, Lyon, France, April 23-27, 2023, Proceedings, Part I. Cham: Springer Nature Switzerland, 2023: 330-362.
相关文章
|
机器学习/深度学习 人工智能 自然语言处理
一文尽览 | 开放世界目标检测的近期工作及简析!(基于Captioning/CLIP/伪标签/Prompt)(上)
人类通过自然监督,即探索视觉世界和倾听他人描述情况,学会了毫不费力地识别和定位物体。我们人类对视觉模式的终身学习,并将其与口语词汇联系起来,从而形成了丰富的视觉和语义词汇,不仅可以用于检测物体,还可以用于其他任务,如描述物体和推理其属性和可见性。人类的这种学习模式为我们实现开放世界的目标检测提供了一个可以学习的角度。
一文尽览 | 开放世界目标检测的近期工作及简析!(基于Captioning/CLIP/伪标签/Prompt)(上)
|
1月前
|
人工智能 前端开发
大模型体验体验报告:OpenAI-O1内置思维链和多个llm组合出的COT有啥区别?传统道家理论+中学生物理奥赛题测试,名不虚传还是名副其实?
一个月前,o1发布时,虽然让人提前体验,但自己并未进行测试。近期终于有机会使用,却仍忘记第一时间测试。本文通过两个测试案例展示了o1的强大能力:一是关于丹田及练气的详细解答,二是解决一道复杂的中学生物理奥赛题。o1的知识面广泛、推理迅速,令人印象深刻。未来,或许可以通过赋予o1更多能力,使其在更多领域发挥作用。如果你有好的测试题,欢迎留言,一起探索o1的潜力。
|
6月前
|
数据可视化 Python
【视频】风险价值VaR原理与Python蒙特卡罗Monte Carlo模拟计算投资组合实例
【视频】风险价值VaR原理与Python蒙特卡罗Monte Carlo模拟计算投资组合实例
|
6月前
|
算法
R语言使用随机技术差分进化算法优化的Nelson-Siegel-Svensson模型
R语言使用随机技术差分进化算法优化的Nelson-Siegel-Svensson模型
|
算法 测试技术
向外搜索(OS)算法是一种新算法,旨在为改进进化算法的收敛性提供多种形式(Matlab代码实现)
向外搜索(OS)算法是一种新算法,旨在为改进进化算法的收敛性提供多种形式(Matlab代码实现)
|
人工智能 数据可视化 人机交互
一次性分割一切,比SAM更强,华人团队的通用分割模型SEEM来了
一次性分割一切,比SAM更强,华人团队的通用分割模型SEEM来了
260 0
|
人工智能 自然语言处理 机器人
有证据了,MIT表明:大型语言模型≠随机鹦鹉,确实能学到语义
有证据了,MIT表明:大型语言模型≠随机鹦鹉,确实能学到语义
133 0
|
人工智能
IJCAI 2022 | 用一行代码大幅提升零样本学习方法效果,南京理工&牛津提出即插即用分类器模块
IJCAI 2022 | 用一行代码大幅提升零样本学习方法效果,南京理工&牛津提出即插即用分类器模块
151 0
|
机器学习/深度学习 编解码 数据可视化
SPM: 一种即插即用的形状先验模块,可轻松嵌入任意编解码架构,助力涨点并显著改善分割效果!
SPM: 一种即插即用的形状先验模块,可轻松嵌入任意编解码架构,助力涨点并显著改善分割效果!
330 0
|
Python
Python漫游数学王国 | 总体参数的区间估计
本文讨论总体参数的区间估计。
180 0
下一篇
无影云桌面