Secure Control in the Cloud Using Multiparty Computation
Author
Løvemærke, Andrea Victoria Tram
Term
4. term
Education
Publication year
2019
Submitted on
2019-06-14
Pages
61
Abstract
Moderne og fremtidige samfund bruger data til at mindske spild, reducere ressourceforbrug og sænke omkostninger. Mange enheder kommunikerer og træffer beslutninger i realtid for at optimere deres funktion. For at få den nødvendige regnekraft flyttes disse beslutninger ofte til skytjenester. Men skyen kan være utroværdig, og det er risikabelt at sende rå data til tredjepart. Denne afhandling undersøger, hvordan man kan bevare privatliv og datasikkerhed, samtidig med at skyen beregner styringshandlinger. Afhandlingen fokuserer på sikker flerpartsberegning med hemmelighedsdeling, hvor følsomme værdier opdeles i flere andele. Enkeltvis afslører andele ikke noget om de oprindelige data, og servere kan udføre beregninger direkte på andelene. Når beregningen er færdig, kan kun dataejeren samle andelene og genskabe det private resultat; ingen andre parter får viden om input eller resultat. Inden for denne sikre ramme undersøges, hvordan modelprædiktiv styring (MPC) uden begrænsninger og med lighedsbetingelser kan løses i skyen. Modelprædiktiv styring forudsiger et systems fremtidige adfærd og vælger handlinger, der optimerer ydeevnen under givne regler; lighedsbetingelser er krav, der skal opfyldes nøjagtigt. Løsningen bygger på Gauss-eliminering uden pivotering som central numerisk metode, hvilket i denne sammenhæng viste sig nyttigt. Arbejdet konkluderer, at der kræves yderligere forskning, før metoden er klar til virkelige styringsopgaver, men resultaterne peger på et betydeligt potentiale for fremtidige online-styringsapplikationer.
Modern and future societies use data to cut waste, save resources, and lower costs. Many devices communicate and make real-time decisions to optimize their performance. To obtain the needed computing power, these decisions are often moved to the cloud. However, cloud servers may be untrusted, so sending raw data to third parties can expose private information and create safety risks. This thesis examines how to preserve privacy while still letting the cloud compute control actions. The work focuses on secure multiparty computation with secret sharing, a technique that splits sensitive values into several pieces (shares). Individually, shares reveal nothing about the original data, and servers can perform computations directly on the shares. After computation, only the data owner combines the shares to recover the private result; no other party learns the inputs or the outcome. Within this secure framework, the thesis investigates how to solve model predictive control (MPC) problems—both unconstrained and with equality constraints—in the cloud. Model predictive control predicts a system’s future behavior and chooses actions that optimize performance under specified rules; equality constraints are requirements that must hold exactly. The solution relies on Gaussian elimination without pivoting as the main numerical method, which was found useful in this setting. The work concludes that further research is needed before the approach is ready for real-world control systems, but the results indicate strong potential for future online control applications.
[This abstract was generated with the help of AI]
Keywords
Documents