論文の概要: Privacy-Preserving IoT in Connected Aircraft Cabin

• arxiv url: http://arxiv.org/abs/2511.15278v1
• Date: Wed, 19 Nov 2025 09:41:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-20 15:51:28.735661
• Title: Privacy-Preserving IoT in Connected Aircraft Cabin
• Title（参考訳）: 接続された航空機キャビンにおけるプライバシ保護IoT
• Authors: Nilesh Vyas, Benjamin Zhao, Aygün Baltaci, Gustavo de Carvalho Bertoli, Hassan Asghar, Markus Klügel, Gerrit Schramm, Martin Kubisch, Dali Kaafar,
• Abstract要約: 現代の航空機キャビンのような共有されたマルチベンダ環境におけるIoTデバイスの普及は、データコラボレーションの約束と、乗客のプライバシーに対するリスクの衝突を引き起こす。 本稿では,CSMIMのようなアーキテクチャ上にプライバシ・エンハンシング・テクノロジー(PET)の層を統合することにより,このギャップを埋めるフレームワークを提案し,評価する。 リソース制約のあるハードウェアで高忠実なテストベッドを使用して、データのプライバシ、ユーティリティ、コンピューティングパフォーマンスのトレードオフを定量化する。
• 参考スコア（独自算出の注目度）: 1.1882429922524669
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The proliferation of IoT devices in shared, multi-vendor environments like the modern aircraft cabin creates a fundamental conflict between the promise of data collaboration and the risks to passenger privacy, vendor intellectual property (IP), and regulatory compliance. While emerging standards like the Cabin Secure Media-Independent Messaging (CSMIM) protocol provide a secure communication backbone, they do not resolve data governance challenges at the application layer, leaving a privacy gap that impedes trust. This paper proposes and evaluates a framework that closes this gap by integrating a configurable layer of Privacy-Enhancing Technologies (PETs) atop a CSMIM-like architecture. We conduct a rigorous, empirical analysis of two pragmatic PETs: Differential Privacy (DP) for statistical sharing, and an additive secret sharing scheme (ASS) for data obfuscation. Using a high-fidelity testbed with resource-constrained hardware, we quantify the trade-offs between data privacy, utility, and computing performance. Our results demonstrate that the computational overhead of PETs is often negligible compared to inherent network and protocol latencies. We prove that architectural choices, such as on-device versus virtualized processing, have a far greater impact on end-to-end latency and computational performance than the PETs themselves. The findings provide a practical roadmap for system architects to select and configure appropriate PETs, enabling the design of trustworthy collaborative IoT ecosystems in avionics and other critical domains.
• Abstract（参考訳）: 現代の航空機キャビンのような共有されたマルチベンダ環境におけるIoTデバイスの普及は、データコラボレーションの約束と、乗客のプライバシに対するリスク、ベンダの知的財産権(IP)、規制コンプライアンスの根本的な対立を生み出します。 Cabin Secure Media-Independent Messaging (CSMIM)プロトコルのような新しい標準はセキュアな通信バックボーンを提供するが、アプリケーション層におけるデータガバナンスの課題を解決せず、信頼性を損なうプライバシーのギャップを残している。 本稿では,CSMIMのようなアーキテクチャ上に,プライバシ・エンハンシング・テクノロジー(PET)の構成可能なレイヤを統合することにより,このギャップを埋めるフレームワークを提案し,評価する。 統計的共有のための差分プライバシー(DP)とデータ難読化のための追加秘密共有方式(ASS)の2つの実用的PETの厳密で実証的な分析を行う。 リソース制約のあるハードウェアで高忠実なテストベッドを使用して、データのプライバシ、ユーティリティ、コンピューティングパフォーマンスのトレードオフを定量化する。 これらの結果から,PETの計算オーバーヘッドは,ネットワークやプロトコルの遅延に比べて無視可能であることが示唆された。 オンデバイスと仮想化処理のようなアーキテクチャ上の選択は、PET自体よりもエンドツーエンドのレイテンシと計算性能に大きな影響を与えることを証明しています。 この調査結果は、システムアーキテクトが適切なPETを選択して設定するための実用的なロードマップを提供し、アビオニクスやその他の重要な領域における信頼できるコラボレーティブなIoTエコシステムの設計を可能にする。

