权益分类	功能权益	普通用户	{{item.name}}会员
{{category.name}}	{{benefitItem.name}}

SaTC: CORE: Small: Massively Scalable Secure Computation Infrastructure Using FPGAs

SaTC：CORE：小型：使用 FPGA 的大规模可扩展安全计算基础设施

基本信息

批准号：
1717213
负责人：
Stratis Ioannidis
金额：
$ 50万
依托单位：
Northeastern University
依托单位国家：
美国
项目类别：
Standard Grant
财政年份：
2017
资助国家：
美国
起止时间：
2017-09-01 至 2022-08-31
项目状态：
已结题

来源：
https://www.nsf.gov/awardsearch/showAward?AWD_ID=1717213&HistoricalAwards=false
关键词：
SaTC CORE Small Massively Scalable

项目摘要

The statistical analysis of behavioral data collected through clinical trials, surveys, and experimentation, has a long history in academic disciplines like medicine, sociology, and behavioral economics. The privacy risks inherent in such studies are often at odds with the tremendous societal benefits resulting from sharing data among researchers and practitioners. Mining behavioral data at scale is also a ubiquitous practice among Internet companies, giving rise to significant privacy concerns. As the potential benefits to society are enormous, harnessing this data for the better good while protecting privacy is one of the grand challenges faced by our society today. This project addresses this challenge by bringing Secure Function Evaluation (SFE) of practical, real-life data mining and machine learning algorithms into the realm of practicality, through the development of a highly parallel, efficient, scalable computation platform for secure computation operating at a massive scale. The project develops a Massively Scalable Secure computation Infrastructure using FPGAs (MaSSIF), accelerating secure computations over a cluster of FPGAs and leveraging benefits of both hardware acceleration and multi-device parallelism. MaSSIF significantly differs from previous implementations of SFE in that it is the first to accelerate secure computation primitives: specifically, Garbled Circuits (GC) with FPGAs on such a massively parallel scale. The algorithms considered are (a) computationally intensive, (b) non-trivial to parallelize under SFE, and (c) of considerable practical importance. MaSSIF advances the state of the art both through novel SFE algorithms, as well as in the design and optimization of accelerated, scalable systems for SFE.

通过临床试验、调查和实验收集的行为数据的统计分析在医学、社会学和行为经济学等学科中有着悠久的历史。这些研究中固有的隐私风险往往与研究人员和从业人员之间共享数据所带来的巨大社会效益不一致。大规模挖掘行为数据也是互联网公司中普遍存在的做法，引起了严重的隐私问题。由于这些数据对社会的潜在好处是巨大的，因此在保护隐私的同时利用这些数据是我们当今社会面临的重大挑战之一。该项目通过开发一个高度并行、高效、可扩展的计算平台来实现大规模安全计算，从而将实用的、真实的数据挖掘和机器学习算法的安全功能评估（SFE）带入实用领域，从而解决了这一挑战。该项目开发了一个使用FPGA的大规模可扩展安全计算基础设施（MaSSIF），通过FPGA集群加速安全计算，并利用硬件加速和多设备并行的优势。MaSSIF与以前的SFE实现有很大的不同，因为它是第一个加速安全计算原语的实现：特别是在大规模并行规模上使用FPGA的乱码电路（GC）。所考虑的算法是（a）计算密集型的，（B）在SFE下并行化不是微不足道的，以及（c）具有相当大的实际重要性。 MaSSIF通过新颖的SFE算法以及SFE加速可扩展系统的设计和优化来推进最新技术水平。

项目成果

期刊论文数量（6）

专著数量（0）

科研奖励数量（0）

会议论文数量（0）

专利数量（0）

SIFO: Secure Computational Infrastructure Using FPGA Overlays

SIFO：使用 FPGA 覆盖的安全计算基础设施

DOI：
10.1155/2019/1439763
发表时间：
2019
期刊：
International Journal of Reconfigurable Computing
影响因子：
4.3
作者：
Fang, Xin;Ioannidis, Stratis;Leeser, Miriam
通讯作者：
Leeser, Miriam

Garbled Circuits in the Cloud using FPGA Enabled Nodes

使用支持 FPGA 的节点的云中的乱码电路

DOI：
10.1109/hpec.2019.8916407
发表时间：
2019
期刊：
2019 IEEE High Performance Extreme Computing Conference (HPEC
影响因子：
0
作者：
Huang, Kai;Gungor, Mehmet;Fang, Xin;Ioannidis, Stratis;Leeser, Miriam
通讯作者：
Leeser, Miriam

