論文の概要: Real-Time Bit-Level Encryption of Full High-Definition Video Without Diffusion

• arxiv url: http://arxiv.org/abs/2505.07158v1
• Date: Mon, 12 May 2025 00:36:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-13 20:21:49.228388
• Title: Real-Time Bit-Level Encryption of Full High-Definition Video Without Diffusion
• Title（参考訳）: 拡散のない全高精細ビデオのリアルタイムビットレベル暗号化
• Authors: Dong Jiang, Hui-ran Luo, Zi-jian Cui, Xi-jue Zhao, Lin-sheng Huang, Liang-liang Lu,
• Abstract要約: リアルタイム暗号化アルゴリズムは、高解像度ビデオに対するリアルタイム暗号化の要求を満たすには不十分である。 本稿では,異種並列計算に基づくリアルタイムビデオ暗号化プロトコルを提案する。 実験により,本手法は優れた統計特性と堅牢なセキュリティを示すことが示された。
• 参考スコア（独自算出の注目度）: 1.0202696337641386
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Despite the widespread adoption of Shannon's confusion-diffusion architecture in image encryption, the implementation of diffusion to sequentially establish inter-pixel dependencies for attaining plaintext sensitivity constrains algorithmic parallelism, while the execution of multiple rounds of diffusion operations to meet the required sensitivity metrics incurs excessive computational overhead. Consequently, the pursuit of plaintext sensitivity through diffusion operations is the primary factor limiting the computational efficiency and throughput of video encryption algorithms, rendering them inadequate to meet the demands of real-time encryption for high-resolution video. To address the performance limitation, this paper proposes a real-time video encryption protocol based on heterogeneous parallel computing, which incorporates the SHA-256 hashes of original frames as input, employs multiple CPU threads to concurrently generate encryption-related data, and deploys numerous GPU threads to simultaneously encrypt pixels. By leveraging the extreme input sensitivity of the SHA hash, the proposed protocol achieves the required plaintext sensitivity metrics with only a single round of confusion and XOR operations, significantly reducing computational overhead. Furthermore, through eliminating the reliance on diffusion, it realizes the allocation of a dedicated GPU thread for encrypting each pixel within every channel, effectively enhancing algorithm's parallelism. The experimental results demonstrate that our approach not only exhibits superior statistical properties and robust security but also achieving delay-free bit-level encryption for 1920$\times$1080 resolution (full high definition) video at 30 FPS, with an average encryption time of 25.84 ms on a server equipped with an Intel Xeon Gold 6226R CPU and an NVIDIA GeForce RTX 3090 GPU.
• Abstract（参考訳）: 画像暗号化においてシャノンの混乱拡散アーキテクチャが広く採用されているにもかかわらず、平文感度の制約を達成するための画素間依存関係を逐次確立するための拡散の実装は、アルゴリズム並列性を実現し、必要な感度の指標を満たすために複数の拡散操作を実行することは、過剰な計算オーバーヘッドを引き起こす。 その結果、拡散操作による平文感度の追求は、ビデオ暗号化アルゴリズムの計算効率とスループットを制限する主要な要因であり、高精細ビデオのリアルタイム暗号化の要求を満たすには不十分である。 本稿では,SHA-256ハッシュを入力として組み込んだ異種並列計算に基づくリアルタイムビデオ暗号化プロトコルを提案し,複数のCPUスレッドを用いて並列に暗号関連データを生成し,多数のGPUスレッドをデプロイし,画素を同時に暗号化する。 提案プロトコルは,SHAハッシュの入力感度を極端に向上させることで,1ラウンドの混乱とXOR操作のみで必要となる平文感度測定値を実現し,計算オーバーヘッドを大幅に低減する。 さらに,拡散への依存をなくすことで,各チャネル内の各ピクセルを暗号化する専用GPUスレッドの割り当てを実現し,アルゴリズムの並列性を効果的に向上する。 実験の結果,提案手法は,より優れた統計特性と堅牢なセキュリティを示すだけでなく,1920$\times$1080の解像度(フル高精細度)ビデオに対して,Intel Xeon Gold 6226R CPUとNVIDIA GeForce RTX 3090 GPUを備えたサーバ上での平均暗号化時間25.84msで遅延フリーなビットレベル暗号化を実現することを示す。

