論文の概要: Hook-in Privacy Techniques for gRPC-based Microservice Communication

• arxiv url: http://arxiv.org/abs/2404.05598v1
• Date: Mon, 8 Apr 2024 15:18:42 GMT
• ステータス: 処理完了
• システム内更新日: 2024-04-09 13:55:49.104367
• Title: Hook-in Privacy Techniques for gRPC-based Microservice Communication
• Title（参考訳）: gRPCベースのマイクロサービス通信のためのフックインプライバシ技術
• Authors: Louis Loechel, Siar-Remzi Akbayin, Elias Grünewald, Jannis Kiesel, Inga Strelnikova, Thomas Janke, Frank Pallas,
• Abstract要約: gRPCは現代の分散システムアーキテクチャの中心にあります。 広く採用されているにもかかわらず、gRPCにはトランスポートやトークンベースの認証以上の高度なプライバシ技術がない。 本稿では,このような高度なプライバシ技術をgRPCフレームワークに統合する,新たなアプローチを提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: gRPC is at the heart of modern distributed system architectures. Based on HTTP/2 and Protocol Buffers, it provides highly performant, standardized, and polyglot communication across loosely coupled microservices and is increasingly preferred over REST- or GraphQL-based service APIs in practice. Despite its widespread adoption, gRPC lacks any advanced privacy techniques beyond transport encryption and basic token-based authentication. Such advanced techniques are, however, increasingly important for fulfilling regulatory requirements. For instance, anonymizing or otherwise minimizing (personal) data before responding to requests, or pre-processing data based on the purpose of the access may be crucial in certain usecases. In this paper, we therefore propose a novel approach for integrating such advanced privacy techniques into the gRPC framework in a practically viable way. Specifically, we present a general approach along with a working prototype that implements privacy techniques, such as data minimization and purpose limitation, in a configurable, extensible, and gRPC-native way utilizing a gRPC interceptor. We also showcase how to integrate this contribution into a realistic example of a food delivery use case. Alongside these implementations, a preliminary performance evaluation shows practical applicability with reasonable overheads. Altogether, we present a viable solution for integrating advanced privacy techniques into real-world gRPC-based microservice architectures, thereby facilitating regulatory compliance ``by design''.
• Abstract（参考訳）: gRPCは現代の分散システムアーキテクチャの中心にあります。 HTTP/2とProtocol Buffersをベースとして、疎結合なマイクロサービス間の高性能で標準化された、多言語通信を提供し、実際にRESTやGraphQLベースのサービスAPIよりもますます好まれている。 広く採用されているにもかかわらず、gRPCにはトランスポート暗号化と基本的なトークンベースの認証以上の高度なプライバシ技術がない。 しかし、このような高度な技術は規制要件を満たすためにますます重要になっている。 例えば、リクエストに応答する前に(個人)データを匿名化または最小化したり、アクセスの目的に基づいてデータを前処理したりするといったことは、特定のユースケースにおいて非常に重要です。 そこで本稿では,このような高度なプライバシ技術をgRPCフレームワークに統合する新たな手法を提案する。 具体的には、gRPCインターセプタを利用した設定可能、拡張可能、およびgRPCネイティブな方法で、データ最小化や目的制限といったプライバシー技術を実装する作業プロトタイプとともに、一般的なアプローチを示す。 また、このコントリビューションを、フードデリバリーユースケースの現実的な例に統合する方法も紹介します。 これらの実装に加えて、予備的な性能評価は、合理的なオーバーヘッドを伴う実用的な適用性を示している。 さらに私たちは,高度なプライバシ技術を現実のgRPCベースのマイクロサービスアーキテクチャに統合する上で,実行可能なソリューションを提案しています。

