ASTRA：基于环上高效三方计算的高吞吐量协议及其在安全预测中的应用

安全计算的具体效率一直是许多近期工作的焦点。在本文中，我们提出了在模 $2^{\ell}$ 整数环上容忍一次腐败的、具有半诚实和恶意安全性的安全三方计算（3PC）的具体高效协议。由于环上计算模拟了现实世界系统架构上的计算，环上安全计算近来获得了关注。采用离线-在线范式，我们的构造在具体指标上呈现出最高效的在线阶段。在半诚实设定下，我们的协议在在线阶段每个乘法门需要通信 $2$ 个环元素，达到每方成本小于一个元素。这在 3PC 体制下是首次实现。在恶意设定下，我们的协议在在线阶段每个乘法门需要通信 $4$ 个元素，比最先进（SOTA）协议少 $5$ 个元素。在选择性中止和公平性两种安全概念下实现时，具有公平性的恶意协议仅对输出门涉及的通信略多于其中止安全对应协议。我们将 3PC 中的技术应用于安全服务端辅助机器学习（ML）推断领域的一系列预测函数——线性回归、线性 SVM 回归、逻辑回归和线性 SVM 分类。我们的设定考虑一个拥有训练模型参数的模型拥有者和一个拥有查询的客户端，后者愿意基于前者的模型参数学习其查询的预测。输入和计算被外包给一组三个不共谋的服务器。我们针对半诚实和恶意世界提出的构造，均优于现有构造。