論文の概要: Bifrost: A Much Simpler Secure Two-Party Data Join Protocol for Secure Data Analytics

• arxiv url: http://arxiv.org/abs/2602.01225v2
• Date: Thu, 05 Feb 2026 08:00:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-06 14:11:23.842012
• Title: Bifrost: A Much Simpler Secure Two-Party Data Join Protocol for Secure Data Analytics
• Title（参考訳）: Bifrost: セキュアなデータ分析のための、よりシンプルでセキュアな2要素データ結合プロトコル
• Authors: Shuyu Chen, Mingxun Zhou, Haoyu Niu, Guopeng Lin, Weili Han,
• Abstract要約: 本稿では,冗長性のない結合テーブルを出力する,よりシンプルなセキュアなデータ結合プロトコルであるBifrostを提案する。 100GBまでのデータセットの実験によると、Bifrostは2.54 sim 22.32times$ Speedupを達成し、SoTAの冗長性のないセキュアなデータ結合プロトコルiPrivJoinと比較して、通信を84.15% sim 88.97%安くする。
• 参考スコア（独自算出の注目度）: 17.836320893068166
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Secure data join enables two parties with vertically distributed data to securely compute the joined table, allowing the parties to perform downstream Secure multi-party computation-based Data Analytics (SDA), such as training machine learning models, based on the joined table. While Circuit-based Private Set Intersection (CPSI) can be used for secure data join, it introduces redundant dummy rows in the joined table, which results in high overhead in the downstream SDA tasks. iPrivJoin addresses this issue but introduces significant communication overhead in the redundancy removal process, as it relies on the cryptographic primitive OPPRF for data encoding and multiple rounds of oblivious shuffles. In this paper, we propose a much simpler secure data join protocol, Bifrost, which outputs (the secret shares of) a redundancy-free joined table. The highlight of Bifrost lies in its simplicity: it builds upon two conceptually simple building blocks, an ECDH-PSI protocol and a two-party oblivious shuffle protocol. The lightweight protocol design allows Bifrost to avoid the need for OPPRF. We also proposed a simple optimization named \textit{dual mapping} that reduces the rounds of oblivious shuffle needed from two to one. Experiments on datasets of up to 100 GB show that Bifrost achieves $2.54 \sim 22.32\times$ speedup and reduces the communication by $84.15\% \sim 88.97\%$ compared to the SOTA redundancy-free secure data join protocol iPrivJoin. Notably, the communication size of Bifrost is nearly equal to the size of the input data. In the two-step SDA pipeline evaluation (secure join and SDA), the redundancy-free property of Bifrost not only avoids the catastrophic error rate blowup in the downstream tasks caused by the dummy rows in the joined table (as introduced in CPSI), but also shows up to $2.80\times$ speed-up in the SDA process with up to $73.15\%$ communication reduction.
• Abstract（参考訳）: セキュアなデータ結合により、垂直に分散した2つのパーティが結合テーブルをセキュアに計算し、結合テーブルに基づいて機械学習モデルをトレーニングするなど、下流のセキュアなマルチパーティ計算ベースデータ分析(SDA)を実行することができる。 Circuit-based Private Set Intersection (CPSI) はセキュアなデータ結合に使用できるが、結合テーブルに冗長なダミー行を導入し、下流SDAタスクに高いオーバーヘッドをもたらす。 iPrivJoinはこの問題に対処するが、暗号化プリミティブなOPPRFをデータエンコーディングに利用しており、冗長性除去プロセスにおいて大きな通信オーバーヘッドをもたらす。 本稿では,冗長性のない結合テーブルを出力する,よりシンプルなセキュアなデータ結合プロトコルであるBifrostを提案する。 Bifrostのハイライトは単純さにある。概念的には2つの単純なビルディングブロック、ECDH-PSIプロトコル、そして2つのパーティの曖昧なシャッフルプロトコルの上に構築されている。 軽量なプロトコル設計により、BifrostはOPPRFの必要性を避けることができる。 また,2つから1つまでの難解なシャッフルのラウンドを削減できる「textit{dual mapping}」という簡単な最適化も提案した。 100GBまでのデータセットの実験によると、Bifrostは2.54 \sim 22.32\times$スピードアップを達成し、SOTAの冗長性のないセキュアなデータ結合プロトコルiPrivJoinと比較して、通信を84.15\% \sim 88.97\%で削減している。 特に、Bifrostの通信サイズは、入力データのサイズとほぼ等しい。 2段階のSDAパイプライン評価(セキュア結合とSDA)では、Bifrostの冗長性のない性質は、結合テーブル(CPSIで導入された)のダミー行による下流タスクの破滅的なエラー率の爆発を回避するだけでなく、SDAプロセスの最大2.80\times$スピードアップを最大7.3.15\%の通信削減で実現している。

