論文の概要: State Machine Model for The Update Framework (TUF)

• arxiv url: http://arxiv.org/abs/2502.18092v1
• Date: Tue, 25 Feb 2025 11:00:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-26 15:23:26.419891
• Title: State Machine Model for The Update Framework (TUF)
• Title（参考訳）: 更新フレームワーク(TUF)のための状態マシンモデル
• Authors: Brian Romansky, Thomas Mazzuchi, Shahram Sarkani,
• Abstract要約: TUFは1つ以上の署名キーを持つ4つの異なるロールを導入し、更新プロセスに参加する必要がある。 このアプローチは、各更新パッケージの総サイズを増やし、各クライアントシステムが検証しなければならないシグネチャの数を増やします。
• 参考スコア（独自算出の注目度）: 1.2835555561822447
• License:
• Abstract: The Update Framework or TUF was developed to address several known weaknesses that have been observed in software update distribution and validation systems. Unlike conventional secure software distribution methods where there may be a single digital signature applied to each update, TUF introduces four distinct roles each with one or more signing key, that must participate in the update process. This approach increases the total size of each update package and increases the number of signatures that each client system must validate. As system architects consider the transition to post-quantum algorithms, understanding the impact of new signature algorithms on a TUF deployment becomes a significant consideration. In this work we introduce a state machine model that accounts for the cumulative impact of of signature algorithm selection when used with TUF for software updates.
• Abstract（参考訳）: Update Framework(TUF)は、ソフトウェアアップデートの配布と検証システムで観測されたいくつかの既知の弱点に対処するために開発された。 各更新に1つのデジタル署名が適用される従来のセキュアなソフトウェア配布方法とは異なり、TUFは1つ以上の署名キーを持つ4つの異なる役割を導入し、更新プロセスに参加する必要がある。 このアプローチは、各更新パッケージの総サイズを増やし、各クライアントシステムが検証しなければならないシグネチャの数を増やします。 システムアーキテクトは、量子後アルゴリズムへの移行を考えるため、TUFデプロイメントにおける新しいシグネチャアルゴリズムの影響を理解することが重要な考慮事項となる。 本研究では,ソフトウェア更新にTUFを使用する場合の署名アルゴリズム選択の累積的影響を考慮に入れた状態マシンモデルを提案する。

