論文の概要: ZK-DPPS: A Zero-Knowledge Decentralised Data Sharing and Processing Middleware
- arxiv url: http://arxiv.org/abs/2410.15568v1
- Date: Mon, 21 Oct 2024 01:23:37 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-10-22 13:15:25.861553
- Title: ZK-DPPS: A Zero-Knowledge Decentralised Data Sharing and Processing Middleware
- Title（参考訳）: ZK-DPPS: ゼロ知識の分散データ共有と処理ミドルウェア
- Authors: Amir Jabbari, Gowri Ramachandran, Sidra Malik, Raja Jurdak,
- Abstract要約: 従来のZKPを必要としないゼロ知識通信を実現するフレームワークであるZK-DPPSを提案する。
プライバシは、計算のためのFHE(Fully Homomorphic Encryption)と鍵再構成のためのSMPC(Secure Multi-Party Computations)を組み合わせることで保持される。
シミュレーションサプライチェーンシナリオによるZK-DPPSの有効性を実証した。
- 参考スコア（独自算出の注目度）: 3.2995127573095484
- License:
- Abstract: In the current digital landscape, supply chains have transformed into complex networks driven by the Internet of Things (IoT), necessitating enhanced data sharing and processing capabilities to ensure traceability and transparency. Leveraging Blockchain technology in IoT applications advances reliability and transparency in near-real-time insight extraction processes. However, it raises significant concerns regarding data privacy. Existing privacy-preserving approaches often rely on Smart Contracts for automation and Zero Knowledge Proofs (ZKP) for privacy. However, apart from being inflexible in adopting system changes while effectively protecting data confidentiality, these approaches introduce significant computational expenses and overheads that make them impractical for dynamic supply chain environments. To address these challenges, we propose ZK-DPPS, a framework that ensures zero-knowledge communications without the need for traditional ZKPs. In ZK-DPPS, privacy is preserved through a combination of Fully Homomorphic Encryption (FHE) for computations and Secure Multi-Party Computations (SMPC) for key reconstruction. To ensure that the raw data remains private throughout the entire process, we use FHE to execute computations directly on encrypted data. The "zero-knowledge" aspect of ZK-DPPS refers to the system's ability to process and share data insights without exposing sensitive information, thus offering a practical and efficient alternative to ZKP-based methods. We demonstrate the efficacy of ZK-DPPS through a simulated supply chain scenario, showcasing its ability to tackle the dual challenges of privacy preservation and computational trust in decentralised environments.
- Abstract（参考訳）: 現在のデジタルランドスケープでは、サプライチェーンがモノのインターネット(IoT)によって駆動される複雑なネットワークに変化し、トレーサビリティと透明性を確保するために、データ共有と処理能力の強化が求められている。
IoTアプリケーションでブロックチェーン技術を活用することで、リアルタイムな洞察抽出プロセスにおける信頼性と透明性が向上する。
しかし、これはデータのプライバシーに関する重大な懸念を提起する。
既存のプライバシ保護アプローチは、自動化のためのスマートコントラクトとプライバシのためのゼロナレッジ証明(ZKP)に依存していることが多い。
しかし、データ機密性を効果的に保護しつつ、システム変更の採用に柔軟性がないこととは別に、これらの手法は、動的サプライチェーン環境において非現実的な計算コストとオーバーヘッドを導入している。
これらの課題に対処するため,従来のZKPを必要としないゼロ知識通信を実現するフレームワークであるZK-DPPSを提案する。
ZK-DPPSでは、計算のためのFHE(Fully Homomorphic Encryption)と鍵再構成のためのSMPC(Secure Multi-Party Computations)の組み合わせにより、プライバシが保存される。
