کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
7108168 1460619 2018 12 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
Privacy preserving distributed optimization using homomorphic encryption
ترجمه فارسی عنوان
حفظ حریم خصوصی بهینه سازی توزیع شده با استفاده از رمزگذاری همگن
ترجمه چکیده
در این مقاله، بررسی می شود که یک اپراتور سیستم و مجموعه ای از عوامل، ایمن یک الگوریتم مبتنی بر شیب پروسس شده توزیع شده را اجرا می کنند. به طور خاص، هر شرکت کننده دارای مجموعه ای از ضرایب مشکل و / یا مقادیری است که مقادیر آنها به مالک داده خصوصی هستند. مشکل مربوط به دو سوال مطرح می شود: چگونه به ایمن محاسبات توابع داده شده؛ و چه توابع باید در وهله اول محاسبه شود. برای اولین سوال، با استفاده از تکنیک های رمزنگاری همگن، ما پیشنهاد الگوریتم های جدیدی را ارائه می دهیم که می تواند محاسبات چند حزبی را با صحت کامل انجام دهد. برای سوال دوم، ما یک دسته از توابع شناسایی می کنیم که می توانند محاسبه شوند. کارایی صحیح و محاسباتی الگوریتم های پیشنهادی با دو مورد مطالعه در مورد سیستم های قدرت، یکی در یک پاسخ پاسخ تقاضا و دیگری در یک مسئله جریان مطلوب جریان تایید شده است.
موضوعات مرتبط
مهندسی و علوم پایه سایر رشته های مهندسی کنترل و سیستم های مهندسی
چکیده انگلیسی
This paper studies how a system operator and a set of agents securely execute a distributed projected gradient-based algorithm. In particular, each participant holds a set of problem coefficients and/or states whose values are private to the data owner. The concerned problem raises two questions: how to securely compute given functions; and which functions should be computed in the first place. For the first question, by using the techniques of homomorphic encryption, we propose novel algorithms which can achieve secure multiparty computation with perfect correctness. For the second question, we identify a class of functions which can be securely computed. The correctness and computational efficiency of the proposed algorithms are verified by two case studies of power systems, one on a demand response problem and the other on an optimal power flow problem.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Automatica - Volume 96, October 2018, Pages 314-325
نویسندگان
, ,