論文の概要: Inevitability of Encrypted Traffic Side-Channel Leakage in the Multi-Class Setting
- arxiv url: http://arxiv.org/abs/2609.06322v1
- Date: Sun, 06 Sep 2026 00:48:40 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-12 06:05:50.334684
- Title: Inevitability of Encrypted Traffic Side-Channel Leakage in the Multi-Class Setting
- Title（参考訳）: マルチクラス設定における暗号化トラフィックサイドチャネルリークの回避可能性
- Abstract要約: クラスごとの分解$I(X;Y)=sum_i_i D_mathrmKL(P_Y|i|P_Y)$を介して、Side-Channel Existence Theoremを$k$クラスに拡張します。
以下の3つの結果が従う: (1) 活性クラス全体の和形式 MI の下限、(2) カスケード臨界コスト定理と、一様予算境界が消滅する非ゼロ、(3) 精度 $mathrmAcc*
- 参考スコア（独自算出の注目度）: 20.06940271479014
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The Side-Channel Existence Theorem proves $I(X;Y)>0$ in the binary, undefended setting, but is confined to pairwise arguments and ignores active defenses. We extend it to $k$ classes via the per-class decomposition $I(X;Y)=\sum_iπ_i D_{\mathrm{KL}}(P_{Y|i}\|P_Y)$, with defense cost modelled by per-class Wasserstein-1 constraints $\sup_x W_1(Q_x^D,P_x)\le B$. Three results follow: (1) a summation-form MI lower bound over all active classes; (2) a cascade critical cost theorem and a per-class budget corollary, nonzero where the uniform-budget bound vanishes; (3) an accuracy corollary $\mathrm{Acc}^*\ge 2^{I_0}/k>1/k$. On a 95-class website fingerprinting dataset the measured MI has a strictly positive $95\%$ confidence lower bound under every defense tested. Against the strongest pairwise baseline---a convex program over all $\binom{k}{2}$ triangle constraints, also $Θ(1)$ in $k$ under the same non-vanishing-gap conditions---the summation form is only $1.45\times$ stronger, so the case for the per-class decomposition is structural: only it gives each class a critical cost and a cascade. FRONT's apparent $122\times$ gap is inflated mainly by threshold exclusion rather than the inequality chain: on the active classes it is $21\times$, within $1.4\times$ of the $15\times$ measured undefended. Measuring the chain's two steps separately bounds the collapse onto one Lipschitz statistic below by $28\times$, against a divergence step measured at $1.5\times$. Undefended OVR distinguishability predicts post-defense per-class leakage at Spearman $ρ=0.62$--$0.77$, the transfer the certification procedure relies on. The framework carries over unchanged to a 100-class QUIC/TCP pair.
- Abstract（参考訳）: Side-Channel Existence Theoremはバイナリで$I(X;Y)>0$を証明している。
クラスごとの分解 $I(X;Y)=\sum_iπ_i D_{\mathrm{KL}}(P_{Y|i}\|P_Y)$ で$k$クラスに拡張します。
以下の3つの結果が従う: (1) 活性類全体の和形式 MI が下限となる; (2) カスケード臨界コスト定理(英語版)(cascade critical cost theorem)と、一様予算境界が消滅するクラス毎の予算コロージュ(英語版)(per-class budget corollary) (3) 精度コロージュ $\mathrm{Acc}^*\ge 2^{I_0}/k>1/k$。
95クラスのWebサイトのフィンガープリントデータセットでは、測定されたMIは、テスト対象のすべてのディフェンスの下で、9,5\%$の信頼性を厳格に下げている。
すべての$\binom{k}{2}$三角形の制約に対して、----------和形式は1.45\times$より強いので、クラスごとの分解のケースは構造的であり、各クラスに臨界コストとカスケードを与えるだけである。
FRONTの明らかな$122\times$ギャップは、主に不等式連鎖よりもしきい値排除によって膨らむ:アクティブクラスでは$21\times$で、1.4\times$で、測定された$15\times$の未定値である。
チェーンの2つのステップを別々に測定すると、1つのリプシッツ統計値に28\times$で、1.5\times$で測定された発散ステップに対して崩壊が束縛される。
未定義のOVR識別性は、Spearman $ρ=0.62$-0.77$で、クラス毎の防御後リークを予測する。
このフレームワークは、100クラスのQUIC/TCPペアに変わりません。
関連論文リスト
