本文对现有安全多方计算/学习框架进行了全面、系统的梳理。

1. 目前大部分安全多方计算框架主要基于秘密共享、同态加密、混淆电路以及相关基本模块的组合。
2. 通常使用定制的协议来支持特定数量的参与方（一般为两方或三方），导致可扩展性较差。
3. 大多数只能支持诚实大多数/不诚实大多数的半诚实安全模型，以及诚实大多数的恶意安全模型。恶意安全模型只有基于SPDZ协议的安全多方学习框架才可以支持。
4. 大部分支持安全训练功能的框架能够高效运行的模型较为简单，如线性回归、逻辑回归和网构较为简单的神经网络。对ResNet等较复杂的模型支持较少或效率较低。

1. ABY

ABY框架由德国达姆施塔特工业大学（Technische Universita ̈t Darmstadt）的 Engineering Cryptographic Protocols Group于2015年在论文《ABY – A Framework for Efficient Mixed-Protocol Secure Two-Party Computation》中提出。

该框架仅实现具有半诚实安全性的两方计算，支持三种秘密共享类型（算术共享、布尔共享、姚式共享）之间的安全转换,其中，算术共享采用Beaver乘法三元组，布尔共享采用GMW（Goldreich-Micali-Wigderson）协议，姚式共享采用混淆电路协议。

源代码：
https://github.com/encryptogroup/ABY

2. ABY3

ABY3 由Payman Mohassel and Peter Rindal于2018年在论文《ABY3: A Mixed Protocol Framework for Machine Learning》中提出。

该框架设计了一个通用的基于三方服务器的隐私保护机器学习框架，基于此实现了新的线性回归、逻辑回归、神经网络模型；提出了新的完整的算术电路、布尔电路和Yao电路之间的转化协议；提出了新的三方秘密分享下的定点十进制小数乘法、并设计了计算分断线性多项式函数的协议；该框架仅以半诚实安全性来实现三方计算

源代码：
https://github.com/ladnir/aby3

3. CBMC-GC

CBMC-GC由Martin Franz1, Andreas Holzer于2014年在论文《CBMC-GC: An ANSI C Compiler for Secure Two-Party Computations》中提出。

该框架是一个能将符合ANSI-C标准的程序转换成布尔电路的电路编译器，还包括一个以其他格式输出电路的工具circuit-utils，这个工具对于仅支持部分电路格式的文件框架至关重要，比如EMP-toolkit。

源代码：
https://github.com/MPC-SoK/frameworks/tree/master/cbmc-gc

4. Cheetah

Cheetah是阿里安全双子座实验室于2022年在USENIX Security’22的发布的论文《Cheetah: Lean and Fast Secure Two-Party Deep Neural Network Inference》提出的框架。

该框架通过仔细设计DNN，基于格的同态加密、VOLE类型的不经意传输和秘密共享, 提出了2PC-NN推理的系统Cheetah, 比CCS’20的CrypTFlow2开销小的多, 计算效率更快, 通信效率更高。

源代码：
https://github.com/Alibaba-Gemini-Lab/OpenCheetah

5. CrypTen

CrypTen是Facebook于2019年在论文《CRYPTEN: Secure Multi-Party Computation Meets Machine Learning》提出的框架。

该框架基于PyTorch实现，可以使机器学习从业者能够使用安全的计算技术，在保护数据隐私的场景下实现半诚实的机器学习模型训练。

源代码：
https://github.com/facebookresearch/CrypTen

官网：
https://crypten.ai

6. CrypTFlow2

CrypTFlow2是微软Deevashwer Rathee等人在CCS’2020的发表论文《CrypTFlow2: Practical 2-Party Secure Inference》提出的框架。

该框架基于茫然传输（Oblivious Transfer, OT）提出了安全比较的一种新的协议，并对该协议进行了深度优化。然后，利用该比较协议设计了面向神经网络的多个算子协议，例如ReLU、Truncation、faithful Division (divisor is public), Avgpool、和Maxpool等。

源代码：
https://github.com/mpc-msri/EzPC

7. EMP-toolkit

EMP-toolkit由XiaoWang,AlexJ.Malozemoff,andJonathanKatz在2016年提出，实现了零知识证明、OT、混淆电路等安全多方计算基本模块，实现语言包括Python、C++等。

源代码：
https://github.com/emp-toolkit

8. FRESCO

FRESCO由Alexandra Institute于2020年提出，该框架是一个高效的安全计算框架，提供了许多常用的安全功能的标准库，以便快速实现新的复杂功能，在应用程序中使用。FRESCO支持并行化和预处理等技术，使其能够扩展到大型计算。

