Optimizing encrypted search in the cloud using autoencoder-based query approximation
Year: 2024
Type: article
Abstract: يتيح البحث المشفر الاستعلام الخاص عبر البيانات السرية. ومع ذلك، فإن التشفير يأتي بتكلفة باهظة للكفاءة. يوفر هذا البحث تحليلاً موسعاً لاستخدام تقريب الاستعلام القائم على الترميز الذاتي لتحسين سرعة ودقة البحث المشفر في السحابة. من خلال التجارب الشاملة على مجموعات البيانات الحقيقية، نقدم رؤى جديدة في تحسين النموذج واستراتيجيات التدريب والمبادلات الناشئة عن النشر. توجه نتائجنا تحسين الصلة والكفاءة والأمان. نقترح إطار عمل يقوم بتدريب مرمز ذاتي على مجموعة البيانات لترميز السجلات في تمثيل مكثف. وقت البحث، يتم تحويل استعلامات المستخدمين إلى نفس الفضاء الكامن حيث يتم حساب التشابه تحت التشفير، مما يتجنب فك التشفير المكلف. تحلل منهجيتنا بدقة كيف تؤثر العوامل المعمارية وتقنيات التدريب ومجموعات البيانات ومخططات التشفير على الأداء من الطرف إلى الطرف الآخر والقابلية للتوسع على البنية التحتية للسحابة. نحدد أفضل الممارسات التي تعظم الدقة والسرعة مع الحفاظ على الخصوصية. يتم إجراء تحليل مقارن شامل مع طرق بديلة مثل TF-IDF و LSI و BM25 على الفهارس المشفرة. يؤسس عملنا تقريب الاستعلام القائم على الترميز الذاتي كحل عملي جاهز للنشر على نطاق واسع في السحابة.
Source: Baghdad Science Journal
Authors: Mahmoud Mohamed, Khaled Alosman
Language: Arabic
Subfield: Artificial Intelligence
Field: Computer Science
Domain: Physical Sciences
Open Access status: gold
Estimated APC paid: $150
OpenAlex ID: W4399774160