論文の概要: MLQENABLER: Enabling Secure Machine Learning Queries over Encrypted Database in Cloud Computing

• arxiv url: http://arxiv.org/abs/2607.08197v1
• Date: Thu, 09 Jul 2026 07:54:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-10 14:45:27.454487
• Title: MLQENABLER: Enabling Secure Machine Learning Queries over Encrypted Database in Cloud Computing
• Title（参考訳）: MLQENABLER:クラウドコンピューティングにおける暗号化データベース上でセキュアな機械学習クエリを実現する
• Abstract要約: クラウドストレージにおける暗号化データベース上でのセキュアなMLクエリを実現するためのMLQENABLERスキームを提案する。 最初の実験では,MLQENABLERはわずかにML性能の低下を招きながら,許容できるセキュリティレベルを達成した。
• 参考スコア（独自算出の注目度）: 9.08187471523008
• License: http://creativecommons.org/publicdomain/zero/1.0/
• Abstract: In cloud computing, the public cloud service providers (CSPs) can provide cloud storage as the primary service while providing additional machine learning (ML)-based services by using the clients' data in storage. This business model extends the border of cloud computing services and brings in new business growth possibilities. Although it is promising, the model also brings in security concerns since the public commercial cloud cannot be fully trusted. For example, the public commercial clouds may sell clients' sensitive data to the government or other companies. To address the security concerns, an immediate solution is to require clients to encrypt their datasets before outsourcing to the cloud. However, if a database is formally encrypted, then the database contains only pseudorandom numbers, making it impossible to enable ML over it. In this project, we propose MLQENABLER (ML Queries Enabler) scheme to enable secure ML queries over encrypted database in cloud storage. MLQENABLER employs an index-aid approach to achieve security and ML capability simultaneously. Our initial experiments show that MLQENABLER achieves an acceptable security level while incurring only a slight ML performance degradation.
• Abstract（参考訳）: クラウドコンピューティングにおいて、パブリッククラウドサービスプロバイダ(CSP)は、クラウドストレージを主要なサービスとして提供し、クライアントのデータをストレージに使用することにより、機械学習(ML)ベースの追加サービスを提供する。 このビジネスモデルはクラウドコンピューティングサービスのバウンダリを拡張し、新たなビジネス成長の可能性をもたらします。 有望ではあるが、パブリックな商用クラウドが完全に信頼できないため、このモデルはセキュリティ上の懸念も生んでいる。 例えば、公共の商用クラウドは、クライアントの機密データを政府または他の企業に販売することができる。 セキュリティ上の問題に対処するためには、クライアントがクラウドにアウトソーシングする前にデータセットを暗号化する必要がある。 しかし、データベースが正式に暗号化された場合、データベースには擬似乱数のみが含まれており、その上でMLを有効にすることは不可能である。 本稿では,クラウドストレージにおける暗号化データベース上でのセキュアなMLクエリを実現するためのMLQENABLER(ML Queries Enabler)方式を提案する。 MLQENABLERは、セキュリティとML能力を同時に達成するために、インデックスエイドアプローチを採用している。 最初の実験では,MLQENABLERはわずかにML性能の低下を招きながら,許容できるセキュリティレベルを達成した。

