2024年网络安全最全安全多方计算框架最全合集（持续更新）_aby3

源代码：
https://github.com/ladnir/aby3

3. CBMC-GC

CBMC-GC由Martin Franz1, Andreas Holzer于2014年在论文《CBMC-GC: An ANSI C Compiler for Secure Two-Party Computations》中提出。

该框架是一个能将符合ANSI-C标准的程序转换成布尔电路的电路编译器，还包括一个以其他格式输出电路的工具circuit-utils，这个工具对于仅支持部分电路格式的文件框架至关重要，比如EMP-toolkit。

源代码：
https://github.com/MPC-SoK/frameworks/tree/master/cbmc-gc

4. Cheetah

Cheetah是阿里安全双子座实验室于2022年在USENIX Security’22的发布的论文《Cheetah: Lean and Fast Secure Two-Party Deep Neural Network Inference》提出的框架。

该框架通过仔细设计DNN，基于格的同态加密、VOLE类型的不经意传输和秘密共享, 提出了2PC-NN推理的系统Cheetah, 比CCS’20的CrypTFlow2开销小的多, 计算效率更快, 通信效率更高。

源代码：
https://github.com/Alibaba-Gemini-Lab/OpenCheetah

5. CrypTen

CrypTen是Facebook于2019年在论文《CRYPTEN: Secure Multi-Party Computation Meets Machine Learning》提出的框架。

该框架基于PyTorch实现，可以使机器学习从业者能够使用安全的计算技术，在保护数据隐私的场景下实现半诚实的机器学习模型训练。

源代码：
https://github.com/facebookresearch/CrypTen

官网：
https://crypten.ai

6. CrypTFlow2

CrypTFlow2是微软Deevashwer Rathee等人在CCS’2020的发表论文《CrypTFlow2: Practical 2-Party Secure Inference》提出的框架。

该框架基于茫然传输（Oblivious Transfer, OT）提出了安全比较的一种新的协议，并对该协议进行了深度优化。然后，利用该比较协议设计了面向神经网络的多个算子协议，例如ReLU、Truncation、faithful Division (divisor is public), Avgpool、和Maxpool等。

源代码：
https://github.com/mpc-msri/EzPC

7. EMP-toolkit

EMP-toolkit由XiaoWang,AlexJ.Malozemoff,andJonathanKatz在2016年提出，实现了零知识证明、OT、混淆电路等安全多方计算基本模块，实现语言包括Python、C++等。

源代码：
https://github.com/emp-toolkit

8. FRESCO

FRESCO由Alexandra Institute于2020年提出，该框架是一个高效的安全计算框架，提供了许多常用的安全功能的标准库，以便快速实现新的复杂功能，在应用程序中使用。FRESCO支持并行化和预处理等技术，使其能够扩展到大型计算。

FRESCO框架只实现了不诚实多数计算，对算术电路(SPDZ和SPDZ2k )具有恶意安全，对二进制电路具有半诚实安全。

源代码：
https://github.com/aicis/fresco

9. Frigate

Frigate是一个编译器，它将类似C语言的代码编译成二进制的电路描述，由Benjamin Mood, Debayan Gupta, Henry Carter等人于2016年在论文《Frigate: A Validated, Extensible, and Efficient Compiler and Interpreter for Secure Computation》中提出。

10. JIFF

JIFF由Multiparty.org Development Team于2020年发布，是一个用于构建依赖安全多方计算的应用程序的JavaScript库。JIFF高度灵活，专注于可用性，能够在浏览器、手机或Node.js中运行。JIFF的设计使得开发人员不需要熟悉MPC技术或知道密码协议的细节，就可以构建安全的应用程序。

源代码：
https://github.com/multiparty/jiff

11. MP-SPDZ

MP-SPDZ由澳大利亚的研究机构CSIRO’s Data61于2020年在论文《MP-SPDZ: A Versatile Framework for Multi-Party Computation》中提出。

该框架作为SPDZ-2的分支，是多方计算协议SPDZ的实现。MP-SPDZ将SPDZ-2扩展到了二十多种MPC协议，涵盖了常用的安全模型(诚实/不诚实的多数人和半诚实/恶意模型)，以及二进制和算术电路的计算(后者的模数为素数和二次幂)，所采用的基本模块包括秘密共享、不经意传输、同态加密和混淆电路。主体语言是Python，定义了很多新的关于MPC的类和库，可基于Python的高级编程接口来使用相关协议。

