論文の概要: Encrypted Computation of Collision Probability for Secure Satellite Conjunction Analysis
- arxiv url: http://arxiv.org/abs/2501.07476v1
- Date: Mon, 13 Jan 2025 16:48:22 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-01-14 14:19:57.388295
- Title: Encrypted Computation of Collision Probability for Secure Satellite Conjunction Analysis
- Title（参考訳）: セキュア衛星接続解析のための衝突確率の暗号化計算
- Authors: Jihoon Suh, Michael Hibbard, Kaoru Teranishi, Takashi Tanaka, Moriba Jah, Maruthi Akella,
- Abstract要約: $mathcalP_c$計算の精度と精度は、計算資源とデータ可用性の制限によってしばしば損なわれる。
提案プロトコルである Encrypted $mathcalP_c$ はモンテカルロ推定アルゴリズムと暗号解を統合する。
本研究は,$mathcalP_c$計算のためのセキュアなMPCプロトコルを開発することにより,セキュアな接続解析を推し進める。
- 参考スコア（独自算出の注目度）: 0.5497663232622965
- License:
- Abstract: The computation of collision probability ($\mathcal{P}_c$) is crucial for space environmentalism and sustainability by providing decision-making knowledge that can prevent collisions between anthropogenic space objects. However, the accuracy and precision of $\mathcal{P}_c$ computations is often compromised by limitations in computational resources and data availability. While significant improvements have been made in the computational aspects, the rising concerns regarding the privacy of collaborative data sharing can be a major limiting factor in the future conjunction analysis and risk assessment, especially as the space environment grows increasingly privatized, competitive, and fraught with conflicting strategic interests. This paper argues that the importance of privacy measures in space situational awareness (SSA) is underappreciated, and regulatory and compliance measures currently in place are not sufficient by themselves, presenting a significant gap. To address this gap, we introduce a novel encrypted architecture that leverages advanced cryptographic techniques, including homomorphic encryption (HE) and multi-party computation (MPC), to safeguard the privacy of entities computing space sustainability metrics, inter alia, $\mathcal{P}_c$. Our proposed protocol, Encrypted $\mathcal{P}_c$, integrates the Monte Carlo estimation algorithm with cryptographic solutions, enabling secure collision probability computation without exposing sensitive or proprietary information. This research advances secure conjunction analysis by developing a secure MPC protocol for $\mathcal{P}_c$ computation and highlights the need for innovative protocols to ensure a more secure and cooperative SSA landscape.
- Abstract（参考訳）: 衝突確率(\mathcal{P}_c$)の計算は、人為的宇宙物体間の衝突を防ぐ決定的知識を提供することによって、宇宙環境と持続可能性にとって重要である。
しかし、$\mathcal{P}_c$計算の精度と精度は、計算資源とデータ可用性の制限によってしばしば損なわれる。
計算面では大幅な改善がなされているが、特に宇宙環境が民営化され、競争的になり、競合する戦略上の利益が増大するにつれて、コラボレーティブなデータ共有のプライバシーに関する懸念が将来の共同分析とリスクアセスメントにおいて大きな制限要因となりうる。
本稿では,空間的状況認識(SSA)におけるプライバシー対策の重要性が低いこと,現在実施されている規制・コンプライアンス対策が不十分であること,大きなギャップがあることを論じる。
このギャップに対処するため,同相暗号 (HE) やマルチパーティ計算 (MPC) など,高度な暗号技術を活用した新しい暗号化アーキテクチャを導入し,空間サステナビリティの計測値,別名 $\mathcal{P}_c$ のプライバシ保護を行う。
提案プロトコルであるEncrypted $\mathcal{P}_c$は,モンテカルロ推定アルゴリズムを暗号解と統合し,機密情報やプロプライエタリ情報を漏らさずに安全な衝突確率計算を可能にする。
本研究は,$\mathcal{P}_c$計算のためのセキュアなMPCプロトコルを開発し,よりセキュアで協調的なSSA景観を確保するための革新的なプロトコルの必要性を強調した。
関連論文リスト
- Privacy-Preserving Distributed Learning for Residential Short-Term Load
Forecasting [11.185176107646956]
電力システムの負荷データは、住宅ユーザの日常のルーチンを不注意に明らかにし、彼らの財産のセキュリティにリスクを及ぼす可能性がある。
我々はマルコフスイッチ方式の分散学習フレームワークを導入し、その収束は厳密な理論的解析によって実証される。
実世界の電力系統負荷データを用いたケーススタディにより,提案アルゴリズムの有効性を検証した。
論文 参考訳（メタデータ） (2024-02-02T16:39:08Z) - 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) - 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) - Verifiable Privacy-Preserving Computing [3.543432625843538]
我々は、検証可能性と、分散データ上のプライバシ保存計算を組み合わせた既存のソリューションを分析する。
我々は、ソリューションアプローチ、セキュリティ、効率、実用性に関する37の異なるスキームを分類し比較する。
論文 参考訳（メタデータ） (2023-09-15T08:44:13Z) - 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) - Differentially Private Decentralized Optimization with Relay Communication [1.2695958417031445]
プライバシリーク頻度(PLF)は,アルゴリズムの通信とプライバシリークの関係を明らかにする指標である。
DP-RECAL は, 演算子分割法と中継通信機構を利用して, PLF の低減を図っている。
論文 参考訳（メタデータ） (2022-12-21T09:05:36Z) - Is Vertical Logistic Regression Privacy-Preserving? A Comprehensive
Privacy Analysis and Beyond [57.10914865054868]
垂直ロジスティック回帰(VLR)をミニバッチ降下勾配で訓練した。
我々は、オープンソースのフェデレーション学習フレームワークのクラスにおいて、VLRの包括的で厳密なプライバシー分析を提供する。
論文 参考訳（メタデータ） (2022-07-19T05:47:30Z) - 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) - Linear Model with Local Differential Privacy [0.225596179391365]
プライバシ保護技術は、さまざまな機関間で分散データを解析するために広く研究されている。
セキュアなマルチパーティ計算は、プライバシ保護のために、高いプライバシレベルで、高コストで広く研究されている。
マトリクスマスキング技術は、悪意のある敵に対するセキュアなスキームを暗号化するために用いられる。
論文 参考訳（メタデータ） (2022-02-05T01:18:00Z) - 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) - 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。