論文の概要: Privacy-Preserving Edge Computing from Pairing-Based Inner Product Functional Encryption

• arxiv url: http://arxiv.org/abs/2504.02068v1
• Date: Wed, 02 Apr 2025 19:01:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-12 00:52:05.248189
• Title: Privacy-Preserving Edge Computing from Pairing-Based Inner Product Functional Encryption
• Title（参考訳）: ペアリングによる内部製品機能暗号化によるエッジコンピューティングのプライバシ保護
• Authors: Utsav Banerjee,
• Abstract要約: 本研究は,FHIPE(Function-hiding inner product encryption)のための効率的なソフトウェア実装フレームワークを提案する。 アルゴリズム最適化は$approx 2.6 times$と$approx 3.4 times$をそれぞれFHIPE暗号化と復号化で高速化する。 また,暗号化バイオメディカルセンサデータ分類やセキュアな無線指紋による屋内位置推定といった,プライバシー保護のためのエッジコンピューティングアプリケーションについても実証した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Pairing-based inner product functional encryption provides an efficient theoretical construction for privacy-preserving edge computing secured by widely deployed elliptic curve cryptography. In this work, an efficient software implementation framework for pairing-based function-hiding inner product encryption (FHIPE) is presented using the recently proposed and widely adopted BLS12-381 pairing-friendly elliptic curve. Algorithmic optimizations provide $\approx 2.6 \times$ and $\approx 3.4 \times$ speedup in FHIPE encryption and decryption respectively, and extensive performance analysis is presented using a Raspberry Pi 4B edge device. The proposed optimizations enable this implementation framework to achieve performance and ciphertext size comparable to previous work despite being implemented on an edge device with a slower processor and supporting a curve at much higher security level with a larger prime field. Practical privacy-preserving edge computing applications such as encrypted biomedical sensor data classification and secure wireless fingerprint-based indoor localization are also demonstrated using the proposed implementation framework.
• Abstract（参考訳）: ペアリングベースの内部製品機能暗号化は、広くデプロイされた楕円曲線暗号によって保護されたプライバシー保護エッジコンピューティングの効率的な理論的構築を提供する。 本研究では,最近提案され広く採用されているBLS12-381ペアリングフレンドリな楕円曲線を用いて,ペアリング型関数隠蔽内積暗号(FHIPE)のための効率的なソフトウェア実装フレームワークを提案する。 アルゴリズム最適化は、$\approx 2.6 \times$と$\approx 3.4 \times$それぞれFHIPE暗号化と復号化のスピードアップを提供し、Raspberry Pi 4Bエッジデバイスを使用して広範なパフォーマンス解析を行う。 提案した最適化により,プロセッサが遅いエッジデバイス上に実装され,より大きなプライマリフィールドを持つより高いセキュリティレベルで曲線をサポートするにもかかわらず,従来の処理に匹敵する性能と暗号文サイズを実現することができる。 また, バイオメディカルセンサの暗号化データ分類や, セキュアな無線指紋を用いた屋内位置推定など, 現実的なプライバシー保護エッジコンピューティングアプリケーションについても, 実装フレームワークを用いて実証した。

関連論文リスト

• eFPE: Design, Implementation, and Evaluation of a Lightweight Format-Preserving Encryption Algorithm for Embedded Systems [0.0]
