Newest papers

PRICE: Privacy-Preserving Image Classification in Mobile Edge-Cloud Computing With Homomorphic Encryption

Duc-Huy Nguyen, Bui Duc Manh, Chi-Hieu Nguyen, Dinh Thai Hoang, Diep N. Nguyen, Van-Dinh Nguyen, Quoc‐Viet Pham · 2026 · IEEE Transactions on Mobile Computing

DOI: 10.1109/tmc.2026.3745977 · cited by 0 works (OpenAlex) · open-access PDF

Vietnamese

Chế độ phân loại hình ảnh được hỗ trợ bởi hệ thống định dạng thấp hơn cho phép nhiều ứng dụng AI di động, nhưng việc truyền hình ảnh thô vào đám mây làm tăng mối quan tâm về quyền riêng tư đáng kể. Mã hóa trả tiền (HE) cho phép tính toán trên dữ liệu mã hóa hiệu quả thấp; tuy nhiên, các đường ống kết luận dựa trên hệ thống định dạng HE hiện tại có thể gây ra độ trễ hạn chế và tính toán trên đầu trang, hạn chế khả năng thực hiện của chúng đối với các hệ thống di động nhạy cảm với độ trễ. Bài báo này đề cập đến cách cho phép phân loại hình ảnh mã hóa hiệu quả trong môi trường đám mây cạnh di động mà không phải hy sinh độ chính xác. Chúng tôi đề xuất PRICE, một kiến trúc đám mây cạnh ba tầng mà phân chia kết luận mạng thần kinh sâu giữa một khe được tin cậy và một đám

Machine translation (Meta M2M100); the English original follows.

Abstract

Cloud-assisted image classification enables many mobile AI applications, but transmitting raw images to the cloud raises significant privacy concerns. Homomorphic encryption (HE) allows computation over encrypted data; however, existing end-to-end HE-based inference pipelines incur prohibitive latency and computational overhead, limiting their feasibility for latency-sensitive mobile systems. This paper addresses how to enable efficient encrypted image classification in mobile edge-cloud environments without sacrificing accuracy. We propose PRICE, a three-tier edge-cloud architecture that partitions deep neural network inference between a trusted edge and an untrusted cloud. The edge performs lightweight feature extraction in plaintext, while only compact embeddings are encrypted using the Cheon-Kim-Kim-Song (CKKS) scheme and offloaded to the cloud for encrypted final-layer inference. This design avoids homomorphic evaluation of deep backbone layers, significantly reducing computation depth, ciphertext size, and end-to-end latency. To further improve efficiency, we develop RowHyDiag, a row-packed hybrid diagonal encoding with hoisted-rotation-aware encrypted matrix-vector computation, which minimizes rotation operations and improves slot utilization. Extensive experiments on real devices across five datasets demonstrate that, under the evaluated 128-bit-security configurations, RowHyDiag achieves up to 31.8$\times$ faster cloud inference, 85.3$\times$ fewer rotations, and 83.0$\times$ lower setup payload than the conventional Halevi-Shoup diagonal method. RowHyDiag also outperforms the PEGASUS linear-transformation baseline, providing 1.1-4.5$\times$ faster cloud inference and 1.2-3.4$\times$ lower setup payload. The results show that PRICE enables deployment-ready, low-latency encrypted inference for mobile edge-cloud systems under a trusted-edge threat model.

Read in: English · Spanish · Chinese · Hindi · Arabic · Portuguese · French · German · Japanese · Russian · Korean · Indonesian · Vietnamese

Topics: Computer science, Homomorphic encryption, Encryption, Cloud computing, Ciphertext, Payload (computing)

Sources: OpenAlex (CC0), arXiv, Crossref. Agent Exchange