In the setting of secure multiparty computation (MPC), a set of mutually distrusting parties wish to jointly compute a function, while guaranteeing the privacy of their inputs and the correctness of the output. An MPC protocol is called \emph{fully secure} if no adversary can prevent the honest parties from obtaining their outputs. A protocol is called \emph{fair} if an adversary can prematurely abort the computation, however, only before learning any new information. We present highly efficient transformations from fair computations to fully secure computations, assuming the fraction of honest parties is constant (e.g., $1\%$ of the parties are honest). Compared to previous transformations that require linear invocations (in the number of parties) of the fair computation, our transformations require super-logarithmic, and sometimes even super-constant, such invocations. The main idea is to delegate the computation to chosen random committees that invoke the fair computation. Apart from the benefit of uplifting security, the reduction in the number of parties is also useful, since only committee members are required to work, whereas the remaining parties simply ``listen'' to the computation over a broadcast channel.


翻译:在确定安全的多党计算(MPC)时,一组互不信任的当事方希望共同计算一个功能,同时保证其投入的隐私和产出的正确性。如果没有任何对手能够阻止诚实的当事方获得其产出,那么MPC协议就被称为 emph{fulsecurt}。如果对手只能在了解任何新信息之前提前中止计算,协议就被称为 emph{fair}。我们展示了从公平计算到完全安全的计算高度高效的转换,假设诚实的当事方的比例是不变的(例如,一方的1 ⁇ $是诚实的)。与以往要求公平计算线性引用(在当事方数量上)的转变相比,我们的转换需要超级对数,有时甚至是超级一致的,这样的引用。主要想法是将计算委托给选择的随机委员会,援引公平计算。除了提高安全性的好处外,减少政党的数量也是有用的,因为只需要委员会成员来工作,而其余的当事方只需在广播频道上进行计算。

0
下载
关闭预览

相关内容

专知会员服务
76+阅读 · 2021年3月16日
专知会员服务
46+阅读 · 2020年12月2日
经济学中的数据科学,Data Science in Economics,附22页pdf
专知会员服务
35+阅读 · 2020年4月1日
Keras François Chollet 《Deep Learning with Python 》, 386页pdf
专知会员服务
151+阅读 · 2019年10月12日
开源书:PyTorch深度学习起步
专知会员服务
50+阅读 · 2019年10月11日
【新书】Python编程基础,669页pdf
专知会员服务
194+阅读 · 2019年10月10日
Hierarchically Structured Meta-learning
CreateAMind
26+阅读 · 2019年5月22日
Transferring Knowledge across Learning Processes
CreateAMind
27+阅读 · 2019年5月18日
Unsupervised Learning via Meta-Learning
CreateAMind
42+阅读 · 2019年1月3日
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
16+阅读 · 2018年12月24日
深度学习医学图像分析文献集
机器学习研究会
18+阅读 · 2017年10月13日
已删除
将门创投
3+阅读 · 2017年10月12日
【推荐】决策树/随机森林深入解析
机器学习研究会
5+阅读 · 2017年9月21日
Arxiv
1+阅读 · 2021年6月21日
Arxiv
7+阅读 · 2021年4月30日
Arxiv
9+阅读 · 2021年4月8日
Arxiv
38+阅读 · 2020年3月10日
Arxiv
6+阅读 · 2018年2月7日
VIP会员
相关VIP内容
专知会员服务
76+阅读 · 2021年3月16日
专知会员服务
46+阅读 · 2020年12月2日
经济学中的数据科学,Data Science in Economics,附22页pdf
专知会员服务
35+阅读 · 2020年4月1日
Keras François Chollet 《Deep Learning with Python 》, 386页pdf
专知会员服务
151+阅读 · 2019年10月12日
开源书:PyTorch深度学习起步
专知会员服务
50+阅读 · 2019年10月11日
【新书】Python编程基础,669页pdf
专知会员服务
194+阅读 · 2019年10月10日
相关资讯
Hierarchically Structured Meta-learning
CreateAMind
26+阅读 · 2019年5月22日
Transferring Knowledge across Learning Processes
CreateAMind
27+阅读 · 2019年5月18日
Unsupervised Learning via Meta-Learning
CreateAMind
42+阅读 · 2019年1月3日
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
16+阅读 · 2018年12月24日
深度学习医学图像分析文献集
机器学习研究会
18+阅读 · 2017年10月13日
已删除
将门创投
3+阅读 · 2017年10月12日
【推荐】决策树/随机森林深入解析
机器学习研究会
5+阅读 · 2017年9月21日
相关论文
Arxiv
1+阅读 · 2021年6月21日
Arxiv
7+阅读 · 2021年4月30日
Arxiv
9+阅读 · 2021年4月8日
Arxiv
38+阅读 · 2020年3月10日
Arxiv
6+阅读 · 2018年2月7日
Top
微信扫码咨询专知VIP会员