論文の概要: Cloak: Heuristic ORAM Optimization Through Fixed Temporal Distribution

• arxiv url: http://arxiv.org/abs/2605.27565v1
• Date: Tue, 26 May 2026 18:36:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-28 17:38:55.458172
• Title: Cloak: Heuristic ORAM Optimization Through Fixed Temporal Distribution
• Title（参考訳）: Cloak: 固定時間分布によるヒューリスティックORAM最適化
• Authors: Onur Eren Arpaci, Florian Kerschbaum, Sujaya Maiyya,
• Abstract要約: クラウドストレージは、データ内容を隠すことができるが、それでもアクセスパターンを通じて機密情報を漏洩させる。ORAMは、アクセスパターンを隠すことでこの問題に対処するが、既存のORAMシステムは、実際にデプロイするには非効率である。 実ワークロードの単純で広く観察された特性を活用することで,パフォーマンスを劇的に向上させる,難解なストレージシステムであるCloakについて紹介する。
• 参考スコア（独自算出の注目度）: 18.118676299889163
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Encrypted cloud storage can hide data contents but still leak sensitive information through access patterns. ORAM addresses this by hiding access patterns, but existing ORAM systems are too inefficient to deploy in practice. We present Cloak, an oblivious storage system that dramatically improves performance by leveraging a simple, widely observed property of real workloads: temporal locality, where recently accessed items are more likely to be accessed again soon. Instead of trying to make server accesses look perfectly uniform, Cloak makes server traffic follow a fixed, "recentness-biased" pattern and then uses real queries to fill as much of that traffic as possible. When the workload exhibits temporal locality, Cloak achieves overheads as low as $1.1\times$ over a non-oblivious and unencrypted baseline. Importantly, this heuristic affects only performance, not security. We evaluate Cloak on Netflix click-stream and Ethereum transaction traces, achieving 165,000 and 157,000 operations per second, respectively, on a single machine.
• Abstract（参考訳）: 暗号化されたクラウドストレージは、データ内容を隠すことができるが、アクセスパターンを通じて機密情報を漏洩する。 ORAMはアクセスパターンを隠蔽することでこの問題に対処しますが、既存のORAMシステムは実際にはデプロイするには非効率です。 実ワークロードの単純で広く観察されたプロパティである時間的局所性を活用することで、パフォーマンスを劇的に向上させる、難解なストレージシステムであるClarkを紹介します。 サーバアクセスを完全に均一に見せる代わりに、Cloakは、サーバトラフィックを固定された"高密度バイアス"パターンに従って、そのトラフィックをできるだけ多く満たすために実際のクエリを使用する。 ワークロードが時間的局所性を示すとき、Clarkは、非公開で暗号化されていないベースラインに対して、オーバーヘッドを1.1\times$で達成する。 重要なのは、このヒューリスティックはパフォーマンスにのみ影響を与え、セキュリティに影響を与えないことだ。 我々は、NetflixのクリックストリームとEthereumのトランザクショントレースでClarkを評価し、1台のマシンでそれぞれ165,000、毎秒157,000の操作を達成した。

