安全多方计算框架最全合集（持续更新）_aby3

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