Fugu-MT 論文翻訳(概要): Towards a DSL for hybrid secure computation

論文の概要: Towards a DSL for hybrid secure computation

arxiv url: http://arxiv.org/abs/2505.20912v1
Date: Tue, 27 May 2025 09:01:32 GMT
ステータス: 翻訳完了
システム内更新日: 2025-06-05 01:50:08.134345
Title: Towards a DSL for hybrid secure computation
Title（参考訳）: ハイブリッドセキュア計算のためのDSL
Authors: Romain de Laage,
Abstract要約: 特定のシナリオでは、計算はFHEとTEEの両方を使用してハイブリッド環境で行うことができる。本稿では,セキュアな計算を行うためのドメイン固有言語()を提案する。
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: Fully homomorphic encryption (FHE) and trusted execution environments (TEE) are two approaches to provide confidentiality during data processing. Each approach has its own strengths and weaknesses. In certain scenarios, computations can be carried out in a hybrid environment, using both FHE and TEE. However, processing data in such hybrid settings presents challenges, as it requires to adapt and rewrite the algorithms for the chosen technique. We propose a domain-specific language (DSL) for secure computation that allows to express the computations to perform and execute them using a backend that leverages either FHE or TEE, depending on what is available.
Abstract（参考訳）: 完全同型暗号化(FHE)と信頼実行環境(TEE)は、データ処理中に機密性を提供する2つのアプローチである。それぞれのアプローチには、それぞれ独自の長所と短所があります。特定のシナリオでは、計算はFHEとTEEの両方を使用してハイブリッド環境で行うことができる。しかし、このようなハイブリッド環境でのデータ処理は、選択した手法にアルゴリズムを適応して書き換える必要があるため、課題を提起する。我々は、セキュアな計算のためのドメイン固有言語(DSL)を提案し、計算を表現して実行し、利用可能なものに応じてFHEまたはTEEを利用するバックエンドを用いて実行します。

