論文の概要: Privacy-Preserving Data in IoT-based Cloud Systems: A Comprehensive Survey with AI Integration

• arxiv url: http://arxiv.org/abs/2401.00794v1
• Date: Mon, 1 Jan 2024 15:48:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-03-25 12:57:08.122796
• Title: Privacy-Preserving Data in IoT-based Cloud Systems: A Comprehensive Survey with AI Integration
• Title（参考訳）: IoTベースのクラウドシステムにおけるプライバシ保護データ: AI統合に関する総合的な調査
• Authors: D. Dhinakaran, S. M. Udhaya Sankar, D. Selvaraj, S. Edwin Raja,
• Abstract要約: 本調査では,IoTとクラウドシステムの動的交点におけるプライバシ問題の状況について,慎重に調査する。 包括的な文献レビューは、既存の研究を合成し、鍵となる課題を照明し、プライバシー保護技術の新たなトレンドを識別する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: As the integration of Internet of Things devices with cloud computing proliferates, the paramount importance of privacy preservation comes to the forefront. This survey paper meticulously explores the landscape of privacy issues in the dynamic intersection of IoT and cloud systems. The comprehensive literature review synthesizes existing research, illuminating key challenges and discerning emerging trends in privacy preserving techniques. The categorization of diverse approaches unveils a nuanced understanding of encryption techniques, anonymization strategies, access control mechanisms, and the burgeoning integration of artificial intelligence. Notable trends include the infusion of machine learning for dynamic anonymization, homomorphic encryption for secure computation, and AI-driven access control systems. The culmination of this survey contributes a holistic view, laying the groundwork for understanding the multifaceted strategies employed in securing sensitive data within IoT-based cloud environments. The insights garnered from this survey provide a valuable resource for researchers, practitioners, and policymakers navigating the complex terrain of privacy preservation in the evolving landscape of IoT and cloud computing
• Abstract（参考訳）: モノのインターネット(Internet of Things)デバイスとクラウドコンピューティングの統合が増加するにつれ、プライバシ保護の最も重要な重要性が目の前に浮かび上がっている。 本調査では,IoTとクラウドシステムの動的交点におけるプライバシ問題の状況について,慎重に調査する。 包括的な文献レビューは、既存の研究を合成し、鍵となる課題を照明し、プライバシー保護技術の新たなトレンドを識別する。 多様なアプローチの分類は、暗号化技術、匿名化戦略、アクセス制御機構、人工知能の急成長する統合に関する微妙な理解を明らかにしている。 注目すべきトレンドとしては、動的匿名化のための機械学習の注入、セキュアな計算のためのホモモルフィック暗号化、AI駆動のアクセス制御システムなどがある。 この調査の結論は、IoTベースのクラウド環境内の機密データをセキュアにするための多面的戦略を理解するための基礎となる、全体像に寄与する。 この調査から得られた洞察は、IoTとクラウドコンピューティングの進化の展望の中で、プライバシー保護の複雑な領域をナビゲートする研究者、実践者、政策立案者に貴重なリソースを提供する。

