論文の概要: Benchmarking Post-Quantum Key Encapsulation in S3-Compatible Object Storage under Client Concurrency

• arxiv url: http://arxiv.org/abs/2610.21457v1
• Date: Thu, 15 Oct 2026 08:00:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-16 19:13:16.272747
• Title: Benchmarking Post-Quantum Key Encapsulation in S3-Compatible Object Storage under Client Concurrency
• Title（参考訳）: クライアントコンカレンシー下でのS3互換オブジェクトストレージにおける量子後キーカプセル化のベンチマーク
• Abstract要約: クラウドオブジェクトストアは、データを何年も保持するので、それを保護しているクライアント側の暗号化は、ポスト量子アルゴリズムに移行する必要がある。 ML-KEMは、キーカプセル化ステップと、格納されたすべてのオブジェクトにより大きな暗号文を追加する。 オブジェクトごとのML-KEMをS3互換オブジェクトストア上の古典的なキー交換に対して測定する。
• 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: Data encrypted today with classical public-key algorithms could be decrypted once large quantum computers exist. Cloud object stores keep data for years, so the client-side encryption that protects it must move to post-quantum algorithms such as ML-KEM, which adds a key-encapsulation step and a larger ciphertext to every stored object. So far, the cost of ML-KEM has been measured for the algorithm on its own and for securing network connections, but not for encrypting each object in a storage system that serves many clients at once. It has therefore been unclear whether ML-KEM slows such a system, under which conditions, and why. We address this problem by measuring per-object ML-KEM against classical key exchange on an S3-compatible object store, with two client implementations, two processor types and up to 500 concurrent workers, using pre-registered experiments and statistical equivalence tests. ML-KEM reduced throughput only when the client's processor was at or near full load, with one unexplained exception, and then by 4.0 to 4.9% in our main client. Controlled experiments on one processor type traced most of that loss to the way the software library was called, and a second, native client showed that the size of the loss depends on the implementation. The lasting cost is storage: 1,056 more bytes per object than with classical key exchange. The results cover two clients, one single-node store and one cloud provider.
• Abstract（参考訳）: 今日、古典的な公開鍵アルゴリズムで暗号化されたデータは、巨大な量子コンピュータが存在すれば復号化できる。 クラウドオブジェクトストアはデータを何年も保持するので、それを保護しているクライアント側の暗号化は、ML-KEMのようなポスト量子アルゴリズムに移行する必要がある。 これまでのところ、ML-KEMのコストは、アルゴリズム自身とネットワーク接続を確保するために測定されてきたが、一度に多くのクライアントにサービスを提供するストレージシステムにおいて、各オブジェクトを暗号化するためのものではない。 したがって、ML-KEMがそのようなシステムを遅くするかどうか、どの条件下にあるのか、なぜなのかは不明である。 本稿では,S3互換のオブジェクトストア上での従来のキー交換に対して,ML-KEM単位のML-KEMを2つのクライアント実装,2つのプロセッサタイプ,最大500人の並列作業者に対して,事前登録実験と統計的等価性テストを用いて測定することにより,この問題に対処する。 ML-KEMは、クライアントのプロセッサがフルロード中かほぼロード中である場合にのみスループットを低下させ、説明されていない例外が1つ、メインクライアントでは4.0から4.9%削減した。 あるプロセッサタイプに対する制御された実験は、その損失の大半をソフトウェアライブラリの呼び出し方法に遡り、第二のネイティブクライアントは、損失のサイズが実装に依存することを示した。 ストレージコストは、従来のキー交換よりも1,056バイト高い。 結果は、2つのクライアント、1つの単一ノードストアと1つのクラウドプロバイダをカバーする。

