同态加密是密码学领域自1978年以来的经典难题，也是实现数据隐私计算的关键技术，在云计算、区块链、隐私计算等领域均存在着广泛的应用需求和一些可行的应用方案。本文首先介绍同态加密的基本概念、研究进展以及标准化进展，然后对主流的乘法/加法半同态加密算法和全同态加密算法及其工程实现情况进行概述，最后对同态加密在各领域的应用场景进行分析。一、同态加密概述1、基本概念同态加密（Homomorphic Enc
转载
2023-12-16 18:53:08
12阅读
同态基本定理 设$f:G\to H$为群同态,那么同态核${\mathrm {Ker}f}\triangleleft G$,且$G/\mathrm{Ker}f\simeq\mathrm{Im}f$.反过来如果$K\triangleleft G$,那么映射$\pi:G\to G/K,g\mapsto gK$是一个满同态且其同态核${\mathrm Ker}\pi=
转载
2024-05-19 21:10:34
41阅读
一，题目一、运用imadjust函数对灰度图像进行亮度变换。 1.得到明暗反转图像； 2.通过线性变换实现灰度级扩展； 3.通过非线性变换实现灰度级扩展。二、图像去噪 1.先对一幅图像添加噪声(如高斯噪声、椒盐噪声等)。然后，分别采用均值滤波、中值滤波这两种方法对其进行平滑，比较各自去噪声的效果和特点。三、空间域平滑、锐化滤波 1.采用多种平滑滤波器对图像平滑，例如均值滤波、高斯滤波等。 2.采用
转载
2024-09-03 22:58:20
46阅读
一、简介同态增晰是一种在频域中将图像的动态范围进行压缩并将图像对比度进行增强的方法。将图像f(x,y)用照明分量和反射分量表示，则可以用以下方法分别进行滤波：步骤为：先对f(x,y)取对数，其次进行傅里叶变换，然后用一个频域函数H(u,v)处理，再做傅里叶反变换，最后取指数。同态增晰的关键在于如何取得合适的H(u,v)，使得这个函数可以用不同的方法影响傅里叶变换的高频和低频成分。根据之前的理论，H(u,v)的曲线应如下图所示：该曲线可以通过适当修改高通滤波器曲线来实现。本次作业使用的是修改后的高
原创
2021-11-08 11:02:02
620阅读
一、简介同态增晰是一种在频域中将图像的动态范围进行压缩并将图像对比度进行增强的方法。将图像f(x,y)用照明分量和反射分量表示，则可以用以下方法分别进行滤波：步骤为：先对f(x,y)取对数，其次进行傅里叶变换，然后用一个频域函数H(u,v)处理，再做傅里叶反变换，最后取指数。同态增晰的关键在于如何取得合适的H(u,v)，使得这个函数可以用不同的方法影响傅里叶变换的高频和低频成分。根据之前的理论，H(u,v)的曲线应如下图所示：该曲线可以通过适当修改高通滤波器曲线来实现。本次作业使用的是修改后的高
原创
2021-11-08 13:42:40
159阅读
一、简介同态增晰是一种在频域中将图像的动态范围进行压缩并
原创
2022-04-07 16:31:03
655阅读
0x00 引流本文是CKKS方案的简介，在文章中不会涉及太多的数学。BGV、BFV方案和此方案在细节上大同小异。涉及CKKS更深层次的原理0x01 同态加密的CKKS方案简介CKKS是2017年提出的同态加密方案。它支持浮点向量在密文空间的加减乘运算并保持同态，但是只支持有限次乘法的运算。同态加密极简介绍举个例子： 实数域里有加法和乘法。多项式域里面有多项式加法和多项式乘法。我们把实数域中的数或者
转载
2023-10-15 19:41:06
107阅读
初始DockerDocker 概念 Docker 是一个开源的应用容器引擎，诞生于 2013 年初，基于 Go 语言实现， dotCloud 公司出品（后改名为Docker Inc） Docker 可以让开发者打包他们的应用以及依赖包到一个轻量级、可移植的容器中，然后发布到任何流行的 Linux 机器上。 容器是完全使用沙箱机制，相互隔离 容器性能开销极低。 Docker 从 17.03 版本之后
转载
2024-07-21 20:25:21
218阅读
宁波格密链网络科技有限公司一直致力于全同态加密的应用研究。最近陈智罡博士的团队开发了一个将SEAL全同态加密库映射到Python上的接口，解决了机器学习库与全同态加密库对接的问题，极大的方便了机器学习领域人员使用全同态加密算法，为其它领域需要用到全同态加密库的人们提供便利的工具。该库已经在GitHub上开源(github.com/Huelse/pyseal)。全世界各地的工程技术人员都可以使用该库
转载
2024-01-10 23:17:53
139阅读
摘要本文主要讲述完全同态加密算法。1. 是什么？同态加密是一种对称加密算法，由Craig Gentry发明提出。其同态加密方案包括4个算法，即密钥生成算法、加密算法、解密算法和额外的评估算法。全同态加密包括两种基本的同态类型，即乘法同态和加法同态，加密算法分别对乘法和加法具备同态特性。2. 算法的原理全同态加密的原理：如果E为针对function_a的全同态函数，即则存在可构造的函数操作funct