プロセス全体を通して生のデータが非公開であることを保証するため、FHEを使用して直接暗号化されたデータ上で計算を実行する。
ZK-DPPSのゼロ知識(zero-knowledge)という側面は、機密情報を漏らさずにデータインサイトを処理し共有する能力を指しており、ZKPベースの方法に代わる実用的で効率的な代替手段を提供する。
本研究では,ZK-DPPSの有効性をシミュレートしたサプライチェーンのシナリオを通じて実証し,分散環境におけるプライバシー保護と計算信頼という2つの課題に取り組む能力を示す。
関連論文リスト
- FL-DABE-BC: A Privacy-Enhanced, Decentralized Authentication, and Secure Communication for Federated Learning Framework with Decentralized Attribute-Based Encryption and Blockchain for IoT Scenarios [0.0]
本研究は,IoT環境におけるデータプライバシとセキュリティの向上を目的とした,高度な学習(FL)フレームワークを提案する。
我々は、分散属性ベースの暗号化(DABE)、同型暗号化(HE)、セキュアマルチパーティ計算(SMPC)、技術を統合する。
従来のFLとは異なり、当社のフレームワークはIoTデバイス上で、セキュアで分散化された認証と暗号化を可能にする。
論文 参考訳（メタデータ） (2024-10-26T19:30:53Z) - Collaborative Inference over Wireless Channels with Feature Differential Privacy [57.68286389879283]
複数の無線エッジデバイス間の協調推論は、人工知能(AI)アプリケーションを大幅に強化する可能性がある。
抽出された特徴を抽出することは、プロセス中に機密性の高い個人情報が暴露されるため、重大なプライバシーリスクをもたらす。
本稿では,ネットワーク内の各エッジデバイスが抽出された機能のプライバシを保護し,それらを中央サーバに送信して推論を行う,新たなプライバシ保存協調推論機構を提案する。
論文 参考訳（メタデータ） (2024-10-25T18:11:02Z) - A Survey on the Applications of Zero-Knowledge Proofs [4.3871352596331255]
ゼロ知識計算(ゼロ知識計算、ZKP)は、計算の完全性とプライバシ技術における革命的な進歩である。
ZKPには、普遍性と最小限のセキュリティ仮定の点で、ユニークな利点がある。
この調査はzk-SNARKSと呼ばれるZKPのサブセットに焦点を当てている。
論文 参考訳（メタデータ） (2024-08-01T02:47:30Z) - Homomorphic Encryption-Enabled Federated Learning for Privacy-Preserving Intrusion Detection in Resource-Constrained IoV Networks [20.864048794953664]
本稿では,IoV(Internet-of-Vehicles)におけるフェデレーション学習(FL)ベースの侵入検知システム(IDS)におけるデータプライバシ問題に,限られた計算資源で対処する新しい枠組みを提案する。
まず,同相暗号を用いた高効率なフレームワークを提案し,処理に中央集中型サーバにオフロードを必要とするデータを保護する。
我々は、FLベースのシステムの課題を暗号化データで処理するための効果的なトレーニングアルゴリズムを開発した。
論文 参考訳（メタデータ） (2024-07-26T04:19:37Z) - 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) - Deploying ZKP Frameworks with Real-World Data: Challenges and Proposed
Solutions [0.5584060970507506]
本稿では,一般文のゼロ知識証明を設計,展開するためのエンドツーエンドフレームワークであるFact Fortressを紹介する。
当社のソリューションでは,データプロファイランスと監査可能なデータアクセスポリシの証明を活用して,機密データの扱いの信頼性を確保する。
論文 参考訳（メタデータ） (2023-07-12T18:53:42Z) - Breaking the Communication-Privacy-Accuracy Tradeoff with
$f$-Differential Privacy [51.11280118806893]
サーバが複数のユーザの協調的なデータ分析を,プライバシの懸念と限られた通信能力で調整する,フェデレートされたデータ分析問題を考える。
有限出力空間を有する離散値機構の局所的差分プライバシー保証を$f$-differential privacy (DP) レンズを用いて検討する。
より具体的には、様々な離散的評価機構の厳密な$f$-DP保証を導出することにより、既存の文献を前進させる。
論文 参考訳（メタデータ） (2023-02-19T16:58:53Z) - Privacy-Preserving Joint Edge Association and Power Optimization for the
Internet of Vehicles via Federated Multi-Agent Reinforcement Learning [74.53077322713548]
プライバシ保護型共同エッジアソシエーションと電力配分問題について検討する。
提案されたソリューションは、最先端のソリューションよりも高いプライバシレベルを維持しながら、魅力的なトレードオフにぶつかる。
論文 参考訳（メタデータ） (2023-01-26T10:09:23Z) - 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) - Distributed Reinforcement Learning for Privacy-Preserving Dynamic Edge
Caching [91.50631418179331]
MECネットワークにおけるデバイスのキャッシュヒット率を最大化するために,プライバシ保護型分散ディープポリシー勾配(P2D3PG)を提案する。
分散最適化をモデルフリーなマルコフ決定プロセス問題に変換し、人気予測のためのプライバシー保護フェデレーション学習手法を導入する。
論文 参考訳（メタデータ） (2021-10-20T02:48:27Z)
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。