関連論文リスト

• The Communication-Friendly Privacy-Preserving Machine Learning against Malicious Adversaries [14.232901861974819]
  プライバシー保護機械学習(PPML)は、機密情報を保護しながらセキュアなデータ分析を可能にする革新的なアプローチである。 セキュアな線形関数評価のための効率的なプロトコルを導入する。 我々は、このプロトコルを拡張して、線形層と非線形層を扱い、幅広い機械学習モデルとの互換性を確保する。
  論文  参考訳（メタデータ） (2024-11-14T08:55:14Z)
• Provable Privacy with Non-Private Pre-Processing [56.770023668379615]
  非プライベートなデータ依存前処理アルゴリズムによって生じる追加のプライバシーコストを評価するための一般的なフレームワークを提案する。 当社のフレームワークは,2つの新しい技術的概念を活用することにより,全体的なプライバシー保証の上限を確立する。
  論文  参考訳（メタデータ） (2024-03-19T17:54:49Z)
• Libertas: Privacy-Preserving Computation for Decentralised Personal Data Stores [19.54818218429241]
  セキュアなマルチパーティ計算をSolidと統合するためのモジュール設計を提案する。 私たちのアーキテクチャであるLibertasでは、基盤となるSolidの設計にプロトコルレベルの変更は必要ありません。 既存の差分プライバシー技術と組み合わせて、出力プライバシーを確保する方法を示す。
  論文  参考訳（メタデータ） (2023-09-28T12:07:40Z)
• Streamlining personal data access requests: From obstructive procedures to automated web workflows [0.0]
  データアクセス権は これまでのところ 限界的な技術的反映しか見られません したがって、データ主体アクセス要求(DSAR)の実行に関連するプロセスは、依然として手動で実行される。 本稿では,Web 自動化の現代技術を活用した DSAR の自動実行手法を提案する。
  論文  参考訳（メタデータ） (2023-05-05T12:27:47Z)
• Sparsity-Aware Intelligent Massive Random Access Control in Open RAN: A Reinforcement Learning Based Approach [61.74489383629319]
  新たなOpen Radio Access Network(O-RAN)におけるデバイスの大量ランダムアクセスは、アクセス制御と管理に大きな課題をもたらします。 閉ループアクセス制御の強化学習(RL)支援方式を提案する。 深部RL支援SAUDは、連続的かつ高次元の状態と行動空間を持つ複雑な環境を解決するために提案されている。
  論文  参考訳（メタデータ） (2023-03-05T12:25:49Z)
• Is Vertical Logistic Regression Privacy-Preserving? A Comprehensive Privacy Analysis and Beyond [57.10914865054868]
  垂直ロジスティック回帰(VLR)をミニバッチ降下勾配で訓練した。 我々は、オープンソースのフェデレーション学習フレームワークのクラスにおいて、VLRの包括的で厳密なプライバシー分析を提供する。
  論文  参考訳（メタデータ） (2022-07-19T05:47:30Z)
• Towards Deployment-Efficient Reinforcement Learning: Lower Bound and Optimality [141.89413461337324]
  展開効率は、強化学習(RL)の多くの実世界の応用にとって重要な基準である 本稿では,「制約付き最適化」の観点から,デプロイ効率の高いRL(DE-RL)の理論的定式化を提案する。
  論文  参考訳（メタデータ） (2022-02-14T01:31:46Z)
• SOLIS -- The MLOps journey from data acquisition to actionable insights [62.997667081978825]
  本稿では,基本的なクロスプラットフォームテンソルフレームワークとスクリプト言語エンジンを使用しながら,すべての要件をサポートする統合デプロイメントパイプラインとフリー・ツー・オペレートアプローチを提案する。 しかし、このアプローチは、実際のプロダクショングレードシステムに機械学習機能を実際にデプロイするために必要な手順やパイプラインを提供していない。
  論文  参考訳（メタデータ） (2021-12-22T14:45:37Z)
• Federated Intrusion Detection for IoT with Heterogeneous Cohort Privacy [0.0]
  IoT(Internet of Things)デバイスはますます普及し、医療や輸送といった多くのアプリケーションドメインに影響を与える。 本研究では,このようなIoTデバイスのネットワーク上での侵入攻撃を検出するために,差分プライベート(DP)ニューラルネットワーク(NN)ベースのネットワーク侵入検出システム(NIDS)を検討する。 このドメインの既存のNNトレーニングソリューションは、プライバシの考慮を無視したり、すべてのユーザのプライバシー要件が均一であると仮定する。 クライアントのプライバシ要件が不均一である場合,非IDデータ分布を持つクライアントに対して,既存の差分プライベートメソッドの性能が低下することを示す。
  論文  参考訳（メタデータ） (2021-01-25T03:33:27Z)
• A Privacy-Preserving Distributed Architecture for Deep-Learning-as-a-Service [68.84245063902908]
  本稿では,ディープラーニング・アズ・ア・サービスのための分散アーキテクチャを提案する。 クラウドベースのマシンとディープラーニングサービスを提供しながら、ユーザの機密データを保存できる。
  論文  参考訳（メタデータ） (2020-03-30T15:12:03Z)

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。