論文の概要: LightPHE: Integrating Partially Homomorphic Encryption into Python with Extensive Cloud Environment Evaluations
- arxiv url: http://arxiv.org/abs/2408.05219v1
- Date: Thu, 25 Jul 2024 12:23:31 GMT
- ステータス: 処理完了
- システム内更新日: 2024-08-19 04:16:58.025841
- Title: LightPHE: Integrating Partially Homomorphic Encryption into Python with Extensive Cloud Environment Evaluations
- Title(参考訳): LightPHE: 大規模なクラウド環境評価による部分同型暗号化のPythonへの統合
- Authors: Sefik Ilkin Serengil, Alper Ozpinar,
- Abstract要約: ホモモルフィック暗号化は、プライベートキーにアクセスせずに暗号化されたデータの計算を可能にし、クラウド環境のセキュリティを高める。
本稿では、Python用の軽量ハイブリッドPHEフレームワークであるLightPHEを紹介し、既存のPHEライブラリの欠如に対処する。
LightPHEは複数のPHEアルゴリズムをモジュール設計に統合し、高速なプロトタイピングとセキュアなアプリケーション開発のための堅牢性とユーザビリティを保証する。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Homomorphic encryption enables computations on encrypted data without accessing private keys, enhancing security in cloud environments. Without this technology, updates need to be performed on-premises or require transmitting private keys to the cloud, increasing security risks. Fully homomorphic encryption (FHE) supports both additive and multiplicative operations on ciphertexts, while partially homomorphic encryption (PHE) supports either addition or multiplication, offering a more efficient and practical solution. This study introduces LightPHE, a lightweight hybrid PHE framework for Python, designed to address the lack of existing PHE libraries. LightPHE integrates multiple PHE algorithms with a modular and extensible design, ensuring robustness and usability for rapid prototyping and secure application development. Cloud-based experiments were conducted on Google Colab (Normal, A100 GPU, L4 GPU, T4 High RAM, TPU2) and Microsoft Azure Spark to evaluate LightPHE's performance and scalability. Key metrics such as key generation, encryption, decryption, and homomorphic operations were assessed. Results showed LightPHE's superior performance in high-computation environments like Colab A100 GPU and TPU2, while also offering viable options for cost-effective setups like Colab Normal and Azure Spark. Comparative analyses demonstrated LightPHE's efficiency and scalability, making it suitable for various applications. The benchmarks offer insights into selecting appropriate cloud environments based on performance needs, highlighting LightPHE's potential to advance homomorphic encryption for secure and efficient cloud-based data processing.
- Abstract(参考訳): ホモモルフィック暗号化は、プライベートキーにアクセスせずに暗号化されたデータの計算を可能にし、クラウド環境のセキュリティを高める。
この技術がなければ、アップデートはオンプレミスで実行されるか、あるいはプライベートキーをクラウドに送信する必要があるため、セキュリティリスクが増大する。
完全同型暗号(FHE)は、暗号文上の加法演算と乗法演算の両方をサポートし、一方、部分同型暗号(PHE)は加算と乗法の両方をサポートし、より効率的で実用的な解を提供する。
本稿では、Python用の軽量ハイブリッドPHEフレームワークであるLightPHEを紹介し、既存のPHEライブラリの欠如に対処する。
