論文の概要: Blind Evaluation Framework for Fully Homomorphic Encryption and Privacy-Preserving Machine Learning
- arxiv url: http://arxiv.org/abs/2310.13140v2
- Date: Sun, 10 Dec 2023 15:48:16 GMT
- ステータス: 処理完了
- システム内更新日: 2024-03-19 01:54:08.679638
- Title: Blind Evaluation Framework for Fully Homomorphic Encryption and Privacy-Preserving Machine Learning
- Title(参考訳): 完全同型暗号化とプライバシ保護機械学習のためのブラインド評価フレームワーク
- Authors: Hunjae Lee, Corey Clark,
- Abstract要約: Blind Evaluation Framework (BEF) は暗号的にセキュアなプログラミングフレームワークである。
条件式を評価することなく、暗号化空間における制御構造の実行を可能にする。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Various approaches to privacy-preserving machine learning (PPML) using Fully Homomorphic Encryption (FHE) have been developed, focusing on secure data outsourcing to untrusted servers by data owners. While FHE enables computation on encrypted data, it faces significant limitations, particularly in integrating control structures like decision expressions and conditional statements, which are vital in standard programming. For instance, tasks like selecting the smallest value from an encrypted list for feature selection in decision trees are challenging due to the inability to evaluate comparison expressions in encrypted form. Most existing literature on FHE have concentrated on encrypted prediction using pre-trained models due to these challenges, with training processes often requiring Intermediate Rounds of Decryption and Evaluation (IRDE). IRDE involves interactive communication where the potentially untrusted server performs encrypted computations, while the client handles control structures by decrypting and evaluating data in plaintext. While it presents a solution to the control structure problem in encrypted programming, IRDE protocols go against FHE's principles of building truly encrypted programs as portions of such programs must leave the encrypted space (untrusted server) and be executed on the trusted client, who holds the private keys for decryption. Such models, however efficiently they can be made, would be inferior to models that eliminate the need for IRDE all-together. The ability to remove IRDE allows both computation and control structures to be performed on untrusted servers without requiring trusted clients for multiple IRDE cycles. This paper introduces the Blind Evaluation Framework (BEF), a cryptographically secure programming framework enabling the execution of control structures in encrypted space without evaluating conditional expressions...
- Abstract(参考訳): FHE(Fully Homomorphic Encryption)を用いたプライバシー保護機械学習(PPML)への様々なアプローチが開発され、データ所有者による信頼できないサーバへのセキュアなデータアウトソーシングに焦点を当てている。
FHEは暗号化データ上での計算を可能にするが、特に標準プログラミングにおいて不可欠な決定式や条件文といった制御構造の統合において、大きな制限に直面している。
例えば、決定木の特徴選択のために暗号化されたリストから最小値を選択するといったタスクは、暗号化された形式で比較式を評価することができないため、難しい。
FHEに関する既存の文献の多くは、これらの課題のために事前訓練されたモデルを使用して暗号化された予測に集中しており、トレーニングプロセスは、しばしばインターミディット・ラウンド・オブ・デクリプション・アンド・アセスメント(IRDE)を必要とする。
IRDEは、クライアントがプレーンテキストでデータを復号し評価することで制御構造を処理する一方、潜在的に信頼できないサーバが暗号化された計算を行う対話型通信である。
