論文の概要: Scalable Time-Lock Puzzle

• arxiv url: http://arxiv.org/abs/2308.01280v2
• Date: Tue, 20 May 2025 12:40:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-21 14:49:50.85724
• Title: Scalable Time-Lock Puzzle
• Title（参考訳）: スケーラブルなタイムロックパズル
• Authors: Aydin Abadi, Dan Ristea, Artem Grigor, Steven J. Murdoch,
• Abstract要約: Time-Lock Puzzles (TLP) は、クライアントがメッセージをロックし、サーバが特定の時間後にのみアンロックできるようにする。 本稿では,多数のパズルを含む現実シナリオを対象としたスケーラブルなTLPを提案する。 我々は,ED-TLPを実装し,その性能を最大10,000のパズルに対して包括的に解析した。
• 参考スコア（独自算出の注目度）: 0.3749861135832072
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Time-Lock Puzzles (TLPs) enable a client to lock a message such that a server can unlock it only after a specified time. They have diverse applications, such as scheduled payments, secret sharing, and zero-knowledge proofs. In this work, we present a scalable TLP designed for real-world scenarios involving a large number of puzzles, where clients or servers may lack the computational resources to handle high workloads. Our contributions are both theoretical and practical. From a theoretical standpoint, we formally define the concept of a Delegated Time-Lock Puzzle (D-TLP), establish its fundamental properties, and introduce an upper bound for TLPs, addressing a previously overlooked aspect. From a practical standpoint, we introduce the Efficient Delegated Time-Lock Puzzle (ED-TLP) protocol, which implements the D-TLP concept. This protocol enables both the client and server to securely outsource their resource-intensive tasks to third-party helpers. It enables real-time verification of solutions and guarantees their delivery within predefined time limits by integrating an upper bound and a fair payment algorithm. ED-TLP allows combining puzzles from different clients, enabling a solver to process them sequentially, significantly reducing computational resources, especially for a large number of puzzles or clients. ED-TLP is the first protocol of its kind. We have implemented ED-TLP and conducted a comprehensive analysis of its performance for up to 10,000 puzzles. The results highlight its significant efficiency in TLP applications, demonstrating that ED-TLP securely delegates 99% of the client's workload and 100% of the server's workload with minimal overhead.
• Abstract（参考訳）: Time-Lock Puzzles (TLP) は、クライアントがメッセージをロックし、サーバが特定の時間後にのみアンロックできるようにする。 定期的な支払い、秘密の共有、ゼロ知識証明など、さまざまな応用がある。 本研究では,クライアントやサーバが高いワークロードを処理するための計算資源を欠いている可能性のある,多数のパズルを含む現実シナリオを対象としたスケーラブルなTLPを提案する。 私たちの貢献は理論的にも実用的でもあります。 理論的な観点から、D-TLP(Delegated Time-Lock Puzzle)の概念を正式に定義し、その基本特性を確立し、これまで見落とされた側面に対処する上で、TLPの上限を導入する。 本稿では,D-TLPの概念を実装したED-TLPプロトコルを提案する。 このプロトコルにより、クライアントとサーバの両方が、リソース集約的なタスクを安全にサードパーティのヘルパーにアウトソースすることができる。 ソリューションのリアルタイム検証を可能にし、上限値と公正な支払いアルゴリズムを統合することにより、事前に定義された時間制限内でのデリバリを保証する。 ED-TLPは異なるクライアントのパズルを組み合わせることができ、特に多数のパズルやクライアントの計算資源を大幅に削減できる。 ED-TLPはこの種の最初のプロトコルである。 我々は,ED-TLPを実装し,その性能を最大10,000のパズルに対して包括的に解析した。 ED-TLPはクライアントのワークロードの99%とサーバのワークロードの100%を最小限のオーバーヘッドで安全にデリゲートしている。