関連論文リスト

• NOIR: Privacy-Preserving Generation of Code with Open-Source LLMs [19.174737939152845]
  NOIRはクライアントのプロンプトと生成されたコードをクラウドから保護するフレームワークである。 識別不能性、トークン埋め込みレベルでのローカルな差分プライバシー保護、クライアント側のデータ非依存でランダムなトークン化機能を実現している。
  論文  参考訳（メタデータ） (2026-01-22T22:39:07Z)
• SafeLoad: Efficient Admission Control Framework for Identifying Memory-Overloading Queries in Cloud Data Warehouses [59.68732483257323]
  メモリオーバーロードは、クラウドデータウェアハウスにおけるリソースの枯渇の一般的な形態である。 我々は,メモリオーバロード(MO)クエリの特定に特化して設計された,最初のクエリ入力制御フレームワークであるSafeLoadを提案する。 SafeLoadは、オンラインおよびオフライン時間オーバーヘッドの少ない最先端の予測性能を実現する。
  論文  参考訳（メタデータ） (2026-01-05T08:29:51Z)
• Functional Encryption in Secure Neural Network Training: Data Leakage and Practical Mitigations [45.88028371034407]
  本稿では,関数暗号化(FE)を用いて暗号化データのセキュアなトレーニングを行うニューラルネットワークに対する攻撃を提案する。 1つのアプローチは暗号化に頼ることなくセキュリティを保証するが、もう1つは関数を隠蔽する内部製品技術を使用する。
  論文  参考訳（メタデータ） (2025-09-25T19:56:05Z)
• Defeating Prompt Injections by Design [79.00910871948787]
  CaMeLは、Large Language Modelsを中心とした保護システムレイヤを作成する堅牢なディフェンスである。 CaMeLは、(信頼された)クエリから制御とデータフローを明示的に抽出する。 セキュリティをさらに改善するため、CaMeLは、権限のないデータフロー上のプライベートデータの流出を防止する機能の概念を使用している。
  論文  参考訳（メタデータ） (2025-03-24T15:54:10Z)
• CCA-Secure Key-Aggregate Proxy Re-Encryption for Secure Cloud Storage [1.4610685586329806]
  クラウドストレージにおけるデータ保護は、クラウド産業の存続の鍵である。 Proxy Re-Encryptionスキームにより、ユーザーは再暗号化キーを使用して暗号文を他の暗号文に変換することができる。 近年,C-PREの鍵記憶コストを一定サイズに削減し,最初のキーアグリゲートプロキシ再暗号化方式を提案する。
  論文  参考訳（メタデータ） (2024-10-10T17:02:49Z)
• CloudLens: Modeling and Detecting Cloud Security Vulnerabilities [15.503757553097387]
  クラウドコンピューティングサービスは、データストレージ、処理、コラボレーションのためのスケーラブルで費用対効果の高いソリューションを提供する。 アクセス制御のミスコンフィグレーションが、クラウドアタックの主要な要因であることが多い。 プランナーは、クラウド内のそのような脆弱性を特定するために攻撃を生成する。
  論文  参考訳（メタデータ） (2024-02-16T03:28:02Z)
• Protecting Sensitive Tabular Data in Hybrid Clouds [0.0]
  ヘルスケアやファイナンスといった規制された業界は、データとワークロードの一部をパブリッククラウドに移行し始めている。 病院の実際のユースケースにおいて,ハイブリッドクラウドを使用したビッグデータ分析のセキュリティとパフォーマンスの課題に対処する。
  論文  参考訳（メタデータ） (2023-12-03T11:20:24Z)
• A Review of Machine Learning-based Security in Cloud Computing [5.384804060261833]
  クラウドコンピューティング(CC)は、ITリソースのユーザへの提供方法に革命をもたらしている。 CCの成長に伴い、可用性、完全性、機密性への脅威など、セキュリティ上のリスクが多数発生している。 機械学習(ML)は、セキュリティ問題の特定と解決における人間の介入を減らすために、クラウドサービスプロバイダ(CSP)によってますます利用されている。
  論文  参考訳（メタデータ） (2023-09-10T01:52:23Z)
• Exploring Security Practices in Infrastructure as Code: An Empirical Study [54.669404064111795]
  クラウドコンピューティングは、Infrastructure as Code (IaC)ツールが広く使われていることで人気を博している。 スクリプティングプロセスは、実践者が自動的に設定ミスや脆弱性、プライバシリスクを導入するのを防ぐものではない。 セキュリティの確保は、実践者が明確な方針、ガイドライン、ベストプラクティスを理解し、採用することに依存する。
  論文  参考訳（メタデータ） (2023-08-07T23:43:32Z)
• A Privacy-Preserving Distributed Architecture for Deep-Learning-as-a-Service [68.84245063902908]
  本稿では,ディープラーニング・アズ・ア・サービスのための分散アーキテクチャを提案する。 クラウドベースのマシンとディープラーニングサービスを提供しながら、ユーザの機密データを保存できる。
  論文  参考訳（メタデータ） (2020-03-30T15:12:03Z)
• 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。