CN116896441B - 基于量子全同态加密实现隐私计算处理的方法、装置、介质和设备 - Google Patents
基于量子全同态加密实现隐私计算处理的方法、装置、介质和设备 Download PDFInfo
- Publication number
- CN116896441B CN116896441B CN202311162882.7A CN202311162882A CN116896441B CN 116896441 B CN116896441 B CN 116896441B CN 202311162882 A CN202311162882 A CN 202311162882A CN 116896441 B CN116896441 B CN 116896441B
- Authority
- CN
- China
- Prior art keywords
- quantum
- plaintext data
- normalization
- value
- privacy
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000012545 processing Methods 0.000 title claims abstract description 148
- 238000004364 calculation method Methods 0.000 title claims abstract description 139
- 238000000034 method Methods 0.000 title claims abstract description 72
- 238000010606 normalization Methods 0.000 claims abstract description 166
- 239000002096 quantum dot Substances 0.000 claims abstract description 48
- 239000013598 vector Substances 0.000 claims abstract description 43
- 230000002441 reversible effect Effects 0.000 claims description 49
- 238000013475 authorization Methods 0.000 claims description 24
- 238000005259 measurement Methods 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 9
- 239000000654 additive Substances 0.000 claims description 3
- 230000000996 additive effect Effects 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 abstract description 2
- 238000004422 calculation algorithm Methods 0.000 description 27
- 230000006870 function Effects 0.000 description 10
- 238000012795 verification Methods 0.000 description 7
- 238000011160 research Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000007405 data analysis Methods 0.000 description 3
- 230000001419 dependent effect Effects 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 238000007667 floating Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000005336 cracking Methods 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000007115 recruitment Effects 0.000 description 2
- 244000035744 Hura crepitans Species 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000033228 biological regulation Effects 0.000 description 1
- 238000000586 desensitisation Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L9/00—Cryptographic mechanisms or cryptographic arrangements for secret or secure communications; Network security protocols
- H04L9/008—Cryptographic mechanisms or cryptographic arrangements for secret or secure communications; Network security protocols involving homomorphic encryption
Landscapes
- Engineering & Computer Science (AREA)
- Computer Security & Cryptography (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Complex Calculations (AREA)
Abstract
