Applications of doubly efficient private information retrieval
Notice bibliographique
Résumé
We have entered an era when most data has been outsourced to a potentially untrusted server. In this setting, even with encryption, the physical location accessed, or access patterns, during a query can reveal significant information about the query or database. This motivates the development of techniques to conceal access patterns, such as Private Information Retrieval (PIR) and Oblivious RAM (ORAM). Both allow retrieval of database item without revealing which item is retrieved at a sub-linear (often polylog) communication/computation cost to the client. ORAM requires the client to have a secret key and the server to keep state, but gets sub-linear (even log) server computation and allows both reads and writes. PIR does not require any client secret and the server is stateless, but requires linear server computation. This motivated the development of Doubly Efficient Private Information Retrieval (DEPIR) by Canetti et al. [CHR'17] and Boyle et al. [BIPW'17]. DEPIR allows a client to interact with a single stateless server and achieve overhead (both bandwidth and server computation) that is sub-linear in the database size. In this thesis, we explore three applications of DEPIR in the outsourced data setting, and tradeoffs that lie between ORAM and PIR. We leverage DEPIR's inherent statelessness and sub-linearity to achieve applications that neither PIR nor ORAM could accomplish. First we will explore a variant of ORAM, Rewindable ORAM (RORAM) that leverages DEPIR's statelessness to maintain security even when an adversary resets client and server state. RORAM is required to create the first heuristic construction of Fully Homomorphic Encryption in the RAM model. Our second application considers secure computation in the RAM model, using DEPIR's sub-linear server work to construct a distributed ORAM with constant rounds and sub-linear server work. Finally, we use techniques from DEPIR to achieve a multi-client private and anonymous data access scheme called PANDA.--Author's abstract
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».