转载
2023-09-08 20:31:45
111阅读
## 如何实现龙晰 MySQL
随着数据管理的需求日益增长，MySQL作为一种流行的关系型数据库，广泛应用于各类项目中。本文将指导你实现“龙晰 MySQL”，让你建立一个简单的数据库并进行数据操作。以下是整个流程的概述。
### 整体流程
| 步骤 | 说明 |
|------------|---
基于flask的在线笔记共享管理系统【10】（密码加密passlib）在用户注册时，将数据存入数据库，但是为了保证数据的保密性，使得用户密码对于数据库管理员也不可见需要对密码进行加密再存入数据库 。passlib是python 2&3的密码散列库 它提供 超过30种密码散列算法的跨平台实现，以及 作为管理现有密码哈希的框架。它被设计成有用的 对于范围广泛的任务，从验证/etc/shadow
转载
2024-08-11 09:32:25
77阅读
计算机视觉领域的研究不仅需要知道各种神经网络，还得对基本的数字图像处理进行完整的学习，否则很难弄清楚深度学习是如何与图像处理相结合的。图像处理这门课非常让人头大，尤其是初学的时候，对亮度、饱和度这种概念不敏感的我，学起来相当费力。所以，上课的时候，我用python实现了一些简单的算法：
机器学习入坑者：用sobel算子提取图片内容的轮廓
这里面讲的是如何用
# 同态加密及其在Python中的应用
同态加密（Homomorphic Encryption）是一种特殊的加密技术，它允许在加密状态下对数据进行计算，得到加密结果，然后解密后得到与原始数据经过相同计算得到的结果一致。这种技术在保护数据隐私的同时，允许在加密状态下进行计算，非常适合云计算和隐私保护等场景。
在Python中，我们可以使用PySEAL库来实现同态加密。PySEAL是Microso
原创
2024-05-30 05:05:50
110阅读
最近陈智罡博士的团队开发了一个将SEAL全同态加密库映射到Python上的接口，解决了机器学习库与全同态加密库对接的问题，极大的方便了机器学习领域人员使用全同态加密算法，为其它领域需要用到全同态加密库的人们提供便利的工具。该库已经在GitHub上开源（http://github.com/Huelse/pyseal）。全世界各地的工程技术人员都可以使用该库。微软的SEAL全同态加密库包含BFV和CK
转载
2024-01-23 17:33:26
80阅读
2009年IBM的Gentry提出的全然同态加密(FHE)方案是password学上的一项重大突破，以下就做个小小的总结。1、 定义若一个加密方案对密文进行随意深度的操作后解密，结果与对明文做对应操作的结果同样，则该方案为全然同态加密方案。也可描写叙述为：若一个加密方案同一时候满足加法同态和乘法同态，则称该方案为全然同态加密方案。(1)同态性：代数系统{A,+}，{B,*}。f为A到B的映射，若f
文章目录前言一、同态是什么？二、同态滤波的基本原理总结 前言同态滤波（Homomorphic filter）是信号与图像处理中的一种常用技术。这一技术是上世纪60年代由麻省理工学院（MIT）的Thomas Stockham，Alan V. Oppenheim和 Ronald W. Schafer 等几位学者提出。一、同态是什么？是将非线性问题，转化为线性问题处理。即对非线性（乘性）混杂信号，通过
转载
2023-08-17 17:49:13
273阅读
The Swiss Army Knife of Cryptography
例如，假设您拥有一家小型企业，并将您的销售数据库存储在一些云计算提供商那里。(本博客的编辑可以推荐一个……)由于您的数据是保密的，您希望将其加密存储在服务器上。但现在，当你拿着手机，想要知道你去年的平均销售额是多少，邮编是02142?由于您的数据是加密的，因此似乎需要下载整个数据库，对其进行解密，然后执行搜索，这在某种程度上
转载
2023-12-16 20:08:52
51阅读
一、背景介绍同态加密（Homomorphic Encryption，HE）一种能够使第三方在不知晓数据真实内容的情况下盲目处理数据的加密方法，即允许对加密的数据进行计算，数据在处理过程中保持机密，这种特性使得在不可信环境中的数据能够完成有用的任务。在分布式计算和异构网络中，这是非常有意义的研究领域。
Rivest、Shamir和Adleman在1978提出的RSA密码系统，这是同态加密研究的开端，
转载
2023-10-05 11:06:46
14阅读
特征点匹配和数据库查、图像检索本质上是同一个问题，都可以归结为一个通过距离函数在高维矢量之间进行相似性检索的问题，如何快速而准确地找到查询点的近邻，不少人提出了很多高维空间索引结构和近似查询的算法。 一般说来，索引结构中相似性查询有两种基本的方式： 1）范围查询，范围查询时给定查询点和查询距离阈值，从数据集中查找所有与查询点距离小于阈值的数据； 2）K近邻查询，就是给定查询点及正整数K