LightPHEは、複数のPHEアルゴリズムをモジュール化された拡張可能な設計に統合し、高速なプロトタイピングとセキュアなアプリケーション開発のための堅牢性とユーザビリティを保証する。
Google Colab(Normal、A100 GPU、L4 GPU、T4 High RAM、TPU2)とMicrosoft Azure Sparkでクラウドベースの実験を行い、LightPHEのパフォーマンスとスケーラビリティを評価した。
鍵生成、暗号化、復号化、均質な操作といった重要な指標が評価された。
結果は、Colab A100 GPUやTPU2のような高計算環境でのLightPHEの優れたパフォーマンスを示し、Colab NormalやAzure Sparkのようなコスト効率の高いセットアップに対して実行可能なオプションも提供した。
比較分析により、LightPHEの効率性とスケーラビリティが示され、様々な用途に適していた。
ベンチマークでは、パフォーマンス要求に基づいた適切なクラウド環境の選択に関する洞察を提供し、セキュアで効率的なクラウドベースのデータ処理のために同型暗号化を前進させるLightPHEの可能性を強調している。
関連論文リスト
- At Least Factor-of-Two Optimization for RWLE-Based Homomorphic Encryption [0.0]
ホモモルフィック暗号化(HE)は、復号化を必要とせずに、暗号化データの特定の操作をサポートする。
HEスキームには、データ集約的なワークロードを妨げるような、非自明な計算オーバーヘッドが伴います。
我々は、Zincと呼ぶ暗号化方式を提案し、複数のキャッシュ処理を禁止し、単一のスカラー加算で置き換える。
論文 参考訳(メタデータ) (2024-08-14T05:42:35Z) - Enc2DB: A Hybrid and Adaptive Encrypted Query Processing Framework [47.11111145443189]
本稿では,新しいセキュアデータベースシステムであるEnc2DBを紹介する。
本稿では,マイクロベンチマークテストと自己適応型モードスイッチ戦略を提案し,与えられたクエリに応答する最適な実行パス(暗号やTEE)を選択する。
また、クエリ処理を高速化するために、ネイティブコストモデルやクエリと互換性のある暗号文インデックスを設計、実装する。
論文 参考訳(メタデータ) (2024-04-10T08:11:12Z) - 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) - Publicly-Verifiable Deletion via Target-Collapsing Functions [81.13800728941818]
ターゲットの折り畳みは、公開可能な削除(PVD)を可能にすることを示す。
我々は、弱い暗号的仮定から公開可能な削除を支援する様々なプリミティブを得るために、このフレームワークを構築している。
論文 参考訳(メタデータ) (2023-03-15T15:00:20Z) - EViT: Privacy-Preserving Image Retrieval via Encrypted Vision
Transformer in Cloud Computing [9.41257807502252]
本稿では,暗号化ビジョン変換器(EViT)という新しいパラダイムを提案する。
EViTは、画像のプライバシーを効果的に保護しつつ、大きなマージンによる検索精度において、現在のスキームよりも優れた暗号化と検索性能を実現する。
論文 参考訳(メタデータ) (2022-08-31T07:07:21Z) - 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) - Desirable Companion for Vertical Federated Learning: New Zeroth-Order
Gradient Based Algorithm [140.25480610981504]
VFLアルゴリズムを評価するための指標の完全なリストには、モデル適用性、プライバシ、通信、計算効率が含まれるべきである。
ブラックボックスのスケーラビリティを備えた新しいVFLフレームワークを提案する。
論文 参考訳(メタデータ) (2022-03-19T13:55:47Z) - An Adaptive Device-Edge Co-Inference Framework Based on Soft
Actor-Critic [72.35307086274912]
高次元パラメータモデルと大規模数学的計算は、特にIoT(Internet of Things)デバイスにおける実行効率を制限する。
本稿では,ソフトポリシーの繰り返しによるエフェキシット点,エフェキシット点,エンフェキシット点を生成する離散的(SAC-d)のための新しい深層強化学習(DRL)-ソフトアクタ批判法を提案する。
レイテンシと精度を意識した報酬設計に基づいて、そのような計算は動的無線チャンネルや任意の処理のような複雑な環境によく適応でき、5G URLをサポートすることができる。
論文 参考訳(メタデータ) (2022-01-09T09:31:50Z) - Secure Machine Learning in the Cloud Using One Way Scrambling by
Deconvolution [2.9692754277987286]
クラウドベースの機械学習サービス(CMLS)は、大量のデータに基づいて事前トレーニングされた高度なモデルを活用することができる。
非対称暗号化では、データをクラウドで復号化する必要があるが、同型暗号化は遅すぎて実装が難しいことが多い。
本稿では,デコンボリューションに基づくスクランブルフレームワークであるOne Way Scrambling by Deconvolution (OWSD)を提案する。
論文 参考訳(メタデータ) (2021-11-04T19:46:41Z) - 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。