数据安全与隐私计算峰会-可证明安全：学习
永远不正面证明方案有多安全，而是证明方案可以抵抗哪些攻击！
可证明安全
用于评估安全性的准则
分为两种：
1、基于游戏的证明
以Paillier加密方案为例：
反证法：（1）先假设可以（2）规约到困难问题
2、基于模拟的证明
模拟器只知道Bob的输出结果 ，模拟器和Bob分别与Alice交互，在Alice看来是不可区分的，且模拟器也不知道Bob的数据，则证明该协议是安全的。
以OT协议为例：
半诚实模型下：Alice无法区分模拟器和Bob发来的数据，则方案是安全的。
恶意模型下：
如何证明方案的安全性？
1、如果方案中的每个模块是串联的，则证明每个模块是安全的就可以证明方案是安全的。
2、若方案中的每个模块是并联的，则需要使用UC安全证明方案
比如一些错误的说法：
（1）方案中用到了Paillier加密，就说方案是安全的。
（2）只要不能反推原始数据，方案就是安全的。
除了基于密码学的可证明安全方法
1、差分隐私（DP）
在联邦学习中的应用：DP-SGD，加入噪音后，使得总体分布影响不大
在MPC中的应用，通过DP向hash表中填充空的位置，性能提升：
DP的问题：为了安全加入噪音，但会影响方案的准确率，所以在大规模数据训练时使用DP很有挑战性。
在纵向联邦中使用DP有挑战性。
总结
（1）基于模拟的安全性证明目前在MPC协议中使用的更多。
（2）半诚实模型的证明比较简单，恶意模型的证明比价复杂
（3）UC安全证明要求更高
参考：https://www.cnblogs.com/pam-sh/p/16383012.html
（4）MPC主要的瓶颈是通信