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: 2025-04-04 19:35:53.132667
• 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:
• 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

• 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)
• NTTSuite: Number Theoretic Transform Benchmarks for Accelerating Encrypted Computation [2.704681057324485]
  ホモモルフィック暗号(homomorphic encryption, HE)は、暗号化されたデータを直接計算できる暗号システムである。 HEは、非常に高い計算オーバーヘッドのため、ほとんど採用されていない。 我々はNTTSuiteというベンチマークスイートを開発し、研究者がこれらのオーバーヘッドに対処できるようにした。 我々の実装は最先端の技術を30%上回っている。
  論文  参考訳（メタデータ） (2024-05-18T17:44:17Z)
• 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)
• CellSecure: Securing Image Data in Industrial Internet-of-Things via Cellular Automata and Chaos-Based Encryption [2.4996518152484413]
  本稿では,産業用IoT(IIoT)とCPS(Cyber-Physical Systems)に適した,堅牢な画像暗号化アルゴリズムを提案する。 このアルゴリズムはルール30セルオートマトンとカオススクランブルと置換を組み合わせる。 その結果,エントロピーは7.99で,相関は0.002であった。
  論文  参考訳（メタデータ） (2023-09-20T17:22:01Z)
• 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。