関連論文リスト

• A Hybrid Post-Quantum Encryption Architecture with Self-Hosted Key Management for SME Cloud Data Protection [0.0]
  Quantum Cloud Guard(QCG)は、ソフトウェアのみの3層アーキテクチャである。 クライアントサイドのハイブリッド暗号化、自己ホストされたキー保持、アプリケーション・レイヤの悪用防止ゲートウェイを組み合わせたものだ。 24MHzのSTM32F407では、ML-KEM-1024キー生成には40.8msと44.0msがかかる。
  論文  参考訳（メタデータ） (2026-08-27T08:09:17Z)
• SeDeM: Selective Decompression of Hidden-State Memories for Long-Context Question Answering [44.06365338975172]
  SeDeMは、デコーダコンディショニングからコンパクトメモリストレージを分離する選択的なデ圧縮フレームワークである。 4つの長文QAベンチマークにおいて、SeDeMは評価された圧縮ベースラインよりも高いQAスコアを達成する。
  論文  参考訳（メタデータ） (2026-07-31T21:44:03Z)
• Revocation-Ready CP-ABE Key Management for Blockchain-Based IoT Data Sharing [0.0]
  本稿では,オンラインキーリリースを暗号文キーパブリッシングに置き換える,リコール対応キー管理層を提案する。 ローカルなコンテンツアドレッシングストア,ハッシュチェーンの台帳,CP-ABEバックエンドを用いて,最小限のエンドツーエンドプロトタイプを実装した。
  論文  参考訳（メタデータ） (2026-05-05T20:31:12Z)
• Training Machine Learning Models on Encrypted Data: A Privacy-Preserving Framework using Homomorphic Encryption [40.16348991707144]
  同型暗号化は、復号化せずに暗号化されたデータの計算を可能にし、機械学習パイプライン全体の機密性を保存する。 本稿では、精度と効率を保ちながら、暗号化データ上でMLモデルをトレーニングするという課題に対処する。 K-Nearest Neighbors(KNN)と線形回帰モデルを暗号化データ上でトレーニングし、基本的マルチレイヤパーセプトロン(MLP)アーキテクチャの暗号化推論を評価する。
  論文  参考訳（メタデータ） (2026-04-25T10:50:41Z)
• Efficient Low Rank Attention for Long-Context Inference in Large Language Models [41.24530756499533]
  低ランククエリとキーアテンション(LRQK)は、プリフィル段階で、完全精度クエリとキー行列をコンパクトなランク-(r)要素に分解するフレームワークである。 トップ(k)トークンと、最近のトークンの小さな固定セットだけを選択することで、LRQKは、完全に精度の低いKVペアだけを転送するヒットアンドミス機構を備えた混合GPU-CPUキャッシュを使用する。
  論文  参考訳（メタデータ） (2025-10-25T11:43:27Z)
• An Efficient Quantum Classifier Based on Hamiltonian Representations [50.467930253994155]
  量子機械学習(QML)は、量子コンピューティングの利点をデータ駆動タスクに移行しようとする分野である。 入力をパウリ弦の有限集合にマッピングすることで、データ符号化に伴うコストを回避できる効率的な手法を提案する。 我々は、古典的および量子モデルに対して、テキストおよび画像分類タスクに対する我々のアプローチを評価する。
  論文  参考訳（メタデータ） (2025-04-13T11:49:53Z)
• Anchor-based Large Language Models [33.86392289481657]
  本研究ではアンカーベースの自己アテンションネットワーク(AnSAN)とアンカーベースの推論戦略を利用するアンカーベースのLSM(AnLLM)を紹介する。 AnLLMも同様の精度を維持し、最大99%のキー/バリューキャッシュの削減、最大3.5倍の高速推論を実現している。
  論文  参考訳（メタデータ） (2024-02-12T12:48:02Z)
• Classical ensemble of Quantum-classical ML algorithms for Phishing detection in Ethereum transaction networks [2.049319339062035]
  本稿では、金融取引網におけるフィッシング検出を改善する量子古典アルゴリズムのハイブリッドシステムを提案する。 古典的な量子古典モデルのアンサンブルは、マクロFスコアとフィッシングFスコアを改善した。 1つの重要な観察は、QSVMが常に低い偽陽性を与え、したがって他の古典的または量子的ネットワークと比較して高い精度を与えることである。
  論文  参考訳（メタデータ） (2022-10-30T14:37:21Z)
• Recovering AES Keys with a Deep Cold Boot Attack [91.22679787578438]
  コールドブート攻撃は、電源がシャットダウンされた直後に破損したランダムアクセスメモリを検査する。 本研究では,AES鍵に対する攻撃を適用するために,深誤り訂正符号手法の新たな暗号版とSATソルバ方式を併用する。 以上の結果から,本手法は攻撃方法の精度を極めて高いマージンで上回っていることが明らかとなった。
  論文  参考訳（メタデータ） (2021-06-09T07:57:01Z)
• Quantum k-means algorithm based on Trusted server in Quantum Cloud Computing [4.825895794318393]
  量子k平均アルゴリズムでは、コアサブルーチンは量子最小化アルゴリズム(GroverOptim)である。 量子ホモモルフィック暗号(QHE)を用いてデータを暗号化し、それをクラウドにアップロードして計算する。 本稿では,量子暗号環境における信頼サーバに基づくTゲート更新方式を提案する。
  論文  参考訳（メタデータ） (2020-11-09T13:06:27Z)
• Succinct Blind Quantum Computation Using a Random Oracle [0.8702432681310399]
  我々は新しい普遍的な盲点量子計算プロトコルを提供する。 プロトコルの最初のフェーズは簡潔であり、その複雑さは回路サイズとは無関係である。
  論文  参考訳（メタデータ） (2020-04-27T07:47:11Z)

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。