論文の概要: ArctyrEX : Accelerated Encrypted Execution of General-Purpose
Applications
- arxiv url: http://arxiv.org/abs/2306.11006v1
- Date: Mon, 19 Jun 2023 15:15:41 GMT
- ステータス: 処理完了
- システム内更新日: 2023-06-21 17:21:39.880059
- Title: ArctyrEX : Accelerated Encrypted Execution of General-Purpose
Applications
- Title（参考訳）: ArctyrEX : 汎用アプリケーションの高速化された暗号化実行
- Authors: Charles Gouert, Vinu Joseph, Steven Dalton, Cedric Augonnet, Michael
Garland, Nektarios Georgios Tsoutsos
- Abstract要約: FHE(Fully Homomorphic Encryption)は、計算中のユーザデータのプライバシとセキュリティを保証する暗号化手法である。
我々は、暗号化実行を高速化する新しい技術を開発し、我々のアプローチの顕著な性能上の利点を実証する。
- 参考スコア（独自算出の注目度）: 6.19586646316608
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Fully Homomorphic Encryption (FHE) is a cryptographic method that guarantees
the privacy and security of user data during computation. FHE algorithms can
perform unlimited arithmetic computations directly on encrypted data without
decrypting it. Thus, even when processed by untrusted systems, confidential
data is never exposed. In this work, we develop new techniques for accelerated
encrypted execution and demonstrate the significant performance advantages of
our approach. Our current focus is the Fully Homomorphic Encryption over the
Torus (CGGI) scheme, which is a current state-of-the-art method for evaluating
arbitrary functions in the encrypted domain. CGGI represents a computation as a
graph of homomorphic logic gates and each individual bit of the plaintext is
transformed into a polynomial in the encrypted domain. Arithmetic on such data
becomes very expensive: operations on bits become operations on entire
polynomials. Therefore, evaluating even relatively simple nonlinear functions,
such as a sigmoid, can take thousands of seconds on a single CPU thread. Using
our novel framework for end-to-end accelerated encrypted execution called
ArctyrEX, developers with no knowledge of complex FHE libraries can simply
describe their computation as a C program that is evaluated over $40\times$
faster on an NVIDIA DGX A100 and $6\times$ faster with a single A100 relative
to a 256-threaded CPU baseline.
- Abstract（参考訳）: FHE(Fully Homomorphic Encryption)は、計算中のユーザデータのプライバシーとセキュリティを保証する暗号化手法である。
fheアルゴリズムは暗号化されたデータを直接暗号化することなく無制限の算術演算を行うことができる。
したがって、信頼できないシステムによって処理された場合でも、機密データが公開されることはない。
本研究では,暗号化実行を高速化する新しい手法を開発し,その性能上の利点を実証する。
我々は,暗号化領域における任意の関数を評価するための現在の最先端手法であるtorus(cggi)スキーム上の完全準同型暗号に注目する。
CGGIは、ホモモルフィック論理ゲートのグラフとして計算を表現し、平文の各ビットを暗号化ドメインの多項式に変換する。
そのようなデータの演算は非常に高価になり、ビット上の演算は多項式全体の演算となる。
したがって、シグモノイドのような比較的単純な非線形関数の評価は、1つのCPUスレッドで何千秒もかかる。
arctyrexと呼ばれる、エンドツーエンドで高速化された暗号化実行のための新しいフレームワークを使って、複雑なfheライブラリを知らない開発者は、単に計算を、nvidia dgx a100で40\times$、256スレッドのcpuベースラインに対して1つのa100で6\times$で評価されるcプログラムとして記述することができます。
関連論文リスト
- Cheddar: A Swift Fully Homomorphic Encryption Library for CUDA GPUs [2.613335121517245]
FHE(Fully homomorphic encryption)は、クラウドコンピューティングにおけるセキュリティとプライバシの問題を解決するための暗号化技術である。
FHEは、暗号化されたデータを処理するための膨大な計算オーバーヘッドを導入し、FHEワークロードは暗号化されていないワークロードよりも2～6桁遅くなりました。
本稿では,GPUのFHEライブラリであるCheddarを提案する。