本发明提供一种基于量子全同态加密实现隐私计算处理的方法、装置、介质和设备。所述方法包括：获取明文数据，对明文数据进行归一化处理得到对应的第一归一化值；将量子电路的一个或多个量子比特初始化为叠加态；根据明文数据对应的第一归一化值对量子比特施加量子旋转门，执行包括加法和/或乘法的隐私计算处理；获取量子比特的状态向量，根据状态向量解算得到第二归一化值；根据第二归一化值进行反归一化处理得到两个明文数据相加之和和/或相乘之积。本发明能够基于量子全同态实现包括加减乘除的隐私计算处理，允许对任何加密数据进行任意量子转换。
Description
技术领域
本发明涉及量子信息安全技术领域，尤其涉及一种基于量子全同态加密实现隐私计算处理的方法、装置、介质和设备。
背景技术
在经典密码学领域，近年来的一个中心话题是同态加密的研究。同态加密指的是一种基于数学计算复杂性理论的密码学技术，信息从发送端发出后经过同态加密形成密文，在输出端对输出密文进行解密，其结果与直接处理未加密的原始数据得到的输出结果是一样的。同态加密是一种加密形式，它允许在不访问加密密钥的情况下对加密数据执行数据处理。一般来说，同态加密系统由四个部分组成：密钥生成算法、使用生成的密钥加密数据的加密算法、使用密钥解密数据的解密算法和用于处理数据的评估算法而不解密。因此，同态加密允许第三方处理秘密数据，而不允许他们访问明文。解密后，明文输出显示处理后的数据。如果方案允许对加密数据进行任意处理，则称为完全同态，简称全同态。
根据数据和计算任务是否集中，目前隐私计算可分为三个主要方向和多种技术路线。一是安全多方计算，这是针对数据和计算都不集中的情况，主要技术路线有混淆电路和秘密共享两种；二是数据不集中、计算集中，这个方向的主要技术有数据脱敏、差分隐私保护、同态加密等；三是数据和计算都集中，这个方向包括可信执行环境和数据沙箱等。
量子同态加密将量子力学的特性与同态加密结合起来，其方案主要由四个组件组成，即密钥生成、信息加密、信息解密和同态评估。在量子同态加密中，密钥生成往往包括随机选择经典加密密钥和使用密钥更新算法计算解密密钥。量子同态加密不是将密文解密之后再进行计算，而是直接对量子态密文进行同态评估计算。在大多数量子同态加密算法中，量子态希尔伯特空间的维度局限在二维，暂时无法向更高维度的研究进行拓展。有些算法依然存在着被窃听密钥的风险，安全性有待进一步加强。针对量子全同态加密已经存在多种技术方案，但存在下列问题：
1.对提供电路的一方的量子能力要求较低，这使得它在委托量子计算中非常实用。然而，这也意味着该技术框架可能无法充分利用高级量子计算能力，从而限制了其在更复杂的计算任务中的应用。
2.量子全同态加密算法的一个子程序是计算经典线性多项式，这可以使用量子或经典方法实现。然而多项式子程序的效率可能会影响整个框架的效率。特别是，如果这个子程序使用经典方法实现，那么它可能会成为整个框架的瓶颈。
3.多项式算法的资源消耗较大。特别是，如果输入的量子态是一个大的量子系统，那么该框架可能需要大量的量子资源和通信资源。
因此，如何在充分利用量子资源的基础上尽可能高效的实现量子全同态加密，在确保安全性的同时兼具更高的执行效率，基于量子全同态加密实现隐私计算成为当前需要解决的技术问题。
发明内容
本发明的目的在于提供基于量子全同态加密实现隐私计算处理的方法、装置、介质和设备，用以基于量子全同态加密实现安全高效的隐私计算。
根据本发明的一方面，提供一种基于量子全同态加密实现隐私计算处理的方法，所述方法包括：
对第一明文数据、第二明文数据进行可逆归一化处理，分别得到所述第一明文数据、第二明文数据对应的第一归一化值；
基于所述第一明文数据、第二明文数据对应的第一归一化值，对一个或多个量子比特施加量子旋转门操作以执行隐私计算处理，得到第二归一化值；
对第二归一化值进行反可逆归一化处理，得到所述第一明文数据、第二明文数据隐私计算处理结果。
根据本发明的一个实施例，量子旋转门是U1门或Rz门。
根据本发明的一个实施例，所述隐私计算处理包括所述第一明文数据、第二明文数据之间的加法、减法、乘法、除法、加减乘除混合计算。
根据本发明的一个实施例，当所述隐私计算为加法计算时，得到所述第一明文数据、第二明文数据隐私计算处理结果包括：
所述对第一明文数据、第二明文数据进行可逆归一化处理，分别得到所述第一明文数据、第二明文数据对应的第一归一化值，包括：将明文数据对2π取余所得的余数作为第一归一化值；
所述对一个或多个量子比特施加量子旋转门操作以执行隐私计算处理，包括：将第一明文数据、第二明文数据对应的第一归一化值分别作为相位参数输入对应的第一量子旋转门、第二量子旋转门，对处于叠加态的第一量子比特依次施加所述第一量子旋转门、第二量子旋转门操作；
.所述得到第二归一化值，包括：获取所述第一量子比特的状态向量，根据状态向量的相位参数得到第二归一化值；
所述对第二归一化值进行反可逆归一化处理，得到所述第一明文数据、第二明文数据隐私计算处理结果，包括：将所述第一明文数据、第二明文数据对2π取余所得的商数之和与2π相乘后所得之积，与根据第二归一化值的正负属性对所述第二归一化值或2π减去第二归一化值之差进行加和，得到所述第一明文数据、第二明文数据的加法隐私计算处理结果。
根据本发明的一个实施例，当所述隐私计算为乘法计算时，得到所述第一明文数据、第二明文数据隐私计算处理结果包括：
所述对第一明文数据、第二明文数据进行可逆归一化处理，分别得到所述第一明文数据、第二明文数据对应的第一归一化值包括：将第一明文数据、第二明文数据归一化处理为0至1取值范围的对应第一归一化值；
所述对一个或多个量子比特施加量子旋转门操作以执行隐私计算处理，包括：将所述第一明文数据、第二明文数据对应的第一归一化值分别作为相位参数输入对应的第一量子旋转门、第二量子旋转门，将所述量子旋转门分别施加到对应的处于叠加态的第一量子比特、第二量子比特；根据第一量子比特、第二量子比特的测量结果判断是否满足授权约束条件；若满足授权约束条件，则将所述第一明文数据、第二明文数据对应的第一归一化值相乘之积作为相位参数输入第三量子旋转门，对处于叠加态的第三量子比特施加第三量子旋转门操作；所述得到第二归一化值，包括：获取所述第三量子比特的状态向量，根据状态向量的相位参数得到第二归一化值；
所述对第二归一化值进行反可逆归一化处理，得到所述第一明文数据、第二明文数据隐私计算处理结果，包括：将0至1取值范围的第二归一化值转换为第一明文数据、第二明文数据乘法隐私计算处理结果。
根据本发明的一个实施例，所述授权约束条件包括：第一归一化值对应的第一量子比特、第二量子比特的测量结果均为1。