  eFPEは8ラウンドのFeistel暗号であり、このドメイン用に特別に設計された "novel lightweight Pseudorandom Function (PRF)" を備えている。 eFPEは、任意の長さの十進文字列をパディングや複雑な変換なしで直接暗号化し、標準的な前提の下でIND-CCA2セキュリティを目指している。 eFPEは、データフォーマットの整合性、リソースフットプリントの最小化、運用遅延の低減が最重要である金融端末、医療センサ、産業用IoTデバイスなどのアプリケーションに適している。
  論文  参考訳（メタデータ） (2025-11-15T14:00:23Z)
• PRISM: Privacy-preserving Inference System with Homomorphic Encryption and Modular Activation [0.8197459420866039]
  ホモモーフィック暗号化(HE)は、暗号化されたデータの計算を可能にするソリューションを提供する。 HEは、非線形アクティベーション機能に依存しているため、畳み込みニューラルネットワーク(CNN)のような機械学習モデルとは相容れないままである。 この研究は、標準非線形関数を準同型互換近似に置き換える最適化されたフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-11-11T03:57:12Z)
• Design and Optimization of Cloud Native Homomorphic Encryption Workflows for Privacy-Preserving ML Inference [0.0]
  ホモモルフィック暗号化(HE)は、暗号化されたデータに対する暗号計算を可能にする魅力的な技術として登場した。 大規模クラウドネイティブパイプラインにおけるHEの統合は、高い計算オーバーヘッド、オーケストレーションの複雑さ、モデル互換性の問題によって制限されている。 本稿では、プライバシML推論をサポートするクラウドネイティブな同型暗号化の設計と最適化のための体系的なフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-10-28T15:13:32Z)
• HHEML: Hybrid Homomorphic Encryption for Privacy-Preserving Machine Learning on Edge [4.623074730653607]
  プライバシ保護機械学習(PPML)は、信頼できない環境で機密データに対するセキュアな機械学習推論を処理するための、新たなトピックである。 完全同型暗号化(FHE)は、サーバ側の暗号化データ上で直接計算を可能にするが、クライアント側の重要な通信と計算オーバーヘッドを導入する。 HHEは、クライアント側の計算コストを削減するために、対称暗号(SE)とFHEを組み合わせることで、この制限に対処する。 本研究は、FHE互換に最適化された軽量対称暗号を中心に構築されたハードウェアアクセラレーションHHEアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2025-10-23T05:51:55Z)
• MST3 Encryption improvement with three-parameter group of Hermitian function field [0.0]
  本研究は,自己同型群を暗号スキーム実装の基本構造として活用した高度な暗号フレームワークを提案する。 この実装における重要な革新は、基礎となる数学的枠組みとしてエルミート函数場を利用することである。 暗号化メカニズムは、暗号文からのフェーズドキーの非カプセル化を特徴とし、代替実装に対する大きな優位性を示している。
  論文  参考訳（メタデータ） (2025-04-21T18:58:42Z)
• CIPHERMATCH: Accelerating Homomorphic Encryption-Based String Matching via Memory-Efficient Data Packing and In-Flash Processing [8.114331115730021]
  ホモモルフィック暗号化(HE)は、元のデータを公開せずに暗号化されたデータのセキュアな計算を可能にする。 多くのクラウドコンピューティングアプリケーション(例えば、DNA読み取りマッピング、バイオメトリックマッチング、Web検索)は、正確な文字列マッチングをキー操作として使っている。 ホモモルフィック暗号を用いた従来の文字列マッチングアルゴリズムは、高い計算遅延によって制限される。
  論文  参考訳（メタデータ） (2025-03-12T00:25:58Z)
• Accelerating Private Large Transformers Inference through Fine-grained Collaborative Computation [8.859237832459876]
  FASTLMPIは、微粒な最適化により、プライベートなTBM推論を高速化する新しい手法である。 具体的には、ホモモルフィック暗号化と秘密共有の詳細な共設計により、FASTLMPIは行列乗算、SoftMax、LayerNorm、GeLULUの効率的なプロトコルを実現する。 FASTLMPIは、実行時の54%から64%の大幅な減少と、通信コストの72.2%の大幅な削減を示している。
