論文の概要: A Blockchain-based Model for Securing Data Pipeline in a Heterogeneous Information System

• arxiv url: http://arxiv.org/abs/2401.09240v1
• Date: Wed, 17 Jan 2024 14:40:09 GMT
• ステータス: 処理完了
• システム内更新日: 2024-01-18 15:35:21.473992
• Title: A Blockchain-based Model for Securing Data Pipeline in a Heterogeneous Information System
• Title（参考訳）: 異種情報システムにおけるデータパイプライン確保のためのブロックチェーンモデル
• Authors: MN Ramahlosi, Y Madani, A Akanbi
• Abstract要約: この記事では、異種情報システムにおけるデータパイプラインを保護するためのブロックチェーンベースのモデルを提案する。 このモデルは、データの完全性、機密性、信頼性を分散的に保証するように設計されている。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: In our digital world, access to personal and public data has become an item of concern, with challenging security and privacy aspects. Modern information systems are heterogeneous in nature and have an inherent security vulnerability, which is susceptible to data interception and data modification due to unsecured communication data pipelines between connected endpoints. This re-search article presents a blockchain-based model for securing data pipelines in a heterogeneous information system using an integrated multi-hazard early warning system (MHEWS) as a case study. The proposed model utilizes the inherent security features of blockchain technology to address the security and privacy concerns that arise in data pipelines. The model is designed to ensure data integrity, confidentiality, and authenticity in a decentralized manner. The model is evaluated in a hybrid environment using a prototype implementation and simulation experiments with outcomes that demonstrate advantages over traditional approaches for a tamper-proof and immutable data pipeline for data authenticity and integrity using a confidential ledger.
• Abstract（参考訳）: 私たちのデジタル世界では、個人データと公開データへのアクセスは、セキュリティとプライバシの面で困難な問題になっている。 現代の情報システムには本質的に異質なセキュリティ脆弱性があり、接続されたエンドポイント間の通信データパイプラインが安全でないため、データインターセプションやデータ修正の影響を受けやすい。 本稿では,マルチハザード早期警報システム(mhews)を事例として,ヘテロジニアス情報システムにおけるデータパイプライン確保のためのブロックチェーンモデルを提案する。 提案モデルでは,ブロックチェーン技術固有のセキュリティ機能を活用して,データパイプラインで発生するセキュリティとプライバシの問題に対処する。 このモデルは、データの完全性、機密性、信頼性を分散的に保証するように設計されている。 このモデルは、プロトタイプ実装とシミュレーション実験を用いてハイブリッド環境で評価され、秘密台帳を用いたデータ信頼性と整合性のためのタンパーセーフで不変なデータパイプラインに対する従来のアプローチに対する利点を示す。