根据本发明的一个实施例，所述对第一明文数据、第二明文数据进行可逆归一化处理包括：从所述第一明文数据、第二明文数据与零之中确定出最大值和最小值，将每个明文数据减去最小值所得之差除以最大值与最小值之差后所得商值作为对应的第一归一化值；
所述根据第二归一化值执行反可逆归一化处理包括：
将最大值的平方积减去最小值所得差值与第二归一化值相乘后，所得之积再与最小值相加后所得之和作为所述第一明文数据、第二明文数据的乘法隐私计算处理结果。
根据本发明的另一方面，提供一种基于量子全同态加密实现隐私计算处理的装置，所述装置包括：
可逆归一化模块，被配置为通过对第一明文数据、第二明文数据进行可逆归一化处理，分别得到对应的第一归一化值；
量子电路，用于将一个或多个量子比特初始化为叠加态，基于所述第一归一化值对所述一个或多个量子比特施加量子旋转门操作以执行隐私计算处理；
测量单元，被配置为获取一个或多个量子比特的状态向量，根据状态向量得到第二归一化值；
反可逆归一化模块，被配置为通过对所述第二归一化值进行反可逆归一化处理，得到所述第一明文数据、第二明文数据的隐私计算处理结果。
根据本发明的另一方面，提供一种存储有计算机程序的计算机可读存储介质，当所述计算机程序在被处理器执行时，实现如前面所述的基于量子全同态加密实现隐私计算处理的方法。
根据本发明的另一方面，提供一种计算机设备，所述计算机设备包括：处理器；存储器，存储有计算机程序，当所述计算机程序被处理器执行时，实现如前面所述的基于量子全同态加密实现隐私计算处理的方法。
本发明提供的基于量子全同态隐私计算的技术方案只用到了1到3个量子比特就可以实现包括加减乘除的隐私计算，是非常更高效的量子同态加密方案。相比现有技术，本发明的有益效果在于：
1. 实现简单
本发明的基于量子全同态加密实现隐私计算处理的方法，对电路的要求也较低，消耗极小，只需要一个量子比特即可实现加法运算。
2.安全性高
本发明的基于量子全同态加密实现隐私计算处理的方法，采用量子电路实现隐私计算本身就具有极高安全性，同时针对乘法运算通过设置授权电路可以进一步增强安全性，通过授权电路确认第一和第二明文的量子计算结果均为1的情况下，对两者的积进行量子隐私计算的乘法处理，输出乘法隐私计算结果。
3.不可预测性高
如果同时有n个可逆归一化函数和m个量子逻辑门，基于可逆归一化函数可以构造出算法复杂度为O(2^n!^m!)，这是一个极其复杂的算法，远高于目前Shor算法破解RSA-256算法的复杂度O(2^256)。
4.执行效率高
本发明的基于量子全同态加密实现隐私计算处理的方法，执行效率也更高效快捷。由于不是采用线性多项式，不会出现计算瓶颈。可逆归一化和反可逆归一化的处理方式简便易行，具有很高的计算效率。
附图说明
通过下面结合附图进行的描述，本发明的上述目的和特点将会变得更加清楚。
图1示出的是根据本发明的示例性实施例的基于量子全同态加密实现隐私计算处理的方法的示意性流程图。
图2示出的是根据本发明的示例性实施例的基于量子全同态加密实现加法隐私计算处理的量子电路示意图。
图3示出的是根据本发明的示例性实施例的基于量子全同态加密实现乘法隐私计算处理的量子电路示意图。
图4示出的是根据本发明的示例性实施例的基于量子全同态加密实现隐私计算处理的装置的示意性结构图。
具体实施方式
本发明的构思在于：对需要进行隐私计算的至少两个明文数据进行可逆归一化处理，转化为对应的适于量子电路处理的第一归一化值，将第一归一化值输入量子旋转门，对量子电路的量子比特施加量子旋转门操作，根据量子比特的状态向量解算得到第二归一化值，通过对第二归一化值进行反可逆归一化处理，最终得到对至少两个明文数据进行隐私计算的结果。所述隐私计算包括加减乘除运算以及这些运算的组合。本发明能够基于量子全同态实现包括加减乘除的隐私计算处理，允许对任何加密数据进行任意量子转换。
基于上述发明构思，本发明的一种基于量子全同态加密实现隐私计算处理的方法，包括：
对第一明文数据、第二明文数据进行可逆归一化处理，分别得到所述第一明文数据、第二明文数据对应的第一归一化值；
.基于所述第一明文数据、第二明文数据对应的第一归一化值，对一个或多个量子比特施加量子旋转门操作以执行隐私计算处理，得到第二归一化值；
对第二归一化值进行反可逆归一化处理，得到所述第一明文数据、第二明文数据隐私计算处理结果。
下面，将参照附图来详细说明本发明的实施例。
如图1所示，给出了基于量子全同态加密实现隐私计算处理的方法的示意性流程图。以两个明文数据为例，基于量子全同态加密实现隐私计算处理的方法包括：
步骤S1，获取第一明文数据和第二明文数据；
步骤S2，对第一明文数据、第二明文数据分别进行可逆归一化处理得到对应的第一归一化值；
步骤S3，将量子电路的量子比特初始化为叠加态；
步骤S4，根据第一明文数据、第二明文数据对应的第一归一化值对量子比特施加量子旋转门操作，执行包括加法和/或乘法的隐私计算处理；
步骤S5，获取量子比特的状态向量，根据状态向量解算得到第二归一化值；
步骤S6，根据第二归一化值进行反可逆归一化处理得到第一明文数据与第二明文数据的相加之和和/或相乘之积。
上述的同态加密过程中的明文数据包括但不限于2个，对于多个明文数据的隐私计算处理可以分解为多步进行处理，每次对两个明文数据进行隐私计算处理。两个明文数据经过可逆归一化处理过程执行加密操作得到作为密文的第一归一化值，两个作为密文的第一归一化值可以通过量子电路进行全同态操作（加法、减法、乘法和除法），然后再通过反可逆归一化过程执行解密操作，将作为密文的第二归一化值还原为第一明文数据、第二明文数据的隐私计算结果。
对于量子比特的状态向量，在量子模拟器中可以直接读取模拟器中的量子比特的状态向量。在真实的量子硬件（例如量子计算机）上，需要依赖于量子态重建来获得状态向量。量子态重建可以完全确定一个量子比特的状态向量。获得状态向量需要进行一系列的测量，这通常被称为量子态重建或量子态鉴定。量子态重建涉及对同一个量子状态进行多次测量，但每次测量都在不同的基上（例如，Pauli-X、Pauli-Y、Pauli-Z基）。通过这些测量的统计结果，可以重建该量子状态的密度矩阵，从而得到其状态向量。
量子比特的状态向量是基于量子电路进行量子计算后得到了一个包含了复数元素的状态向量，从状态向量中提取出与状态相关的振幅，通过从状态向量中提取该复数振幅的相位，可以得到第二归一化值，即该相位就是第二归一化值。