関連論文リスト

A Privacy-Centric Approach: Scalable and Secure Federated Learning Enabled by Hybrid Homomorphic Encryption [2.611778281107039]
Federated Learning(FL)は、生データを共有せずに協調的なモデルトレーニングを可能にするため、プライバシに敏感なドメインに対して有望なアプローチである。その可能性にもかかわらず、FLは特に通信オーバーヘッドとデータプライバシの観点から、重大な課題に直面している。本研究では、対称暗号とHEを組み合わせた暗号プロトコルであるHybrid Homomorphic Encryption(HHE)をFLと効果的に統合し、通信とプライバシーの両方の課題に対処する方法について検討する。
論文参考訳（メタデータ） (2025-07-20T07:46:53Z)
Practical Secure Aggregation by Combining Cryptography and Trusted Execution Environments [1.3068730884406587]
セキュアアグリゲーションは、それぞれがプライベートインプットを持っている相互不信な当事者の集団が、アグリゲーション値を協調的に計算することを可能にする。実用的な用途にセキュアアグリゲーションアプローチを採用する上での大きな課題は、基盤となる暗号プロトコルの計算オーバーヘッドである。信頼された実行環境(TEE)のようなハードウェアベースのセキュリティ技術は、ほぼネイティブな速度での計算を可能にする。本稿では,暗号技術とTEE技術の両方を統合するセキュアアグリゲーションアーキテクチャについて紹介する。
論文参考訳（メタデータ） (2025-04-11T07:49:09Z)
Online Conformal Probabilistic Numerics via Adaptive Edge-Cloud Offloading [52.499838151272016]
本研究は, PLS が生成する HPD 集合を, 長期のカバレッジ要件を保証するため, キャリブレーションする手法を提案する。提案手法は,クラウドからエッジへの散発的なフィードバックを前提としたオンライン共形予測PLS (OCP-PLS) と呼ばれる。 OCP-PLSの有効性は、カバレッジ、予測セットサイズ、クラウド利用のトレードオフに関する洞察をもたらす実験を通じて検証される。
論文参考訳（メタデータ） (2025-03-18T17:30:26Z)
TRUST: A Toolkit for TEE-Assisted Secure Outsourced Computation over Integers [30.72930396939045]
本稿では,TRUST という整数を用いた TEE 支援 (Trusted Execution Environment) SOC のためのツールキットを提案する。システムアーキテクチャの面では、TRUSTは、REE(Rich Execution Environment)とTEEの計算をシームレスに統合することで、単一のTEEを備えたクラウドサーバに該当する。 TRUSTに基づくセキュアなデータトレーディングである textttSEAT を提案する。
論文参考訳（メタデータ） (2024-12-02T03:19:29Z)
Secure numerical simulations using fully homomorphic encryption [2.923600136516929]
データプライバシは、医療、財務、エンジニアリングデータなどの機密情報に数値シミュレーションを使用する場合、重要な懸念事項である。完全同型暗号化(FHE)は、暗号化されたデータに直接セキュアな計算を可能にすることによって、データのプライバシを実現するための有望なソリューションを提供する。暗号的に安全な数値シミュレーションが可能であることを示すが、計算オーバーヘッドとFHEによる数値誤差について慎重に検討する必要がある。
論文参考訳（メタデータ） (2024-10-29T07:47:10Z)
Communication-Efficient Hybrid Federated Learning for E-health with Horizontal and Vertical Data Partitioning [67.49221252724229]
E-Healthは、スマートデバイスや医療機関が患者のデータを共同で収集することを可能にする。 eヘルスにフェデレートされた学習を適用することは、多くの課題に直面します。医療データは水平および垂直に分割される。 HFLとVFLの単純な組み合わせには、訓練効率の低下、難聴収束分析、パラメータチューニング戦略の欠如など、制限がある。
論文参考訳（メタデータ） (2024-04-15T19:45:07Z)
Enc2DB: A Hybrid and Adaptive Encrypted Query Processing Framework [47.11111145443189]
本稿では,新しいセキュアデータベースシステムであるEnc2DBを紹介する。本稿では,マイクロベンチマークテストと自己適応型モードスイッチ戦略を提案し,与えられたクエリに応答する最適な実行パス(暗号やTEE)を選択する。また、クエリ処理を高速化するために、ネイティブコストモデルやクエリと互換性のある暗号文インデックスを設計、実装する。
論文参考訳（メタデータ） (2024-04-10T08:11:12Z)
When approximate design for fast homomorphic computation provides differential privacy guarantees [0.08399688944263842]
差分プライバシー(DP)と暗号プリミティブは、プライバシー攻撃に対する一般的な対策である。本稿では,argmax演算子に対する確率近似アルゴリズム ShiELD を設計する。たとえShielDが他のアプリケーションを持つことができたとしても、私たちは1つの設定に集中し、SPEEDコラボレーティブトレーニングフレームワークにシームレスに統合します。
論文参考訳（メタデータ） (2023-04-06T09:38:01Z)
A Survey of Secure Computation Using Trusted Execution Environments [80.58996305474842]
本稿では、TEEベースのセキュアな計算プロトコルの体系的なレビューと比較を行う。まず、セキュアな計算プロトコルを3つの主要なカテゴリ、すなわち、セキュアなアウトソース計算、セキュアな分散計算、セキュアなマルチパーティ計算に分類する分類法を提案する。これらの基準に基づき,汎用計算関数と特殊目的計算の両方に対して,最先端のTEEベースのセキュアな計算プロトコルを検証,検討し,比較する。
論文参考訳（メタデータ） (2023-02-23T16:33:56Z)
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)
FedPD: A Federated Learning Framework with Optimal Rates and Adaptivity to Non-IID Data [59.50904660420082]
フェデレートラーニング(FL)は、分散データから学ぶための一般的なパラダイムになっています。クラウドに移行することなく、さまざまなデバイスのデータを効果的に活用するために、Federated Averaging(FedAvg)などのアルゴリズムでは、"Computation then aggregate"(CTA)モデルを採用している。
論文参考訳（メタデータ） (2020-05-22T23:07:42Z)

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。