論文の概要: Privacy in Cloud Computing through Immersion-based Coding

• arxiv url: http://arxiv.org/abs/2403.04485v2
• Date: Fri, 9 Aug 2024 17:14:57 GMT
• ステータス: 処理完了
• システム内更新日: 2024-08-12 20:20:09.536621
• Title: Privacy in Cloud Computing through Immersion-based Coding
• Title（参考訳）: 没入型コーディングによるクラウドコンピューティングのプライバシ
• Authors: Haleh Hayati, Nathan van de Wouw, Carlos Murguia,
• Abstract要約: プライバシ保護方式でデータの共有と処理が可能なコーディング機構を設計するためのフレームワークを提案する。 提案手法は,制御理論に基づく差分プライバシとシステム浸漬ツールの相乗効果に基づいて構築される。 提案手法は,アルゴリズムの有用性を損なうことなく,任意のレベルの差分プライバシーを提供するように設計されていることを示す。
• 参考スコア（独自算出の注目度）: 1.4226399196408985
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Cloud computing enables users to process and store data remotely on high-performance computers and servers by sharing data over the Internet. However, transferring data to clouds causes unavoidable privacy concerns. Here, we present a synthesis framework to design coding mechanisms that allow sharing and processing data in a privacy-preserving manner without sacrificing data utility and algorithmic performance. We consider the setup where the user aims to run an algorithm in the cloud using private data. The cloud then returns some data utility back to the user (utility refers to the service that the algorithm provides, e.g., classification, prediction, AI models, etc.). To avoid privacy concerns, the proposed scheme provides tools to co-design: 1) coding mechanisms to distort the original data and guarantee a prescribed differential privacy level; 2) an equivalent-but-different algorithm (referred here to as the target algorithm) that runs on distorted data and produces distorted utility; and 3) a decoding function that extracts the true utility from the distorted one with a negligible error. Then, instead of sharing the original data and algorithm with the cloud, only the distorted data and target algorithm are disclosed, thereby avoiding privacy concerns. The proposed scheme is built on the synergy of differential privacy and system immersion tools from control theory. The key underlying idea is to design a higher-dimensional target algorithm that embeds all trajectories of the original algorithm and works on randomly encoded data to produce randomly encoded utility. We show that the proposed scheme can be designed to offer any level of differential privacy without degrading the algorithm's utility. We present two use cases to illustrate the performance of the developed tools: privacy in optimization/learning algorithms and a nonlinear networked control system.
• Abstract（参考訳）: クラウドコンピューティングにより、ユーザはインターネット上でデータを共有することによって、高性能コンピュータやサーバ上でデータをリモートで処理し、保存することができる。 しかし、データをクラウドに転送することは、避けられないプライバシー上の懸念を引き起こす。 本稿では、データユーティリティとアルゴリズム性能を犠牲にすることなく、プライバシ保護方式でデータの共有と処理を可能にするコーディング機構の設計のための合成フレームワークを提案する。 ユーザがプライベートデータを使ってクラウド上でアルゴリズムを実行するためのセットアップを検討する。 クラウドは、いくつかのデータユーティリティをユーザに返します(ユーティリティは、アルゴリズムが提供するサービス、例えば、分類、予測、AIモデルなどを指します)。 プライバシー上の懸念を避けるため、提案されたスキームは、共同設計のためのツールを提供する。 1) 原データを歪曲し,所定の差分プライバシーレベルを保証するための符号化機構 2) 歪んだデータ上で動作し、歪んだユーティリティを生成する等分差分アルゴリズム(ここでは対象アルゴリズムと呼ぶ) 3)歪んだものから真の有用性を無視可能な誤りで抽出する復号機能。 そして、元のデータとアルゴリズムをクラウドと共有する代わりに、歪んだデータとターゲットのアルゴリズムだけが開示されるため、プライバシー上の懸念は回避される。 提案手法は,制御理論に基づく差分プライバシとシステム浸漬ツールの相乗効果に基づいて構築される。 鍵となる考え方は、元のアルゴリズムのすべての軌跡を埋め込んだ高次元ターゲットアルゴリズムを設計し、ランダムに符号化されたデータに基づいてランダムに符号化されたユーティリティを生成することである。 提案手法は,アルゴリズムの有用性を損なうことなく,任意のレベルの差分プライバシーを提供するように設計されていることを示す。 本稿では,最適化/学習アルゴリズムにおけるプライバシと非線形ネットワーク制御システムという,開発ツールの性能を示す2つのユースケースを提案する。