同态加密是一种重要的加密技术，它允许在密文域进行隐私计算而无需解密，有助于保护数据的隐私和安全。对于明文数据m和n执行同态加法，通过量子电路进行同态加法即可得到同态加法结果m+n。对于明文数据m和n执行同态减法，例如同态减法m-n，只需在同态加法中保持被减数不变作为一个加数，将减数取负处理后作为另一个加数即可，即m+（-n），按照同态加法的处理流程即可实现同态减法。对于明文数据m和n执行同态乘法，通过量子电路进行同态乘法即可得到同态乘法结果。对于明文数据m和n执行同态除法，例如同态除法m/n，只需在同态乘法中保持被除数不变作为一个乘数，将除数的倒数作为另一个乘数即可，即/>，按照同态乘法的处理流程即可实现同态除法。
实施例1：基于量子全同态加密实现加法隐私计算处理。
步骤S101，获取明文数据，例如获取明文密钥m和n，其中，m和n为任意实数。
步骤S102，对明文数据进行可逆归一化处理；
对于第一明文密钥m，通过对2π取余得到第一余数θ1，取模得到第一商值x，则第一明文数据表示为：m=2πx+θ1。 其中，将第一余数θ1作为对应m的第一归一化值。对于第二明文密钥n，通过对2π取余得到第二余数θ2，取模得到第二商值y，则第二明文数据表示为：n=2πy+θ2。其中，将第二余数θ2作为对应n的第一归一化值。
可逆归一化处理可以通过可逆归一化函数实现。该可逆归一化函数等效于一个对称加密算法。由于量子电路的参数是可以被复制的，不能把明文直接作为参数带入到量子电路。通过可逆归一化处理可以将明文数据转换为0 到 2π之间的归一化值。在步骤S102中，通过对2π取余得到0 到 2π之间的第一归一化值θ1和θ2，本质上是一个加密的过程。
步骤S103，将量子电路的量子比特初始化为叠加态；其中，在量子电路中分配第一量子比特，并将第一量子比特初始化到叠加态。如图2所示，给出了基于量子全同态加密实现加法隐私计算处理的量子电路示意图，包括处于叠加态的第一量子比特Q0。
步骤S104，基于第一量子比特Q0，通过施加量子旋转门执行加法隐私计算处理。先将第一归一化值θ1作为相位参数输入到第一量子旋转门U1a，将第一量子旋转门U1a施加到第一量子比特Q0；再将第一归一化值θ2作为相位参数输入到第二量子旋转门U1b，将第二量子旋转门U1b施加到第一量子比特Q0；通过先后施加的两个量子旋转门实现了对两个第一归一化值θ1和θ2的加法隐私计算。
步骤S105，获取第一量子比特Q0的状态向量，根据状态向量的相位参数解算得到第二归一化值θ3。从状态向量中提取出与状态相关的振幅，从状态向量中提取该复数振幅的相位，该相位θ3就是第二归一化值。采用布洛赫球模型来解释，就是针对第一量子比特Q0先按照第一归一化值θ1对应弧度旋转，再按照第一归一化值θ2对应弧度旋转，最终得到的两次旋转之后的总弧度值为θ3。
步骤S106，根据第二归一化值θ3进行反可逆归一化处理得到第一明文数据与第二明文数据的相加之和。反可逆归一化处理是可逆归一化处理的逆运算，用于将运算结果恢复为明文数据，本质上是一个解密的过程。根据解算出的第二归一化值θ3，并结合第一商数x和第二商数y，可以最终得到整体的明文数据加和隐私计算处理结果。
若θ3为正值，则隐私计算处理结果为：
。
若θ3为负值，则隐私计算处理结果为：
。
反可逆归一化处理是可逆归一化处理的逆过程，在根据量子比特的状态向量解算得到第二归一化值之后，将第二归一化值利用可逆归一化函数反演得到明文数据。通过可逆归一化处理和反可逆归一化处理可以实现明文数据的加密和解密过程。
为了获得更为精确的θ1和θ2的值，可将浮点位数调整为64位，从状态向量做反可逆归一化处理得到的值就非常接近真实值。误差是10万分之一，如果浮点位数调整到128位，误差可以做到10^（-12），接近于经典计算机，而所需开销是非常少的。
量子旋转门可以是U1门或者是Rz门。下面以U1门为例进行详细解释加法隐私计算过程。U1门表示为：。
将第一归一化值θ1输入第一量子旋转门U1a得到的矩阵表示为：
。
将第一归一化值θ2输入第二量子旋转门U1b得到的矩阵表示为：
。
在将第一量子比特Q0初始化到叠加态后，依时序连续施加第一量子旋转门U1（θ1）、第二量子旋转门U1（θ2），相当于两个矩阵相乘所得到的组合操作：
。
采用布洛赫球模型来解释，就是对第一量子比特Q0先后旋转θ1和θ2后，得到旋转弧度值为θ3=θ1+θ2。
例如，；
；
则。
。
由于，所以/>。在获得状态向量后，可以反演解算得到/>，即θ3=θ1+θ2。
实施例2：基于量子全同态加密实现减法隐私计算处理。
参照实施例1的加法隐私计算处理实施方式，对于明文数据m和n执行同态减法，例如同态减法m-n，只需在同态加法中保持被减数不变，作为一个加数，将减数取负处理后作为另一个加数即可，即m+（-n），按照同态加法隐私计算的处理流程即可实现同态减法隐私计算处理。
实施例3：基于量子全同态加密实现乘法隐私计算处理。
步骤S301，获取明文数据，例如获取明文密钥m和n，其中，m和n为任意实数。
步骤S302，对明文数据进行可逆归一化处理；可逆归一化处理是将明文数据m和n分别转化为介于[0， 1]取值区间的第一归一化值，例如将m进行可逆归一化处理得到对应的第一归一化值θ1，0≦θ1≦1；将n进行可逆归一化处理得到对应的第一归一化值θ2，0≦θ2≦1。
例如，从m、n和0这三个数中确定出最大值Zmax和最小值Zmin，m对应的第一归一化值θ1=(m-Zmin)/(Zmax-Zmin)； n对应的第一归一化值θ2=(n-Zmin)/(Zmax-Zmin)；例如，m=73，n=9，则最大值Zmax=73，最小值Zmin=0。第一归一化值θ1=(73-0)/(73-0)=73/73=1;第一归一化值θ2=(9-0)/(73-0)=9/73；进一步可以得到两个归一化值的乘积。
反可逆归一化操作：
。
步骤S303，将量子电路的量子比特初始化为叠加态；其中，在量子电路中分配至少三个量子比特，并将量子比特初始化到叠加态。如图3所示，给出了基于量子全同态加密实现乘法隐私计算处理的量子电路示意图。
步骤S304，基于第一至第三量子比特Q0、Q1和 Q2，通过施加量子旋转门执行乘法隐私计算处理。
第一量子比特Q0和第二量子比特Q1组成授权电路，被配置为分别对第一归一化值θ1和第一归一化值θ2进行授权验证。第一归一化值θ1输入第一量子旋转门U1a后施加到第一量子比特Q0，第一归一化值θ2输入第二量子旋转门U1b后施加到第二量子比特Q1。根据第一量子比特和第二量子比特的测量结果进行授权验证，若两者测量结果都为1，满足授权约束条件，则由第三量子比特Q2执行乘法隐私计算。
