Fugu-MT 論文翻訳(概要): Blockchain Based Zero-Knowledge Proof of Location in IoT

論文の概要: Blockchain Based Zero-Knowledge Proof of Location in IoT

arxiv url: http://arxiv.org/abs/2406.18389v1
Date: Wed, 26 Jun 2024 14:30:56 GMT
ステータス: 処理完了
システム内更新日: 2024-06-27 13:09:50.413347
Title: Blockchain Based Zero-Knowledge Proof of Location in IoT
Title（参考訳）: IoTにおけるブロックチェーンベースのゼロ知識証明
Authors: Wei Wu, Erwu Liu, Xinglin Gong, Rui Wang,
Abstract要約: ユーザのプライバシーをよりよく保護するために,ゼロ知識による位置証明(zk-PoL)プロトコルを提案する。評価の結果,zk-PoLは主攻撃に対して優れたセキュリティを有することがわかった。
参考スコア（独自算出の注目度）: 9.580168745337096
License: http://creativecommons.org/licenses/by/4.0/
Abstract: With the development of precise positioning technology, a growing number of location-based services (LBSs) facilitate people's life. Most LBSs require proof of location (PoL) to prove that the user satisfies the service requirement, which exposes the user's privacy. In this paper, we propose a zero-knowledge proof of location (zk-PoL) protocol to better protect the user's privacy. With the zk-PoL protocol, the user can choose necessary information to expose to the server, so that hierarchical privacy protection can be achieved. The evaluation shows that the zk-PoL has excellent security to resist main attacks, moreover the computational efficiency is independent of input parameters and the zk-PoL is appropriate to delay-tolerant LBSs.
Abstract（参考訳）: 正確な位置決め技術の発達に伴い、多くの位置情報サービス(LBS)が人々の生活を促進する。ほとんどのLBSは、ユーザがサービス要件を満たすことを証明するために、ユーザのプライバシを公開するために、位置証明(PoL)を必要とする。本稿では,ユーザのプライバシーをより保護するために,ゼロ知識による位置証明(zk-PoL)プロトコルを提案する。 zk-PoLプロトコルを使用すると、ユーザはサーバに公開するために必要な情報を選択することができ、階層的なプライバシ保護を実現することができる。評価の結果、zk-PoLは主攻撃に対して優れたセキュリティを有し、計算効率は入力パラメータとは独立であり、zk-PoLは遅延耐性LBSに適していることがわかった。

