隐私集合求交（PSI）-两方技术如何实现数据安全共享？

本文共计4905个文字，预计阅读时间需要20分钟。

在知网上搜索到的关于论文《Efficient Batched Oblivious PRF with Applications to Private Set Intersection》的讲解，以下为摘要：

本文介绍了一种高效批量无记忆伪随机函数（Oblivious PRF）及其在隐私集合交集（PSI）中的应用。论文首先从理论层面阐述了该算法的原理，然后通过递归渐进的方式详细描述了算法的实现过程。以下是学习摘要：

隐私计算关键技术：隐私集合交集（PSI）

1. 隐私集合交集（PSI）是一种在保护隐私的前提下，实现两个集合交集的算法。它广泛应用于数据挖掘、机器学习等领域。

2. PSI算法要求参与方在计算过程中，不泄露各自集合的任何信息，仅输出交集的结果。

3. 本文提出的批量无记忆伪随机函数（Oblivious PRF）在PSI算法中起到了关键作用。

高效批量无记忆伪随机函数（Oblivious PRF）

1. 无记忆伪随机函数（PRF）是一种在给定随机种子和输入的情况下，输出看似随机序列的函数。

2. 批量无记忆伪随机函数（Batched Oblivious PRF）可以将多个输入映射到多个输出，从而提高算法的效率。

3. 本文提出的算法在保证隐私的前提下，实现了高效的批量映射。

PSI算法中的应用

1. 将批量无记忆伪随机函数应用于PSI算法，可以有效提高算法的效率。

2. 通过优化PRF的构造方式，降低算法的计算复杂度。

3. 实验结果表明，本文提出的算法在保证隐私的同时，具有较高的效率。