授权电路用于对两个明文数据m和n对应的第一归一化值分别进行授权验证，可以防止数据被复制。在数据确认要做乘法运算之前执行测量，确保满足授权约束条件后才能进行乘法计算。因为测量使得量子态坍塌，从而使得参数在被计算前是没有被复制的，尽管这些参数已经是被加密过的。只有在两个第一归一化值对应的量子比特的测量值都是1时，才把加密过的两个第一归一化值的乘积作为相位参数输入至第三量子旋转门U1c。
将两个第一归一化值θ1和θ2之积作为相位参数输入至第三量子旋转门U1c，对第三量子比特Q2施加第三量子旋转门U1c操作。
步骤S305，获取第三量子比特Q2的状态向量，根据状态向量解算出第二归一化值。解析第三量子比特Q2的状态向量，根据状态向量得到第二归一化值θ3，从状态向量中提取出与/> 状态相关的振幅，从状态向量中的相位参数提取该复数振幅的相位，该相位θ3就是第二归一化值。
步骤S306，根据第二归一化值θ3进行反可逆归一化处理得到第一明文数据与第二明文数据的相乘之积。将第二归一化值θ3进行反可逆归一化处理后即可解密得到乘积/>的值z，即：/>。
在实施例3中先后通过对明文数据m和n执行可逆归一化处理、量子电路的隐私计算、反可逆归一化处理之后，最终可以得到隐私计算乘法处理结果。目前可在量子模拟器上实现授权电路，可以认为是在经典计算机上实现的授权量子电路，量子隐私计算部分是在真实量子计算机上进行，所以是一种结合了经典比特与量子比特的混合计算。
实施例4：基于量子全同态加密实现除法隐私计算处理。
获取两个明文密钥m和n，将m作为被除数，将n作为除数。基于实施例3中的乘法隐私处理方案，将除法处理中的除数转换为倒数后作为乘数进行乘法处理，实现了除法隐私计算处理。将该两个明文m和n-1作为乘法隐私计算处理的输入参数即可。例如将两个明文密钥m和n-1作为乘数相乘所得之积为m/n，也就是两个明文密钥m和n进行除法隐私计算处理的商值。
通过采用实施例1至4的隐私计算处理方案，基于量子全同态加密，实现了在密文域进行隐私计算而无需解密，可以实现基于加减乘除的任何隐私计算处理，有助于保护数据的隐私和安全。
实施例5：基于量子全同态加密实现隐私计算处理的装置，包括：
可逆归一化模块，被配置为通过对第一明文数据、第二明文数据进行可逆归一化处理，分别得到对应的第一归一化值；
量子电路，用于将一个或多个量子比特初始化为叠加态，基于所述第一归一化值对所述一个或多个量子比特施加量子旋转门操作以执行隐私计算处理；
测量单元，被配置为获取一个或多个量子比特的状态向量，根据状态向量得到第二归一化值；
反可逆归一化模块，被配置为通过对所述第二归一化值进行反可逆归一化处理，得到所述第一明文数据、第二明文数据的隐私计算处理结果。
如图4所示，以两个明文数据为例，给出了基于量子全同态加密实现隐私计算处理的装置的示意性结构图，该装置包括:
数据获取单元，被配置为获取第一明文数据和第二明文数据；
可逆归一化模块，对第一明文数据、第二明文数据分别进行可逆归一化处理得到对应的第一归一化值；
量子电路，用于将量子比特初始化为叠加态；按照两个明文数据各自对应的第一归一化值对量子比特施加量子旋转门，执行包括加法和/或乘法的隐私计算处理；
测量单元，被配置为获取量子比特的状态向量，根据状态向量解算得到第二归一化值；
反可逆归一化模块，被配置为根据第二归一化值进行反可逆归一化处理得到第一明文数据与第二明文数据的相加之和和/或相乘之积。
其中，可逆归一化模块包括加法归一化单元和乘法归一化单元，加法归一化单元被配置为针对需要加法隐私计算的两个明文数据进行可逆归一化处理，得到用于加法的两个明文数据对应的第一归一化值；乘法归一化单元被配置为针对需要乘法隐私计算的两个明文数据进行可逆归一化处理，得到用于乘法的两个明文数据对应的第一归一化值；
其中，量子电路包括加法量子电路和乘法量子电路，加法量子电路被配置为针对需要加法隐私计算的两个明文数据对应的第一归一化值进行加法隐私计算；乘法量子电路被配置为针对需要乘法隐私计算的两个明文数据对应的第一归一化值进行乘法隐私计算；
其中，反可逆归一化模块包括加法反归一化单元和乘法反归一化单元，加法反归一化单元被配置为对测量得到的第二归一化值进行加法反可逆归一化处理，得到加法隐私计算的两个明文数据之和；乘法反可逆归一化单元被配置为对测量得到的第二归一化值进行乘法反可逆归一化处理，得到乘法隐私计算的两个明文数据之积。
其中，乘法量子电路包括授权电路和乘法计算电路，授权电路包括第一量子比特和第二量子比特，乘法计算电路包括第三量子比特；授权电路通过施加到第一量子比特的第一量子旋转门对需要乘法隐私计算的第一归一化值进行授权验证，在测量结果为1时授权验证合法；授权电路通过施加到第二量子比特的第二量子旋转门对需要乘法隐私计算的第一归一化值进行授权验证，在测量结果为1时授权验证合法；乘法计算电路通过施加到第三量子比特的第三量子旋转门对需要乘法隐私计算且验证合法的两个明文数据对应的第一归一化值相乘之积进行乘法隐私计算处理。
本发明实施例提供的基于量子全同态加密的隐私计算技术方案只用到了1到3个量子比特就可以实现隐私计算，是一种非常更高效的量子同态加密方案，相对于经典的同态加密算法该方案可以更快地处理更大的数据集和更复杂的计算任务。同时，该方案是融合了经典计算和量子计算的混合计算，在经典计算中利用可逆归一化函数实现了对称加密，在量子同态加密中运用了非对称加密，在加法运算种，私钥是θ1和θ2，而公钥是θ1+θ2；在乘法运算种私钥是θ1和θ2，而公钥是。两种加密相互嵌套具有极高复杂度，难以破解。可逆归一化函数和非对称加密算法又都是可以换的，所以灵活性也非常高。
如果同时有n个可逆归一化函数和m个带有e^θ的量子逻辑门，那么就可以构造出算法复杂度是O(2^n!^m!)的极其复杂的算法。目前Shor算法破解RSA-256算法的复杂度为O(2^256)，目前仅采用RZ门或U1门，那么需要构造多少个可逆归一化函数才能到达RSA-256的算法复杂度呢？即求解2^n!^2!>2^256就可以得到结论，那么n只要大于或等于6就能构造出比RSA-256算法复杂度大的多的量子同态加密算法。假设未来可开发的量子逻辑门越来越多的话，那么在保持精度同等的情况下（浮点数定位128位）的量子同态加密算法的复杂度与RSA-256算法复杂度相比如表1所示：
表1：算法复杂度对照表
从表1可以看出来，随着量子逻辑门和可逆归一化函数的数量增加，算法复杂度是成指数级别增加的，所以安全性非常高，足够抵御更强大的攻击，并且该方案所需开销却非常小。
