频域滤波是一种图像处理技术，可以通过在频域中增加或减弱某些频率分量，从而实现图像去噪、锐化、平滑等功能。常见的频域滤波包括频域低通滤波、频域高通滤波和频域同态滤波。 在使用这些滤波器进行频域处理时，通常需要选择合适的参数、预处理和后处理方法，以达到理想的处理效果。同时，不同的图像场景和需求也需要选择适合的滤波器和处理方法。1.频域低通滤波 频域低通滤波：低通滤波器将保留图像中低频信息，同时削弱高频信息，从而实现图像模糊、平滑等效果。低通滤波器的频率响应通常为一个圆形区域，圆形区域内表示通过的频率分量，圆形区域外表示被滤掉的频率分量。低通滤波器适合
一、格密码学1.与传统密码学相比的优点安全性：基于最糟糕情况困难安全性(Worst-casesecurity)的可证明安全。传统密码算法：基于平均情况困难安全性（Average-casesecurity)的可证明安全。例如，如果通过某整数的分解破解了某RSA实例，不意味着可以破解所有整数的分解问题，只意味着可以分解该RSA实例涉及的那些整数。换言之，并非任何基于整数分解的密码学实例都是安全的，因为只是在平均情况（Average-case)下整数分解是困难的，而非所有整数的分解都是困难的。基于最糟糕困难安全性(Worst-casesecurity)的可证明安全确保了：如果可以破解基于某个格上的困
摘要安全多方计算在经典密码学中一直扮演着重要的角色。量子同态加密(QHE)可以在不解密的情况下对加密数据进行计算。目前，大多数协议使用半诚实的第三方(TP)来保护参与者的秘密。我们使用量子同态加密方案代替TP来保护各方的隐私。在量子同态加密的基础上，提出了一种安全的多方量子和方案，其中N个参与者可以委托一个具有强大量子计算能力的服务器协助计算。通过将计算和密钥更新过程委托给服务器和半诚实的密钥中心，参与者使用泡利算子加密他们的私有信息数据以获得总和。此外，服务器可以自行设计和优化求和线，即使秘密信息为负，也能得到正确的结果。正确性分析表明，参与者能够正确地获得计算结果。安全性分析证明，该方案既
参考链接：https://blog.csdn.net/shn111/article/details/124594241chapters同态加密（HomomorphicEncryption）是指将原始数据经过同态加密后，对得到的密文进行特定的运算，然后将计算结果再进行同态解密后得到的明文等价于原始明文数据直接进行相同计算所得到的数据结果。同态加密与一般加密方案的关注点不同，一般的加密方案关注的是数据存储安全，即我要给其他人发送信息或者存储信息，我需要对数据进行加密之后再发送和存储，这里我们只需要保证在数据传送和存储的过程中不被其他人窃听到即可，在这个过程中用户时不能对加密的结果做任何操作的，否则
0、前言群论中的同态和同构来描述两个群之间的相似关系。从中文上粗略看，同构好像指相同结构，同态好像不好说。先上结论，从相似关系的程度来看：相同＞同构＞同态，即同态要求比同构更宽松，同构是一种特殊的同态。1、单射、满射、双射在了解同构和同态前，必须知道这双射这个概念。单射、满射、双射是三种映射的特殊情况。所谓映射就是非空集合X的元素x到非空集合Y的元素y的映射关系。单射（injection）：每一个x都有唯一的y与之对应；满射（surjection）：每一个y都必有至少一个x与之对应；双射（又叫一一对应，bijection）：每一个x都有y与之对应，每一个y都有x与之对应一张图解释：2.同构（i
参考文献：O.Regev.Onlattices,learningwitherrors,randomlinearcodes,andcryptography.InH.N.GabowandR.Fagin,editors,STOC,pages84–93.ACM,2005.FullversioninJ.ACM56(6),2009.V.Lyubashevsky,C.Peikert,andO.Regev.OnIdealLatticesandLearningwithErrorsoverRings.InAdvancesinCryptology-EUROCRYPT2010,volume6110ofLectureN
下载、编译、安装事先下载好VisualStudio172022在GitHub上下载SEAL-4.0.0.zip并解压或者使用Git克隆SEAL源文件夹，gitclonehttps://github.com/microsoft/SEAL.git在SEAL文件夹所在目录打开终端(PS：需使用VisualStudio下的DeveloperCommandPromptforVS2022终端)cdseal(文件夹名)cmake-S.-Bbuild-G"VisualStudio172022"-Ax64cmake--buildbuild--configReleasecmake--install.--confi
【引】走近任何一个领域，都会发现自己的渺小和微不足道，会越发地敬畏技术和未知，隐私计算也不例外。读了一点儿文章和paper，觉得还是ACM上的这篇综述（https://queue.acm.org/detail.cfm?id=3561800）可以对全同态加密有一个概貌，从而了解其脉络方向，进而对隐私计算增加一点点认知。隐私计算中的完同态加密为加密数据提供量子安全级的计算，保证明文数据及其衍生计算结果永远不会公开，并且在基础设施受到破坏的情况下保持安全，不会被修改和/或破坏。大多数完同态加密方案都是基于lattice数学方式描述的（序理论和抽象代数子学科研究的一种抽象），被认为量子计算安全的，并被
密码算法在现代通信与信息安全中发挥着至关重要的作用，SM1、SM2、SM3、SM4、同态加密、密态计算、隐私计算和安全多方计算等密码算法被广泛应用于各种信息安全领域。本篇博客将会为大家介绍这些密码算法，以及它们在信息安全中的作用和应用。一、SM1、SM2、SM3、SM4SM1、SM2、SM3、SM4是中国国家密码管理局发布的四个密码算法标准。SM1是一种对称密码算法，SM2是一种非对称密码算法，SM3是一种哈希函数，SM4是一种分组对称密码算法。SM1算法采用分组加密模式，将明文分成多个固定长度的数据块，每个数据块分别进行加密操作。SM1的加密过程中包括了置换、代换、线性变换等步骤，从而保证了
联邦学习实战——基于同态加密和差分隐私混合加密机制的FedAvg前言1.FedAvg1.1getData.py1.2Models.py1.3client.py1.4server.py1.5性能评估1.5.1Non-IID和IID1.5.2IID场景参与方的影响1.5.2Non-IID场景参与方的影响1.6FedAvg总结2.差分隐私2.1拉普拉斯机制与高斯机制2.2拉普拉斯机制的实现2.2高斯机制的实现2.3差分隐私整合3.Paillier同态加密算法3.1FedAvg应用3.2性能测试4.项目总结参考链接前言好久都没更新联邦学习相关内容了，这也是我更新这篇我认为非常硬核的文章的原因，这也算是