  論文  参考訳（メタデータ） (2024-12-21T08:33:12Z)
• Qubit Optimized Quantum Implementation of SLIM [0.0]
  我々は,32ビット平文と80ビット鍵に最適化された軽量ブロック暗号SLIMの量子実装を提案する。 この研究は、SLIMが量子抵抗暗号プロトコルのリソース効率が高くセキュアな候補としての可能性を強調している。
  論文  参考訳（メタデータ） (2024-12-14T13:52:36Z)
• Encrypted system identification as-a-service via reliable encrypted matrix inversion [0.0]
  暗号化された計算は、多数のアプリケーションドメインにわたる有望な道を開く。 特に、算術的同型暗号化はクラウドベースの計算サービスに自然に適合する。 本稿では,少なくとも2乗問題に対する信頼性の高い暗号化ソリューションにより,暗号化されたシステム識別サービスを提案する。
  論文  参考訳（メタデータ） (2024-10-27T20:00:04Z)
• Encryption-Friendly LLM Architecture [11.386436468650016]
  ホモモルフィック暗号(homomorphic encryption, HE)は、暗号状態における算術演算をサポートする暗号プロトコルである。 本稿では,パーソナライズされた(プライベートな)微調整による推論を重視した改良型HE-Friendly Transformerアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2024-10-03T13:48:35Z)
• 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)
• Theoretically Principled Federated Learning for Balancing Privacy and Utility [61.03993520243198]
  モデルパラメータを歪ませることでプライバシを保護する保護機構の一般学習フレームワークを提案する。 フェデレートされた学習における各コミュニケーションラウンドにおいて、各クライアント上の各モデルパラメータに対して、パーソナライズされたユーティリティプライバシトレードオフを実現することができる。
  論文  参考訳（メタデータ） (2023-05-24T13:44:02Z)
• THE-X: Privacy-Preserving Transformer Inference with Homomorphic Encryption [112.02441503951297]
  トランスフォーマーモデルのプライバシ保護推論は、クラウドサービスユーザの要求に基づいています。 我々は、事前訓練されたモデルのプライバシ保存推論を可能にするトランスフォーマーの近似アプローチである$textitTHE-X$を紹介した。
  論文  参考訳（メタデータ） (2022-06-01T03:49:18Z)
• An Adaptive Device-Edge Co-Inference Framework Based on Soft Actor-Critic [72.35307086274912]
  高次元パラメータモデルと大規模数学的計算は、特にIoT(Internet of Things)デバイスにおける実行効率を制限する。 本稿では,ソフトポリシーの繰り返しによるエフェキシット点,エフェキシット点,エンフェキシット点を生成する離散的(SAC-d)のための新しい深層強化学習(DRL)-ソフトアクタ批判法を提案する。 レイテンシと精度を意識した報酬設計に基づいて、そのような計算は動的無線チャンネルや任意の処理のような複雑な環境によく適応でき、5G URLをサポートすることができる。
  論文  参考訳（メタデータ） (2022-01-09T09:31:50Z)
• Differentially Private Federated Bayesian Optimization with Distributed Exploration [48.9049546219643]
  我々は、DPを反復アルゴリズムに追加するための一般的なフレームワークを通じて、ディープニューラルネットワークのトレーニングに差分プライバシ(DP)を導入する。 DP-FTS-DEは高い実用性(競争性能)と高いプライバシー保証を実現する。 また,DP-FTS-DEがプライバシとユーティリティのトレードオフを引き起こすことを示すために,実世界の実験も行っている。
  論文  参考訳（メタデータ） (2021-10-27T04:11:06Z)
• A Privacy-Preserving-Oriented DNN Pruning and Mobile Acceleration Framework [56.57225686288006]
  モバイルエッジデバイスの限られたストレージとコンピューティング能力を満たすために、ディープニューラルネットワーク(DNN)の軽量プルーニングが提案されている。 従来のプルーニング手法は主に、ユーザデータのプライバシを考慮せずに、モデルのサイズを減らしたり、パフォーマンスを向上させることに重点を置いていた。 プライベートトレーニングデータセットを必要としないプライバシ保護指向のプルーニングおよびモバイルアクセラレーションフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-03-13T23:52:03Z)

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。