Fugu-MT 論文翻訳(概要): Blocklisted Oblivious Pseudorandom Functions

論文の概要: Blocklisted Oblivious Pseudorandom Functions

arxiv url: http://arxiv.org/abs/2507.16040v1
Date: Mon, 21 Jul 2025 20:13:50 GMT
ステータス: 翻訳完了
システム内更新日: 2025-07-23 21:34:13.875382
Title: Blocklisted Oblivious Pseudorandom Functions
Title（参考訳）: ブロックリスト付き擬似擬似関数
Authors: Xinyuan Zhang, Anrin Chakraborti, Michael Reiter,
Abstract要約: 暗黙の擬似乱数関数(OPRF)は、クライアントとサーバが相互作用して擬似乱数関数を評価するプロトコルである。我々は,サーバがブロックリストを指定できるようにして,クライアントの入力がブロックリストにない場合にのみOPRF評価が成功するようにして,この概念を拡張した。
参考スコア（独自算出の注目度）: 5.230596278040867
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: An oblivious pseudorandom function (OPRF) is a protocol by which a client and server interact to evaluate a pseudorandom function on a key provided by the server and an input provided by the client, without divulging the key or input to the other party. We extend this notion by enabling the server to specify a blocklist, such that OPRF evaluation succeeds only if the client's input is not on the blocklist. More specifically, our design gains performance by embedding the client input into a metric space, where evaluation continues only if this embedding does not cluster with blocklist elements. Our framework exploits this structure to separate the embedding and blocklist check to enable efficient implementations of each, but then must stitch these phases together through cryptographic means. Our framework also supports subsequent evaluation of the OPRF on the same input more efficiently. We demonstrate the use of our design for password blocklisting in augmented password-authenticated key exchange, and to MAC only executables that are not similar to ones on a blocklist of known malware.
Abstract（参考訳）: 暗黙の擬似乱数関数(OPRF)は、クライアントとサーバが対話して、サーバが提供した鍵とクライアントが提供した入力の擬似乱数関数を評価するプロトコルである。我々は,サーバがブロックリストを指定できるようにして,クライアントの入力がブロックリストにない場合にのみOPRF評価が成功するようにして,この概念を拡張した。具体的には、クライアント入力をメトリック空間に埋め込み、この埋め込みがブロックリスト要素をクラスタ化していない場合にのみ評価が継続する。我々のフレームワークは、この構造を利用して埋め込みチェックとブロックリストチェックを分離し、それぞれの効率的な実装を可能にします。提案フレームワークは, OPRFのその後の評価を, より効率的に行えるように支援する。我々は、パスワード認証キー交換におけるパスワードブロックリスト化の設計を実証し、既知のマルウェアのブロックリストにないMACのみ実行可能ファイルに適用する。