由于量子全同态加密方案同时使用了完全不同的对称加密和非对称加密但位数只有64位即可实现10万分之一的误差，如果调整到128位，误差可以做到10^（-12），接近于经典计算机，可以对任意实数做量子同态加密且开销特别小，满足绝大多数的隐私计算需求。因此，可以广泛运用在隐私计算，云计算、数据分析、机器学习，区块链，加密货币，量子通信等领域。
实施例6：基于量子全同态加密实现隐私计算处理的应用场景
隐私计算是一种保护数据隐私的技术，允许在不泄露底层数据的情况下对数据进行分析和处理。以下是本发明的一些隐私计算的应用场景。
1. 医疗数据共享与分析：
不同的医院和研究机构希望共享和分析患者数据以改善诊断和治疗，但需要保护患者隐私，通过隐私计算，可以在不直接共享患者个人信息的情况下进行跨机构的数据分析。例如将用户的身份信息作为明文数据进行隐私计算处理，在确保安全的情况下实现隐私计算处理，最终可以共享医疗信息。
2. 金融服务：
0139.银行和金融机构需要进行欺诈检测和信用评分，但不希望暴露客户的敏感财务信息。隐私计算可以使机构在不直接访问或共享个人财务数据的情况下进行这些分析。例如将用户的账户个人信息，或者财务数据作为进行隐私计算的明文数据。比如针对姚氏百万富翁问题，可以将两个富翁的财产数据作为明文数据，通过减法或除法隐私计算处理，可以判断出谁的财产更多一些。具体而言，可以对两者财产数值进行相减处理，根据差值是否大于零进行判断。或者，对两者财产数值进行相除处理，根据商数是否大于1进行判断。
3. 供应链优化：
多个公司在供应链中合作，希望共享信息以优化库存和物流，但不想泄露敏感的商业信息。通过隐私计算，公司可以共享足够的信息来协同工作，同时保护各自的商业秘密。例如针对库存信息，或者物流状态，或者公司身份信息等都可以作为明文数据实施隐私计算。
4. 广告和市场研究：
广告商和市场研究公司希望了解消费者行为和偏好，但需要遵循隐私法规。隐私计算允许在不暴露个人身份的情况下分析消费者数据，从而实现个性化广告和市场洞察。例如，将个人身份信息作为明文数据实施隐私计算处理。
5. 智能电网管理：
电力公司希望优化电网性能，但不想泄露个人或企业的能源使用模式。通过隐私计算，可以在保护用户隐私的同时分析和优化整个电网的性能。例如，将个人身份信息作为明文数据实施隐私计算处理。
6. 人力资源和招聘：
公司希望分析员工和求职者的数据以改善招聘和保留，但需要保护个人隐私。隐私计算可以在不暴露个人详细信息的情况下进行这些分析，从而保护员工和求职者的隐私。例如，将个人身份信息作为明文数据实施隐私计算处理。
7. 政府和公共政策研究：
政府机构希望分析社交和经济数据以制定更好的政策，但需要保护公民隐私。隐私计算可以使政府在不侵犯公民隐私的情况下进行广泛的数据分析和研究。例如，将个人身份信息作为明文数据实施隐私计算处理。
隐私计算的这些应用场景反映了在许多不同领域中平衡数据利用和隐私保护的需求。通过允许在不暴露底层数据的情况下进行计算，隐私计算为合作、创新和合规提供了新的可能性。
此外，根据本发明的示例性实施例还可提供一种存储有计算机程序的计算机可读存储介质。该计算机可读存储介质存储有当被处理器执行时使得处理器执行根据本发明的示例性实施例的基于量子全同态加密实现隐私计算处理的方法的计算机程序。该计算机可读记录介质是可存储由计算机系统读出的数据的任意数据存储装置。计算机可读记录介质的示例包括：只读存储器、随机存取存储器、只读光盘、磁带、软盘、光数据存储装置和载波（诸如经有线或无线传输路径通过互联网的数据传输）。
此外，根据本发明的示例性实施例还可提供一种计算设备。该计算设备包括处理器和存储器。存储器用于存储计算机程序。所述计算机程序被处理器执行使得处理器执行根据本发明的示例性实施例的基于量子全同态加密实现隐私计算处理的方法的计算机程序。
需说明，以上说明中的第一、第二、第三、第四等是为了区分在同一或不同实施例中的具有相同名称的特征，并不是数量上的限制。并且本发明并不局限于上文所描述或在图中示出的特定配置和处理。以上所述仅为本发明的具体实施方式，所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，所描述的系统、设备、模块或单元的具体工作过程，可以参考方法实施例中的对应过程，不需再赘述。应理解，本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。
Claims (10)
1.一种基于量子全同态加密实现隐私计算处理的方法，其特征在于，包括：
对第一明文数据、第二明文数据进行可逆归一化处理，分别得到所述第一明文数据、第二明文数据对应的第一归一化值；
将所述第一明文数据、第二明文数据对应的第一归一化值作为相位参数输入量子旋转门，对一个或多个量子比特施加量子旋转门操作以执行隐私计算处理，得到第二归一化值；
对第二归一化值进行反可逆归一化处理，得到所述第一明文数据、第二明文数据隐私计算处理结果。
2.根据权利要求1所述的基于量子全同态加密实现隐私计算处理的方法，其特征在于，所述量子旋转门是U1门或Rz门。
3.根据权利要求1所述的基于量子全同态加密实现隐私计算处理的方法，其特征在于，所述隐私计算处理包括所述第一明文数据、第二明文数据之间的加法、减法、乘法、除法、加减乘除混合计算。
4.根据权利要求3所述的基于量子全同态加密实现隐私计算处理的方法，其特征在于，当所述隐私计算为加法计算时，得到所述第一明文数据、第二明文数据隐私计算处理结果包括：
所述对第一明文数据、第二明文数据进行可逆归一化处理，分别得到所述第一明文数据、第二明文数据对应的第一归一化值，包括：将明文数据对2π取余所得的余数作为第一归一化值；
所述对一个或多个量子比特施加量子旋转门操作以执行隐私计算处理，包括：将第一明文数据、第二明文数据对应的第一归一化值分别作为相位参数输入对应的第一量子旋转门、第二量子旋转门，对处于叠加态的第一量子比特依次施加所述第一量子旋转门、第二量子旋转门操作；
所述得到第二归一化值，包括：获取所述第一量子比特的状态向量，根据状态向量的相位参数得到第二归一化值；
所述对第二归一化值进行反可逆归一化处理，得到所述第一明文数据、第二明文数据隐私计算处理结果，包括：将所述第一明文数据、第二明文数据对2π取余所得的商数之和与2π相乘后所得之积，与根据第二归一化值的正负属性对所述第二归一化值或2π减去第二归一化值之差进行加和，得到所述第一明文数据、第二明文数据的加法隐私计算处理结果。
