NVIDIA a conçu NVIDIA Confidential Computing (CC) comme une solution pour répondre aux préoccupations de confidentialité des données, de souveraineté et de sécurité lors de l'inférence de modèles IA. La technologie est conçue pour fournir un environnement sécurisé pour le traitement des données pendant leur utilisation, ciblant spécifiquement les besoins des applications d'IA agentique. Cette approche vise à permettre aux organisations d'adopter l'IA sans compromettre la sécurité ou les performances.
lab
NVIDIA Technical Blog
·
il y a 72 j
·
source : il y a 76 j
·
inference
NVIDIA introduit le Confidential Computing pour une inférence IA sécurisée
Traduit de English → Français
Articles similaires
lab
NVIDIA Research
·
il y a 11 h
·
3 vues
ShareMMU permet le partage sécurisé de la traduction d'adresses entre accélérateurs non fiables avec une faible surcharge
Les chercheurs présentent ShareMMU, une conception de IOMMU qui permet à plusieurs accélérateurs non fiables de réutiliser en toute sécurité des adresses pré-traduites dans un espace d'adresse virtuel partagé. Cette approche atténue les risques de canaux auxiliaires associés aux grands tampons de traduction partagés (TLB) tout en maintenant des performances élevées.
lab
NVIDIA Research
·
il y a 5 j
·
6 vues
Onyx réduit le coût de 1,7 à 9,9 fois et la latence de 2,3 à 12,3 fois pour la recherche ANN disk-oblivious
Les chercheurs proposent Onyx, une approche efficiente en coûts pour la recherche de plus proches voisins approximatifs (ANN) disk-oblivious qui équilibre la bande passante et le nombre d'accès en inversant la conception des systèmes ORAM-ANN les plus avancés.
lab
NVIDIA Research
·
il y a 5 j
·
6 vues
Privatar permet une réalité virtuelle multi-utilisateurs évolutive et préservant la vie privée grâce au déchargement sécurisé
Les chercheurs présentent Privatar, un cadre qui décharge la reconstruction d'avatars des casques vers des appareils locaux non fiables tout en se protégeant contre l'interception des données. Le système exploite les connaissances spécifiques au domaine de la reconstruction d'avatars pour obtenir un déchargement prouvé privé avec un coût minimal en termes de performances.
lab
NVIDIA Research
·
il y a 5 j
·
6 vues
NVIDIA lance GPIR pour la récupération privée d'informations accélérée par GPU
Des chercheurs de NVIDIA ont présenté GPIR, un système qui accélère la Récupération Privée d'Informations (PIR) sur les GPU en traitant le calcul élevé et le trafic mémoire côté serveur inhérents aux protocoles basés sur des treillis. Le système emploie un modèle d'exécution hybride conscient des étapes qui bascule dynamiquement entre les noyaux au niveau de l'opération et au niveau de l'étape pour maximiser la réutilisation des données sur la puce.
lab
NVIDIA Research
·
il y a 5 j
·
7 vues
NVIDIA caractérise les performances et le coût de MPC et FHE pour PPML
Une nouvelle étude présente une caractérisation unifiée au niveau système du calcul multipartite sécurisé (MPC) et du chiffrement entièrement homomorphe (FHE) pour l'inférence d'apprentissage automatique préservant la confidentialité. Le travail évalue deux variantes de MPC — conversion de partage arithmétique/binaire et partage secret de fonctions — ainsi que FHE sur plusieurs modèles CNN et Transformer.