IRDEプロトコルは、暗号化プログラミングにおける制御構造問題に対する解決策を提供するが、それらのプログラムの一部が暗号化された空間(信頼できないサーバ)を離れ、秘密鍵を保持する信頼されたクライアントで実行されなければならないため、FHEの真に暗号化されたプログラムを構築するという原則に反する。
このようなモデルは効率的に製造できるが、IRDEを全て必要としないモデルよりも劣るであろう。
IRDEを除去する機能により、複数のIRDEサイクルに対して信頼できるクライアントを必要とすることなく、信頼できないサーバ上で計算と制御構造を実行することができる。
本稿では,Blind Evaluation Framework (BEF)を紹介した。BEFは暗号的にセキュアなプログラミングフレームワークで,条件式を評価せずに,暗号化空間における制御構造の実行を可能にする。
関連論文リスト
- Enc2DB: A Hybrid and Adaptive Encrypted Query Processing Framework [47.11111145443189]
本稿では,新しいセキュアデータベースシステムであるEnc2DBを紹介する。
本稿では,マイクロベンチマークテストと自己適応型モードスイッチ戦略を提案し,与えられたクエリに応答する最適な実行パス(暗号やTEE)を選択する。
また、クエリ処理を高速化するために、ネイティブコストモデルやクエリと互換性のある暗号文インデックスを設計、実装する。
論文 参考訳(メタデータ) (2024-04-10T08:11:12Z) - HasTEE+ : Confidential Cloud Computing and Analytics with Haskell [50.994023665559496]
信頼性コンピューティングは、Trusted Execution Environments(TEEs)と呼ばれる特別なハードウェア隔離ユニットを使用して、コテナントクラウドデプロイメントにおける機密コードとデータの保護を可能にする。
低レベルのC/C++ベースのツールチェーンを提供するTEEは、固有のメモリ安全性の脆弱性の影響を受けやすく、明示的で暗黙的な情報フローのリークを監視するための言語構造が欠如している。
私たちは、Haskellに埋め込まれたドメイン固有言語(cla)であるHasTEE+を使って、上記の問題に対処します。
論文 参考訳(メタデータ) (2024-01-17T00:56:23Z) - 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) - Deep Neural Networks for Encrypted Inference with TFHE [0.0]
完全同型暗号(英: Fully homomorphic encryption, FHE)は、復号化せずに暗号化されたデータ上で計算を行うことができる暗号法である。
TFHEは、健康データ、バイオメトリックス、クレジットスコア、その他の個人情報などの機密データを扱うオンラインサービスのユーザのプライバシを保存する。
本稿では、任意の深度計算回路を実現するFHEスキームであるTFHEの制約に適合するディープニューラルネットワーク(DNN)を構築する方法について述べる。
論文 参考訳(メタデータ) (2023-02-13T09:53:31Z) - Verifiable Encodings for Secure Homomorphic Analytics [10.402772462535884]
ホモモルフィック暗号化は、機密データ上のクラウドで除算された計算のプライバシを保護するための有望なソリューションである。
本稿では,クラウドベースの同型計算のクライアント検証を実現するための2つの誤り検出符号化とビルド認証手法を提案する。
我々は,暗号化されたデータ上で実行されたアウトソース計算の検証システムであるVERITASにソリューションを実装した。
論文 参考訳(メタデータ) (2022-07-28T13:22:21Z) - THE-X: Privacy-Preserving Transformer Inference with Homomorphic
Encryption [112.02441503951297]
トランスフォーマーモデルのプライバシ保護推論は、クラウドサービスユーザの要求に基づいています。
我々は、事前訓練されたモデルのプライバシ保存推論を可能にするトランスフォーマーの近似アプローチである$textitTHE-X$を紹介した。
論文 参考訳(メタデータ) (2022-06-01T03:49:18Z) - Reinforcement Learning on Encrypted Data [58.39270571778521]
本稿では,DQNエージェントが,離散的かつ連続的な状態空間を持つ環境でどのように動作するかを予備的,実験的に検討する。
その結果,非決定論的暗号が存在する場合でも,エージェントは依然として小さな状態空間で学習することができるが,より複雑な環境では性能が低下することがわかった。
論文 参考訳(メタデータ) (2021-09-16T21:59:37Z) - Efficient CNN Building Blocks for Encrypted Data [6.955451042536852]
ホモモルフィック暗号化(FHE)は機械学習と推論を可能にする有望な技術である。
選択したFHE方式の動作パラメータが機械学習モデルの設計に大きな影響を与えることを示す。
実験により, 上記の設計パラメータの選択は, 精度, セキュリティレベル, 計算時間の間に大きなトレードオフをもたらすことがわかった。
論文 参考訳(メタデータ) (2021-01-30T21:47:23Z) - Secret Key Agreement with Physical Unclonable Functions: An Optimality
Summary [29.438154152702758]
物理的非拘束機能(PUF)は、デジタルデバイスにおけるローカルセキュリティのための有望なソリューションである。
情報理論解析を容易にするために,低複雑さ信号処理法について議論する。
ベクトル量子化器と誤り訂正符号パラメータを共同で設計する最適符号構成を提案する。
論文 参考訳(メタデータ) (2020-12-16T13:21:20Z) - CryptoSPN: Privacy-preserving Sum-Product Network Inference [84.88362774693914]
総生産ネットワーク(SPN)のプライバシ保護のためのフレームワークを提案する。
CryptoSPNは、中規模のSPNに対して秒の順序で高効率で正確な推論を行う。
論文 参考訳(メタデータ) (2020-02-03T14:49:18Z)
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。