基于多方计算的高效隐私保护二进制点积
密码学与安全
2025-10-21 v1 计算复杂性
摘要
在分布式机器学习中，在保护数据隐私与启用协作计算之间取得平衡是关键挑战。虽然隐私保护技术在联邦学习中得到了广泛发展，但针对位运算场景的方法，如基于树的垂直联邦学习 (VFL)，仍受到忽视。传统机制，包括 Shamir 秘密共享和多方计算 (MPC)，对位运算优化不足，尤其是在每个参与者持有二进制向量不同部分的情形。本文针对现有方法的局限性，提出了一种新型二进制多方计算 (BiMPC) 框架。BiMPC 机制实现了隐私保护的位运算，特别是针对二进制向量的点积计算，确保每个 individual bit 的隐私。BiMPC 的核心是一种称为 Dot Product via Modular Addition (DoMA) 的新方法，它使用常规加法和模加法进行高效的二进制点积计算。为确保隐私，BiMPC 使用更高域中的随机遮蔽进行线性计算，并使用三方 oblivious transfer (triot) 协议进行非线性二进制运算。对 BiMPC 框架的隐私保证进行了严格分析，展示了其在分布式设置下的效率和可扩展性。
引用
@article{arxiv.2510.16331,
title = {Efficient and Privacy-Preserving Binary Dot Product via Multi-Party Computation},
author = {Fatemeh Jafarian Dehkordi and Elahe Vedadi and Alireza Feizbakhsh and Yasaman Keshtkarjahromi and Hulya Seferoglu},
journal= {arXiv preprint arXiv:2510.16331},
year = {2025}
}