論文の概要: Entity-Aware and Secure Query Optimization in Database Using Named Entity Recognition
- arxiv url: http://arxiv.org/abs/2601.01254v1
- Date: Sat, 03 Jan 2026 18:30:09 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-01-06 16:25:22.147157
- Title: Entity-Aware and Secure Query Optimization in Database Using Named Entity Recognition
- Title（参考訳）: 名前付きエンティティ認識を用いたデータベースにおけるエンティティ認識とセキュアクエリ最適化
- Authors: Azrin Sultana, Hasibur Rashid Chayon,
- Abstract要約: クラウドストレージは、現代のデータインフラストラクチャのバックボーンになっている。
従来のプライバシー保護アプローチでは、暗号化前に機密情報の自動識別に対処できない。
本研究では,インテリジェントなプライバシ保護クエリ最適化フレームワークを提案する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Cloud storage has become the backbone of modern data infrastructure, yet privacy and efficient data retrieval remain significant challenges. Traditional privacy-preserving approaches primarily focus on enhancing database security but fail to address the automatic identification of sensitive information before encryption. This can dramatically reduce query processing time and mitigate errors during manual identification of sensitive information, thereby reducing potential privacy risks. To address this limitation, this research proposes an intelligent privacy-preserving query optimization framework that integrates Named Entity Recognition (NER) to detect sensitive information in queries, utilizing secure data encryption and query optimization techniques for both sensitive and non-sensitive data in parallel, thereby enabling efficient database optimization. Combined deep learning algorithms and transformer-based models to detect and classify sensitive entities with high precision, and the Advanced Encryption Standard (AES) algorithm to encrypt, with blind indexing to secure search functionality of the sensitive data, whereas non-sensitive data was divided into groups using the K-means algorithm, along with a rank search for optimization. Among all NER models, the Deep Belief Network combined with Long Short-Term Memory (DBN-LSTM) delivers the best performance, with an accuracy of 93% and precision (94%), recall, and F1 score of 93%, and 93%, respectively. Besides, encrypted search achieved considerably faster results with the help of blind indexing, and non-sensitive data fetching also outperformed traditional clustering-based searches. By integrating sensitive data detection, encryption, and query optimization, this work advances the state of privacy-preserving computation in modern cloud infrastructures.
- Abstract（参考訳）: クラウドストレージは現代のデータインフラストラクチャのバックボーンとなっているが、プライバシと効率的なデータ検索は依然として大きな課題である。
従来のプライバシ保護アプローチは、主にデータベースのセキュリティ向上に重点を置いているが、暗号化前に機密情報の自動識別に対処できない。
これにより、クエリ処理時間を劇的に短縮し、機密情報の手作業による識別時のエラーを軽減し、潜在的なプライバシーリスクを低減できる。
この制限に対処するために,NER(Named Entity Recognition)を統合したインテリジェントなプライバシ保存クエリ最適化フレームワークを提案する。
ディープラーニングアルゴリズムとトランスフォーマーベースモデルを組み合わせて、高精度でセンシティブなエンティティを検出して分類するAdvanced Encryption Standard(AES)アルゴリズムと、センシティブなデータの検索機能を確保するブラインドインデックスを用いた暗号化を行うAdvanced Encryption Standard(AES)アルゴリズムを組み合わせた。
