論文の概要: SecGraph: Towards SGX-based Efficient and Confidentiality-Preserving Graph Search

• arxiv url: http://arxiv.org/abs/2403.19531v1
• Date: Thu, 28 Mar 2024 16:06:13 GMT
• ステータス: 処理完了
• システム内更新日: 2024-03-29 15:34:50.621293
• Title: SecGraph: Towards SGX-based Efficient and Confidentiality-Preserving Graph Search
• Title（参考訳）: SecGraph: SGXベースの効率的かつ信頼性の高いグラフ検索を目指して
• Authors: Qiuhao Wang, Xu Yang, Saiyu Qi, Yong Qi,
• Abstract要約: 本稿では,SGXに基づくグラフ検索方式SecGraphを提案する。 SecGraphの検索時間はPeGraphと比較して最大208倍向上した。
• 参考スコア（独自算出の注目度）: 13.00839243715644
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Graphs have more expressive power and are widely researched in various search demand scenarios, compared with traditional relational and XML models. Today, many graph search services have been deployed on a third-party server, which can alleviate users from the burdens of maintaining large-scale graphs and huge computation costs. Nevertheless, outsourcing graph search services to the third-party server may invade users' privacy. PeGraph was recently proposed to achieve the encrypted search over the social graph. The main idea of PeGraph is to maintain two data structures XSet and TSet motivated by the OXT technology to support encrypted conductive search. However, PeGraph still has some limitations. First, PeGraph suffers from high communication and computation costs in search operations. Second, PeGraph cannot support encrypted search over dynamic graphs. In this paper, we propose an SGX-based efficient and confidentiality-preserving graph search scheme SecGraph that can support insertion and deletion operations. We first design a new proxy-token generation method to reduce the communication cost. Then, we design an LDCF-encoded XSet based on the Logarithmic Dynamic Cuckoo Filter to reduce the computation cost. Finally, we design a new dynamic version of TSet named Twin-TSet to enable encrypted search over dynamic graphs. We have demonstrated the confidentiality preservation property of SecGraph through rigorous security analysis. Experiment results show that SecGraph yields up to 208x improvement in search time compared with PeGraph and the communication cost in PeGraph is up to 540x larger than that in SecGraph.
• Abstract（参考訳）: グラフはより表現力があり、従来のリレーショナルモデルやXMLモデルと比較して、様々な検索要求シナリオで広く研究されている。 今日、多くのグラフ検索サービスがサードパーティのサーバーにデプロイされており、大規模なグラフの維持と膨大な計算コストの負担からユーザを救えるようになっている。 それでも、グラフ検索サービスをサードパーティサーバにアウトソーシングすることは、ユーザのプライバシに侵入する可能性がある。 PeGraphは最近、ソーシャルグラフの暗号化検索を実現するために提案されている。 PeGraphの主な考え方は、暗号化された導電性検索をサポートするためにOXT技術によって動機付けられた2つのデータ構造XSetとTSetを維持することである。 しかし、PeGraphにはいくつかの制限がある。 第一に、PeGraphは検索操作において高い通信コストと計算コストに悩まされている。 第二に、PeGraphは動的グラフ上の暗号化検索をサポートしない。 本稿では,SGXをベースとした効率的かつ機密性に配慮したグラフ検索方式SecGraphを提案する。 まず、通信コストを削減するために、新しいプロキシ・トークン生成手法を設計する。 次に、計算コストを削減するために、対数動的カクーフィルタに基づくLDCF符号化XSetを設計する。 最後に、動的グラフ上での暗号化検索を可能にするために、Twin-TSetと呼ばれるTSetの新しい動的バージョンを設計する。 厳密なセキュリティ分析によりSecGraphの秘密保持性を実証した。 実験の結果, SecGraphの検索時間はPeGraphに比べて最大208倍, PeGraphの通信コストはSecGraphの最大540倍であることがわかった。