関連論文リスト

• Improving the Diffusability of Autoencoders [54.920783089085035]
  高品質な画像やビデオを生成するための主要なアプローチとして、潜伏拡散モデルが登場している。 我々は、現代のオートエンコーダのスペクトル分析を行い、その潜在空間における不規則な高周波成分を同定する。 我々は、この高周波成分が拡散合成プロセスの粗大な微細な性質に干渉し、生成品質を阻害する仮説を立てた。
  論文  参考訳（メタデータ） (2025-02-20T18:45:44Z)
• PipeLLM: Fast and Confidential Large Language Model Services with Speculative Pipelined Encryption [5.667756833450548]
  暗号化は大幅な性能上のオーバーヘッドを引き起こす。 ユーザ透過型ランタイムシステムであるPipeLLMを紹介する。 我々は、暗号化を必要とするデータを予測するために、投機的パイプライン暗号を提案する。
  論文  参考訳（メタデータ） (2024-11-04T19:58:53Z)
• Enabling Practical and Privacy-Preserving Image Processing [5.526464269029825]
  ホモモルフィック暗号化(FHE)は、暗号化されたデータの計算を可能にし、復号化を必要とせずに機密性を保存する。 従来のFHEメソッドは、ピクセルの代わりにモノリシックなデータブロックで画像を暗号化することが多い。 CKKS方式に基づく画素レベルの同型暗号化手法iCHEETAHを提案し,実装する。
  論文  参考訳（メタデータ） (2024-09-05T14:22:02Z)
• Hardware-Aware Parallel Prompt Decoding for Memory-Efficient Acceleration of LLM Inference [19.167604927651073]
  LLM(Large Language Models)の自動回帰デコーディングは、ハードウェアの性能に大きなオーバーヘッドをもたらす。 トレーニング可能なパラメータを0.0002$%しか必要とせず,A100-40GBのGPUをたった16時間で効率的にトレーニングできる並列プロンプトデコーディングを提案する。 我々のアプローチでは、最大2.49$times$ スピードアップを示し、最小のメモリオーバーヘッドは0.0004$%である。
  論文  参考訳（メタデータ） (2024-05-28T22:19:30Z)
• Accelerated Event-Based Feature Detection and Compression for Surveillance Video Systems [1.5390526524075634]
  スパース圧縮表現において時間的冗長性を伝達する新しいシステムを提案する。 我々はADDERと呼ばれるビデオ表現フレームワークを利用して、フレーム化されたビデオを疎結合で非同期な強度サンプルに変換する。 我々の研究は、今後のニューロモルフィックセンサーの道を切り拓き、スパイクニューラルネットワークによる将来の応用に有効である。
  論文  参考訳（メタデータ） (2023-12-13T15:30:29Z)
• Towards Real-Time Neural Video Codec for Cross-Platform Application Using Calibration Information [17.141950680993617]
  浮動小数点演算によるクロスプラットフォームの計算誤差は、ビットストリームの不正確な復号につながる可能性がある。 符号化と復号処理の計算複雑性が高いことは、リアルタイムのパフォーマンスを達成する上での課題である。 リアルタイムクロスプラットフォームのニューラルビデオは、コンシューマグレードのGPU上で、他のエンコーディングプラットフォームから720Pビデオのビットストリームを効率的に復号することができる。
  論文  参考訳（メタデータ） (2023-09-20T13:01:15Z)
• Conditional Entropy Coding for Efficient Video Compression [82.35389813794372]
  本稿では,フレーム間の条件エントロピーをモデル化することのみに焦点を当てた,非常にシンプルで効率的なビデオ圧縮フレームワークを提案する。 まず、画像遅延符号間のエントロピーをモデル化する単純なアーキテクチャが、他のニューラルビデオ圧縮やビデオコーデックと同等の競争力を持つことを示す。 次に、このアーキテクチャの上に新しい内部学習拡張を提案し、復号速度を抑えることなく10%の節約を実現した。
  論文  参考訳（メタデータ） (2020-08-20T20:01:59Z)
• Learning for Video Compression with Recurrent Auto-Encoder and Recurrent Probability Model [164.7489982837475]
  本稿では、リカレントオートエンコーダ(RAE)とリカレント確率モデル(RPM)を用いたリカレントラーニングビデオ圧縮(RLVC)手法を提案する。 RAEは、ビデオフレーム間の時間的相関を利用するために、エンコーダとデコーダの両方で繰り返しセルを使用する。 提案手法は,PSNRとMS-SSIMの両方の観点から,最先端の学習ビデオ圧縮性能を実現する。
  論文  参考訳（メタデータ） (2020-06-24T08:46:33Z)
• Efficient Video Semantic Segmentation with Labels Propagation and Refinement [138.55845680523908]
  本稿では,ハイブリッドGPU/CPUを用いた高精細ビデオのリアルタイムセマンティックセマンティックセマンティック化の問題に取り組む。 i) CPU上では、非常に高速な光フロー法であり、ビデオの時間的側面を利用して、あるフレームから次のフレームへ意味情報を伝達するために使用される。 高解像度フレーム(2048 x 1024)を持つ一般的なCityscapesデータセットでは、単一のGPUとCPU上で80から1000Hzの動作ポイントが提案されている。
  論文  参考訳（メタデータ） (2019-12-26T11:45:15Z)

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。