関連論文リスト

Towards Anonymous Neural Network Inference [0.0]
funionは、ニューラルネットワークの推論にエンドツーエンドの送信者-受信者非リンク性を提供するシステムである。ユーザは匿名で、入力テンソルを疑似ランダムなストレージロケーションに格納し、計算サービスをニューラルネットワーク経由で処理し、入力と出力のパーティ間のトレーサブルな接続のない結果を取得することができる。
論文参考訳（メタデータ） (2025-05-23T22:05:20Z)
The Latency Price of Threshold Cryptosystem in Blockchains [52.359230560289745]
本稿では,Byzantine-fault Tolerant(BFT)コンセンサスプロトコルを用いた,しきい値暗号とブロックチェーンのクラス間の相互作用について検討する。 Aptosのメインネットからの測定によると、楽観的なアプローチは遅延オーバーヘッドを71%削減する。
論文参考訳（メタデータ） (2024-07-16T20:53:04Z)
Asymmetric Mempool DoS Security: Formal Definitions and Provable Secure Designs [17.06992341258962]
本稿では,非対称なDoS攻撃に対して防御可能なセキュアなブロックチェーン・メムプール設計を提案する。提案するセキュアなトランザクション入力アルゴリズムであるtextscsaferAd-CP は,排除DoS攻撃の実行コストの証明可能な低境界を提供することにより,消去セキュリティを確保する。
論文参考訳（メタデータ） (2024-07-03T23:28:35Z)
Certified Adversarial Robustness of Machine Learning-based Malware Detectors via (De)Randomized Smoothing [9.881799766856476]
我々は,特定の実行可能および逆パッチサイズに対して,敵EXEmpleが存在しないことを保証する,パッチ攻撃に対する認証可能な防御を導入する。提案手法は, 決定論的ロバスト性証明を提供する (de)randomized smoothing に着想を得たものである。その結果,本手法は,強いコンテンツ挿入攻撃に対する不整合性を示し,ランダムなスムースティングに基づく防御性能に優れていた。
論文参考訳（メタデータ） (2024-05-01T08:45:57Z)
Defending Large Language Models against Jailbreak Attacks via Semantic Smoothing [107.97160023681184]
適応型大規模言語モデル(LLM)は、ジェイルブレイク攻撃に対して脆弱である。提案するSEMANTICSMOOTHは,与えられた入力プロンプトのセマンティック変換されたコピーの予測を集約するスムージングベースのディフェンスである。
論文参考訳（メタデータ） (2024-02-25T20:36:03Z)
Blind Evaluation Framework for Fully Homomorphic Encryption and Privacy-Preserving Machine Learning [0.0]
Blind Evaluation Framework (BEF) は暗号的にセキュアなプログラミングフレームワークである。インタラクティブ・ラウンド・オブ・デクリプション・アンド・アセスメント(IRDE)を使わずに、盲目で、正しい、プログラミングロジックの実行を可能にする。これは、解読ラウンドなしでFHEで機械学習モデルのトレーニングと推論を可能にする最初のフレームワークである。
論文参考訳（メタデータ） (2023-10-19T20:33:02Z)
FLCert: Provably Secure Federated Learning against Poisoning Attacks [67.8846134295194]
FLCertは、有毒な攻撃に対して確実に安全であるアンサンブル・フェデレート学習フレームワークである。実験の結果,テスト入力に対するFLCertで予測されたラベルは,有意な数の悪意のあるクライアントによって影響を受けないことが判明した。
論文参考訳（メタデータ） (2022-10-02T17:50:04Z)
Blockchain-based Secure Client Selection in Federated Learning [18.001794899303626]
ブロックチェーン技術を使って、フェデレートラーニングのための検証可能なクライアント選択プロトコルを提案しています。本プロトコルでは,クライアントのランダムな選択を強制し,サーバが選択プロセスの判断で制御できないようにする。この攻撃に対して当社のプロトコルが安全であることを示すセキュリティ証明を提示する。
論文参考訳（メタデータ） (2022-05-11T16:28:12Z)
Quantum Proofs of Deletion for Learning with Errors [91.3755431537592]
完全同型暗号方式として, 完全同型暗号方式を初めて構築する。我々の主要な技術要素は、量子証明器が古典的検証器に量子状態の形でのLearning with Errors分布からのサンプルが削除されたことを納得させる対話的プロトコルである。
論文参考訳（メタデータ） (2022-03-03T10:07:32Z)
Blockchain Assisted Decentralized Federated Learning (BLADE-FL) with Lazy Clients [124.48732110742623]
フェデレートラーニング(FL)にブロックチェーンを統合する新しいフレームワークを提案する。 BLADE-FLは、プライバシー保護、改ざん抵抗、学習の効果的な協力の点で優れたパフォーマンスを持っている。遅延クライアントは、他人のトレーニングされたモデルを盗聴し、不正行為を隠すために人工的なノイズを加える。
論文参考訳（メタデータ） (2020-12-02T12:18:27Z)
Towards Bidirectional Protection in Federated Learning [70.36925233356335]
F2ED-LEARNINGは、悪意のある集中型サーバとビザンティンの悪意のあるクライアントに対して双方向の防御を提供する。 F2ED-LEARNINGは各シャードの更新を安全に集約し、異なるシャードからの更新に対してFilterL2を起動する。評価の結果,F2ED-LEARNing は最適あるいは最適に近い性能が得られることがわかった。
論文参考訳（メタデータ） (2020-10-02T19:37:02Z)
FastSecAgg: Scalable Secure Aggregation for Privacy-Preserving Federated Learning [18.237186837994585]
セキュアアグリゲーション'プロトコルは、サーバがクライアントのモデルをプライバシ保護方法で集約することを可能にする。 FastSecAggは計算と通信の面で効率的であり、クライアントのドロップアウトに対して堅牢である。
論文参考訳（メタデータ） (2020-09-23T16:49:02Z)

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。