A TEE-Guarded Data Management System for Time-Scale Data in Industrial Internet of Things
Notice bibliographique
Résumé
With the prosperity of the Industrial Internet of Things (IIoT), concerns have arisen about its energy efficiency and data security. A manufacturer, especially a medium or small one, usually depends partially or fully on third-party providers for IIoT infrastructures (e.g., cloud services, edge devices, IIoT applications), leading to concerns about trusted and confidential data processing. Moreover, the processed IIoT data may include personal information (e.g., employee status), introducing privacy compliance concern as well. Data protection depends on trust, which can be achieved through distributed trust (e.g., blockchains) or centralized trust (e.g., Trusted Third Parties (TTPs)). However, the energy cost for trust is high, as the former requires extra redundancy and the latter introduces workload transfer to the TTP. Fortunately, trusted execution environment (TEE) technologies provide a more efficient solution for trust. A TEE enables efficient, confidential, and protected execution while establishing centralized trust via remote attestation of executables. This paper proposes a TEE-based data management architecture for IIoT, inspired by an extensive and secure personal data management system, but with a reduced trusted computing base (TCB). The proposed architecture is feasible for time-scale data in IIoT, which are only appended over time and never updated, such as machine status monitoring data. A single-threaded SGX-based prototype of the data access component in the architecture is implemented for the time-scale data scenario. Benchmarks and evaluations are provided to demonstrate the prototype performance for time-scale data and the potential TCB reduction of the proposed design. The proposal reveals a more verifiable and feasible integration of TEE-based trusted data processing in an IIoT data management system, with reduced TCB, high efficiency, and security, under a strong threat model.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,003 |
| Science ouverte | 0,002 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,002 |
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 ».