کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
6873286 1440632 2018 10 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
Efficiently and securely harnessing cloud to solve linear regression and other matrix operations
ترجمه فارسی عنوان
موثر و امن استفاده از ابر برای حل رگرسیون خطی و دیگر عملیات ماتریس
کلمات کلیدی
پردازش ابری، برون سپاری امن، رگرسیون خطی، تایید، اختلال در داده ها،
ترجمه چکیده
در این مقاله، مسئله برآورد ریسک خطی در مقیاس وسیع مشتری را به طور کلی بر روی ابر عمومی در حالی که حفظ حریم خصوصی نتایج ورودی و خروجی مشتری را مورد بررسی قرار می دهد، بررسی می کنیم. برای کاهش هزینه های محاسبات مشتری، طرح های موجود به طور کلی از ضرب ماتریس مورب به منظور رمزگذاری اطلاعات ورودی استفاده می کنند. در حالی که چنین رویکردهایی کارآمد هستند، محدودیت های امنیتی بالقوه وجود دارد. به عنوان مثال، در این مقاله محدودیت های ناشناخته قبلی در طرح چن و همکاران آشکار می شود. (2014). سپس یک روش جدید برای تولید ماتریسهای متراکم متراکم و یک راه حل امنیتی جدید برای برونسپاری رگرسیون خطی به ابر ارائه می دهیم. در رویکرد پیشنهادی ما ورودی / خروجی مشتری را با اضافه کردن اعداد تصادفی و ضرب کردن ماتریسهای متراکم تصادفی ساخته شده ما، تحریک می کنیم. خلاصه مقایسه ای نشان می دهد که رویکرد پیشنهادی دارای سطح بالاتری از امنیت است، بدون پیچیدگی محاسباتی اضافی. ما همچنین نشان می دهیم که ماتریس های متراکم ساخته شده ما می تواند مورد استفاده قرار گیرد تا به طور موثر امنیت طرح برون سپاری را برای دیگر عملیات ماتریس در مقیاس بزرگ، از جمله سیستم معادلات خطی و محاسبه تعیین کننده، افزایش دهد.
موضوعات مرتبط
مهندسی و علوم پایه مهندسی کامپیوتر نظریه محاسباتی و ریاضیات
پیش نمایش مقاله
موثر و امن استفاده از ابر برای حل رگرسیون خطی و دیگر عملیات ماتریس
چکیده انگلیسی
In this paper, we study the problem of efficiently outsourcing large-scale linear regression of a customer to the public cloud while preserving the privacy of the customer's input and output results. To reduce the customer's computation costs, existing schemes generally use diagonal matrix multiplication to encrypt the input data. While such approaches are efficient, there are potential security limitations. For example, in this paper we reveal previously unknown limitations in the scheme of Chen et al. (2014). We then present a novel method to generate random dense matrices, and a new secure solution for outsourcing linear regression to cloud. In our proposed approach, we perturb the customer's input/output by adding random numbers and multiplying our constructed random dense matrices. A comparative summary demonstrates that the proposed approach has a stronger level of security, without incurring additional computation complexity. We also demonstrate that our constructed dense matrices can be utilized to efficiently enhance the security of outsourcing scheme for other large-scale matrix operations, including linear equation system and determinant computation.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Future Generation Computer Systems - Volume 81, April 2018, Pages 404-413
نویسندگان
, , ,