Fugu-MT 論文翻訳(概要): Structural Leakage in Graph Encryption: Attacks and Defenses

論文の概要: Structural Leakage in Graph Encryption: Attacks and Defenses

arxiv url: http://arxiv.org/abs/2608.13981v1
Date: Fri, 14 Aug 2026 05:44:29 GMT
ステータス: 翻訳完了
システム内更新日: 2026-08-17 20:14:29.291821
Title: Structural Leakage in Graph Encryption: Attacks and Defenses
Title（参考訳）: グラフ暗号化における構造漏洩:攻撃と防御
Abstract要約: グラフ暗号化スキーム(GES)は、効率的なクエリをサポートしながら、グラフデータのセキュアなアウトソーシングを可能にする。本報告では,単一ペアのショートパスクエリに対するGESの構造リークの包括的解析を行う。
参考スコア（独自算出の注目度）: 24.98306550819017
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Graph encryption schemes (GES) enable secure outsourcing of graph data while supporting efficient queries. This report provides a comprehensive analysis of structural leakage in GES for single-pair shortest path (SPSP) queries, integrating findings from two recent works. First, we analyze PathGES, a scheme designed to resist query recovery attacks through heavy-light decomposition (HLD) and canonical fragment encoding. Our analysis reveals that PathGES suffers from significant imbalances in HLD decomposition, with over 99% of token-path mappings being one-to-one on real-world datasets, enabling both the Falzon-Paterson attack and side-channel inference of path lengths. Second, we present Fragment Tree attack that exploits these structural weaknesses to recover query contents, achieving up to 10.24% exact recovery on sparse graphs. Third, we introduce BlindGES, an enhanced scheme incorporating a Merge-and-Divide mechanism and two-level multimap index that reduces one-to-one mappings to below 20%, cuts setup time by 50%, reduces storage overhead by 32%, and limits path length leakage to under 1%. This report systematically presents attack methodologies, defense mechanisms, security proofs, and experimental evaluations on seven real-world datasets.
Abstract（参考訳）: グラフ暗号化スキーム(GES)は、効率的なクエリをサポートしながら、グラフデータのセキュアなアウトソーシングを可能にする。本報告では, 単対短経路 (SPSP) 問合せにおけるGESの構造漏洩の包括的解析を行い, 最近の2つの研究から得られた知見を統合する。まず、重光分解(HLD)と正準断片符号化(canonical fragment encoding)によるクエリリカバリ攻撃に抵抗する手法であるPathGESを分析する。分析の結果,PathGESはHLD分解の重大な不均衡に悩まされており,トークンパスマッピングの99%以上が実世界のデータセット上で1対1であり,Falzon-Paterson攻撃と経路長のサイドチャネル推論が可能であることがわかった。次に、これらの構造的弱点を利用してクエリ内容を回復し、スパースグラフの正確なリカバリを最大10.24%達成するフラグメントツリー攻撃を提案する。第3に、BlindGESを導入し、Merge-and-Divide機構と2段階のマルチマップインデックスを導入し、1対1のマッピングを20%以下に削減し、セットアップ時間を50%削減し、ストレージオーバーヘッドを32%削減し、パス長リークを1%以下に制限する。本報告では, 攻撃手法, 防御機構, セキュリティ証明, 実世界の7つのデータセットに対する実験的評価を系統的に提示する。

関連論文リスト

Cryptanalytic Extraction of Neural Networks Without Known Architecture Assumption [8.049549094546977]
既存の攻撃は基本的な前提に依存し、攻撃者はネットワークアーキテクチャを知っている。アーキテクチャとパラメータを協調的に復元する推定・決定のフレームワークを提案する。これは、既知のネットワークアーキテクチャの仮定を除去する最初の暗号解析抽出攻撃である。
論文参考訳（メタデータ） (2026-09-13T08:28:34Z)
TaintRadar: Semantic-Aware Taint-Style Vulnerability Detection via Augmented Code Property Graphs [1.1979851857700952]
Code Property Graph (CPG)ベースのテイント分析では、サニタイズ、永続化、オブジェクトエイリアスを共同でモデル化するための構成意味層が欠如している。本稿では,CPGを3つの意味解析層で体系的に拡張するTaintRadarを提案する。人工ベンチマークと実世界のシステムの両方でTaintRadarを評価した。
論文参考訳（メタデータ） (2026-07-17T18:55:46Z)
Beyond Homophily: Towards Generalized Graph Reconstruction Attack and Defense [80.28330585803133]
グラフニューラルネットワーク(GNN)は、計算データに広くデプロイされているが、トレーニンググラフの隣接性に関する機密情報やプロプライエタリ情報を漏洩することができる。本研究は、訓練されたGNNからトレーニング隣接性を再構築するモデル逆転の一形態であるグラフ再構成攻撃(GRA)について研究する。本稿では, MC-GRA(+)を提案する。これは, GNNにより誘導される表現が対象モデルのそれと一致した代理隣接を最適化することにより, 隣接性を再構築する。防衛面では, MC-GPB (+) を提案する。
論文参考訳（メタデータ） (2026-06-06T09:29:27Z)
EPDQ: Efficient and Privacy-Preserving Exact Distance Query on Encrypted Graphs [0.6768558752130311]
本稿では,暗号化グラフデータベースを対象としたテンソルに基づく最短距離問合せ方式を提案する。暗号化された2ホップカバーインデックスフレームワークとPLL(Pruned Landmark Labeling)技術を統合する。既存の暗号化グラフクエリ手法と比較して,スケーラビリティと計算コストの低減を実現している。
論文参考訳（メタデータ） (2026-03-27T09:42:10Z)
Dynamic analysis enhances issue resolution [53.50448142467294]
DAIRA(Dynamic Analysis-enhanced Issue Resolution Agent)は、エージェントの推論サイクルに動的解析を組み込む自動修復フレームワークである。テストトレース駆動の方法論によって駆動されるDAIRAは、軽量モニタを使用して重要なランタイムデータを抽出する。 Gemini 3 Flash Previewを使用すると、DAIRAは新たな最先端(SOTA)パフォーマンスを確立し、SWE-bench Verifiedデータセットで79.4%の解像度を達成する。
論文参考訳（メタデータ） (2026-03-23T14:48:54Z)
HELP: HyperNode Expansion and Logical Path-Guided Evidence Localization for Accurate and Efficient GraphRAG [53.30561659838455]
大きな言語モデル(LLM)は、しばしば固有の知識境界と幻覚に苦しむ。 Retrieval-Augmented Generation (RAG) は、マルチホップ推論に不可欠な構造的相互依存性をしばしば見落としている。ヘルプは、複数の単純でマルチホップなQAベンチマークで競合性能を達成し、グラフベースのRAGベースラインよりも28.8$times$のスピードアップを実現している。
論文参考訳（メタデータ） (2026-02-24T14:05:29Z)
When Benchmarks Lie: Evaluating Malicious Prompt Classifiers Under True Distribution Shift [0.0]
有害なリクエスト、ジェイルブレイク、間接的なプロンプトインジェクション、抽出攻撃にまたがる18のデータセットのベンチマークを用いて、包括的な分析を行う。我々は,真のアウト・オブ・ディストリビューションの一般化を評価するために,LODO(Leave-One-Dataset-Out)評価を提案する。
論文参考訳（メタデータ） (2026-02-15T14:21:43Z)
Learning Efficient and Generalizable Graph Retriever for Knowledge-Graph Question Answering [75.12322966980003]
大規模言語モデル(LLM)は、様々な領域にわたって強い帰納的推論能力を示している。既存のRAGパイプラインのほとんどは非構造化テキストに依存しており、解釈可能性と構造化推論を制限する。近年,知識グラフ解答のための知識グラフとLLMの統合について検討している。 KGQAにおける効率的なグラフ検索のための新しいフレームワークであるRAPLを提案する。
論文参考訳（メタデータ） (2025-06-11T12:03:52Z)
Self-Guided Robust Graph Structure Refinement [37.235898707554284]
本稿では,GNNを敵攻撃から守るための自己誘導グラフ構造改善(GSR)フレームワークを提案する。本稿では,非標的攻撃,標的攻撃,機能攻撃,eコマース詐欺,ノイズの多いノードラベルなど,様々なシナリオにおけるSG-GSRの有効性を実証する。
論文参考訳（メタデータ） (2024-02-19T05:00:07Z)
Combating Bilateral Edge Noise for Robust Link Prediction [56.43882298843564]
本稿では,RGIB(Robust Graph Information Bottleneck)という情報理論の原則を提案し,信頼性の高い監視信号を抽出し,表現の崩壊を回避する。 RGIB-SSLとRGIB-REPの2つのインスタンス化は、異なる手法の利点を活用するために検討されている。 6つのデータセットと3つのGNNの様々なノイズシナリオによる実験は、我々のRGIBインスタンスの有効性を検証する。
論文参考訳（メタデータ） (2023-11-02T12:47:49Z)
Graph Spectral Embedding using the Geodesic Betweeness Centrality [76.27138343125985]
本稿では、局所的な類似性、接続性、グローバル構造を教師なしで表現するグラフSylvester Embedding (GSE)を紹介する。 GSEはシルヴェスター方程式の解を用いて、ネットワーク構造と近傍の近接を1つの表現で捉える。
論文参考訳（メタデータ） (2022-05-07T04:11:23Z)

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。