関連論文リスト

• Balancing Security and Accuracy: A Novel Federated Learning Approach for Cyberattack Detection in Blockchain Networks [10.25938198121523]
  本稿では,ブロックチェーンベースのデータ共有ネットワークのセキュリティ向上を目的とした,CCD(Collaborative Cyber attack Detection)システムを提案する。 本稿では,攻撃検出精度,ディープラーニングモデル収束時間,グローバルモデル生成の全体的な実行時間など,様々なノイズタイプが重要なパフォーマンス指標に与える影響について検討する。 この結果から,データプライバシの確保とシステムパフォーマンスの維持という,複雑なトレードオフが明らかとなり,これらのパラメータを多様なCCD環境に最適化するための貴重な洞察が得られた。
  論文  参考訳（メタデータ） (2024-09-08T04:38:07Z)
• Complete Security and Privacy for AI Inference in Decentralized Systems [14.526663289437584]
  大規模なモデルは病気の診断のようなタスクには不可欠ですが、繊細でスケーラビリティに欠ける傾向があります。 Nesaはこれらの課題を、複数のテクニックを使って包括的なフレームワークで解決し、データとモデル出力を保護する。 ネサの最先端の証明と原則は、このフレームワークの有効性を実証している。
  論文  参考訳（メタデータ） (2024-07-28T05:09:17Z)
• Security Approaches for Data Provenance in the Internet of Things: A Systematic Literature Review [0.0]
  モノのインターネットシステムは、セキュリティ攻撃に弱い。 データ証明は、これらの脆弱性に対処するデータの起源、履歴、処理を記録する手段を提供する。
  論文  参考訳（メタデータ） (2024-07-03T19:25:36Z)
• Marking the Pace: A Blockchain-Enhanced Privacy-Traceable Strategy for Federated Recommender Systems [11.544642210389894]
  フェデレートされたレコメンデータシステムは、データ共有と継続的モデル更新によって強化されている。 IoTデータの感度を考えると、データ共有とモデル更新における透過的なデータ処理が最重要である。 既存の方法は、共有データのフローとモデル更新の進化をトレースするのに不足している。 プライバシ追跡可能なフェデレーションレコメンデータシステムであるLIBERATEを提案する。
  論文  参考訳（メタデータ） (2024-06-07T07:21:21Z)
• Privacy Backdoors: Enhancing Membership Inference through Poisoning Pre-trained Models [112.48136829374741]
  本稿では、プライバシーバックドア攻撃という新たな脆弱性を明らかにします。 被害者がバックドアモデルに微調整を行った場合、トレーニングデータは通常のモデルに微調整された場合よりも大幅に高い速度でリークされる。 我々の発見は、機械学習コミュニティにおける重要なプライバシー上の懸念を浮き彫りにし、オープンソースの事前訓練モデルの使用における安全性プロトコルの再評価を求めている。
  論文  参考訳（メタデータ） (2024-04-01T16:50:54Z)
• Decentralised, Scalable and Privacy-Preserving Synthetic Data Generation [8.982917734231165]
  我々は、リアルデータのコントリビュータが、微分プライベートな合成データ生成に自律的に参加できる新しいシステムを構築します。 私たちのソリューションは、Solid(Social Linked Data)、MPC(Secure Multi-Party Computation)、Trusted Execution Environments(TEEs)という3つのビルディングブロックに基づいています。 これらの3つの技術が、責任と信頼性のある合成データ生成における様々な課題に効果的に対処できることを示します。
  論文  参考訳（メタデータ） (2023-10-30T22:27:32Z)
• 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)
• Auditing and Generating Synthetic Data with Controllable Trust Trade-offs [54.262044436203965]
  合成データセットとAIモデルを包括的に評価する総合監査フレームワークを導入する。 バイアスや差別の防止、ソースデータへの忠実性の確保、実用性、堅牢性、プライバシ保護などに焦点を当てている。 多様なユースケースにまたがる様々な生成モデルを監査することにより,フレームワークの有効性を実証する。
  論文  参考訳（メタデータ） (2023-04-21T09:03:18Z)
• Private Set Generation with Discriminative Information [63.851085173614]
  異なるプライベートなデータ生成は、データプライバシの課題に対する有望な解決策である。 既存のプライベートな生成モデルは、合成サンプルの有用性に苦慮している。 我々は,最先端アプローチのサンプルユーティリティを大幅に改善する,シンプルで効果的な手法を提案する。
  論文  参考訳（メタデータ） (2022-11-07T10:02:55Z)
• Robustness Threats of Differential Privacy [70.818129585404]
  我々は、いくつかの設定で差分プライバシーをトレーニングしたネットワークが、非プライベートバージョンに比べてさらに脆弱であることを実験的に実証した。 本研究では,勾配クリッピングや雑音付加などのニューラルネットワークトレーニングの主成分が,モデルの堅牢性に与える影響について検討する。
  論文  参考訳（メタデータ） (2020-12-14T18:59:24Z)
• Privacy-preserving Traffic Flow Prediction: A Federated Learning Approach [61.64006416975458]
  本稿では,フェデレート学習に基づくGated Recurrent Unit Neural Network Algorithm (FedGRU) というプライバシ保護機械学習手法を提案する。 FedGRUは、現在の集中学習方法と異なり、安全なパラメータアグリゲーション機構を通じて、普遍的な学習モデルを更新する。 FedGRUの予測精度は、先進的なディープラーニングモデルよりも90.96%高い。
  論文  参考訳（メタデータ） (2020-03-19T13:07:49Z)

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。