論文の概要: A New Secure Memory System for Efficient Data Protection and Access Pattern Obfuscation
- arxiv url: http://arxiv.org/abs/2402.15824v1
- Date: Sat, 24 Feb 2024 14:23:34 GMT
- ステータス: 処理完了
- システム内更新日: 2024-03-18 07:18:43.987233
- Title: A New Secure Memory System for Efficient Data Protection and Access Pattern Obfuscation
- Title（参考訳）: 効率的なデータ保護とアクセスパターン難読化のための新しいセキュアメモリシステム
- Authors: Haoran Geng, Yuezhi Che, Aaron Dingler, Michael Niemier, Xiaobo Sharon Hu,
- Abstract要約: 我々は、暗号化なしでデータコンテンツの機密性を保持する包括的なセキュリティソリューションであるSecure Scattered Memory (SSM)を紹介する。
SSMは本質的にメモリアクセスパターンを曖昧にするために設計されており、メモリデータの機密性を大幅に向上させる。
また、データコンテンツとメモリアクセスパターンの両方のセキュリティを保証するためにPath ORAMを適用する拡張であるSSM+も導入しています。
- 参考スコア（独自算出の注目度）: 2.9925968208447182
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: As the reliance on secure memory environments permeates across applications, memory encryption is used to ensure memory security. However, most effective encryption schemes, such as the widely used AES-CTR, inherently introduce extra overheads, including those associated with counter storage and version number integrity checks. Moreover, encryption only protects data content, and it does not fully address the memory access pattern leakage. While Oblivious RAM (ORAM) aims to obscure these patterns, its high performance costs hinder practical applications. We introduce Secure Scattered Memory (SSM), an efficient scheme provides a comprehensive security solution that preserves the confidentiality of data content without traditional encryption, protects access patterns, and enables efficient integrity verification. Moving away from traditional encryption-centric methods, SSM offers a fresh approach to protecting data content while eliminating counter-induced overheads. Moreover, SSM is designed to inherently obscure memory access patterns, thereby significantly enhancing the confidentiality of memory data. In addition, SSM incorporates lightweight, thus integrated mechanisms for integrity assurance, protecting against data tampering. We also introduce SSM+, an extension that adapts Path ORAM to offer even greater security guarantees for both data content and memory access patterns, demonstrating its flexibility and efficiency. Experimental results show that SSM incurs only a 10% performance overhead compared to non-protected memory and offers a 15% improvement over AES-CTR mode memory protection. Notably, SSM+ provides an 20% improvement against Path ORAM integrated with Intel SGX under the highest security guarantees.
- Abstract（参考訳）: セキュアなメモリ環境への依存がアプリケーション全体に浸透するにつれて、メモリセキュリティを確保するためにメモリ暗号化が使用される。
しかし、広く使われているAES-CTRのような最も効果的な暗号化方式は、本質的にカウンターストレージやバージョン番号の整合性チェックなど、追加のオーバーヘッドを導入している。
さらに、暗号化はデータコンテンツのみを保護し、メモリアクセスパターンの漏洩を完全に解決しない。
Oblivious RAM(ORAM)はこれらのパターンを隠蔽することを目的としているが、その高性能なコストは実用的なアプリケーションを妨げる。
我々は,従来の暗号化を使わずにデータコンテンツの機密性を保護し,アクセスパターンを保護し,効率的な整合性検証を可能にする,包括的なセキュリティソリューションを提供するセキュア散乱メモリ(SSM)を紹介した。
従来の暗号化中心のメソッドから離れ、SSMは、カウンター誘起オーバーヘッドを排除しながら、データコンテンツを保護する新しいアプローチを提供する。
さらに、SSMは本質的にメモリアクセスパターンを隠蔽し、メモリデータの機密性を大幅に向上させるように設計されている。
さらに、SSMには、データの改ざんを防ぐために、整合性を保証するための軽量で統合されたメカニズムが組み込まれている。
また、データコンテンツとメモリアクセスパターンの両方のセキュリティ保証をさらに強化し、その柔軟性と効率性を示すためにPath ORAMを適用する拡張であるSSM+も導入しています。
実験の結果、SSMは非保護メモリに比べて10%のオーバーヘッドしか発生せず、AES-CTRモードのメモリ保護よりも15%改善されていることがわかった。
