論文の概要: Visor: Privacy-Preserving Video Analytics as a Cloud Service
- arxiv url: http://arxiv.org/abs/2006.09628v2
- Date: Tue, 23 Jun 2020 04:37:24 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-19 21:21:57.799313
- Title: Visor: Privacy-Preserving Video Analytics as a Cloud Service
- Title（参考訳）: Visor: クラウドサービスとしてのプライバシー保護ビデオ分析
- Authors: Rishabh Poddar and Ganesh Ananthanarayanan and Srinath Setty and
Stavros Volos and Raluca Ada Popa
- Abstract要約: 本稿では、ユーザのビデオストリームとMLモデルの機密性を提供するシステムVisorを紹介する。
Visorは、CPUとGPUの両方にまたがるハイブリッドTEEでビデオパイプラインを実行する。
パイプラインは、ビデオモジュールのデータ依存アクセスパターンによって引き起こされるサイドチャネル攻撃から保護される。
- 参考スコア（独自算出の注目度）: 22.967107819620548
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Video-analytics-as-a-service is becoming an important offering for cloud
providers. A key concern in such services is privacy of the videos being
analyzed. While trusted execution environments (TEEs) are promising options for
preventing the direct leakage of private video content, they remain vulnerable
to side-channel attacks.
We present Visor, a system that provides confidentiality for the user's video
stream as well as the ML models in the presence of a compromised cloud platform
and untrusted co-tenants. Visor executes video pipelines in a hybrid TEE that
spans both the CPU and GPU. It protects the pipeline against side-channel
attacks induced by data-dependent access patterns of video modules, and also
addresses leakage in the CPU-GPU communication channel. Visor is up to
$1000\times$ faster than na\"ive oblivious solutions, and its overheads
relative to a non-oblivious baseline are limited to $2\times$--$6\times$.
- Abstract（参考訳）: ビデオ分析・アズ・ア・サービスもクラウドプロバイダにとって重要なサービスになりつつある。
このようなサービスにおける重要な懸念は、分析されるビデオのプライバシーである。
信頼できる実行環境(TEE)は、プライベートビデオコンテンツの直接リークを防ぐための有望なオプションであるが、サイドチャネル攻撃には弱いままである。
本稿では,ユーザのビデオストリームとmlモデルの機密性を提供するシステムであるvisorについて,クラウドプラットフォームと信頼できないコテナントの存在下で紹介する。
Visorは、CPUとGPUの両方にまたがるハイブリッドTEEでビデオパイプラインを実行する。
ビデオモジュールのデータ依存アクセスパターンによって引き起こされるサイドチャネル攻撃に対してパイプラインを保護し、CPU-GPU通信チャネルのリークに対処する。
Visorは、na\\\times$よりも最大1000\times$で、非公開ベースラインに対するオーバーヘッドは、$2\times$--$6\times$に制限されている。
関連論文リスト
- PipeLLM: Fast and Confidential Large Language Model Services with Speculative Pipelined Encryption [5.667756833450548]
暗号化は大幅な性能上のオーバーヘッドを引き起こす。
ユーザ透過型ランタイムシステムであるPipeLLMを紹介する。
我々は、暗号化を必要とするデータを予測するために、投機的パイプライン暗号を提案する。
論文 参考訳（メタデータ） (2024-11-04T19:58:53Z) - PPVF: An Efficient Privacy-Preserving Online Video Fetching Framework with Correlated Differential Privacy [24.407782529925615]
高品質なオンラインビデオサービスを維持しつつ、ユーザの要求のプライバシを維持するための新しいプライバシ保存ビデオフェッチフレームワークを提案する。
信頼されたエッジデバイスを使用して、ビデオのプレフェッチとキャッシュを行い、エッジキャッシュの効率を最適化しながら、ユーザの要求のプライバシを確保する。
その結果,PPVFは高いビデオキャッシング性能を維持しつつ,ユーザの要求するプライバシを効果的に保護することを示した。
論文 参考訳（メタデータ） (2024-08-27T02:03:36Z) - Flash-VStream: Memory-Based Real-Time Understanding for Long Video Streams [78.72965584414368]
