摘要：不可区分混淆(indistinguishability obfuscation,iO)的构造问题是多年来一直困扰密码学研究的一个难题.现有的基于多线性映射、函数加密、全同态加密等密码学原语的i 构造均存在不同程度的安全性问题,且存在构造过程不易实现、电路扩展效率不高等缺陷.本文从电路的自动化搜索的全新角度审视iO的设计问题,将电路设计映射到图神经网络构造问题中,基于图神经网络的自动演化技术,探索了一种可以实现限定性满足不可区分性和功能保持性的通用iO构造方法:AGiO(Adversarial Graphweualietwork based iO).该iO的基本架构基于对偶的对抗性图神经网络架构,针对任意给定输入电路,通过图枚举得到备用的电路样本集合,然后使用以子电路为粒度的差分演化算法分别独立优化上述对偶的图神经网络,当自动化判定模型从统计上不能有效识别不同的输出电路时,达到所需不可区分的状态.测试结果表明,该AGiO架构简单,易于实现,较好地实现了输入电路的通用性和统计上的不可区分性.

摘要：在计算平台上生成符合目标参数的分布样本是数值计算中的基本问题.通过优化形成高拟合度的分布参数,对探索新型密码函数的设计方法,尤其是安全的单向函数映射有着重要的意义.本文围绕密码学安全意义,讨论了通用情况下真实分布的参数与敌手的攻击优势之间满足的约束关系,提出了一种基于距离监督的分布拟合方法,用于生成与理想分布样本逼近的近似分布参数组合.使用分布隐含模型(DLM)构造真实分布的输出模型,采用复合距离测度优化参数组合,使DLM成为满足安全距离约束条件的目标分布样本生成器.构造了一类通用的单向陷门置换函数(OWTP),在计算上满足统计上的样本不可区分性,从理论上已经初步具备了用于直接构造部分密码算法的能力.

摘要：目的基因中发生的一些恶性突变可能会导致癌症、白化病等疾病。医院的研究人员希望定位某个疾病的致病基因的位置信息,但单个医院的基因数据样本都太少,无法进行有效的统计分析。如何在保护患者基因数据隐私的前提下,对不同医院的患者基因数据进行统计与分析,从而定位致病基因的位置,是对这些疾病开展针对性治疗的重要前提。本文在有效保护患者基因数据隐私的前提下,提出一种对不同患者基因数据的密文进行致病基因定位的方法,以在一定程度上解决基因数据的共享和个人隐私保护的矛盾。方法首先,结合密码学中基于格的多密钥全同态加密技术和基于频率的临床遗传学相关内容,提出了一个致病基因安全定位方案,各医院利用同态加密方案加密患者基因数据,将产生的密文上传到云端,云端密态计算基于频率的致病基因定位算法,得到最终统计结果的密文,该密文由各医院联合解密。其次设计了针对多基因疾病的定位电路ITH-intersection、ITop-k,该电路能够对所有参与者中变异次数较多的多个基因位置进行输出,使其具备定位多基因疾病的能力。最后根据上述算法,本文实现了致病基因安全定位整体过程,对两方参与的Intersection电路、SET DIFF电路,每个用户输入48比特的信息进行了测试;对三方参与的ITH-intersection电路,每个用户输入48比特的信息进行了测试。结果相比JWB+17方案,本方案能够实现多基因疾病的致病基因的安全定位,且参与者只需要将各自的基因数据加密和上传一次即可,数据通信量降低了一到两个数量级,且不需要参与者实时在线,但本方案运行的时间更长。结论支持对多方来源的数据进行密态处理的致病基因安全定位方案,一定程度上解决了不同机构间基因数据的分享和个人隐私保护的矛盾,能够大幅降低各医疗机构自身基因数据被泄露的风险,适用于多基因疾病的致病基因的安全定位。