関連論文リスト

Enhancing Feature-Specific Data Protection via Bayesian Coordinate Differential Privacy [55.357715095623554]
ローカル微分プライバシー(LDP)は、ユーザーが外部の関係者を信頼することなく、強力なプライバシー保証を提供する。本稿では,ベイジアン・フレームワークであるベイジアン・コーディネート・ディファレンシャル・プライバシ(BCDP)を提案する。
論文参考訳（メタデータ） (2024-10-24T03:39:55Z)
Rescriber: Smaller-LLM-Powered User-Led Data Minimization for Navigating Privacy Trade-offs in LLM-Based Conversational Agent [2.2447085410328103]
Rescriberは、LLMベースの会話エージェントでユーザ主導のデータ最小化をサポートするブラウザエクステンションである。我々の研究によると、Rescriberはユーザーが不必要な開示を減らし、プライバシー上の懸念に対処するのに役立ちました。以上の結果から,LLMによる小型ユーザ向けオンデバイスプライバシコントロールの実現可能性が確認された。
論文参考訳（メタデータ） (2024-10-10T01:23:16Z)
Fast Private Location-based Information Retrieval Over the Torus [2.0680208842600454]
LocPIRは、パブリッククラウドからデータを取得する際のユーザの位置情報のプライバシを保存する。システムでは、非ポリノミカル評価におけるTFHEの専門知識を採用している。
論文参考訳（メタデータ） (2024-07-29T10:42:17Z)
Mind the Privacy Unit! User-Level Differential Privacy for Language Model Fine-Tuning [62.224804688233]
差分プライバシ(DP)は、モデルが特定のプライバシユニットで「ほとんど区別できない」ことを保証することで、有望なソリューションを提供する。ユーザ間でのプライバシー保護の確保に必要なアプリケーションによって動機づけられたユーザレベルのDPについて検討する。
論文参考訳（メタデータ） (2024-06-20T13:54:32Z)
Secure Aggregation is Not Private Against Membership Inference Attacks [66.59892736942953]
フェデレーション学習におけるSecAggのプライバシーへの影響について検討する。 SecAggは、単一のトレーニングラウンドであっても、メンバシップ推論攻撃に対して弱いプライバシを提供します。以上の結果から,ノイズ注入などの付加的なプライバシー強化機構の必要性が浮き彫りになった。
論文参考訳（メタデータ） (2024-03-26T15:07:58Z)
Enhancing Accuracy-Privacy Trade-off in Differentially Private Split Learning [2.2676798389997863]
Split Learning(SL)は、クライアントサーバ間で詳細なモデルを分散し、プライベートデータをローカルに保持することで、ユーザのデータプライバシを保護することを目的としている。最近提案されたモデル反転攻撃は、スマッシュされたデータから元のデータを復元することができる。ディファレンシャルプライバシ(DP)を採用する戦略では、スマッシュされたデータをある程度の精度の損失を犠牲にして保護する。
論文参考訳（メタデータ） (2023-10-22T22:45:13Z)
Systematic Evaluation of Geolocation Privacy Mechanisms [6.356211727228669]
位置情報プライバシ保護メカニズム(LPPM)は、共有データのプライバシを確保するために、以前の研究によって提案されている。 LPPMの感度について, 使用シナリオについて検討した。
論文参考訳（メタデータ） (2023-09-12T14:23:19Z)
Unraveling the Connections between Privacy and Certified Robustness in Federated Learning Against Poisoning Attacks [68.20436971825941]
フェデレートラーニング(FL)は、分散ユーザのデータを活用するグローバルモデルを共同でトレーニングするための、効率的なパラダイムを提供する。いくつかの研究により、FLは毒殺攻撃に弱いことが示されている。ローカルユーザのプライバシを保護するため、FLは通常、差分プライベートな方法でトレーニングされる。
論文参考訳（メタデータ） (2022-09-08T21:01:42Z)
Efficient and Privacy Preserving Group Signature for Federated Learning [2.121963121603413]
Federated Learning(FL)は、ユーザデータのプライバシに対する脅威を軽減することを目的とした機械学習(ML)テクニックである。本稿では,グループ署名に基づくFLの効率的かつプライバシ保護プロトコルを提案する。
論文参考訳（メタデータ） (2022-07-12T04:12:10Z)
Privacy Amplification via Shuffling for Linear Contextual Bandits [51.94904361874446]
ディファレンシャルプライバシ(DP)を用いた文脈線形バンディット問題について検討する。プライバシのシャッフルモデルを利用して,JDP と LDP のプライバシ/ユーティリティトレードオフを実現することができることを示す。以上の結果から,ローカルプライバシを保ちながらシャッフルモデルを活用することで,JDPとDPのトレードオフを得ることが可能であることが示唆された。
論文参考訳（メタデータ） (2021-12-11T15:23:28Z)
PGLP: Customizable and Rigorous Location Privacy through Policy Graph [68.3736286350014]
我々はPGLPと呼ばれる新しい位置プライバシーの概念を提案し、カスタマイズ可能で厳格なプライバシー保証を備えたプライベートロケーションをリリースするためのリッチなインターフェースを提供する。具体的には,ユーザの位置プライバシー要件を,表現的かつカスタマイズ可能なテキスト配置ポリシーグラフを用いて形式化する。第3に、位置露光の検出、ポリシーグラフの修復、およびカスタマイズ可能な厳格な位置プライバシーを備えたプライベートな軌跡リリースをパイプライン化する、プライベートな位置トレースリリースフレームワークを設計する。
論文参考訳（メタデータ） (2020-05-04T04:25:59Z)

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。