論文の概要: Blockchain-Enabled Device-Enhanced Multi-Access Edge Computing in Open Adversarial Environments
- arxiv url: http://arxiv.org/abs/2412.02233v1
- Date: Tue, 03 Dec 2024 08:01:30 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-12-04 15:40:31.442648
- Title: Blockchain-Enabled Device-Enhanced Multi-Access Edge Computing in Open Adversarial Environments
- Title(参考訳): Open Adversarial EnvironmentsにおけるBlockchain-Enabled Device-Enhanced Multi-Access Edge Computing
- Authors: Muhammad Islam, Niroshinie Fernando, Seng W. Loke, Azadeh Ghari Neiat, Pubudu N. Pathirana,
- Abstract要約: デバイス強化マルチアクセスエッジコンピューティング(BdMEC)
BdMECは、ブロックチェーン技術によるオンデマンドリソースプールのためのHoneybeeフレームワークを拡張して、デバイス間の信頼性、セキュリティ、説明責任を保証する(異なるパーティが所有している場合でも)。
本稿では,BdMECが分散コンピューティングタスクを複数のデバイスで効率的に,かつ安全に管理できることを示す。
- 参考スコア(独自算出の注目度): 5.253881137279226
- License:
- Abstract: We propose Blockchain-enabled Device-enhanced Multi-access Edge Computing (BdMEC). BdMEC extends the Honeybee framework for on-demand resource pooling with blockchain technology to ensure trust, security, and accountability among devices (even when they are owned by different parties). BdMEC mitigates risks from malicious devices by making computations traceable. Our prototype and results demonstrate BdMEC's ability to manage distributed computing tasks efficiently and securely across multiple devices.
- Abstract(参考訳): 本稿では,BdMEC(Blockchain- enabled Device-enhanced Multi- Access Edge Computing)を提案する。
BdMECは、ブロックチェーン技術によるオンデマンドリソースプールのためのHoneybeeフレームワークを拡張して、デバイス間の信頼性、セキュリティ、説明責任を保証する(異なるパーティが所有している場合でも)。
BdMECは、計算をトレース可能にすることにより、悪意のあるデバイスからのリスクを軽減する。
本稿では,BdMECが分散コンピューティングタスクを複数のデバイスで効率的に,かつ安全に管理できることを示す。
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) - Enhancing Trust and Privacy in Distributed Networks: A Comprehensive Survey on Blockchain-based Federated Learning [51.13534069758711]
ブロックチェーンのような分散型アプローチは、複数のエンティティ間でコンセンサスメカニズムを実装することで、魅力的なソリューションを提供する。
フェデレートラーニング(FL)は、参加者がデータのプライバシを保護しながら、協力的にモデルをトレーニングすることを可能にする。
本稿では,ブロックチェーンのセキュリティ機能とFLのプライバシ保護モデルトレーニング機能の相乗効果について検討する。
論文 参考訳(メタデータ) (2024-03-28T07:08:26Z) - Securing OPEN-RAN Equipment Using Blockchain-Based Supply Chain Verification [0.0]
本稿では,そのライフサイクルを通じてOPEN-RAN機器をセキュアにするための,ブロックチェーンベースの新たなアプローチを提案する。
私たちは、実績を追跡するために、タンパー耐性のエコシステムを設計します。
OPEN-RANサプライチェーンを安全な状態にし、さらなる研究と実世界の展開を後押しする、明確な可能性を秘めている。
論文 参考訳(メタデータ) (2024-02-27T15:58:32Z) - Generative AI-enabled Blockchain Networks: Fundamentals, Applications,
and Case Study [73.87110604150315]
Generative Artificial Intelligence(GAI)は、ブロックチェーン技術の課題に対処するための有望なソリューションとして登場した。
本稿では、まずGAI技術を紹介し、そのアプリケーションの概要を説明し、GAIをブロックチェーンに統合するための既存のソリューションについて議論する。
