Data Security in the Cloud Using pTree-based Homomorphic Intrinsic Data Encryption System (pHIDES)
Notice bibliographique
Résumé
Cloud usage for storing data and performing operations has gained immense popularity in recent times. However, there are concerns that uploading data to the cloud increases the chances of unauthorized parties accessing it. One way to secure data from unauthorized access is to encrypt it. Even if the data is hacked, the hackers will not be able to retrieve any information from the data without knowing the 'Key' to decrypt it. But when data needs to be used for services such as data analytics, it must be in its original, non-encrypted form. Decrypting the data makes it vulnerable again, which is why Homomorphic Encryption could be the solution to this problem. In this encryption method, the analytical engine can use the encrypted data to perform analysis, where the analysis result will also be in decrypted form. Only authorized users can access the results using the 'Key.' This research proposal proposes a method called pHIDES to enhance data security in the cloud. The pHIDES (pTree-based Homomorphic Intrinsic Data Encryption System) represents data in pTree (Predicate tree) format, a data mining-ready data structure proven to manipulate a large volume of data effectively. The concept of Homomorphic Encryption (HME) along with pHIDES is discussed in our research, along with the algorithmic execution to analyze the effectiveness of the algorithm used to encrypt data in the cloud.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,003 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».