5.根据权利要求3所述的基于量子全同态加密实现隐私计算处理的方法，其特征在于，当所述隐私计算为乘法计算时，得到所述第一明文数据、第二明文数据隐私计算处理结果包括：
所述对第一明文数据、第二明文数据进行可逆归一化处理，分别得到所述第一明文数据、第二明文数据对应的第一归一化值包括：将第一明文数据、第二明文数据归一化处理为0至1取值范围的对应第一归一化值；
所述对一个或多个量子比特施加量子旋转门操作以执行隐私计算处理，包括：将所述第一明文数据、第二明文数据对应的第一归一化值分别作为相位参数输入对应的第一量子旋转门、第二量子旋转门，将所述量子旋转门分别施加到对应的处于叠加态的第一量子比特、第二量子比特；根据第一量子比特、第二量子比特的测量结果判断是否满足授权约束条件；若满足授权约束条件，则将所述第一明文数据、第二明文数据对应的第一归一化值相乘之积作为相位参数输入第三量子旋转门，对处于叠加态的第三量子比特施加第三量子旋转门操作；
所述得到第二归一化值，包括：获取所述第三量子比特的状态向量，根据状态向量的相位参数得到第二归一化值；
所述对第二归一化值进行反可逆归一化处理，得到所述第一明文数据、第二明文数据隐私计算处理结果，包括：将0至1取值范围的第二归一化值转换为第一明文数据、第二明文数据乘法隐私计算处理结果。
6.根据权利要求5所述的基于量子全同态加密实现隐私计算处理的方法，其特征在于，所述授权约束条件包括：第一归一化值对应的第一量子比特、第二量子比特的测量结果均为1。
7.根据权利要求5所述的基于量子全同态加密实现隐私计算处理的方法，其特征在于，
所述对第一明文数据、第二明文数据进行可逆归一化处理包括：从所述第一明文数据、第二明文数据与零之中确定出最大值和最小值，将每个明文数据减去最小值所得之差除以最大值与最小值之差后所得商值作为对应的第一归一化值；
所述根据第二归一化值执行反可逆归一化处理包括：
将最大值的平方积减去最小值所得差值与第二归一化值相乘后，所得之积再与最小值相加后所得之和作为所述第一明文数据、第二明文数据的乘法隐私计算处理结果。
8.一种基于量子全同态加密实现隐私计算处理的装置，其特征在于，包括：
可逆归一化模块，被配置为通过对第一明文数据、第二明文数据进行可逆归一化处理，分别得到对应的第一归一化值；
量子电路，用于将一个或多个量子比特初始化为叠加态，将所述第一归一化值作为相位参数输入量子旋转门，对所述一个或多个量子比特施加量子旋转门操作以执行隐私计算处理；
测量单元，被配置为获取一个或多个量子比特的状态向量，根据状态向量得到第二归一化值；
反可逆归一化模块，被配置为通过对所述第二归一化值进行反可逆归一化处理，得到所述第一明文数据、第二明文数据的隐私计算处理结果。
9.一种存储有计算机程序的计算机可读存储介质，其中，当所述计算机程序被处理器执行时，实现权利要求1至7中任意一项所述的基于量子全同态加密实现隐私计算处理的方法。
10.一种计算设备，包括：
处理器；
存储器，存储有计算机程序，当所述计算机程序被处理器执行时，实现权利要求1至7中任意一项所述的基于量子全同态加密实现隐私计算处理的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311162882.7A CN116896441B (zh) | 2023-09-11 | 2023-09-11 | 基于量子全同态加密实现隐私计算处理的方法、装置、介质和设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311162882.7A CN116896441B (zh) | 2023-09-11 | 2023-09-11 | 基于量子全同态加密实现隐私计算处理的方法、装置、介质和设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116896441A CN116896441A (zh) | 2023-10-17 |
| CN116896441B true CN116896441B (zh) | 2024-01-05 |
Family
ID=88315257
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311162882.7A Active CN116896441B (zh) | 2023-09-11 | 2023-09-11 | 基于量子全同态加密实现隐私计算处理的方法、装置、介质和设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116896441B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117478305B (zh) * | 2023-12-28 | 2024-04-16 | 粤港澳大湾区数字经济研究院(福田) | 基于两方安全协作的全同态加密方法、系统、终端及介质 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103778593A (zh) * | 2014-01-14 | 2014-05-07 | 南昌大学 | 基于图像关联分解的量子图像加密方法 |
| CN113660085A (zh) * | 2021-08-13 | 2021-11-16 | 北方工业大学 | 一种基于量子同态加密的量子安全多方计算方法 |
| CN116094686A (zh) * | 2022-12-30 | 2023-05-09 | 成都信息工程大学 | 用于量子卷积计算的同态加密方法、系统、设备及终端 |
| CN116644778A (zh) * | 2023-06-08 | 2023-08-25 | 中南大学 | 量子同态神经网络的构建方法及加密图像分类方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP6963277B2 (ja) * | 2017-10-24 | 2021-11-05 | 日本電信電話株式会社 | 変換装置、判定装置、および計算装置 |
-
2023
- 2023-09-11 CN CN202311162882.7A patent/CN116896441B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103778593A (zh) * | 2014-01-14 | 2014-05-07 | 南昌大学 | 基于图像关联分解的量子图像加密方法 |