関連論文リスト

• Masked Differential Privacy [64.32494202656801]
  本稿では,差分プライバシーを適用した機密領域を制御できる「マスク型差分プライバシー(DP)」という効果的なアプローチを提案する。 提案手法はデータに基づいて選択的に動作し,DPアプリケーションや差分プライバシーをデータサンプル内の他のプライバシー技術と組み合わせることなく,非感性時間領域を定義できる。
  論文  参考訳（メタデータ） (2024-10-22T15:22:53Z)
• Ciphertext-Only Attack on a Secure $k$-NN Computation on Cloud [0.0]
  暗号化は、不正アクセス、データ漏洩、そしてその結果の金銭的損失、評判の損害、法的問題を防ぐことができる。 Sanyashiらは、クラウド上のプライバシー保護のための$k$-NN計算を容易にする暗号化スキームを提案した。 我々は、効率的なアルゴリズムを与え、その暗号方式が暗号文のみの攻撃(COA)に弱いことを実証的に示す。
  論文  参考訳（メタデータ） (2024-03-14T03:53:01Z)
• Theoretically Principled Federated Learning for Balancing Privacy and Utility [61.03993520243198]
  モデルパラメータを歪ませることでプライバシを保護する保護機構の一般学習フレームワークを提案する。 フェデレートされた学習における各コミュニケーションラウンドにおいて、各クライアント上の各モデルパラメータに対して、パーソナライズされたユーティリティプライバシトレードオフを実現することができる。
  論文  参考訳（メタデータ） (2023-05-24T13:44:02Z)
• Differentially Private Algorithms for Synthetic Power System Datasets [0.0]
  電力システムの研究は、現実世界のネットワークデータセットの可用性に依存している。 データ所有者は、セキュリティとプライバシーのリスクのためにデータを共有することをためらっている。 我々は、最適化と機械学習データセットの合成生成のためのプライバシー保護アルゴリズムを開発する。
  論文  参考訳（メタデータ） (2023-03-20T13:38:58Z)
• A Privacy-Preserving Outsourced Data Model in Cloud Environment [8.176020822058586]
  データセキュリティとプライバシの問題は、機械学習ツールの使用にとって重要な障害のひとつだ。 機械学習効率を損なうことなくデータのプライバシを保護するプライバシ保存モデルを提案する。 Fogノードは、データ所有者からノイズ付加データを収集し、ストレージ、計算、分類タスクの実行のためにクラウドプラットフォームに移行する。
  論文  参考訳（メタデータ） (2022-11-24T11:27:30Z)
• Differentially Private Stochastic Gradient Descent with Low-Noise [49.981789906200035]
  現代の機械学習アルゴリズムは、データからきめ細かい情報を抽出して正確な予測を提供することを目的としており、プライバシー保護の目標と矛盾することが多い。 本稿では、プライバシを保ちながら優れたパフォーマンスを確保するために、プライバシを保存する機械学習アルゴリズムを開発することの実践的および理論的重要性について論じる。
  論文  参考訳（メタデータ） (2022-09-09T08:54:13Z)
• Smooth Anonymity for Sparse Graphs [69.1048938123063]
  しかし、スパースデータセットを共有するという点では、差分プライバシーがプライバシのゴールドスタンダードとして浮上している。 本研究では、スムーズな$k$匿名性(スムーズな$k$匿名性)と、スムーズな$k$匿名性(スムーズな$k$匿名性)を提供する単純な大規模アルゴリズムを設計する。
  論文  参考訳（メタデータ） (2022-07-13T17:09:25Z)
• 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)
• Decentralized Stochastic Optimization with Inherent Privacy Protection [103.62463469366557]
  分散最適化は、現代の協調機械学習、分散推定と制御、大規模センシングの基本的な構成要素である。 データが関与して以降、分散最適化アルゴリズムの実装において、プライバシ保護がますます重要になっている。
  論文  参考訳（メタデータ） (2022-05-08T14:38:23Z)
• Privacy-Preserving Federated Learning via System Immersion and Random Matrix Encryption [4.258856853258348]
  フェデレーション学習(FL)は、クライアントが中央集権的な(潜在的に敵対的な)サーバとデータを共有するのではなく、デバイス上でAIモデルをトレーニングする、コラボレーティブな分散学習のためのプライバシソリューションとして登場した。 本稿では,制御理論からの行列暗号とシステム浸漬ツールの相乗効果に基づいて,プライバシ保護フェデレーションラーニング(PPFL)フレームワークを提案する。 提案アルゴリズムは,クライアントのデータに関する情報を公開せずに,標準FLと同等の精度と収束率を無視できるコストで提供することを示す。
  論文  参考訳（メタデータ） (2022-04-05T21:28:59Z)
• Confused Modulo Projection based Somewhat Homomorphic Encryption -- Cryptosystem, Library and Applications on Secure Smart Cities [19.532232041651522]
  CMP-SWHEという混同モジュロ射影定理に基づく、ややホモモルフィックな暗号暗号システムのシングルサーババージョンを提案する。 クライアント側では、元のデータは増幅、ランダム化、紛らわしい冗長性の設定によって暗号化される。 サーバー側で暗号化されたデータを操作することは、元のデータを操作することと同等です。
  論文  参考訳（メタデータ） (2020-12-19T14:20:56Z)

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。