論文 参考訳(メタデータ) (2024-01-28T10:46:17Z) - The Security and Privacy of Mobile Edge Computing: An Artificial Intelligence Perspective [64.36680481458868]
Mobile Edge Computing (MEC)は、クラウドコンピューティングと情報技術(IT)サービスをネットワークのエッジで配信できるようにする新しいコンピューティングパラダイムである。
本稿では,人工知能(AI)の観点からMECのセキュリティとプライバシに関する調査を行う。
新たなセキュリティとプライバシの問題に加えて、AIの観点からの潜在的なソリューションにも重点を置いています。
論文 参考訳(メタデータ) (2024-01-03T07:47:22Z) - Secure Deep Reinforcement Learning for Dynamic Resource Allocation in
Wireless MEC Networks [46.689212344009015]
本稿では,モバイルエッジコンピューティングネットワークにおけるデータ管理とリソース割り当てのためのブロックチェーンセキュアな深層強化学習(BC-DRL)最適化フレームワークを提案する。
我々は、信頼性の高いブロックチェーン対応BSを選択するために、低レイテンシの評判に基づくRPoSコンセンサスプロトコルを設計する。
我々は、BC-DRLフレームワークが、ベンチマークブロックチェーンコンセンサスプロトコルやMECリソース割り当てアルゴリズムよりも高いセキュリティ、信頼性、リソース利用効率を達成することを検証するために、広範なシミュレーション結果と分析を提供する。
論文 参考訳(メタデータ) (2023-12-13T09:39:32Z) - A Blockchain Solution for Collaborative Machine Learning over IoT [0.31410859223862103]
フェデレートラーニング(FL)とブロックチェーン技術は、これらの課題に対処するための有望なアプローチとして現れています。
我々は、漸進学習ベクトル量子化アルゴリズム(XuILVQ)とブロックチェーン技術を組み合わせた、新しいIoTソリューションを提案する。
提案アーキテクチャは,データプライバシとセキュリティを維持しながら,計算オーバーヘッドと通信オーバーヘッドを削減することにより,既存のブロックチェーンベースのFLソリューションの欠点に対処する。
論文 参考訳(メタデータ) (2023-11-23T18:06:05Z) - A lightweight blockchain-based access control scheme for integrated edge
computing in the internet of things [4.308257382729074]
We propose a attribute-based encryption and access control scheme (ABE-ACS) for the Edge-Iot network。
高リソース消費と既存のブロックチェーンプラットフォームのデプロイが困難な問題に対して、私たちは軽量ブロックチェーン(LBC)を設計しています。
6つのスマートコントラクトは、ABACとペナルティメカニズムを実現するように設計されている。
論文 参考訳(メタデータ) (2021-11-12T02:56:09Z) - Computational Intelligence and Deep Learning for Next-Generation
Edge-Enabled Industrial IoT [51.68933585002123]
エッジ対応産業用IoTネットワークにおける計算知能とディープラーニング(DL)の展開方法について検討する。
本稿では,新しいマルチエグジットベースフェデレーションエッジ学習(ME-FEEL)フレームワークを提案する。
特に、提案されたME-FEELは、非常に限られたリソースを持つ産業用IoTネットワークにおいて、最大32.7%の精度を達成することができる。
論文 参考訳(メタデータ) (2021-10-28T08:14:57Z) - An Incentive-Based Mechanism for Volunteer Computing using Blockchain [13.348848214843345]
この記事では、ボランティアコンピューティングを通じてブロックチェーン可能なリソース共有とサービスソリューションを紹介します。
提案したソリューションは、高い報酬分布、ブロックチェーン生成数の増加、遅延の低減、リソース使用量のバランスを実現することができる。
論文 参考訳(メタデータ) (2020-09-24T18:48:22Z) - Resource Management for Blockchain-enabled Federated Learning: A Deep
Reinforcement Learning Approach [54.29213445674221]
Federated Learning (BFL)は、機械学習モデル所有者(MLMO)が必要とするニューラルネットワークモデルを、モバイルデバイスが協調的にトレーニングすることを可能にする。
BFLの問題は、モバイルデバイスがシステムの寿命とトレーニング効率を低下させるエネルギーとCPUの制約を持っていることである。
我々は,Deep Reinforcement Learning (DRL) を用いて最適決定を導出することを提案する。
論文 参考訳(メタデータ) (2020-04-08T16:29:19Z)
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。