A Novel Integration of Proximal Policy Optimization, In-Memory Computing and Visual Cryptography for Secure Image Encryption
Notice bibliographique
Résumé
This paper presents a pioneering framework that synergizes Proximal Policy Optimization (PPO) with in-memory computing (IMC) and visual cryptography (VC) to achieve high-throughput, energy-efficient and computation-free secure image encryption.Leveraging a custom Phase-Change Memory (PCM) based IMC prototype, we implement PPO to optimize encryption policies under resource constraints and apply VC to generate secret shares readable by the human visual system without cryptographic decoding.Experiments employ the publicly available MNIST dataset (https://yann.lecun.com/exdb/mnist/)and the CIFAR-10 dataset (https://www.cs.toronto.edu/~kriz/cifar.html) to validate both grayscale and color scenarios.PPO learns optimal memory access and cryptographic parameter settings, reducing energy consumption by 37% and latency by 42% compared to baseline reinforcement learning methods.VC shares are produced with zero pixel expansion, achieving a mean Peak Signal-to-Noise Ratio (PSNR) of 34.2 dB, outperforming traditional Naor-Shamir VC by 15% in image quality metrics.A comparative analysis with recent VC schemes and IMC encryption architectures highlights that our framework fills gaps in scalable, computation-free decryption and adaptive security policy learning, rendering it practical for edge devices.All results are derived from precise in situ measurements and validated formulas.This work delivers a novel, validated and industry-relevant contribution to secure computing and visual cryptography research.
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 | 0,004 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 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 ».