FRESCO框架只实现了不诚实多数计算，对算术电路(SPDZ和SPDZ2k )具有恶意安全，对二进制电路具有半诚实安全。

源代码：
https://github.com/aicis/fresco

9. Frigate

Frigate是一个编译器，它将类似C语言的代码编译成二进制的电路描述，由Benjamin Mood, Debayan Gupta, Henry Carter等人于2016年在论文《Frigate: A Validated, Extensible, and Efficient Compiler and Interpreter for Secure Computation》中提出。

10. JIFF

JIFF由Multiparty.org Development Team于2020年发布，是一个用于构建依赖安全多方计算的应用程序的JavaScript库。JIFF高度灵活，专注于可用性，能够在浏览器、手机或Node.js中运行。JIFF的设计使得开发人员不需要熟悉MPC技术或知道密码协议的细节，就可以构建安全的应用程序。

源代码：
https://github.com/multiparty/jiff

11. MP-SPDZ

MP-SPDZ由澳大利亚的研究机构CSIRO’s Data61于2020年在论文《MP-SPDZ: A Versatile Framework for Multi-Party Computation》中提出。

该框架作为SPDZ-2的分支，是多方计算协议SPDZ的实现。MP-SPDZ将SPDZ-2扩展到了二十多种MPC协议，涵盖了常用的安全模型(诚实/不诚实的多数人和半诚实/恶意模型)，以及二进制和算术电路的计算(后者的模数为素数和二次幂)，所采用的基本模块包括秘密共享、不经意传输、同态加密和混淆电路。主体语言是Python，定义了很多新的关于MPC的类和库，可基于Python的高级编程接口来使用相关协议。

源代码：
https://github.com/data61/MP-SPDZ

12. MPC-ECDSA

2023年，Safeheron公司开源了基于 C++ 的 MPC 门限签名协议库，主要包括GG18、GG20、MPC-CMP3 种具有代表性的 MPC-ECDSA 协议。

源代码：
https://github.com/Safeheron/multi-party-ecdsa-cpp

13. MPyC

MPyC由Berry Schoenmakers于2020年发布，是一个用于MPC的开源Python包，实现了基于Shamir的秘密共享的半诚实安全的计算。

源代码：
https://github.com/lschoe/mpyc

14. Obliv-C

Obliv-C由Samee Zahur, Mike Rosulek, David Evans于2015年在论文《Obliv-C: A Language for Extensible Data-Oblivious Computation》中提出。

Obliv-C是一个简单的GCC包装器，可以很容易地在常规C程序中嵌入安全计算协议。

源代码：
https://github.com/samee/obliv-c

15. OblivVM

OblivVM由Chang Liu, Xiao Shaun Wang, Kartik Nayak等人于2015年在论文《ObliVM: A Programming Framework for Secure Computation》中提出。

ObliVM提供了一种领域专用语言，将Java的扩展编译成Java字节码，支持Yao的混淆电路，具有半诚实的安全性。

源代码：
https://github.com/oblivm/ObliVMLang

16. PICCO

PICCO由Yihua Zhang, Aaron Steele, and Marina Blanton于2013年在论文《PICCO: A General-Purpose Compiler for Private Distributed Computation》中提出。

该框架将C语言扩展编写的程序编译成本地二进制文件，并在分布式环境中运行它，实现了基于Shamir的秘密共享的诚实多数半诚实计算。

源代码：
https://github.com/applied-crypto-lab/picco

17. Primihub

Primihub是原语科技于2022年研发打造的隐私计算平台，融合了MPC（多方安全计算）、FL（联邦学习）、HE（同态加密）、TEE（可信执行环境）等多种技术路线，提供多安全级别、多性能要求、多场景支持的解决方案。

源代码：
https://github.com/primihub

18. Private Join and Compute

谷歌公司于2019年推出了Private Join and Compute隐私计算开源框架。该框架Private Join和Compute结合了隐私集合交集、同态加密两种基本的加密技术来保护数据。

源代码：
https://github.com/Google/private-join-and-compute 。

19. PySyft

PySyft是OpenMined开放源代码社区于2021年研发的用于安全和隐私深度学习的Python库。 PySyft使用多方计算（MPC）、联邦学习、差分隐私同态加密（HE）将模型训练中的隐私数据解耦。