論文 参考訳（メタデータ） (2024-07-17T23:49:18Z) - NTTSuite: Number Theoretic Transform Benchmarks for Accelerating Encrypted Computation [2.704681057324485]
ホモモルフィック暗号(homomorphic encryption, HE)は、暗号化されたデータを直接計算できる暗号システムである。
HEは、非常に高い計算オーバーヘッドのため、ほとんど採用されていない。
我々はNTTSuiteというベンチマークスイートを開発し、研究者がこれらのオーバーヘッドに対処できるようにした。
我々の実装は最先端の技術を30%上回っている。
論文 参考訳（メタデータ） (2024-05-18T17:44:17Z) - FoC: Figure out the Cryptographic Functions in Stripped Binaries with LLMs [54.27040631527217]
削除されたバイナリの暗号関数を抽出するFoCと呼ばれる新しいフレームワークを提案する。
FoC-BinLLMは、ROUGE-LスコアでChatGPTを14.61%上回った。
FoC-Simは52%高いRecall@1で過去のベストメソッドを上回っている。
論文 参考訳（メタデータ） (2024-03-27T09:45:33Z) - Lightweight Public Key Encryption in Post-Quantum Computing Era [0.0]
デジタル世界での信頼度は、暗号アルゴリズムのセキュリティに基づいています。
量子コンピュータの技術進歩の過程で、共通暗号化アルゴリズムの保護機能が脅かされている。
我々の概念は、古典的非対称暗号法の現代複雑性クラスへの変換を記述している。
論文 参考訳（メタデータ） (2023-11-24T21:06:42Z) - SOCI^+: An Enhanced Toolkit for Secure OutsourcedComputation on Integers [50.608828039206365]
本稿では,SOCIの性能を大幅に向上させるSOCI+を提案する。
SOCI+は、暗号プリミティブとして、高速な暗号化と復号化を備えた(2, 2)ホールドのPaillier暗号システムを採用している。
実験の結果,SOCI+は計算効率が最大5.4倍,通信オーバヘッドが40%少ないことがわかった。
論文 参考訳（メタデータ） (2023-09-27T05:19:32Z) - INR-Arch: A Dataflow Architecture and Compiler for Arbitrary-Order
Gradient Computations in Implicit Neural Representation Processing [66.00729477511219]
計算グラフとして表される関数を考えると、従来のアーキテクチャはn階勾配を効率的に計算する上で困難に直面している。
InR-Archは,n階勾配の計算グラフをハードウェア最適化データフローアーキテクチャに変換するフレームワークである。
1.8-4.8x と 1.5-3.6x の高速化を CPU と GPU のベースラインと比較した結果を示す。
論文 参考訳（メタデータ） (2023-08-11T04:24:39Z) - CryptOpt: Verified Compilation with Randomized Program Search for
Cryptographic Primitives (full version) [12.790826917588575]
暗号は例外であり、多くのパフォーマンスクリティカルなルーチンがアセンブリで直接書かれてきた。
CryptOptは、GCCやClangが生成するものよりもはるかに高速なアセンブリコードに高レベルの暗号関数プログラムを専門とする、最初のコンパイルパイプラインである。
形式検証の面では、FiatOptフレームワーク(関数型プログラムをCライクなIRコードに変換する)に接続し、新たに公式に認証されたプログラム等価チェッカーで拡張する。
論文 参考訳（メタデータ） (2022-11-19T11:07:39Z) - Providing Meaningful Data Summarizations Using Examplar-based Clustering
in Industry 4.0 [67.80123919697971]
我々は,従来のCPUアルゴリズムと比較して,一精度で最大72倍,半精度で最大452倍の高速化を実現していることを示す。
提案アルゴリズムは射出成形プロセスから得られた実世界のデータに適用し, 得られたサマリーが, コスト削減と不良部品製造の削減のために, この特定のプロセスのステアリングにどのように役立つかについて議論する。
論文 参考訳（メタデータ） (2021-05-25T15:55:14Z) - FFConv: Fast Factorized Neural Network Inference on Encrypted Data [9.868787266501036]
本稿では、畳み込みと暗号文のパッキングを統一するFFConvと呼ばれる低ランク分解法を提案する。
先行技術であるLoLaとFalconと比較して,提案手法は,それぞれ最大87%,12%の遅延を減少させる。
論文 参考訳（メタデータ） (2021-02-06T03:10:13Z) - Faster Secure Data Mining via Distributed Homomorphic Encryption [108.77460689459247]
ホモモルフィック暗号化(HE)は、最近、暗号化されたフィールド上で計算を行う能力により、ますます注目を集めている。
本稿では,スケーリング問題の解決に向けて,新しい分散HEベースのデータマイニングフレームワークを提案する。
各種データマイニングアルゴリズムとベンチマークデータセットを用いて,新しいフレームワークの有効性と有効性を検証する。
論文 参考訳（メタデータ） (2020-06-17T18:14:30Z) - HERS: Homomorphically Encrypted Representation Search [56.87295029135185]
本稿では,暗号化ドメイン内の大規模ギャラリーに対して,プローブ(あるいはクエリ)画像表現を検索する手法を提案する。
我々の暗号方式は固定長表現の取得方法に従わないため、任意のアプリケーション領域における任意の固定長表現に適用できる。
論文 参考訳（メタデータ） (2020-03-27T01:10:54Z)
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。