関連論文リスト

• Optimising Intrusion Detection Systems in Cloud-Edge Continuum with Knowledge Distillation for Privacy-Preserving and Efficient Communication [0.0]
  本稿では,クラウドエッジ侵入検知における通信オーバーヘッドを低減するための知識蒸留について検討する。 実験は最先端の手法よりも大幅に改善された。
  論文  参考訳（メタデータ） (2025-04-14T20:45:05Z)
• Privacy Preservation in Gen AI Applications [0.0]
  LLM(Large Language Models)は、意図せずユーザインタラクションからPII(Personally Identible Information)を吸収し、明らかにする。 ディープニューラルネットワークの複雑さは、プライベート情報の意図しない保存とリリースの追跡や停止を困難にしている。 本研究では,データ抽出やモデルインバージョン,メンバシップ推論といった攻撃を通じて生成AIの弱点を検出することで,これらの問題に対処する。 LLMを扱う前にPIIを識別、変更、削除する手法を使用することで、機能を犠牲にすることなくプライバシを確保する。
  論文  参考訳（メタデータ） (2025-04-12T06:19:37Z)
• Privacy Preservation Techniques (PPTs) in IoT Systems: A Scoping Review and Future Directions [1.1970409518725493]
  本研究は,2010年から2023年にかけてのIoTシステムに関するこれまでの研究で使用されている,さまざまな種類のプライバシ保護技術(PPT)のスコーピングレビューを行った。 PPTはさまざまなプライバシの目標を達成し、IoTシステム内の潜在的なプライバシの脅威を軽減することで、さまざまなプライバシの懸念に対処する。 この調査では、IoTの顕著なプライバシ目標やプライバシタイプなど、重要な発見について論じている。
  論文  参考訳（メタデータ） (2025-03-04T10:03:45Z)
• A Survey of Model Extraction Attacks and Defenses in Distributed Computing Environments [55.60375624503877]
  モデル抽出攻撃(MEA)は、敵がモデルを盗み、知的財産と訓練データを公開することによって、現代の機械学習システムを脅かす。 この調査は、クラウド、エッジ、フェデレーションのユニークな特性がどのように攻撃ベクトルや防御要件を形作るのかを、緊急に理解する必要に起因している。 本研究は, 自動運転車, 医療, 金融サービスといった重要な分野において, 環境要因がセキュリティ戦略にどう影響するかを実証し, 攻撃手法と防衛機構の進化を系統的に検討する。
  論文  参考訳（メタデータ） (2025-02-22T03:46:50Z)
• Federated Learning-Driven Cybersecurity Framework for IoT Networks with Privacy-Preserving and Real-Time Threat Detection Capabilities [0.0]
  従来の集中型セキュリティ手法は、IoTネットワークにおけるプライバシ保護とリアルタイム脅威検出のバランスをとるのに苦労することが多い。 本研究では,IoT環境に特化したフェデレート学習駆動型サイバーセキュリティフレームワークを提案する。 局所的に訓練されたモデルのセキュアアグリゲーションは、同型暗号を用いて達成され、機密情報を漏らさずに協調学習が可能である。
  論文  参考訳（メタデータ） (2025-02-14T23:11:51Z)
• Model Inversion Attacks: A Survey of Approaches and Countermeasures [59.986922963781]
  近年、新しいタイプのプライバシ攻撃であるモデル反転攻撃(MIA)は、トレーニングのためのプライベートデータの機密性を抽出することを目的としている。 この重要性にもかかわらず、総合的な概要とMIAに関する深い洞察を提供する体系的な研究が欠如している。 本調査は、攻撃と防御の両方において、最新のMIA手法を要約することを目的としている。
  論文  参考訳（メタデータ） (2024-11-15T08:09:28Z)
• A Survey on Machine Unlearning: Techniques and New Emerged Privacy Risks [42.3024294376025]
  機械学習は、プライバシー保護分野における研究ホットスポットである。 最近の研究者は、さまざまな機械学習アプローチの潜在的なプライバシー漏洩を発見した。 我々は、定義、実装方法、現実世界のアプリケーションなど、さまざまな面でプライバシーリスクを分析します。
  論文  参考訳（メタデータ） (2024-06-10T11:31:04Z)
• Generative AI for Secure and Privacy-Preserving Mobile Crowdsensing [74.58071278710896]
  生成AIは、学術分野と産業分野の両方から多くの注目を集めている。 セキュアでプライバシ保護のモバイルクラウドセンシング(SPPMCS)は、データ収集/取得に広く応用されている。
  論文  参考訳（メタデータ） (2024-05-17T04:00:58Z)
• Networking Systems for Video Anomaly Detection: A Tutorial and Survey [55.28514053969056]
  ビデオ異常検出(VAD)は人工知能(AI)コミュニティにおける基本的な研究課題である。 本稿では,各種深層学習駆動型VAD経路の基本前提,学習フレームワーク,適用シナリオについて述べる。 我々は、産業用IoTおよびスマート都市における最新のNSVAD研究と、デプロイ可能なNSVADのためのエンドクラウド共同アーキテクチャを紹介します。
  論文  参考訳（メタデータ） (2024-05-16T02:00:44Z)
• State-of-the-Art Approaches to Enhancing Privacy Preservation of Machine Learning Datasets: A Survey [0.0]
  本稿では、機械学習(ML)の進化する展望と、その様々な分野における大きな影響について考察する。 プライバシ保護機械学習(PPML)の新たな分野に焦点を当てている。 MLアプリケーションは、通信、金融技術、監視といった産業にとってますます不可欠なものになりつつあるため、プライバシー上の懸念が高まる。
  論文  参考訳（メタデータ） (2024-02-25T17:31:06Z)
• You Still See Me: How Data Protection Supports the Architecture of AI Surveillance [5.989015605760986]
  我々は,AIシステムの開発におけるプライバシ保護技術が,規制の許容度を前提として,監視インフラをいかに支援できるかを示す。 本研究では,プライバシ保護技術を評価するための技術と政策戦略を提案する。
  論文  参考訳（メタデータ） (2024-02-09T18:39:29Z)
• The Security and Privacy of Mobile Edge Computing: An Artificial Intelligence Perspective [64.36680481458868]
  Mobile Edge Computing (MEC)は、クラウドコンピューティングと情報技術(IT)サービスをネットワークのエッジで配信できるようにする新しいコンピューティングパラダイムである。 本稿では,人工知能(AI)の観点からMECのセキュリティとプライバシに関する調査を行う。 新たなセキュリティとプライバシの問題に加えて、AIの観点からの潜在的なソリューションにも重点を置いています。
  論文  参考訳（メタデータ） (2024-01-03T07:47:22Z)
• Privacy and Copyright Protection in Generative AI: A Lifecycle Perspective [28.968233485060654]
  データライフサイクルにおけるプライバシーと著作権保護の多面的課題について論じる。 我々は、技術的革新と倫理的展望を組み合わせた統合的なアプローチを提唱する。 この作業は、より広範な議論のきっかけとなり、ジェネレーティブAIにおけるデータのプライバシと著作権の整合性に対する継続的な取り組みを促進することを目的としている。
  論文  参考訳（メタデータ） (2023-11-30T05:03:08Z)
• A Unified View of Differentially Private Deep Generative Modeling [60.72161965018005]
  プライバシー上の懸念のあるデータには、データアクセスとデータ共有を頻繁に禁止する厳格な規制が伴う。 これらの障害を克服することは、プライバシーに敏感なデータを含む多くの現実世界のアプリケーションシナリオにおいて、技術的進歩の鍵となる。 差分的プライベート(DP)データパブリッシングは、データの衛生化された形式のみを公開する、魅力的なソリューションを提供する。
  論文  参考訳（メタデータ） (2023-09-27T14:38:16Z)
• Edge-Cloud Polarization and Collaboration: A Comprehensive Survey [61.05059817550049]
  クラウドとエッジ両方のAIの体系的なレビューを行います。 私たちはクラウドとエッジモデリングの協調学習メカニズムを最初にセットアップしました。 我々は現在進行中の最先端AIトピックの可能性と実践経験について議論する。
  論文  参考訳（メタデータ） (2021-11-11T05:58:23Z)

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。