MPC 实现方案归纳

之前做MPC相关的基本都是理论上的东西，效率很差，感觉也没有实现的必要。 最近几年基于秘密分享的MPC方案效率很高，有很多人用这个来做机器学习框架(PPML)，实际的实现方案变多了。 但还是想吐槽一些有些论文不给出代码实现😠。

两方实现方案(2 PC)

• ABY DNSS15 - “ABY – A Framework for Efficient Mixed-Protocol Secure Two-Party Computation” 通用安全多方计算框架，基于算数分享(arithmetic)，二进制分享(binary)，混淆电路(garble circuit)三者之间的转换，解决非线性函数的计算问题。

三方实现方案(3 PC)

• ABY3 CCS18 - “ABY3: A Mixed Protocol Framework for Machine Learning” 基于ABY方案的转换思想，诚实方占多数的安全假设，半诚实安全的乘法无需乘法triple，性能提升很大。
• SecureNN (PETS 2019) - “SecureNN: 3-Party Secure Computation for Neural Network Training” 由两方完成计算过程，引入协作参与方进行triple等随机量的生成，方案中比较协议比较复杂，存在可优化余地。
• Falcon (PETS 2021) - “Falcon: Honest-Majority Maliciously Secure Framework for Private Deep Learning” SecureNN方案与ABY3方案的结合，应该是目前最好的三方计算框架。
• TF-encrypted - “Private Machine Learning in TensorFlow using Secure Computation” 基于TensorFlow实现PPML中常见的各种运算。
• CrypTen - “CRYPTEN: Secure Multi-Party Computation Meets Machine Learning” Facebook基于Pytorch实现的PPML机器学习框架，支持机器学习中常见的各种运算，学习成本低。

SPDZ方案实现

• SPDZ family - “Multiparty Computation from Somewhat Homomorphic Encryption” 实现了SPDZ及其衍生出的多种协议，支持各种安全性假设

常用密码学工具

• libOTe - 基于C++实现的OT协议库，包含各种常用的OT协议及OT扩展协议
• EMP-tookit - 包含MPC中常用的密码学工具：OT，zero knowledge proof等，以及一些两方计算协议的实现