Privacy-Preserving Intrusion Detection using Convolutional Neural Networks

要約

プライバシー保護分析は、貴重な資産を保護するように設計されています。
共通のサービス提供には、クライアントからの入力データとアナリスト側のモデルが含まれます。
プライバシー保護の重要性は、法的義務と知的財産上の懸念によってさらに高まっています。
モデル所有者が顧客のプライベートデータの分析サービスを提供するユースケースを調査します。
データに関する情報はアナリストに公開されず、モデルに関する情報は顧客に漏洩されることはありません。
現在の方法には、精度の低下や計算の複雑さなどのコストがかかります。
複雑さにより、処理時間が長くなり、コンピューティング リソースの要件が増加し、クライアントとサーバー間のデータ通信が必要になります。
このようなサービスアーキテクチャを導入するには、制約に合わせた最適な設定を評価する必要があります。
そしてそれがこの文書で取り上げられることです。
この研究では、畳み込みニューラル ネットワークに基づく攻撃検出システムを、当初は医療データ用に設計された PriMIA フレームワークに基づくプライバシー保護テクノロジーを使用して強化しました。

要約(オリジナル)

Privacy-preserving analytics is designed to protect valuable assets. A common service provision involves the input data from the client and the model on the analyst’s side. The importance of the privacy preservation is fuelled by legal obligations and intellectual property concerns. We explore the use case of a model owner providing an analytic service on customer’s private data. No information about the data shall be revealed to the analyst and no information about the model shall be leaked to the customer. Current methods involve costs: accuracy deterioration and computational complexity. The complexity, in turn, results in a longer processing time, increased requirement on computing resources, and involves data communication between the client and the server. In order to deploy such service architecture, we need to evaluate the optimal setting that fits the constraints. And that is what this paper addresses. In this work, we enhance an attack detection system based on Convolutional Neural Networks with privacy-preserving technology based on PriMIA framework that is initially designed for medical data.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google