関連論文リスト

• CacheSolidarity: Preventing Prefix Caching Side Channels in Multi-tenant LLM Serving Systems [3.2128810211809196]
  CacheSolidarityは、ユーザ間のキャッシュ再利用を監視し、不審な共有をフラグ化し、プレフィックスを選択的に分離する。 CacheSolidarityは最大70%高いキャッシュ再利用と30%低い推論遅延を可能にしている。
  論文  参考訳（メタデータ） (2026-03-11T12:59:12Z)
• ELMUR: External Layer Memory with Update/Rewrite for Long-Horizon RL [48.214881182054164]
  本研究では,外部メモリを構造化したトランスアーキテクチャであるEMMURを提案する。 ELMURは、注意窓の向こうに10万倍の有効地平線を拡大する。 最大100万歩の廊下を持つ合成T-Mazeタスクで100%の成功率を達成する。
  論文  参考訳（メタデータ） (2025-10-08T15:50:34Z)
• TokenLake: A Unified Segment-level Prefix Cache Pool for Fine-grained Elastic Long-Context LLM Serving [12.80179556886128]
  セグメントレベルのプレフィックス・キャッシュ・プールであるTokenLakeを提案する。 キャッシュインターフェースを使用して、リクエストのクエリテンソル、プレフィックス、キャッシュ対応操作を公開します。 TokenLakeはスループットを最大2.6$times$と2.0$times$に改善し、ヒット率を2.0$times$と2.1$times$に向上させることができる。
  論文  参考訳（メタデータ） (2025-08-24T05:45:16Z)
• Sparse-dLLM: Accelerating Diffusion LLMs with Dynamic Cache Eviction [72.27673320976933]
  Diffusion Large Language Models (dLLMs) は推論と並列デコードにおけるブレークスルーを可能にする。 現在のキャッシュ技術は、フルレイヤ状態を保存することでデコーディングを加速するが、メモリ使用量を大幅に増加させる。 Sparse-dLLMは、動的キャッシュ消去とスパースアテンションを統合した最初のトレーニングフリーフレームワークである。
  論文  参考訳（メタデータ） (2025-08-04T16:14:03Z)
• Efficient Unified Caching for Accelerating Heterogeneous AI Workloads [20.192896983810606]
  現代のAIクラスタは、データ前処理やトレーニング、推論など、さまざまなワークロードをホストしている。 コード侵入の複雑さを回避し、キャッシュスペースの浪費を最小限にするため、すべてのワークロードで共有される統一キャッシュを維持することが望ましい。 我々は,現代AIクラスタのための統合された高効率キャッシュIGTCacheを提案する。
  論文  参考訳（メタデータ） (2025-06-14T06:36:54Z)
• Optimal Offline ORAM with Perfect Security via Simple Oblivious Priority Queues [0.0]
  我々は,メモリアクセスのシーケンスを事前に把握している,いわゆるオフラインORAMについて検討する。 我々は、時間フォワード処理により、不要な優先度待ち行列から完全なセキュリティを備えた、最初の最適オフラインORAMを得る。 我々の構築に基づいて、我々はまた、不明瞭で完全にセキュアな構成の効率的な外部メモリインスタンス化を提示する。
  論文  参考訳（メタデータ） (2024-09-18T14:31:33Z)
• Get More with LESS: Synthesizing Recurrence with KV Cache Compression for Efficient LLM Inference [78.65321721142624]
  我々はキー値(KV)キャッシュによって課されるメモリボトルネックに焦点を当てる。 既存のKVキャッシュ手法は、比較的重要でないKVペアの大きなスワストを刈り取ったり、取り除いたりすることでこの問題に対処する。 本稿では,固定サイズキャッシュと退避型キャッシュを簡易に統合したLESSを提案する。
  論文  参考訳（メタデータ） (2024-02-14T18:54:56Z)
• Online Continual Learning Without the Storage Constraint [67.66235695269839]
  我々は、kNN分類器を固定された事前訓練された特徴抽出器とともに継続的に更新する簡単なアルゴリズムを提案する。 高速に変化するストリームに適応し、安定性のギャップをゼロにし、小さな計算予算内で動作し、機能のみを格納することで、ストレージ要件を低くすることができる。 2つの大規模オンライン連続学習データセットにおいて、既存の手法を20%以上の精度で上回ることができる。
  論文  参考訳（メタデータ） (2023-05-16T08:03:07Z)
• Single Round-trip Hierarchical ORAM via Succinct Indices [5.437298646956505]
  ランクORAMは1回の通信でデータを取得することができる。 emphcompressedクライアント側データ構造は、暗黙的に、各要素の位置をサーバに格納する。
  論文  参考訳（メタデータ） (2022-08-16T01:15:26Z)

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。