関連論文リスト

• PWC-MoE: Privacy-Aware Wireless Collaborative Mixture of Experts [59.5243730853157]
  クラウドサーバにホストされる大規模言語モデル(LLM)は、ローカルデバイス上の計算とストレージの負担を軽減するが、プライバシの懸念を高める。 小規模言語モデル(SLM)は、ローカルで実行されるためプライバシーが向上するが、複雑なタスクではパフォーマンスが制限される。 帯域幅制約下での計算コスト,性能,プライバシ保護のバランスをとるために,プライバシを意識したPWC-MoE(PWC-MoE)フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-05-13T16:27:07Z)
• Privacy-Preserving Federated Embedding Learning for Localized Retrieval-Augmented Generation [60.81109086640437]
  我々はFedE4RAG(Federated Retrieval-Augmented Generation)と呼ばれる新しいフレームワークを提案する。 FedE4RAGはクライアント側RAG検索モデルの協調トレーニングを容易にする。 モデルパラメータの保護にフェデレート学習の準同型暗号化を適用する。
  論文  参考訳（メタデータ） (2025-04-27T04:26:02Z)
• 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)
• The Communication-Friendly Privacy-Preserving Machine Learning against Malicious Adversaries [14.232901861974819]
  プライバシー保護機械学習(PPML)は、機密情報を保護しながらセキュアなデータ分析を可能にする革新的なアプローチである。 セキュアな線形関数評価のための効率的なプロトコルを導入する。 我々は、このプロトコルを拡張して、線形層と非線形層を扱い、幅広い機械学習モデルとの互換性を確保する。
  論文  参考訳（メタデータ） (2024-11-14T08:55:14Z)
• Effective Intrusion Detection in Heterogeneous Internet-of-Things Networks via Ensemble Knowledge Distillation-based Federated Learning [52.6706505729803]
  我々は、分散化された侵入検知システムの共有モデル(IDS)を協調訓練するために、フェデレートラーニング(FL)を導入する。 FLEKDは従来のモデル融合法よりも柔軟な凝集法を実現する。 実験の結果,提案手法は,速度と性能の両面で,局所訓練と従来のFLよりも優れていた。
  論文  参考訳（メタデータ） (2024-01-22T14:16:37Z)
• HasTEE+ : Confidential Cloud Computing and Analytics with Haskell [50.994023665559496]
  信頼性コンピューティングは、Trusted Execution Environments(TEEs)と呼ばれる特別なハードウェア隔離ユニットを使用して、コテナントクラウドデプロイメントにおける機密コードとデータの保護を可能にする。 低レベルのC/C++ベースのツールチェーンを提供するTEEは、固有のメモリ安全性の脆弱性の影響を受けやすく、明示的で暗黙的な情報フローのリークを監視するための言語構造が欠如している。 私たちは、Haskellに埋め込まれたドメイン固有言語(cla)であるHasTEE+を使って、上記の問題に対処します。
  論文  参考訳（メタデータ） (2024-01-17T00:56:23Z)
• The Security and Privacy of Mobile Edge Computing: An Artificial Intelligence Perspective [64.36680481458868]
  Mobile Edge Computing (MEC)は、クラウドコンピューティングと情報技術(IT)サービスをネットワークのエッジで配信できるようにする新しいコンピューティングパラダイムである。 本稿では,人工知能(AI)の観点からMECのセキュリティとプライバシに関する調査を行う。 新たなセキュリティとプライバシの問題に加えて、AIの観点からの潜在的なソリューションにも重点を置いています。
  論文  参考訳（メタデータ） (2024-01-03T07:47:22Z)
• Libertas: Privacy-Preserving Collective Computation for Decentralised Personal Data Stores [18.91869691495181]
  モジュールアーキテクチャであるLibertasを導入し、MPCとSolidのようなPSDを統合する。 我々は、全知的な視点から、個人ベースの、ユーザ中心の信頼とセキュリティへのパラダイムシフトを紹介します。
  論文  参考訳（メタデータ） (2023-09-28T12:07:40Z)
• Privacy-Engineered Value Decomposition Networks for Cooperative Multi-Agent Reinforcement Learning [19.504842607744457]
  協力的マルチエージェント強化学習では、エージェントのチームは、指定されたタスクを学ぶために、チームの長期的な報酬を共同で最適化する必要がある。 プライバシエンジニアリングされた価値分解ネットワーク(PE-VDN)は、エージェントの環境相互作用データの機密性を保護しながら、マルチエージェント調整をモデル化する。 我々は,StarCraft Multi-Agent Competition (SMAC) にPE-VDNを実装し,バニラVDNの勝利率の80%を達成することを示す。
  論文  参考訳（メタデータ） (2023-09-13T02:50:57Z)

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。