| CN113660085A (zh) * | 2021-08-13 | 2021-11-16 | 北方工业大学 | 一种基于量子同态加密的量子安全多方计算方法 |
| CN116094686A (zh) * | 2022-12-30 | 2023-05-09 | 成都信息工程大学 | 用于量子卷积计算的同态加密方法、系统、设备及终端 |
| CN116644778A (zh) * | 2023-06-08 | 2023-08-25 | 中南大学 | 量子同态神经网络的构建方法及加密图像分类方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116896441A (zh) | 2023-10-17 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Jayapandian et al. | Secure and efficient online data storage and sharing over cloud environment using probabilistic with homomorphic encryption | |
| Niu et al. | Toward verifiable and privacy preserving machine learning prediction | |
| CN116896441B (zh) | 基于量子全同态加密实现隐私计算处理的方法、装置、介质和设备 | |
| CN114175028B (zh) | 密码假名映射方法、计算机系统、计算机程序和计算机可读介质 | |
| Yee et al. | Review on confidentiality, integrity and availability in information security | |
| Liu et al. | Lightning-fast and privacy-preserving outsourced computation in the cloud | |
| Ibarrondo et al. | Banners: Binarized neural networks with replicated secret sharing | |
| Kitai et al. | MOBIUS: model-oblivious binarized neural networks | |
| Gupta et al. | Differential and access policy based privacy-preserving model in cloud environment | |
| Zhang et al. | Privacy-preserving multikey computing framework for encrypted data in the cloud | |
| Parashar et al. | Symmetric key encryption technique: A cellular automata based approach | |
| Wang et al. | Quantum cryptosystem and circuit design for color image based on novel 3D Julia-fractal chaos system | |
| CN116094686B (zh) | 用于量子卷积计算的同态加密方法、系统、设备及终端 | |
| Dhiman et al. | Homomorphic encryption based federated learning for financial data security | |
| Sharma et al. | Text security using 2d cellular automata rules | |
| Sav et al. | Privacy-preserving federated recurrent neural networks | |
| Gopinath et al. | Side Channel Attack Free Quantum Key Distribution Using Entangled Fuzzy Logic | |
| Xu | Functional encryption based approaches for practical privacy-preserving machine learning | |
| Sharma et al. | Enhancement of HELM operations using multi-node hadoop cluster and cloud platform | |
| Shoba et al. | Data Security and Privacy Preserving with Augmented Homomorphic Re-Encryption Decryption (AHRED) Algorithm in Big Data Analytics | |
| Abdulwahhab et al. | New Trends for Securing Cybersecurity Data | |
| Badhwar | The future state of data security | |
| Shanu et al. | Generating privacy-preserved recommendation using homomorphic authenticated encryption | |
| Mkpojiogu et al. | Hybrid Soft Computing Techniques for Enhancement of Data Privacy on Cloud | |
| Block | ii. Cloud Storage |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |