論文の概要: Optimizing Credential Blast Radius Through Trust Boundaries and Delegation Under Post-Quantum Authentication Costs

• arxiv url: http://arxiv.org/abs/2609.04566v2
• Date: Mon, 07 Sep 2026 18:02:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-09 14:43:41.982457
• Title: Optimizing Credential Blast Radius Through Trust Boundaries and Delegation Under Post-Quantum Authentication Costs
• Title（参考訳）: 信頼境界によるクレデンシャル・ブラスト・ラディウスの最適化とポスト量子認証コストによるデリゲーション
• Authors: Pauli Taipale, Harri Lainio,
• Abstract要約: 相互に連携するサービスを独立にルートされた信頼ドメインに分割することは、発行者妥協の範囲を制限する。 公開鍵認証とキー確立メカニズムのクォータ後の置換は、制約された経路や損失のある経路の通過遅延を増加させる。 ポリシおよびレイテンシ制約の下で,信頼ドメインとクレデンシャルデリバティブ構造を共同で選択する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Partitioning interacting services into independently rooted trust domains limits issuer-compromise reach while increasing calls across trust boundaries. Post-quantum replacements for public-key authentication and key-establishment mechanisms can increase crossing latency on constrained or lossy paths. We formulate the joint selection of trust domains and credential-derivation structures under policy and latency constraints, linking separate service-interaction and credential-derivation graphs through domain assignment. Credential blast radius measures weighted service impact after compromise. A linear upper bound supports optimization, while a joint event model gives exact expected impact. We identify when risk from issuers trusted across domains can be incorporated into this linear score, avoiding separate issuer-propagation calculations for each candidate. Although the general problem is NP-hard, we identify restricted cases that can be solved efficiently and exactly. Joint optimization yields lower blast radius than choosing boundaries first in 195 of 230 exhaustive synthetic comparisons, especially under chained delegation. A trace-derived replay used measured post-quantum costs, synthetic risk inputs, a fixed derivation family, and one to six trust domains. Under independent compromise events, mean expected impact was up to 36% lower than with one domain within the latency budget. The framework turns risk assumptions and measured crossing costs into candidate trust-domain and credential-derivation designs.
• Abstract（参考訳）: 相互に連携するサービスを独立にルートされた信頼ドメインに分割することは、信頼境界を越えた呼び出しを増やしながら、発行者妥協の範囲を制限する。 公開鍵認証とキー確立メカニズムのクォータ後の置換は、制約された経路や損失のある経路の通過遅延を増加させる。 ポリシおよび遅延制約下での信頼ドメインとクレデンシャルデリバティブ構造の結合選択を定式化し、ドメイン割り当てを通じて個別のサービスインタラクションとクレデンシャルデリバティブグラフをリンクする。 クレデンシャルブラスト半径は、妥協後のサービス影響の重み付けを測定する。 線形上界は最適化をサポートし、連立イベントモデルは正確な影響を与える。 この線形スコアにドメイン間で信頼された発行者からのリスクを組み込むことができ、各候補に対する発行者プロパゲーション計算を避けることができる。 一般的な問題はNPハードであるが、効率的に正確に解決できる制限されたケースを同定する。 共同最適化は、特に鎖状デリゲートの下で、230の完全な合成比較のうち195で境界を選択するよりも低いブラスト半径が得られる。 測定後のコスト, 合成リスク入力, 固定派生ファミリー, 信頼ドメイン1～6つを用いて, トレース由来のリプレイを行った。 独立した妥協イベントの下では、平均的な影響はレイテンシ予算内の1つのドメインよりも最大36%低かった。 このフレームワークは、リスク仮定と測定された横断コストを、候補となる信頼ドメインとクレデンシャルデリバティブ設計に変換する。

関連論文リスト

• Differentially private federated learning with Byzantine-robust aggregation: A cross-domain framework for secure model training in banking and healthcare systems [0.0]
  フェデレートラーニングにより、規制された組織は、自身のサーバから生のレコードを移動することなく、共有モデルをトレーニングできる。 2つの問題は、この約束が実際にどれだけ信頼できるかを制限する。 プライバシー層を持たないビザンチン・ロバスト・アグリゲータは、生の精度で最高の性能を発揮する。
  論文  参考訳（メタデータ） (2026-09-02T18:36:30Z)
• Learning Not to Optimize: Physics-Informed Action-Space Reshaping for Intent-Based Network Control [50.46501177871741]
  LNOQRD は小物候補を75.9% で削減し、90.8% でニアオラクルのカバレッジを維持している。 実験の結果、LNOQRDは実用性と意図の満足度が最も高く、かつ、法律違反が最低で、世代後レイテンシが低いことがわかった。
  論文  参考訳（メタデータ） (2026-08-02T00:27:01Z)
• Byzantine-Robust and Differentially Private Federated Optimization under Weaker Assumptions [89.52532304099522]
  フェデレートラーニング(FL)は、クライアントが生データを集中せずに共有モデルを共同でトレーニングすることを可能にし、固有のプライバシーレベルを提供する。 グラデーションとモデル更新は機密情報を漏洩する可能性があるが、悪意のあるサーバはビザンティン操作のような敵攻撃をマウントする可能性がある。 これらの脆弱性は、統合されたフレームワーク内の差分プライバシー(DP)とビザンチンの堅牢性に対処する必要性を強調している。 Byz-Clip21-SGD2Mを提案する。
  論文  参考訳（メタデータ） (2026-03-24T17:39:09Z)
• High-Fidelity Network Management for Federated AI-as-a-Service: Cross-Domain Orchestration [0.12234742322758417]
  本稿では,Tail-Risk Envelopes(TRE)に基づく保証指向AI管理プレーンを提案する。 TREは、決定論的ガードレールとレート・レイテンシ・インペアメントモデルを組み合わせた、ドメインごとの構成可能な記述子に署名される。 テナントレベルの予約は,TRE契約下でのテール遅延の増大を防止する。
  論文  参考訳（メタデータ） (2026-02-17T00:40:04Z)
• FedSGM: A Unified Framework for Constraint Aware, Bidirectionally Compressed, Multi-Step Federated Optimization [7.692336118507715]
  我々はフェデレートされた制約付き最適化のための統合フレームワークであるFedSGMを紹介する。 FedSGMは、フェデレートラーニング(FL)における4つの大きな課題に対処している。 私たちの知る限り、FedSGMは機能的制約、圧縮、複数のローカルアップデート、部分的なクライアント参加を統一する最初のフレームワークです。
  論文  参考訳（メタデータ） (2026-01-23T17:03:06Z)
• Boundary-to-Region Supervision for Offline Safe Reinforcement Learning [56.150983204962735]
  バウンダリ・トゥ・レギオン(Bundary-to-Region, B2R)は、コスト信号による非対称な条件付けを可能にするフレームワークである。 B2Rは、CTGを固定された安全予算の下で境界制約として再定義し、すべての実行可能な軌道のコスト分布を統一する。 実験の結果,B2Rは38項目中35項目の安全制約を満たすことがわかった。
  論文  参考訳（メタデータ） (2025-09-30T03:38:20Z)
• Optimizing Cross-Client Domain Coverage for Federated Instruction Tuning of Large Language Models [87.49293964617128]
  大規模言語モデル(LLM)のためのFedDIT(Federated Domain-specific instruction tuning)は、分散プライベートデータと限定データを用いて、特定のドメインの性能を向上させることを目的としている。 データ不均一性ではなく、クロスクライアントなドメインカバレッジが重要な要素であることを実証的に証明します。 我々は多様性指向のクライアントセンターの選択と検索に基づく拡張を通じて、このカバレッジを明示的に最大化するアルゴリズムであるFedDCAを紹介する。
  論文  参考訳（メタデータ） (2024-09-30T09:34:31Z)
• From Mean to Extreme: Formal Differential Privacy Bounds on the Success of Real-World Data Reconstruction Attacks [54.25638567385662]
  機械学習における微分プライバシーは、しばしばメンバーシップ推論に対する保証として解釈される。 DP予算を定量的な保護に翻訳することで、データ再構築の脅威を悪化させることは、依然として困難な課題である。 本稿では、実証された"ゼロスクラッチ"攻撃のメカニズムに合わせた、最初の公式なプライバシー境界を導出することで、臨界ギャップを埋める。
  論文  参考訳（メタデータ） (2024-02-20T09:52:30Z)
• Over-the-Air Federated Learning with Privacy Protection via Correlated Additive Perturbations [57.20885629270732]
  我々は、複数のユーザ/エージェントからエッジサーバへの勾配更新をOtA(Over-the-Air)で送信することで、無線フェデレーション学習のプライバシー面を考察する。 従来の摂動に基づく手法は、トレーニングの精度を犠牲にしてプライバシー保護を提供する。 本研究では,エッジサーバにおけるプライバシリークの最小化とモデル精度の低下を目標とする。
  論文  参考訳（メタデータ） (2022-10-05T13:13:35Z)

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。