すべてのNERモデルの中で、Deep Belief NetworkとLong Short-Term Memory (DBN-LSTM)の組み合わせは、それぞれ93%、精度94%、リコール93%、F1スコア93%、最高のパフォーマンスを提供する。
さらに、ブラインドインデックスの助けを借りて、暗号化された検索は大幅に高速化され、非感度なデータフェッチも従来のクラスタリングベースの検索を上回った。
センシティブなデータ検出、暗号化、クエリ最適化を統合することで、この作業は、現代的なクラウドインフラストラクチャにおけるプライバシ保護計算の状態を前進させる。
関連論文リスト
- Towards Privacy-Preserving Range Queries with Secure Learned Spatial Index over Encrypted Data [8.495233108444202]
本稿では,暗号化データセット上での新たなプライバシ保護範囲クエリ手法を提案する。
SLS-INDEXは、Paillier暗号システムと階層的な予測アーキテクチャとノイズ注入バケットを統合している。
SLRQは、データセット、クエリ、結果、アクセスパターンのプライバシを確保しながら、クエリ効率で既存のソリューションを大幅に上回る。
論文 参考訳（メタデータ） (2025-12-03T10:59:40Z) - Zero-Shot Privacy-Aware Text Rewriting via Iterative Tree Search [60.197239728279534]
クラウドベースのサービスにおける大規模言語モデル(LLM)は、重大なプライバシー上の懸念を引き起こしている。
既存のテキスト匿名化と、ルールベースのリアクションやスクラブのような非識別技術は、プライバシー保護とテキストの自然性と実用性のバランスをとるのに苦労することが多い。
我々は,一貫性,妥当性,自然性を保ちながら,秘密情報を体系的に難読化・削除するゼロショット木探索型反復文書き換えアルゴリズムを提案する。
論文 参考訳（メタデータ） (2025-09-25T07:23:52Z) - VeriFuzzy: A Dynamic Verifiable Fuzzy Search Service for Encrypted Cloud Data [13.863905835870836]
暗号化クラウドデータ上で動的で検証可能なファジィ検索(DVFS)をサポートするサービスは、依然として根本的な課題である。
本稿では,3つのイノベーションを包括的に統合した新しいDVFSサービスフレームワークである textbfVeriFuzzy を提案する。
私たちのコードとデータセットは現在オープンソースで、将来のDVFS研究に刺激を与えたいと思っています。
論文 参考訳（メタデータ） (2025-07-15T02:36:30Z) - Accelerating Privacy-Preserving Medical Record Linkage: A Three-Party MPC Approach [1.7999333451993955]
本稿では,セキュアな3次元計算フレームワークに基づく,新規で効率的なPPRLを提案する。
提案手法は,最先端PPRL法のリンク品質を最大14倍高速に保ちながら維持できることを実証する。
論文 参考訳（メタデータ） (2024-10-28T23:13:01Z) - Robust Utility-Preserving Text Anonymization Based on Large Language Models [80.5266278002083]
機密情報を含む匿名化は、幅広いアプリケーションにとって不可欠である。
既存の技術は、大規模言語モデルの再識別能力の新たな課題に直面している。
本稿では,プライバシ評価器,ユーティリティ評価器,最適化コンポーネントの3つの重要なコンポーネントで構成されるフレームワークを提案する。
論文 参考訳（メタデータ） (2024-07-16T14:28:56Z) - Private Approximate Query over Horizontal Data Federation [0.0]
既存のアプローチは、プライバシを改善する暗号に頼っているが、クエリ応答時間を犠牲にしている。
本稿では,データ分散を意識したオンラインサンプリング手法を考案し,レンジクエリの実行を高速化する手法を提案する。
我々のソリューションは、基本的な非セキュアなソリューションよりも最大8倍高速な処理を提供できる。
論文 参考訳（メタデータ） (2024-06-17T11:19:58Z) - 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) - Decentralized Stochastic Optimization with Inherent Privacy Protection [103.62463469366557]
分散最適化は、現代の協調機械学習、分散推定と制御、大規模センシングの基本的な構成要素である。
データが関与して以降、分散最適化アルゴリズムの実装において、プライバシ保護がますます重要になっている。
論文 参考訳（メタデータ） (2022-05-08T14:38:23Z) - New Oracle-Efficient Algorithms for Private Synthetic Data Release [52.33506193761153]
微分プライベートな合成データを構築するための3つの新しいアルゴリズムを提案する。
アルゴリズムは最悪の場合でも差分プライバシーを満たす。
現状の手法である高次元行列機構 citeMcKennaMHM18 と比較すると,我々のアルゴリズムは大規模作業負荷の精度が向上する。
論文 参考訳（メタデータ） (2020-07-10T15:46:05Z) - CryptoSPN: Privacy-preserving Sum-Product Network Inference [84.88362774693914]
総生産ネットワーク(SPN)のプライバシ保護のためのフレームワークを提案する。
CryptoSPNは、中規模のSPNに対して秒の順序で高効率で正確な推論を行う。
論文 参考訳（メタデータ） (2020-02-03T14:49:18Z)
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。