Optimizing Designs Using Several Types of Memories on Modern FPGAs

在现代 FPGA 上使用多种类型的存储器来优化设计

DOI：
10.1109/hpec55821.2022.9926306
发表时间：
2022
期刊：
IEEE High Performance Extreme Computing Conference (HPEC
影响因子：
0
作者：
Gungor, Mehmet;Huang, Kai;Ioannidis, Stratis;Leeser, Miriam
通讯作者：
Leeser, Miriam

Optimizing Use of Different Types of Memory for FPGAs in High Performance Computing

在高性能计算中优化 FPGA 不同类型存储器的使用

DOI：
10.1109/hpec43674.2020.9286144
发表时间：
2020
期刊：
2020 IEEE High Performance Extreme Computing Conference (HPEC
影响因子：
0
作者：
Huang, Kai;Gungor, Mehmet;Ioannidis, Stratis;Leeser, Miriam
通讯作者：
Leeser, Miriam

Accelerating Large Garbled Circuits on an FPGA-enabled Cloud

在支持 FPGA 的云上加速大型乱码电路

DOI：
10.1109/h2rc49586.2019.00008
发表时间：
2019
期刊：
2019 IEEE/ACM International Workshop on Heterogeneous High-performance Reconfigurable Computing (H2RC
影响因子：
0
作者：
Leeser, Miriam;Gungor, Mehmet;Huang, Kai;Ioannidis, Stratis
通讯作者：
Ioannidis, Stratis

DOI：
{{ item.doi }}
发表时间：
{{ item.publish_year }}
期刊：
{{ item.journal_name }}
影响因子：
{{ item.factor }}
作者：
{{ item.authors }}
通讯作者：
{{ item.author }}

数据更新时间：{{ journalArticles.updateTime }}

作者：
{{ item.author }}

数据更新时间：{{ monograph.updateTime }}

作者：
{{ item.author }}

数据更新时间：{{ sciAawards.updateTime }}

作者：
{{ item.author }}

数据更新时间：{{ conferencePapers.updateTime }}

作者：
{{ item.author }}

数据更新时间：{{ patent.updateTime }}

Stratis Ioannidis其他文献

Content Search through Comparisons

通过比较进行内容搜索

DOI：
10.1007/978-3-642-22012-8_48
发表时间：
2011
期刊：
影响因子：
0
作者：
Amin Karbasi;Stratis Ioannidis;L. Massoulié
通讯作者：
L. Massoulié

Truthful Linear Regression

真实的线性回归

DOI：
发表时间：
2015
期刊：
Annual Conference Computational Learning Theory
影响因子：
0
作者：
Rachel Cummings;Stratis Ioannidis;Katrina Ligett
通讯作者：
Katrina Ligett

Automated diagnosis of plus disease in retinopathy of prematurity using deep learning

使用深度学习自动诊断早产儿视网膜病变

DOI：
10.1016/j.jaapos.2018.07.036
发表时间：
2018
期刊：
Journal of American Association for Pediatric Ophthalmology and Strabismus
影响因子：
0
作者：
J. Campbell;James A. Brown;R. Chan;Jennifer G. Dy;Stratis Ioannidis;Deniz Erdoğmuş;Jayashree Kalpathy;M. Chiang
通讯作者：
M. Chiang

Distributed caching over heterogeneous mobile networks

DOI：
10.1007/s11134-012-9297-7
发表时间：
2012-04-20
期刊：
QUEUEING SYSTEMS
影响因子：
0.700
作者：
Stratis Ioannidis;Laurent Massoulié;Augustin Chaintreau
通讯作者：
Augustin Chaintreau

$ ext{Omni-CNN}$: A Modality-Agnostic Neural Network for mmWave Beam Selection

$ ext{Omni-CNN}$：用于毫米波波束选择的模态不可知神经网络

DOI：
发表时间：
2024
期刊：
IEEE Transactions on Vehicular Technology
影响因子：
6.8
作者：
Batool Salehi;Debashri Roy;T. Jian;Chris Dick;Stratis Ioannidis;Kaushik R. Chowdhury
通讯作者：
Kaushik R. Chowdhury