特に、SSM+は、最高セキュリティ保証の下でIntel SGXと統合されたPath ORAMに対して20%の改善を提供する。
関連論文リスト
- MemDPT: Differential Privacy for Memory Efficient Language Models [29.860202795518777]
大きな言語モデルは、ユーザープライバシを潜在的なリスクに対して不注意に公開することができる。
MemDPTは、様々な差分プライバシーメモリ効率の良い微調整スキームに対応するために、エッジネットワークとリバースネットワークの設計を提供する。
論文 参考訳（メタデータ） (2024-06-16T22:11:41Z) - ShadowBound: Efficient Heap Memory Protection Through Advanced Metadata Management and Customized Compiler Optimization [24.4696797147503]
ヒープの破損は システムのセキュリティに深刻な脅威をもたらす
ユニークなヒープメモリ保護設計であるShadowBoundを紹介します。
LLVMフレームワーク上にShadowBoundを実装し、最先端の3つの無防備を統合しました。
論文 参考訳（メタデータ） (2024-06-04T07:02:53Z) - Safe LoRA: the Silver Lining of Reducing Safety Risks when Fine-tuning Large Language Models [51.20476412037321]
カスタマイズされたデータセット、ドメイン固有のタスク、その他のプライベートニーズに対するパフォーマンスを高めるためには、微調整された大きな言語モデル(LLM)が必要である。
Safe LoRAは、選択したレイヤからのLoRA重みのプロジェクションを安全に整合したサブスペースに導入することで、オリジナルのLoRA実装のワンラインパッチである。
我々の実験は、純粋に悪意のあるデータに対して微調整を行う場合、Safe LoRAは元のアライメントモデルと同様の安全性を保っていることを示した。
論文 参考訳（メタデータ） (2024-05-27T05:04:05Z) - MemLLM: Finetuning LLMs to Use An Explicit Read-Write Memory [49.96019697955383]
本稿では,構造化および明示的な読み書きメモリモジュールを統合することで,知識能力を向上させる新しい手法であるMemLLMを紹介する。
実験の結果,MemLLMは言語モデリング全般,特に言語モデルにおいて,性能と解釈可能性を向上させることが示唆された。
私たちは MemLLM を,メモリ拡張による LLM の基盤化と現実化に向けた重要なステップと捉えています。
論文 参考訳（メタデータ） (2024-04-17T18:13:16Z) - Top of the Heap: Efficient Memory Error Protection for Many Heap Objects [37.992322891101374]
本稿では,メモリエラーから包括的に保護することを目的としたヒープメモリ安全性対策のソリューションを提案する。
本稿では,ヒープオブジェクトの空間的および型的メモリ安全性を静的に検証するUriahシステムを提案する。
Uriahは2.9%のオーバーヘッドしか発生せず、SPEC CPU2006(C/C++)ベンチマークでは9.3%以上のメモリしか使用していない。
論文 参考訳（メタデータ） (2023-10-10T08:04:08Z) - 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) - SemProtector: A Unified Framework for Semantic Protection in Deep Learning-based Semantic Communication Systems [51.97204522852634]
3つのセマンティック・プロテクション・モジュールを用いたオンラインセマンティック・コミュニケーション・システムの実現を目的とした統合されたフレームワークを提案する。
具体的には、これらの保護モジュールは、暗号化方法によって送信されるセマンティクスを暗号化し、摂動機構によって無線チャネルからのプライバシーリスクを軽減し、目的地で歪んだセマンティクスを校正することができる。
我々のフレームワークは、既存のオンラインSCシステムにおいて、上記3つのプラグイン可能なモジュールを動的に組み立てて、カスタマイズされたセマンティックプロテクション要件を満たすことを可能にする。
論文 参考訳（メタデータ） (2023-09-04T06:34:43Z) - Recurrent Dynamic Embedding for Video Object Segmentation [54.52527157232795]
一定サイズのメモリバンクを構築するためにRDE(Recurrent Dynamic Embedding)を提案する。
本稿では, SAM を長時間の動画でより堅牢にするため, トレーニング段階での無バイアス誘導損失を提案する。
また、メモリバンクの異なる品質のマスクの埋め込みをネットワークが修復できるように、新たな自己補正戦略を設計する。
論文 参考訳（メタデータ） (2022-05-08T02:24:43Z) - Plinius: Secure and Persistent Machine Learning Model Training [2.1375296464337086]
永続メモリ(PM)は(DRAMとは違い)電力損失に耐性がある
MLモデルの安全なトレーニングにIntel SGXエンクレーブを使用するフレームワークであるPLINIUSと、フォールトトレランス保証にPMを提案する。
論文 参考訳（メタデータ） (2021-04-07T08:35:59Z) - Neural Network Compression for Noisy Storage Devices [71.4102472611862]
従来、モデル圧縮と物理ストレージは分離される。
このアプローチでは、ストレージは圧縮されたモデルの各ビットを等しく扱い、各ビットに同じ量のリソースを割り当てるように強制される。
i) 各メモリセルの容量を最大化するためにアナログメモリを使用し, (ii) モデル圧縮と物理ストレージを共同で最適化し, メモリの有用性を最大化する。
論文 参考訳（メタデータ） (2021-02-15T18:19:07Z) - Neural Storage: A New Paradigm of Elastic Memory [4.307341575886927]
コンピュータメモリ内のデータの保存と検索は、システム性能において大きな役割を果たす。
我々は、脳にインスパイアされた学習記憶パラダイムであるNeural Storage(NS)を導入し、メモリをフレキシブルなニューラルメモリネットワークとして構成する。
NSは2つの代表アプリケーションに対してメモリアクセス性能を大幅に改善する。
論文 参考訳（メタデータ） (2021-01-07T19:19:25Z)
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。