関連論文リスト

• RIFLES: Resource-effIcient Federated LEarning via Scheduling [4.358456799125694]
  Federated Learning(FL)は、分散クライアント間の分散協調モデルトレーニングを可能にする、プライバシ保護機械学習技術である。 現在の選択戦略は、過去または現在の相互作用に基づいているという点で、自然界においてミオピックである。 RIFLESは、クライアント選択プロセスをサポートするために、新しい可用性予測層を構築します。
  論文  参考訳（メタデータ） (2025-05-19T14:26:33Z)
• Fast-Slow-Thinking: Complex Task Solving with Large Language Models [49.98959729052245]
  本稿では,FST(Fast-Slow-Thinking')と呼ばれるタスク分解手法を提案する。 FTでは、LLMは元のタスクの制約を取り除くよう促されるため、汎用的で簡潔なタスクに単純化される。 STでは、FTで取り除かれた制約をリコールするため、LLMはFTで生成された回答を改善し、元のタスクの要求を満たす。
  論文  参考訳（メタデータ） (2025-04-11T16:57:36Z)
• SVIP: Towards Verifiable Inference of Open-source Large Language Models [33.910670775972335]
  オープンソースのLarge Language Models (LLMs)は、最近、自然言語の理解と生成において顕著な能力を示し、様々な領域で広く採用されている。 モデルのサイズが大きくなることで、個々のユーザにとってローカルデプロイメントは現実的ではなく、ブラックボックスAPIを通じて推論を行うコンピューティングサービスプロバイダに頼らざるを得なくなる。 この依存は新たなリスクをもたらす: コンピューティングプロバイダは、要求されたLLMをユーザからの同意なく、より小さく、能力の低いモデルにステルス的に置き換えて、コスト削減の恩恵を受けながら、劣ったアウトプットを配信する。
  論文  参考訳（メタデータ） (2024-10-29T17:52:45Z)
• Verifiable Homomorphic Linear Combinations in Multi-Instance Time-Lock Puzzles [0.0]
  マルチインスタンス部分同型TLP(MH-TLP) マルチインスタンス・マルチクライアント検証部分同型TLP(MMH-TLP)
  論文  参考訳（メタデータ） (2024-08-22T14:40:28Z)
• Tempora-Fusion: Time-Lock Puzzle with Efficient Verifiable Homomorphic Linear Combination [0.0]
  Time-Lock Puzzles (TLP) は、機密情報を未来へ安全に送信するために開発された。 ホモモルフィック TLP は、異なるクライアントのパズルの計算を可能にする TLP の重要な変種である。 既存の準同型TLPは、計算結果の正しさを検証するためのサポートを欠いている。 我々は,サーバが異なるクライアントのパズルの同型線形結合を実行することができるTLPであるTempora-Fusionを導入することで,この制限に対処する。
  論文  参考訳（メタデータ） (2024-06-21T11:40:01Z)
• Scalable Federated Unlearning via Isolated and Coded Sharding [76.12847512410767]
  フェデレートされたアンラーニングは、クライアントレベルのデータエフェクトを削除するための有望なパラダイムとして登場した。 本稿では,分散シャーディングと符号化コンピューティングに基づく,スケーラブルなフェデレーション・アンラーニング・フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-01-29T08:41:45Z)
• LaGR-SEQ: Language-Guided Reinforcement Learning with Sample-Efficient Querying [71.86163159193327]
  大規模言語モデル(LLM)は、最近、テキストを介してコンテキスト対応の応答を提供するという、印象的な能力を実証した。 この能力は、パターン補完に関連するシーケンシャルな意思決定タスクにおいて、妥当なソリューションを予測するために使われる可能性がある。 第一強化学習(RL)エージェントによって部分的に完了したタスクに対する解を提案するために,LLMのこの予測能力を利用するLaGRを紹介した。
  論文  参考訳（メタデータ） (2023-08-21T02:07:35Z)
• Position-guided Text Prompt for Vision-Language Pre-training [121.15494549650548]
  本研究では,ビジョンランゲージ・プレトレーニングで訓練したクロスモーダルモデルの視覚的グラウンド化能力を高めるために,位置誘導型テキストプロンプト(PTP)パラダイムを提案する。 PTPは、与えられたブロック内のオブジェクトを予測したり、与えられたオブジェクトのブロックを後退させたりすることで、PTPが与えられた視覚的グラウンドタスクを補充するブランク問題に再構成する。 PTPはオブジェクト検出をベースとした手法で同等の結果を得るが、PTPがオブジェクト検出を破棄し、後続では不可能になるため、推論速度ははるかに速い。
  論文  参考訳（メタデータ） (2022-12-19T18:55:43Z)
• TR-BERT: Dynamic Token Reduction for Accelerating BERT Inference [54.791572981834435]
  既存の訓練済み言語モデル(PLM)は推論において計算コストがかかることが多い。 TR-BERT と呼ばれる PLM の推論を高速化する動的トークン削減手法を提案する。 TR-BERTは、トークン削減プロセスを多段階のトークン選択問題として定式化し、強化学習を通じて選択戦略を自動的に学習する。
  論文  参考訳（メタデータ） (2021-05-25T02:28:51Z)

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。