ABY 开源项目教程
1. 项目介绍
ABY 是一个用于高效混合协议安全两方计算(Secure Two-Party Computation, 2PC)的开源框架。它结合了基于算术共享(Arithmetic sharing)、布尔共享(Boolean sharing)和姚氏混淆电路(Yao's garbled circuits)的安全计算方案,提供了在安全两方计算中的最佳实践解决方案。ABY 允许预计算几乎所有的加密操作,并提供了基于预计算的 Oblivious Transfer(OT)扩展的高效转换机制。
ABY 支持多种标准操作,并提供了示例应用程序。该项目主要用于测试目的,不建议在生产环境中使用,因为无法保证其安全性和正确性。
2. 项目快速启动
2.1 环境准备
ABY 项目需要以下环境:
- Linux 发行版(推荐使用 Debian 或 Ubuntu)
- 编译器和标准库(支持 C++17 及以上版本)
- 依赖包:
g++,cmake,libgmp-dev,libssl-dev,libboost-all-dev
可以使用以下命令安装依赖包:
sudo apt-get install g++ cmake libgmp-dev libssl-dev libboost-all-dev
2.2 下载和编译
- 克隆 ABY 项目仓库:
git clone https://github.com/encryptogroup/ABY.git
- 进入项目目录:
cd ABY
- 创建并进入构建目录:
mkdir build && cd build
- 使用 CMake 配置构建:
cmake ..
- 编译项目:
make
编译完成后,生成的可执行文件和库文件将位于 bin/ 和 lib/ 目录中。
3. 应用案例和最佳实践
3.1 百万富翁问题
百万富翁问题是由姚期智在1982年提出的经典问题,涉及两个想要找出谁更富有的当事人,而不透露他们的实际财富。ABY 提供了一个简单的示例应用程序来解决这个问题。
3.2 安全计算 AES
ABY 还提供了一个安全计算 AES 加密的示例,其中一个当事人输入密钥,另一个当事人输入消息,双方协作完成加密过程。
3.3 欧几里得距离
ABY 支持计算两个二维坐标的欧几里得距离,这是一个常见的安全计算应用场景。
3.4 最小欧几里得距离
ABY 还支持计算一个 d 维元素与一个包含 n 个 d 维元素的数据库之间的最小欧几里得距离。
3.5 算术内积
ABY 提供了计算 N 个值的算术内积的示例,即将 N 个值按组件相乘,然后将所有乘积结果相加(模 16 位)。
3.6 安全哈希函数评估 SHA1
ABY 支持双方将他们的 256 位输入连接成一个 512 位的消息,并协作使用 SHA1 进行哈希计算。
3.7 LowMC 块密码家族
ABY 还支持 LowMC 块密码家族,其中一个当事人输入密钥,另一个当事人输入消息,双方协作完成加密过程。
4. 典型生态项目
ABY 作为一个安全两方计算框架,可以与其他安全计算相关的项目结合使用,例如:
- MP-SPDZ: 一个多方的安全计算框架,可以与 ABY 结合使用以扩展到多方计算场景。
- EMP-toolkit: 另一个安全计算工具包,提供了多种安全计算协议的实现。
- SCALE-MAMBA: 一个基于安全计算的教学和研究平台,可以与 ABY 结合进行更复杂的安全计算实验。
通过结合这些生态项目,ABY 可以应用于更广泛的场景,如隐私保护的数据分析、安全多方计算等。
AutoGLM-Phone-9BAutoGLM-Phone-9B是基于AutoGLM构建的移动智能助手框架,依托多模态感知理解手机屏幕并执行自动化操作。Jinja00
Kimi-K2-ThinkingKimi K2 Thinking 是最新、性能最强的开源思维模型。从 Kimi K2 开始,我们将其打造为能够逐步推理并动态调用工具的思维智能体。通过显著提升多步推理深度,并在 200–300 次连续调用中保持稳定的工具使用能力,它在 Humanity's Last Exam (HLE)、BrowseComp 等基准测试中树立了新的技术标杆。同时,K2 Thinking 是原生 INT4 量化模型,具备 256k 上下文窗口,实现了推理延迟和 GPU 内存占用的无损降低。Python00
GLM-4.6V-FP8GLM-4.6V-FP8是GLM-V系列开源模型,支持128K上下文窗口,融合原生多模态函数调用能力,实现从视觉感知到执行的闭环。具备文档理解、图文生成、前端重构等功能,适用于云集群与本地部署,在同类参数规模中视觉理解性能领先。Jinja00
HunyuanOCRHunyuanOCR 是基于混元原生多模态架构打造的领先端到端 OCR 专家级视觉语言模型。它采用仅 10 亿参数的轻量化设计,在业界多项基准测试中取得了当前最佳性能。该模型不仅精通复杂多语言文档解析,还在文本检测与识别、开放域信息抽取、视频字幕提取及图片翻译等实际应用场景中表现卓越。00
GLM-ASR-Nano-2512GLM-ASR-Nano-2512 是一款稳健的开源语音识别模型,参数规模为 15 亿。该模型专为应对真实场景的复杂性而设计,在保持紧凑体量的同时,多项基准测试表现优于 OpenAI Whisper V3。Python00
GLM-TTSGLM-TTS 是一款基于大语言模型的高质量文本转语音(TTS)合成系统,支持零样本语音克隆和流式推理。该系统采用两阶段架构,结合了用于语音 token 生成的大语言模型(LLM)和用于波形合成的流匹配(Flow Matching)模型。 通过引入多奖励强化学习框架,GLM-TTS 显著提升了合成语音的表现力,相比传统 TTS 系统实现了更自然的情感控制。Python00
Spark-Formalizer-X1-7BSpark-Formalizer 是由科大讯飞团队开发的专用大型语言模型,专注于数学自动形式化任务。该模型擅长将自然语言数学问题转化为精确的 Lean4 形式化语句,在形式化语句生成方面达到了业界领先水平。Python00