源代码：
https://github.com/OpenMined/PySyft

20. SCALE-MAMBA

SCALE-MAMBA框架由KU Leuven COSIC于2019年提出。该框架是SPDZ-2的另一个分叉，尽管有共同的根源，但自2018年以来，这两个分叉已经有了很大的分歧。SCALE-MAMBA只实现了素数模数（不是二的幂数）的算术计算，根据Hazay等人的混淆电路，以及基于秘密共享的二进制计算。所有的计算都只在恶意安全的情况下实现，不诚实多数计算模数化只使用同态加密实现。另一方面，SCALE-MAMBA对理论上可能的任何访问结构都实现了诚实多数计算。前端与MP-SPDZ中的类似，但没有后期增加的动态循环优化、重复代码优化和机器学习功能。此外，作者已经开始脱离Python编译器，转而使用基于Rust的新编译器。

源代码：
https://github.com/KULeuven-COSIC/SCALE-MAMBA

21. SecretFlow

SecretFlow由蚂蚁集团于2022年发布，是一个保护隐私的数据智能和机器学习的统一框架， 它对隐私计算业务及环境进行了抽象，使用Python语言实现，巧妙的类库设计、不同类型对象设计，使得整个隐私计算应用流程有了一个比较明确的框架。

SecretFlow提供

• 设备抽象，将多方安全计算（MPC）、同态加密（HE）和可信执行环境（TEE）等隐私计算技术抽象为密文设备，并将明文计算抽象为明文设备。
• 基于抽象设备的计算图，使数据分析和机器学习工作流程能够表示为计算图。
• 基于计算图的机器学习/数据分析功能，支持数据水平/垂直/混合分割和其他场景。
• 多方安全数据分析系统 SCQL（Secure Collaborative Query Language），把 SQL 做到多方安全计算（MPC）技术上的应用，实现了工业级的多方安全数据分析功能。

22. Sequre

Sequre由Haris Smajlović, Ariya Shajii, Bonnie Berger等人于2023年在论文《Sequre: a high-performance framework
for secure multiparty computation enables biomedical data sharing》提出。

该框架是一个易于使用的高性能MPC应用开发框架，提供了一套自动编译时优化，可以显著提高MPC应用程序的性能，主体语言是Python，目前已应用与在各种生物信息学任务上，包括全基因组关联研究、药物-靶标相互作用推断等，速度比现有流程提高了3-4倍，代码库大小减少了7倍。

源代码：https://github.com/0xTCG/sequre

23. Sharemind MPC

Sharemind MPC由 于2020年在论文《Sharemind: A Framework for Fast Privacy-Preserving Computations》中提出。

该框架实现了各种后端的前台，但它自己的后端只使用三方诚信多数半诚信计算。它还允许使用ABY和FRESCO作为后端，而专有的后端不能自由使用。

源代码：
https://github.com/sharemind-sdk

24. Squirrel

Squirrel是摩根大通及其附属公司(“JP摩根”)的人工智能研究小组和AlgoCRYPT CoE小组于2023年在论文《Squirrel: A Scalable Secure Two-Party Computation Framework for Training Gradient Boosting Decision Tree》提出的框架。

该框架可在纵向切分的数据集上进行安全的两方GBDT训练的框架，其中两个数据所有者各自持有相同数据样本的不同特征，在训练过程中不会泄露任何敏感的中间信息。

25. TF-Encrypted（TFE）

TFE由Morten Dahl等人于2018年在论文《Private Machine Learning in TensorFlow using Secure Computation》中提出。

该框架是在 TensorFlow 上构建的隐私计算框架，充分利用了 TF 中已有的图计算优化、网络通信和优化等特点，让开发者仅需关注隐私计算协议的功能层和应用层，是最早出现的一批支持安全多方计算+机器学习的隐私计算框架之一，目前主要由阿里巴巴安全部双子座实验室 承担维护。

官网地址：
https://tf-encrypted.io
源代码：
https://github.com/tf-encrypted/tf-encrypted

26. TinyGarble

TinyGarble由Ebrahim M. Songhori, Siam U. Hussain等人于2015年在论文《TinyGarble: Highly Compressed and Scalable Sequential Garbled Circuits》中提出。

该框架实现了Yao的半诚实安全的混淆乱码电路。TinyGarble可以将1024位乘法所需的内存占用压缩为4,172倍，同时将非XOR门的数量减少67%。

源代码：
https://github.com/esonghori/TinyGarble

27. Wysteria

Wysteria由Aseem Rastogi、Matthew A. Hammer等人于2014年在论文《WYSTERIA: A Programming Language for Generic, Mixed-Mode Multiparty Computations》中提出。

该框架实现了一个特定领域的语言，在半诚实环境下，只有二进制计算。

源代码：
https://github.com/voidshard/wysteria