関連論文リスト

• FedECADO: A Dynamical System Model of Federated Learning [15.425099636035108]
  フェデレーション学習は分散最適化の力を活用して、別々のクライアント間で統一された機械学習モデルをトレーニングする。 本研究は,フェデレート学習プロセスの動的システム表現にインスパイアされた新しいアルゴリズムであるFedECADOを提案する。 FedProxやFedNovaといった著名な技術と比較して、FedECADOは多くの異種シナリオにおいて高い分類精度を達成する。
  論文  参考訳（メタデータ） (2024-10-13T17:26:43Z)
• Enhancing Quantum Security over Federated Learning via Post-Quantum Cryptography [38.77135346831741]
  フェデレートラーニング(FL)は、エッジデバイスに機械学習モデルをデプロイするための標準的なアプローチの1つになっている。 現在のデジタルシグネチャアルゴリズムは、これらの通信されたモデルの更新を保護することができるが、大規模な量子コンピューティングの時代には量子セキュリティを確保することができない。 本研究では,これらの3つのNIST標準化PQCアルゴリズムがFLプロシージャ内のデジタル署名に与える影響を実験的に検討する。
  論文  参考訳（メタデータ） (2024-09-06T22:02:08Z)
• Fine-Tuning Enhances Existing Mechanisms: A Case Study on Entity Tracking [53.66999416757543]
  本研究では,微調整が言語モデルに実装された内部メカニズムに与える影響について検討する。 微調整はモデルの機械的操作を変えるのではなく、強化する。
  論文  参考訳（メタデータ） (2024-02-22T18:59:24Z)
• Expediting In-Network Federated Learning by Voting-Based Consensus Model Compression [28.688895217988925]
  本稿では,クライアント投票とモデル集約という2つのフェーズからなるFediAC(Federated Learning Aggregation with Compression)アルゴリズムを提案する。 FediACは、クライアント間のコンセンサス圧縮を保証するため、既存の作業よりもメモリスペースと通信トラフィックをはるかに少なく消費する。 我々は、FediACがモデル精度と通信トラフィックの点で最先端のベースラインを著しく上回っていることを示すために、公開データセットを使用して広範な実験を行う。
  論文  参考訳（メタデータ） (2024-02-06T09:00:05Z)
• FedSOV: Federated Model Secure Ownership Verification with Unforgeable Signature [60.99054146321459]
  フェデレートラーニングにより、複数のパーティがプライベートデータを公開せずにグローバルモデルを学ぶことができる。 本稿では,FedSOVという暗号署名に基づくフェデレート学習モデルのオーナシップ検証手法を提案する。
  論文  参考訳（メタデータ） (2023-05-10T12:10:02Z)
• Robust Quantity-Aware Aggregation for Federated Learning [72.59915691824624]
  悪意のあるクライアントは、モデル更新を害し、モデルアグリゲーションにおけるモデル更新の影響を増幅するために大量の要求を行う。 FLの既存の防御メソッドは、悪意のあるモデル更新を処理する一方で、すべての量の良性を扱うか、単にすべてのクライアントの量を無視/停止するだけである。 本稿では,フェデレーション学習のためのロバストな量認識アグリゲーションアルゴリズムであるFedRAを提案し,局所的なデータ量を認識してアグリゲーションを行う。
  論文  参考訳（メタデータ） (2022-05-22T15:13:23Z)
• Robust Semi-supervised Federated Learning for Images Automatic Recognition in Internet of Drones [57.468730437381076]
  プライバシー保護型UAV画像認識のための半教師付きフェデレートラーニング(SSFL)フレームワークを提案する。 異なるカメラモジュールを使用したUAVによって収集されたローカルデータの数、特徴、分布には大きな違いがある。 本稿では,クライアントがトレーニングに参加する頻度,すなわちFedFreqアグリゲーションルールに基づくアグリゲーションルールを提案する。
  論文  参考訳（メタデータ） (2022-01-03T16:49:33Z)
• RoFL: Attestable Robustness for Secure Federated Learning [59.63865074749391]
  フェデレートラーニング(Federated Learning)により、多数のクライアントが、プライベートデータを共有することなく、ジョイントモデルをトレーニングできる。 クライアントのアップデートの機密性を保証するため、フェデレートラーニングシステムはセキュアなアグリゲーションを採用している。 悪意のあるクライアントに対する堅牢性を向上させるセキュアなフェデレート学習システムであるRoFLを提案する。
  論文  参考訳（メタデータ） (2021-07-07T15:42:49Z)
• Separation of Powers in Federated Learning [5.966064140042439]
  フェデレーテッド・ラーニング(FL)は、相互不信者間の協調的なトレーニングを可能にする。 最近の攻撃は、明らかに"衛生化"されたモデル更新から大量のトレーニングデータを再構築した。 我々は,信頼性の高い分散集約アーキテクチャを用いた新しいクロスサイロFLシステムであるTRUDAを紹介する。
  論文  参考訳（メタデータ） (2021-05-19T21:00:44Z)
• Over-the-Air Federated Learning from Heterogeneous Data [107.05618009955094]
  フェデレートラーニング(Federated Learning、FL)は、集中型モデルの分散ラーニングのためのフレームワークである。 我々は,共通局所勾配勾配勾配(SGD)FLアルゴリズムを強化するコンバージェント OTA FL (COTAF) アルゴリズムを開発した。 我々は,COTAFにより誘導されるプリコーディングが,OTA FLを用いて訓練されたモデルの収束率と精度を顕著に向上させることを示す。
  論文  参考訳（メタデータ） (2020-09-27T08:28:25Z)

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。