人間の記憶機構をシミュレートしたビデオ言語モデルFlash-VStreamを提案する。
既存のモデルと比較して、Flash-VStreamは遅延推論とVRAM消費の大幅な削減を実現している。
本稿では,オンライン動画ストリーミング理解に特化して設計された質問応答ベンチマークであるVStream-QAを提案する。
論文 参考訳（メタデータ） (2024-06-12T11:07:55Z) - Spatio-temporal Prompting Network for Robust Video Feature Extraction [74.54597668310707]
フレームテンポラリ(Frametemporal)は、ビデオ理解の分野における大きな課題の1つだ。
最近のアプローチでは、トランスフォーマーベースの統合モジュールを活用して、時間的品質情報を得る。
N-Temporal Prompting Network (NNSTP) という,クリーンで統一されたフレームワークを提案する。
ネットワークバックボーン内の入力特徴を調整することで,映像特徴の抽出を効率的に行うことができる。
論文 参考訳（メタデータ） (2024-02-04T17:52:04Z) - Understanding Deep Gradient Leakage via Inversion Influence Functions [53.1839233598743]
Deep Gradient Leakage (DGL)は、勾配ベクトルからプライベートトレーニングイメージを復元する非常に効果的な攻撃である。
得られた画像とプライベート勾配との間の閉形式接続を確立する新しいインバージョンインフルエンス関数(I$2$F)を提案する。
I$2$Fは、一般的に異なるモデルアーキテクチャ、データセット、アタック実装、摂動に基づく防御に基づいてDGLを効果的に近似したことを実証的に実証した。
論文 参考訳（メタデータ） (2023-09-22T17:26:24Z) - Privacy Side Channels in Machine Learning Systems [87.53240071195168]
プライバシサイドチャネルは、システムレベルのコンポーネントを利用してプライベート情報を抽出する攻撃である。
例えば、差分プライベートなトレーニングを適用する前にトレーニングデータを重複させることで、保証可能なプライバシ保証を完全に無効にするサイドチャネルが生成されることを示す。
さらに,学習データセットに含まれる秘密鍵を抽出するために,言語モデルを学習データ再生からブロックするシステムを利用することを示す。
論文 参考訳（メタデータ） (2023-09-11T16:49:05Z) - Learn to Compress (LtC): Efficient Learning-based Streaming Video
Analytics [3.2872586139884623]
LtCは、ビデオソースと分析サーバの協調フレームワークで、分析パイプライン内のビデオストリームの削減を効率的に学習する。
LtCは28～35%の帯域幅を使用でき、最近公開されたアートストリーミングフレームワークと比較して最大45%のレスポンス遅延がある。
論文 参考訳（メタデータ） (2023-07-22T21:36:03Z) - Large-capacity and Flexible Video Steganography via Invertible Neural
Network [60.34588692333379]
大容量フレキシブルビデオステレオグラフィーネットワーク(LF-VSN)を提案する。
大容量のために、単一の可逆ニューラルネットワーク(INN)を介して複数のビデオの隠蔽と回復を行う可逆パイプラインを提案する。
フレキシビリティのために、異なる受信機が特定の秘密映像を同じカバービデオから特定のキーを介して復元できるキー制御可能なスキームを提案する。
論文 参考訳（メタデータ） (2023-04-24T17:51:35Z) - Real-time Streaming Video Denoising with Bidirectional Buffers [48.57108807146537]
リアルタイムDenoisingアルゴリズムは、通常、ビデオストリームの撮影と送信にかかわるノイズを取り除くために、ユーザーデバイスに採用されている。
最近のマルチアウトプット推論は、双方向の時間的特徴を並列または繰り返しのフレームワークで伝達する。
本研究では,過去と未来の両方の時間的受容場を持つストリーミングビデオに対して,高忠実度リアルタイムデノナイズを実現するための双方向ストリーミングビデオデノナイズフレームワークを提案する。
論文 参考訳（メタデータ） (2022-07-14T14:01:03Z) - A Serverless Cloud-Fog Platform for DNN-Based Video Analytics with
Incremental Learning [31.712746462418693]
本稿では、クライアント-フォグクラウドのシナジーをフル活用して、DNNベースのビデオ分析に役立てる最初のサーバーレスシステムを提案する。
この目的のために、V(Video-Platform-as-a-Service)と呼ばれる総合的なクラウドフォッグシステムを実装した。
評価の結果、Vは複数のSOTAシステムよりも優れており、高い精度を維持しながら帯域幅を最大21%削減し、RTTを最大62.5%削減し、クラウドの金融コストを最大50%削減している。
論文 参考訳（メタデータ） (2021-02-05T05:59:36Z) - Reconfigurable Cyber-Physical System for Critical Infrastructure
Protection in Smart Cities via Smart Video-Surveillance [2.2509387878255818]
分散クラウドエッジスマートビデオ監視を用いたCI保護のための再構成可能なサイバー物理システムを提案する。
ローカルエッジノードは、Deep Learningを介して人検出を行います。
クラウドサーバはノードから結果を収集し、生体認証、トラッキング、周辺監視を行う。
論文 参考訳（メタデータ） (2020-11-29T18:43:25Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。