関連論文リスト

• Augmented Shuffle Differential Privacy Protocols for Large-Domain Categorical and Key-Value Data [6.69087470775851]
  Shuffle DPプロトコルは、分散システムのデータをランダムにシャッフルするシャッフルを導入することによって、高精度でプライバシを提供する。 ほとんどのシャッフルDPプロトコルは、データコレクタとユーザによる共謀攻撃とデータ中毒攻撃の2つの攻撃に対して脆弱である。 FME(Filtering-with-Multiple-Encryption)プロトコルと呼ばれる新しい拡張シャッフルDPプロトコルを導入する。
  論文  参考訳（メタデータ） (2025-09-02T06:40:45Z)
• Breaking the Layer Barrier: Remodeling Private Transformer Inference with Hybrid CKKS and MPC [16.452180247201948]
  本稿では,同型暗号化(HE)とセキュアマルチパーティ計算(MPC)を組み合わせてデータプライバシ保護を行う,プライベートトランスフォーマー推論のための効率的なフレームワークを提案する。 BLBと呼ばれる提案されたフレームワークは、層をきめ細かな演算子に分解し、隣接する線形演算子をさらに融合することでこれを克服し、HE/MPC変換の必要性を低減している。 BLB は BOLT (S&P'24) と比較して通信オーバーヘッドを 21 時間削減し、Bumblebee (NDSS'25) よりも 2 時間削減し、レイテンシーを 13 時間短縮し 1.8 ドルを達成する。
  論文  参考訳（メタデータ） (2025-08-27T02:40:50Z)
• Fair Data Exchange at Near-Plaintext Efficiency [1.187519459637148]
  ほぼ平文に近い速度とサイズを実現するFDE実装を導入し,ギガバイト規模のファイルであっても公平な交換を実現する。 これにより、トランザクション手数料を約10ドルから0.01ドル以下に削減し、トランザクションのレイテンシを数十秒から1秒以下に短縮することができる。
  論文  参考訳（メタデータ） (2025-06-17T19:50:25Z)
• IDCloak: A Practical Secure Multi-party Dataset Join Framework for Vertical Privacy-preserving Machine Learning [7.765213701941396]
  本稿では,vPPMLのための最初の実用的セキュアなマルチパーティデータセット結合フレームワークであるIDCloakを提案する。 我々は、IDCloakは、パーティ数が増えると、二者間設定において高い効率と同等の性能を示すことを示した。 提案したcmPSIプロトコルは,より強力なセキュリティ保証を提供するとともに,通信サイズが最大7.78times$と8.73times$の効率向上を実現している。
  論文  参考訳（メタデータ） (2025-06-01T16:20:39Z)
• Augmented Shuffle Protocols for Accurate and Robust Frequency Estimation under Differential Privacy [4.527947047128005]
  本稿では,DPとロバスト性を提供する3つの具体的なプロトコルを提案する。 我々の最初のプロトコルは、二項分布から各項目のダミー値の数を生成する。 第2のプロトコルは,新しいダミー数分布を導入することにより,第1のプロトコルの有用性を大幅に向上させる。
  論文  参考訳（メタデータ） (2025-04-10T01:06:05Z)
• HiRE: High Recall Approximate Top-$k$ Estimation for Efficient LLM Inference [68.59839755875252]
  HiREは2つの新しいコンポーネントから構成される: (i) (i) (i) (i) (i) (i) (i) (i) (i) (i) (ii) DA-TOP-$k$: 効率的なマルチデバイス近似トップ-k$演算子) (i) (i) (i) (i) (i) (i) (i) DA-TOP-$k$演算子) 。 我々は、10億のパラメータモデルにおいて、HiREがソフトマックスとフィードフォワード層の両方に適用され、ほぼ一致した事前学習と下流の精度を実現し、1台のTPUv5eデバイスで1.47Times$の推論遅延を高速化することを示した。
  論文  参考訳（メタデータ） (2024-02-14T18:04:36Z)
• Estimating the Decoding Failure Rate of Binary Regular Codes Using Iterative Decoding [84.0257274213152]
  並列ビットフリップデコーダのDFRを高精度に推定する手法を提案する。 本研究は,本症候群のモデル化およびシミュレーションによる重み比較,第1イテレーション終了時の誤りビット分布の誤検出,復号化復号化率(DFR)について検証した。
  論文  参考訳（メタデータ） (2024-01-30T11:40:24Z)
• ByzSecAgg: A Byzantine-Resistant Secure Aggregation Scheme for Federated Learning Based on Coded Computing and Vector Commitment [61.540831911168226]
  ByzSecAggは、フェデレートラーニングのための効率的なセキュアアグリゲーションスキームである。 ByzSecAggはビザンツの攻撃やプライバシーの漏洩に耐性がある。
  論文  参考訳（メタデータ） (2023-02-20T11:15:18Z)
• Communication-Efficient Adam-Type Algorithms for Distributed Data Mining [93.50424502011626]
  我々はスケッチを利用した新しい分散Adam型アルゴリズムのクラス(例:SketchedAMSGrad)を提案する。 我々の新しいアルゴリズムは、反復毎に$O(frac1sqrtnT + frac1(k/d)2 T)$の高速収束率を$O(k log(d))$の通信コストで達成する。
  論文  参考訳（メタデータ） (2022-10-14T01:42:05Z)
• CodedPaddedFL and CodedSecAgg: Straggler Mitigation and Secure Aggregation in Federated Learning [86.98177890676077]
  本稿では, 階層化デバイスの効果を緩和する線形回帰のための2つの新しい符号付きフェデレーションラーニング手法を提案する。 最初のスキームであるCodedPaddedFLは、従来のFLのプライバシレベルを維持しながら、ストラグリングデバイスの効果を緩和する。 第2のスキームであるCodedSecAggは、モデル反転攻撃に対するストラグラーレジリエンスと堅牢性を提供する。
  論文  参考訳（メタデータ） (2021-12-16T14:26:30Z)

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。