論文の概要: FMI-Based Distributed Co-Simulation with Enhanced Security and Intellectual Property Safeguards

• arxiv url: http://arxiv.org/abs/2510.20403v1
• Date: Thu, 23 Oct 2025 10:10:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-25 03:08:17.742729
• Title: FMI-Based Distributed Co-Simulation with Enhanced Security and Intellectual Property Safeguards
• Title（参考訳）: セキュリティと知的財産保護を強化したFMIに基づく分散協調シミュレーション
• Authors: Santiago Gil, Ecem E. Baş, Christian D. Jensen, Sebastian Engelsgaard, Giuseppe Abbiati, Cláudio Gomes,
• Abstract要約: 本稿では,サイバーセキュリティとIP保護機構を強化した分散コミュレーション手法を提案する。 4つの異なるネットワーク設定で2つの共シミュレーションデモを用いて、このアプローチの機能を紹介する。
• 参考スコア（独自算出の注目度）: 0.35185044688786965
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Distributed co-simulation plays a key role in enabling collaborative modeling and simulation by different stakeholders while protecting their Intellectual Property (IP). Although IP protection is provided implicitly by co-simulation, there is no consensus in the guidelines to conduct distributed co-simulation of continuous-time or hybrid systems with no exposure to potential hacking attacks. We propose an approach for distributed co-simulation on top of UniFMU with enhanced cybersecurity and IP protection mechanisms, ensuring that the connection is initiated by the client and the models and binaries live on trusted platforms. We showcase the functionality of this approach using two co-simulation demos in four different network settings and analyze the trade-off between IP-protected distribution and performance efficiency in these settings.
• Abstract（参考訳）: 分散コシミュレーションは、知的財産権(IP)を保護しながら、異なる利害関係者による協調的なモデリングとシミュレーションを可能にする上で重要な役割を果たす。 IP保護は、コシミュレートによって暗黙的に提供されるが、このガイドラインには、ハッキング攻撃の恐れのない、連続時間またはハイブリッドシステムの分散コシミュレーションを行うための合意はない。 我々は,UniFMU上でのネットワークセキュリティとIP保護の強化による分散コミュレーションのアプローチを提案し,クライアントが接続を開始し,モデルとバイナリが信頼されたプラットフォームに居住することを保証する。 我々は4つの異なるネットワーク設定で2つの共シミュレーションデモを用いてこのアプローチの機能を紹介し、これらの設定におけるIP保護分布と性能効率のトレードオフを分析する。

関連論文リスト

• Pareto Actor-Critic for Communication and Computation Co-Optimization in Non-Cooperative Federated Learning Services [18.291028557265864]
  ゲーム理論によるマルチエージェント強化学習(MARL)フレームワークであるPAC-MCoFLを導入する。 PAC-MCoFL-p はパラメータ化予測生成器を特徴とするスケーラブルな変種であり,有界な誤差で計算複雑性を著しく低減する。
  論文  参考訳（メタデータ） (2025-08-22T02:09:48Z)
• Zero-Trust Foundation Models: A New Paradigm for Secure and Collaborative Artificial Intelligence for Internet of Things [61.43014629640404]
  Zero-Trust Foundation Models (ZTFM)は、ゼロトラストセキュリティの原則をIoT(Internet of Things)システムの基盤モデル(FM)のライフサイクルに組み込む。 ZTFMは、分散、異質、潜在的に敵対的なIoT環境にわたって、セキュアでプライバシ保護のAIを可能にする。
  論文  参考訳（メタデータ） (2025-05-26T06:44:31Z)
• Communication-Efficient and Privacy-Adaptable Mechanism for Federated Learning [54.20871516148981]
  通信効率・プライバシー適応メカニズム(CEPAM)について紹介する。 CEPAMは通信効率とプライバシー保護を同時に達成する。 我々は、CEPAMのプライバシー保証を理論的に分析し、CEPAMのユーザプライバシと正確性の間のトレードオフを調査する。
  論文  参考訳（メタデータ） (2025-01-21T11:16:05Z)
• DMM: Distributed Matrix Mechanism for Differentially-Private Federated Learning Based on Constant-Overhead Linear Secret Resharing [51.336015600778396]
  本稿では,ベスト・オブ・ボス・ワールドを実現するための分散行列機構,分散DPのプライバシ向上,行列機構の実用性向上について紹介する。 我々は、異なるトレーニングイテレーションのクライアント委員会間で、一定の通信オーバーヘッドで機密値をセキュアに転送する、新しい暗号プロトコルを用いてこれを実現する。
  論文  参考訳（メタデータ） (2024-10-21T16:25:14Z)
• Adversary-Augmented Simulation to evaluate fairness on HyperLedger Fabric [0.0]
  本稿では, 敵の仮定, 目標, 能力といった概念に基づいて構築する。 古典的な分散システムモデルに基づいて、逆アクションの使用を分類し、制限する。 本研究の目的は,各種システムモデルにおけるプロトコルの特性に及ぼすこれらの許容行動の影響について検討することである。
  論文  参考訳（メタデータ） (2024-03-21T12:20:36Z)
• Securing Federated Learning with Control-Flow Attestation: A Novel Framework for Enhanced Integrity and Resilience against Adversarial Attacks [2.28438857884398]
  分散機械学習パラダイムとしてのフェデレートラーニング(FL)は、新たなサイバーセキュリティ課題を導入した。 本研究では,従来サイバーセキュリティに用いられてきた制御フロー(CFA)機構にインスパイアされた,革新的なセキュリティフレームワークを提案する。 我々は、ネットワーク全体にわたるモデル更新の完全性を認証し、検証し、モデル中毒や敵対的干渉に関連するリスクを効果的に軽減する。
  論文  参考訳（メタデータ） (2024-03-15T04:03:34Z)
• IPCC-TP: Utilizing Incremental Pearson Correlation Coefficient for Joint Multi-Agent Trajectory Prediction [73.25645602768158]
  IPCC-TPはインクリメンタルピアソン相関係数に基づく新しい関連認識モジュールであり,マルチエージェントインタラクションモデリングを改善する。 我々のモジュールは、既存のマルチエージェント予測手法に便利に組み込んで、元の動き分布デコーダを拡張することができる。
  論文  参考訳（メタデータ） (2023-03-01T15:16:56Z)
• Implicit Distributional Reinforcement Learning [61.166030238490634]
  2つのディープジェネレータネットワーク(DGN)上に構築された暗黙の分布型アクター批判(IDAC) 半単純アクター (SIA) は、フレキシブルなポリシー分布を利用する。 我々は,代表的OpenAI Gym環境において,IDACが最先端のアルゴリズムより優れていることを観察する。
  論文  参考訳（メタデータ） (2020-07-13T02:52:18Z)

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。