基于全同态加密的安全人脸识别系统 本人个人主页： 指导老师：陈智罡(Zhigang Chen), 个人网站： 本项目获得第十二届全国大学生信息安全竞赛国家级二等奖。 特点说明： 随着人脸识别技术广泛使用，人脸数据安全问题的严重性也日益增长。 我们采用了全同态加密的方法来保证数据的安全性。 全同态加密：全同态加密支持加密域中密文的计算。那么全同态加密的提出就能够很好的解决计算隐私的问题。我们都知道人脸识别或者说机器学习甚至是整个人工智能，归根到底都是统计数学方法，那么就避不开计算，如此一来，我们就可以先用公钥将数据进行加密，加密后的密文进行数据传输和数值计算，计算结果还是为密文，用户收到密文结果后用私钥进行解密。这样就很好的保证了数据的隐私安全性。 项目难点： 1、Python和C++的跨平台开发，密码学的全同态加密算法采用C++语言编写，人工智能中的人脸识别算法采用Python编写； 2、

Homomorphic_filter 一个基本的同态滤镜应用程序，用于图像增强和校正。该脚本是使用离散傅里叶变换开发的，目的是在科学背景下解决光学显微镜图像的不均匀照度问题。该应用程序包括减少像素数的压缩参数“ Comp”，与傅里叶变换关联的三个参数，这些参数管理滤镜的饱和度，清晰度和强度。这些应适用于所有特定情况。该应用程序还包含一个“安全图像比例”复选框，使图像比例未得到处理（大部分时间...）。 目前该脚本不支持批处理，我可能稍后再添加。 希望它会有用！ -。exe和.py（python 3）中提供的应用程序，请注意，您的防病毒软件可能会害怕.exe-

云计算被认为是分布式计算、虚拟化技术、网格计算和并行计算的发展和构建，但安全和隐私问题是用户适应云计算的强大障碍。 云计算最常面临的一些问题是数据丢失、分布式拒绝服务攻击、网络钓鱼、共享云计算服务以及数据备份不足和社会工程攻击，为了遏制此类攻击并防止访问敏感数据，数据通常在存储之前进行加密。 数据需要先解密，然后才能访问，因此采用同态加密，因为它允许云提供商对加密的数据进行操作，而无需先对其进行解密。 如果加密可以执行有限数量的操作，则称其为部分同态，而如果它可以执行加法和乘法，则称为完全同态。 在本文中，我们实现并讨论了一个使用 paillier 加密的电子投票系统。

Elgamal-api 具有加法同态性质的ElGamal实现。 表中的内容 理论 ElGamal加密由三部分组成：密钥生成器，加密算法和解密算法。 密钥生成 密钥生成器的工作方式如下： 爱丽丝用生成器g生成q阶循环群G的有效描述。 有关此组所需属性的讨论，请参见下文。 爱丽丝从{1，…，q − 1}中随机选择一个x。 爱丽丝计算h：= g ^ x。 爱丽丝发布h以及对G，q，g的描述作为她的公钥。 爱丽丝保留x作为她的私钥，必须对其保密。 加密 加密算法的工作原理如下：使用公钥（G，q，g，h）对消息mto Alice加密。 鲍勃从{1，…，q − 1}中选择一个随机y，然后计算c1：= g ^ y。 鲍勃计算共享秘密s：= h ^ y：= g ^ xy。 鲍勃将他的消息m映射到G的元素m'上。 鲍勃计算c2：= m。 鲍勃将密文（c1，c2）=（gy，m'‧hy）=（

数字图像处理，matlab代码，实现同态滤波，在频域中同时进行图像对比度增强和压缩图像亮度范围的滤波方法。

云计算是在共享资源的同时处理大型数据库的一种非常便捷的方法。 当前，有许多成本相对较低的云服务可用，这鼓励了机器和深度学习领域的研究人员使用它们。 云的问题在于其固有的不安全特性。 因此，诸如医疗保健和银行业之类的敏感部门不愿使用这些服务。 在本文中，我们为将“完全同态加密”应用于神经网络中的云上图像进行处理提供了概念证明。 在一定程度上，我们证明了FHE在黑白，灰度和彩色图像，高斯滤波和卷积神经网络（CNN）上的图像分类成功。

Fully Homomorphic Encryption in Real World Applications，2019年新书，介绍了全同态加密技术的进展和现实中的应用。

Boolean functions for homomorphic-friendly stream ciphers 2020年密码学学论文

(Leveled) Fully Homomorphic Encryption.pdf，同态密码必读文章

对于信息安全专业的同学来说，BGV FHE 是个很好的primitives,