weixin_58331078的博客

我们基于身份和基于属性的FHE方案基于身份的加密(IBE)[Sha84,BF03]和基于属性的加密(ABE)[SW05,GPSW06]是设计对于加密数据比传统的公钥设施提供更灵活的访问控制(access control)。传统地，IBE和ABE并没有提供在加密数据上的任何计算。然而，对加密数据的访问控制保持重要(尤其)当数据同态的加密。(看[CHT13]对于应用很好的讨论)。不幸地是，存在的一些IBE方案允许简单同态操作[GHV10,CHT13]，这是一个难以处理的开放问题[Nac10,GHV10,Bra1

Our LWE-Based FHE Scheme1. 基本加密方案这里，我们正式描述我们基本的加密方案(没有同态操作)。这个描述匹配在介绍概括中的描述。在我们的描述中，我们分离KeyGen为三个部分Setup,SecretKeyGen,PublicKeyGen。我们提供两个解密算法Dec和MPDec。Dec是充分恢复信息当在小空间时(例{0,1})。MPDec是被Micciancio and Peikert[MP12]提出，能够恢复任意。Setup()：选择一个模数q，比特长，格的维度参数，和误

1.LWE问题和GapSVPLWE问题是被Regev[Reg05]所提出。定义1(LWE) 对于安全参数，令是整数维度，是整数，是在上的分布。问题是去区分下面两个分布：在第一个分布，均匀抽样。在第二个分布中，首先均匀取出(均匀选取)，之后取样，其中(均匀选取)，设置。假设是问题是无解的。有时这是合适的去把向量看作为矩阵的行，重新定义为。然后，要么矩阵是均匀的，要么存在一个第一项系数为1的向量使得，这里的系数来自分布。对于格维度参数为和数，问题是区分是否一个维格有一个向量短于或者没有向量短于。

首先，对论文进行整体学习Homomorphic Encryption from Learning with Errors:Conceptually-Simpler, Asymptotically-Faster,Attribute-Based(作者:Craig Gentry, Amit Sahai, Brent Waters)摘要：本文的全同态加密方案是基于LWE的(Learning with errors)。在先前的LWE-based方案中，乘法步骤会涉及到"relinearization"[bv1