関連論文リスト

• InstructG2I: Synthesizing Images from Multimodal Attributed Graphs [50.852150521561676]
  InstructG2Iと呼ばれるグラフ文脈条件拡散モデルを提案する。 InstructG2Iはまずグラフ構造とマルチモーダル情報を利用して情報的隣人サンプリングを行う。 Graph-QFormerエンコーダは、グラフノードをグラフプロンプトの補助セットに適応的に符号化し、デノナイジングプロセスを導く。
  論文  参考訳（メタデータ） (2024-10-09T17:56:15Z)
• Selective Parallel Loading of Large-Scale Compressed Graphs with ParaGrapher [3.298283787389057]
  ParaGrapherは、大規模および圧縮されたグラフをロードするための高性能なAPIとライブラリである。 本稿ではParaGrapherの設計とグラフ圧縮の性能モデルを提案する。 評価の結果,ParaGrapherはロード時の最大3.2倍,エンドツーエンド実行時の最大5.2倍のスピードアップを実現している。
  論文  参考訳（メタデータ） (2024-04-30T17:31:25Z)
• Graph Chain-of-Thought: Augmenting Large Language Models by Reasoning on Graphs [60.71360240206726]
  大規模言語モデル(LLM)は、特に知識集約的なタスクにおいて幻覚に悩まされる。 既存の研究は、外部知識コーパスから取得した個々のテキスト単位でLLMを拡張することを提案する。 本稿では,グラフを反復的に推論することで,LLMをグラフで拡張するためのGraph Chain-of-thinkt (Graph-CoT) というフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-04-10T15:41:53Z)
• G-Retriever: Retrieval-Augmented Generation for Textual Graph Understanding and Question Answering [61.93058781222079]
  現実のテキストグラフを対象とするフレキシブルな問合せフレームワークを開発した。 一般のテキストグラフに対する最初の検索拡張生成(RAG)手法を提案する。 G-Retrieverは、このタスクをSteiner Tree最適化問題として定式化し、グラフ上でRAGを実行する。
  論文  参考訳（メタデータ） (2024-02-12T13:13:04Z)
• ChatGraph: Chat with Your Graphs [24.344119857435178]
  我々はChatGraphと呼ばれる大規模言語モデル(LLM)ベースのフレームワークを提案する。 ChatGraphを使えば、ユーザは自然言語でグラフと対話できるので、従来のアプローチよりも使いやすく、柔軟になる。
  論文  参考訳（メタデータ） (2024-01-23T11:29:19Z)
• Subgraph Matching via Query-Conditioned Subgraph Matching Neural Networks and Bi-Level Tree Search [33.9052190473029]
  サブグラフマッチングは、グラフデータベース検索、バイオメディカル分析、ソーシャルグループ検索などにおける中核的な操作である。 本稿では,クエリと対象グラフのマッチング情報を動的に計算する,新しいエンコーダ・デコーダニューラルネットワークアーキテクチャを提案する。 5つの大きな実世界のターゲットグラフの実験により、N-BLSはサブグラフマッチング性能を大幅に改善できることが示された。
  論文  参考訳（メタデータ） (2022-07-21T04:47:21Z)
• Automatic Relation-aware Graph Network Proliferation [182.30735195376792]
  GNNを効率的に検索するためのARGNP(Automatic Relation-Aware Graph Network Proliferation)を提案する。 これらの操作は階層的なノード/リレーショナル情報を抽出し、グラフ上のメッセージパッシングのための異方的ガイダンスを提供する。 4つのグラフ学習タスクのための6つのデータセットの実験により、我々の手法によって生成されたGNNは、現在最先端の手作りおよび検索に基づくGNNよりも優れていることが示された。
  論文  参考訳（メタデータ） (2022-05-31T10:38:04Z)
• FedGraph: Federated Graph Learning with Intelligent Sampling [7.798227884125872]
  フェデレーション学習は、分散機械学習におけるプライバシー保護のために、多くの研究の注目を集めている。 既存のフェデレーション学習の作業は主に畳み込みニューラルネットワーク(CNN)に焦点を当てており、多くのアプリケーションで人気のあるグラフデータを効率的に扱えない。 本稿では,複数のコンピュータクライアント間でのフェデレーショングラフ学習のためのFedGraphを提案する。
  論文  参考訳（メタデータ） (2021-11-02T04:58:03Z)
• Inverse Graph Identification: Can We Identify Node Labels Given Graph Labels? [89.13567439679709]
  グラフ識別(GI)は、グラフ学習において長い間研究されており、特定の応用において不可欠である。 本稿では,逆グラフ識別(Inverse Graph Identification, IGI)と呼ばれる新しい問題を定義する。 本稿では,グラフアテンションネットワーク(GAT)を用いたノードレベルのメッセージパッシング処理を,GIのプロトコルの下でシンプルかつ効果的に行う方法を提案する。
  論文  参考訳（メタデータ） (2020-07-12T12:06:17Z)
• Scaling Graph Neural Networks with Approximate PageRank [64.92311737049054]
  GNNにおける情報拡散の効率的な近似を利用したPPRGoモデルを提案する。 高速であることに加えて、PPRGoは本質的にスケーラブルであり、業界設定で見られるような大規模なデータセットに対して、自明に並列化することができる。 このグラフのすべてのノードに対するPPRGoのトレーニングとラベルの予測には1台のマシンで2分未満で、同じグラフ上の他のベースラインをはるかに上回ります。
  論文  参考訳（メタデータ） (2020-07-03T09:30:07Z)

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。