- One Inverse Step is a Convex Program: Bayes-Limit Calibration of Diffusion Inversion [0.0]
1つの暗黙のDDIM反転ステップは、事前訓練された拡散モデルが局所多様体幾何学を符号化するかどうかの最も安価なプローブである。
フェルミ窓はモデルのトレーニングサポートと3.6$-$5.6times$で対立し、ヘッセン=リプシッツ定数は法が読み取る曲率の2-$12%である。
最後の条件付き天井 $_t_max(mathrmsym,J)le1$, from $mathrmCov(x_0mid x_t)succeq0$
論文 参考訳（メタデータ） (2026-08-24T11:01:54Z) - Rate-Distortion Function for Encrypted Traffic Side-Channel Defense [23.361601797200475]
最適防御はKKT条件によって制御される指数型タイル構造を有することを示す。
現実世界のWebサイト・フィンガープリントのディフェンスでは、このフレームワークはFront ($_mathrmgap=0.028$,bits), WTF-PAD$0.034$,bits, TrafficSliver$0.124$,bits)を理論曲線の上に配置する。
論文 参考訳（メタデータ） (2026-07-20T12:38:49Z) - Partially Correlated Verifier Cascades in LLM Harnesses: Concave Log-Odds, Polynomial Reliability, and Blind-Spot Ceilings [0.5076419064097734]
シリアル検証ゲートはLLMハーネスのコア信頼性プリミティブである。
候補の答えが返されるのは、$k$検証者が全てそれを受け入れた場合に限られる。
このノートはそのような理論を最小限にしている。
論文 参考訳（メタデータ） (2026-07-15T14:58:37Z) - A law of robustness for two-layer neural networks with arbitrary weights [0.0]
Bubeck、Li、Nagarajは、一般的なデータでは、ノイズラベルに適合する$m$のニューロンを持つ任意の2層ニューラルネットワークは、リプシッツ定数を持つ必要があると推測した。
予想法則を1つの対数係数まで証明し、特にReLUネットワークにおいて連続的な片方向線形活性化を行う。
論文 参考訳（メタデータ） (2026-07-08T17:44:15Z) - Hidden-State Privacy Has an Empty Middle [51.56484100374058]
すべてのフルランクガウス解放を$O(1)$ Fisher utility で表すと、マハラノビス信号が隠れた幅で直線的に成長する方向を認める。
スクラッチからトレーニングされたスプリットメモリトランスフォーマーは、[20, 33]$90MでG_mathrmMahに達し、固定言語損失ペナルティにおいて、30Mから1Bまでの同じ予算のGPTベースラインに対して6ドル～24ドルという優位性を維持する。
論文 参考訳（メタデータ） (2026-05-21T20:12:09Z) - Scale-Sensitive Shattering: Learnability and Evaluability at Optimal Scale [54.65053906803857]
実数値関数クラスが一様収束と学習可能性を示す最適尺度について検討する。
本研究の主な成果は,PAC学習の基本定理のスケール敏感な一般化である。
また、定量的サンプルの複雑さと評価可能性に関するオープンな質問をいくつか取り上げる。
論文 参考訳（メタデータ） (2026-05-13T15:41:30Z) - Reliable Abstention under Adversarial Injections: Tight Lower Bounds and New Upper Bounds [16.636823007179082]
我々は, [Goel et al. 2017] が導入した対戦型インジェクションモデルを用いてオンライン学習を研究する。
一致する$(sqrtT)$ down bound for VC dimension $1$を証明し、2つの情報体制の鮮明な分離を確立します。
敵の汚染に対する耐性が保たれていることを予測するためのラベル付きサンプルの小さなサブセットである、インプロバストな目撃者によって駆動される潜在的基盤フレームワークを導入する。
論文 参考訳（メタデータ） (2026-02-23T18:30:48Z) - Towards a Sharp Analysis of Offline Policy Learning for $f$-Divergence-Regularized Contextual Bandits [49.96531901205305]
我々は$f$-divergence-regularized offline policy learningを分析する。
逆Kullback-Leibler (KL) の発散に対して、単極集中性の下での最初の$tildeO(epsilon-1)$サンプル複雑性を与える。
これらの結果は,$f$-divergence-regularized policy learningの包括的理解に向けて大きな一歩を踏み出したものと考えられる。
論文 参考訳（メタデータ） (2025-02-09T22:14:45Z) - Fast Rates for Bandit PAC Multiclass Classification [73.17969992976501]
我々は,帯域幅フィードバックを用いたマルチクラスPAC学習について検討し,入力を$K$ラベルの1つに分類し,予測されたラベルが正しいか否かに制限する。
我々の主な貢献は、問題の無知な$(varepsilon,delta)$PACバージョンのための新しい学習アルゴリズムを設計することである。
論文 参考訳（メタデータ） (2024-06-18T08:54:04Z) - Provable Robustness of Adversarial Training for Learning Halfspaces with
Noise [95.84614821570283]
ラベル雑音の存在下での敵対的ロバストなハーフスペースの特性を分析する。
我々の知る限りでは、これは敵の訓練がノイズの分類子を与えることを示す最初の研究である。
論文 参考訳（メタデータ） (2021-04-19T16:35:38Z) - Nearly Horizon-Free Offline Reinforcement Learning [97.36751930393245]
S$状態、$A$アクション、計画的地平$H$で、エピソードな時間同質なMarkov決定プロセスに関するオフライン強化学習を再考する。
経験的MDPを用いた評価と計画のための,約$H$自由なサンプル複雑性境界の最初の集合を得る。
論文 参考訳（メタデータ） (2021-03-25T18:52:17Z)
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。