論文の概要: Privacy-Preserving Cyberattack Detection in Blockchain-Based IoT Systems Using AI and Homomorphic Encryption

• arxiv url: http://arxiv.org/abs/2412.13522v1
• Date: Wed, 18 Dec 2024 05:46:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-19 13:22:35.014761
• Title: Privacy-Preserving Cyberattack Detection in Blockchain-Based IoT Systems Using AI and Homomorphic Encryption
• Title（参考訳）: AIと同型暗号化を用いたブロックチェーン型IoTシステムにおけるプライバシ保護サイバー攻撃検出
• Authors: Bui Duc Manh, Chi-Hieu Nguyen, Dinh Thai Hoang, Diep N. Nguyen, Ming Zeng, Quoc-Viet Pham,
• Abstract要約: 本研究では,ブロックチェーンベースのIoT(Internet-of-Things)システムを対象とした,プライバシ保護型サイバー攻撃検出フレームワークを提案する。 このアプローチでは、人工知能(AI)による検出モジュールをブロックチェーンノードに戦略的にデプロイし、リアルタイム攻撃を特定する。 プライバシーを保護するため、データは送信前に同型暗号化(HE)を用いて暗号化される。 シミュレーションの結果,提案手法は学習時間を軽減できるだけでなく,暗号化のない手法とほぼ同一な検出精度を約0.01%で達成できることがわかった。
• 参考スコア（独自算出の注目度）: 22.82443900809095
• License:
• Abstract: This work proposes a novel privacy-preserving cyberattack detection framework for blockchain-based Internet-of-Things (IoT) systems. In our approach, artificial intelligence (AI)-driven detection modules are strategically deployed at blockchain nodes to identify real-time attacks, ensuring high accuracy and minimal delay. To achieve this efficiency, the model training is conducted by a cloud service provider (CSP). Accordingly, blockchain nodes send their data to the CSP for training, but to safeguard privacy, the data is encrypted using homomorphic encryption (HE) before transmission. This encryption method allows the CSP to perform computations directly on encrypted data without the need for decryption, preserving data privacy throughout the learning process. To handle the substantial volume of encrypted data, we introduce an innovative packing algorithm in a Single-Instruction-Multiple-Data (SIMD) manner, enabling efficient training on HE-encrypted data. Building on this, we develop a novel deep neural network training algorithm optimized for encrypted data. We further propose a privacy-preserving distributed learning approach based on the FedAvg algorithm, which parallelizes the training across multiple workers, significantly improving computation time. Upon completion, the CSP distributes the trained model to the blockchain nodes, enabling them to perform real-time, privacy-preserved detection. Our simulation results demonstrate that our proposed method can not only mitigate the training time but also achieve detection accuracy that is approximately identical to the approach without encryption, with a gap of around 0.01%. Additionally, our real implementations on various blockchain consensus algorithms and hardware configurations show that our proposed framework can also be effectively adapted to real-world systems.
• Abstract（参考訳）: 本研究では,ブロックチェーンベースのIoT(Internet-of-Things)システムを対象とした,新たなプライバシ保護サイバー攻撃検出フレームワークを提案する。 このアプローチでは、人工知能(AI)による検出モジュールをブロックチェーンノードに戦略的にデプロイし、リアルタイム攻撃を特定し、高精度かつ最小限の遅延を保証します。 この効率を達成するために、モデルトレーニングはクラウドサービスプロバイダ(CSP)によって行われる。 そのため、ブロックチェーンノードはトレーニングのためにデータをCSPに送信するが、プライバシを保護するために、データは送信前に同型暗号化(HE)を使用して暗号化される。 この暗号化方式により、CSPは復号化することなく直接暗号化データ上で計算を行い、学習プロセスを通してデータのプライバシを保存することができる。 大量の暗号化データを処理するために,一元的命令-多元的データ(SIMD)方式の革新的なパッキングアルゴリズムを導入し,HE暗号化データの効率的なトレーニングを可能にする。 そこで我々は,暗号化データに最適化された新しいディープニューラルネットワークトレーニングアルゴリズムを開発した。 さらに,FedAvgアルゴリズムに基づくプライバシ保護型分散学習手法を提案する。 完了すると、CSPはトレーニングされたモデルをブロックチェーンノードに配布し、リアルタイムのプライバシ保護検出を可能にする。 シミュレーションの結果,提案手法は学習時間を軽減できるだけでなく,暗号化のない手法とほぼ同一な検出精度を約0.01%で達成できることがわかった。 さらに、ブロックチェーンコンセンサスアルゴリズムとハードウェア構成に関する実際の実装は、提案したフレームワークが現実世界のシステムに効果的に適用可能であることを示している。

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)
• 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)
• Scalable Zero-Knowledge Proofs for Verifying Cryptographic Hashing in Blockchain Applications [16.72979347045808]
  ゼロ知識証明(ZKP)は、現代のブロックチェーンシステムのスケーラビリティ問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。 本研究では,暗号ハッシュの計算完全性を保証するため,ZKPの生成と検証を行う手法を提案する。
  論文  参考訳（メタデータ） (2024-07-03T21:19:01Z)
• HETAL: Efficient Privacy-preserving Transfer Learning with Homomorphic Encryption [4.164336621664897]
  HETALは、効率的な同型暗号化に基づく転送学習アルゴリズムである。 本稿では,従来の手法よりも1.8～323倍高速な暗号化行列乗算アルゴリズムを提案する。 実験では、合計訓練時間は567-3442秒であり、1時間未満である。
  論文  参考訳（メタデータ） (2024-03-21T03:47:26Z)
• 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)
• 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)
• Privacy-Preserved Blockchain-Federated-Learning for Medical Image Analysis Towards Multiple Parties [5.296010468961924]
  この記事では、フェデレーション付き学習とブロックチェーンに基づくプライバシ保護フレームワークを設計する。 最初のステップでは、カプセルネットワークを使用してローカルモデルをトレーニングして、COVID-19画像のセグメンテーションと分類を行います。 第2のステップでは、同型暗号方式により局所モデルを確保します。
  論文  参考訳（メタデータ） (2021-04-22T07:32:04Z)
• Faster Secure Data Mining via Distributed Homomorphic Encryption [108.77460689459247]
  ホモモルフィック暗号化(HE)は、最近、暗号化されたフィールド上で計算を行う能力により、ますます注目を集めている。 本稿では,スケーリング問題の解決に向けて,新しい分散HEベースのデータマイニングフレームワークを提案する。 各種データマイニングアルゴリズムとベンチマークデータセットを用いて,新しいフレームワークの有効性と有効性を検証する。
  論文  参考訳（メタデータ） (2020-06-17T18:14:30Z)
• 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)
• Privacy-preserving Traffic Flow Prediction: A Federated Learning Approach [61.64006416975458]
  本稿では,フェデレート学習に基づくGated Recurrent Unit Neural Network Algorithm (FedGRU) というプライバシ保護機械学習手法を提案する。 FedGRUは、現在の集中学習方法と異なり、安全なパラメータアグリゲーション機構を通じて、普遍的な学習モデルを更新する。 FedGRUの予測精度は、先進的なディープラーニングモデルよりも90.96%高い。
  論文  参考訳（メタデータ） (2020-03-19T13:07:49Z)
• CryptoSPN: Privacy-preserving Sum-Product Network Inference [84.88362774693914]
  総生産ネットワーク(SPN)のプライバシ保護のためのフレームワークを提案する。 CryptoSPNは、中規模のSPNに対して秒の順序で高効率で正確な推論を行う。
  論文  参考訳（メタデータ） (2020-02-03T14:49:18Z)

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。