源代码：
https://github.com/data61/MP-SPDZ

12. MPC-ECDSA

2023年，Safeheron公司开源了基于 C++ 的 MPC 门限签名协议库，主要包括GG18、GG20、MPC-CMP3 种具有代表性的 MPC-ECDSA 协议。

源代码：
https://github.com/Safeheron/multi-party-ecdsa-cpp

13. MPyC

MPyC由Berry Schoenmakers于2020年发布，是一个用于MPC的开源Python包，实现了基于Shamir的秘密共享的半诚实安全的计算。

源代码：
https://github.com/lschoe/mpyc

14. Obliv-C

Obliv-C由Samee Zahur, Mike Rosulek, David Evans于2015年在论文《Obliv-C: A Language for Extensible Data-Oblivious Computation》中提出。

Obliv-C是一个简单的GCC包装器，可以很容易地在常规C程序中嵌入安全计算协议。

源代码：
https://github.com/samee/obliv-c

15. OblivVM

OblivVM由Chang Liu, Xiao Shaun Wang, Kartik Nayak等人于2015年在论文《ObliVM: A Programming Framework for Secure Computation》中提出。

ObliVM提供了一种领域专用语言，将Java的扩展编译成Java字节码，支持Yao的混淆电路，具有半诚实的安全性。

源代码：
https://github.com/oblivm/ObliVMLang

16. PICCO

PICCO由Yihua Zhang, Aaron Steele, and Marina Blanton于2013年在论文《PICCO: A General-Purpose Compiler for Private Distributed Computation》中提出。

该框架将C语言扩展编写的程序编译成本地二进制文件，并在分布式环境中运行它，实现了基于Shamir的秘密共享的诚实多数半诚实计算。

源代码：
https://github.com/applied-crypto-lab/picco

17. Primihub

Primihub是原语科技于2022年研发打造的隐私计算平台，融合了MPC（多方安全计算）、FL（联邦学习）、HE（同态加密）、TEE（可信执行环境）等多种技术路线，提供多安全级别、多性能要求、多场景支持的解决方案。

源代码：
https://github.com/primihub

18. Private Join and Compute

谷歌公司于2019年推出了Private Join and Compute隐私计算开源框架。该框架Private Join和Compute结合了隐私集合交集、同态加密两种基本的加密技术来保护数据。

源代码：
https://github.com/Google/private-join-and-compute 。

19. PySyft

PySyft是OpenMined开放源代码社区于2021年研发的用于安全和隐私深度学习的Python库。 PySyft使用多方计算（MPC）、联邦学习、差分隐私同态加密（HE）将模型训练中的隐私数据解耦。

源代码：
https://github.com/OpenMined/PySyft

20. SCALE-MAMBA

SCALE-MAMBA框架由KU Leuven COSIC于2019年提出。该框架是SPDZ-2的另一个分叉，尽管有共同的根源，但自2018年以来，这两个分叉已经有了很大的分歧。SCALE-MAMBA只实现了素数模数（不是二的幂数）的算术计算，根据Hazay等人的混淆电路，以及基于秘密共享的二进制计算。所有的计算都只在恶意安全的情况下实现，不诚实多数计算模数化只使用同态加密实现。另一方面，SCALE-MAMBA对理论上可能的任何访问结构都实现了诚实多数计算。前端与MP-SPDZ中的类似，但没有后期增加的动态循环优化、重复代码优化和机器学习功能。此外，作者已经开始脱离Python编译器，转而使用基于Rust的新编译器。

源代码：
https://github.com/KULeuven-COSIC/SCALE-MAMBA

给大家的福利

零基础入门

对于从来没有接触过网络安全的同学，我们帮你准备了详细的学习成长路线图。可以说是最科学最系统的学习路线，大家跟着这个大的方向学习准没问题。

同时每个成长路线对应的板块都有配套的视频提供：

因篇幅有限，仅展示部分资料

网络安全面试题

绿盟护网行动

还有大家最喜欢的黑客技术

网络安全源码合集+工具包

所有资料共282G，朋友们如果有需要全套《网络安全入门+黑客进阶学习资源包》，可以扫描下方二维码领取（如遇扫码问题，可以在评论区留言领取哦）~

网上学习资料一大堆，但如果学到的知识不成体系，遇到问题时只是浅尝辄止，不再深入研究，那么很难做到真正的技术提升。

需要这份系统化资料的朋友，可以点击这里获取

一个人可以走的很快，但一群人才能走的更远！不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人，都欢迎加入我们的的圈子（技术交流、学习资源、职场吐槽、大厂内推、面试辅导），让我们一起学习成长！