Advertisement

TenSEAL:用于张量同态加密操作的库

  •  5星
  •     浏览量: 0
  •     大小:None
  •      文件类型:None


简介:
TenSEAL是一款专为实现张量同态加密运算设计的开源软件库,它提供了对机密数据进行计算的能力,同时保证了数据的安全性和隐私性。 TenSEAL 是一个用于在张量上进行同态加密操作的库,基于BFV和CKKS方案构建,并通过Python API提供了易用性,同时利用C++实现以保持高效性能。 产品特点包括: - 使用BFV对整数向量进行加密/解密。 - 使用CKKS对实数向量进行加密/解密。 - 支持加密矢量和普通矢量间的逐元素加法、减法及乘法操作。 - 提供点积和矩阵向量乘法功能。 在tenseal.sealapi下,可以完成SEAL API的使用。我们展示了基本的加密数据操作示例,对于机器学习应用中的更高级用法,请参考相关文档或指南。 以下是初始化TenSEAL上下文的一个例子: ```python import tenseal as ts # 设置 TenSEAL 上下文 context = ts.context(ts.SCHEME_TYPE.CKKS, poly_modulus_degree=8192, coeff_mod_bit_sizes=[60, 40, 40, 60]) ``` 这段代码展示了如何使用TenSEAL库来初始化一个基于CKKS方案的加密上下文。

全部评论 (0)

还没有任何评论哟~
客服
客服
  • TenSEAL
    优质
    TenSEAL是一款专为实现张量同态加密运算设计的开源软件库,它提供了对机密数据进行计算的能力,同时保证了数据的安全性和隐私性。 TenSEAL 是一个用于在张量上进行同态加密操作的库,基于BFV和CKKS方案构建,并通过Python API提供了易用性,同时利用C++实现以保持高效性能。 产品特点包括: - 使用BFV对整数向量进行加密/解密。 - 使用CKKS对实数向量进行加密/解密。 - 支持加密矢量和普通矢量间的逐元素加法、减法及乘法操作。 - 提供点积和矩阵向量乘法功能。 在tenseal.sealapi下,可以完成SEAL API的使用。我们展示了基本的加密数据操作示例,对于机器学习应用中的更高级用法,请参考相关文档或指南。 以下是初始化TenSEAL上下文的一个例子: ```python import tenseal as ts # 设置 TenSEAL 上下文 context = ts.context(ts.SCHEME_TYPE.CKKS, poly_modulus_degree=8192, coeff_mod_bit_sizes=[60, 40, 40, 60]) ``` 这段代码展示了如何使用TenSEAL库来初始化一个基于CKKS方案的加密上下文。
  • Python-ReSeal:Python(FHE)
    优质
    Python-ReSeal是一款专为Python设计的全同态加密(FHE)库,它基于ReSeal库构建,支持在密文状态下进行高效计算。 Python-ReSeal是一个完全同态的加密抽象库,主要致力于启用加密的深度学习。现在,该库通过使用pybind11绑定到python的Microsoft-SEAL支持CKKS方案,并将所有MS-SEAL的对象抽象为一个单个元对象,以方便进行序列化、反序列化、加密、加法和乘法等操作。这使得它更精简并易于使用。 出于多种原因,包括持续集成/持续交付(CI/CD),Python-ReSeal将开始通过GitLab进行过渡,并且GitHub仍将是最新的镜像。
  • HElib全方案
    优质
    HElib是一款实现全同态加密(FHE)技术的开源软件库,允许在密文上进行复杂的计算操作而不先解密数据,保障了数据的高度隐私和安全。 这是IBM用C++编写的全同态加密库HElib,支持加、减、乘的全同态加密操作。有了这些基本操作,我们可以实现各种形式的计算,并将全同态加密技术应用于各个行业的安全领域。
  • FHEW全学习笔记
    优质
    本学习笔记详细记录了对FHEW全同态加密库的研究过程与心得,涵盖其原理、实现细节及应用示例,旨在帮助初学者快速掌握相关技术。 这是关于全同态加密库FHEW的学习记录,在此对FHEW库的加解密算法、密文操作及生成方法进行了简要介绍,并结合GitHub上的代码进行分析。
  • Python深度学习
    优质
    Python同态加密深度学习库是一款专为保护数据隐私而设计的工具包,它允许在密文上直接进行深度学习模型训练和推理,确保用户的数据安全与计算透明。 PySyft 是一个用于安全私密深度学习的 Python 库。它使用 PyTorch 中的联合学习、差分隐私和多方计算(MPC)技术来分离私有数据与模型训练过程。 关于 PySyft 的详细解释可以在相关论文中找到,同时 Siraj Raval 也提供了预安装视频教程供参考。建议在 Conda 虚拟环境中进行安装,尤其是使用 Windows 系统的用户可以考虑安装 Anaconda 并通过 Anaconda Prompt 进行操作: ``` conda create -n pysyft python=3 conda activate pysyft # 一些旧版本可能需要“source activate pysyft” conda install jupyter notebook pip install syft ``` PySyft 支持 Python 版本大于等于 3.6 和 PyTorch 1.1.0。
  • Paillier 算法
    优质
    Paillier同态加密算法是一种概率型公钥密码体制,支持同态性质,允许在密文上执行特定运算,广泛应用于安全计算和隐私保护领域。 详细介绍了Paillier同态加密的整个实现过程以及其证明细节。
  • 编码
    优质
    全同态加密编码是一种高级加密技术,允许对密文进行计算操作后解密得到与直接作用于明文运算相同的结果。这项技术在保护数据隐私的同时支持云端等外部环境下的数据分析和机器学习应用,具有广阔的应用前景。 IBM的全同态加密代码非常出色,有助于理解相关概念。
  • Python深度学习详解
    优质
    本文章详细介绍了一个基于Python的同态加密深度学习库,探讨了它在保护数据隐私方面的应用及技术细节。 Python同态加密深度学习库
  • TFHE方案.zip
    优质
    本项目探索了基于TFHE库实现的多密钥同态加密方案,旨在提高数据安全性和计算效率,适用于多方参与的数据分析场景。 来自TFHE的多密钥同态加密技术允许在不解密的情况下对加密数据进行复杂的计算操作,并支持多个不同的密钥同时使用,增强了数据处理的安全性和灵活性。