Please use this identifier to cite or link to this item: https://doi.org/10.15480/882.1720
DC FieldValueLanguage
dc.contributor.advisorZimmermann, Karl-Heinz-
dc.contributor.authorBecker, Daniela-
dc.date.accessioned2018-07-24T14:10:33Z-
dc.date.available2018-07-24T14:10:33Z-
dc.date.issued2018-
dc.identifier.urihttp://tubdok.tub.tuhh.de/handle/11420/1723-
dc.description.abstractWir konstruieren neue Verschlüsselungssysteme basierend auf dem Learning With Errors Problem and lösen die folgenden Probleme: Durch datenschutzfreundliche Aggregation lassen sich Daten von mehreren Nutzern unter Wahrung ihrer Privatsphäre aggregieren ohne dem Aggregator zu vertrauen. Unsere Systeme verbessern sowohl Laufzeit als auch Bandbreite der Verschlüsselung, insbesondere die Entschlüsselung ist ca. 150 Mal schneller als zuvor. Überdies stellen wir die erste Lösung für datenschutzfreundliche Werbung auf sozialen Medien vor - unsere Architektur hat hohe Sicherheits- und Privacy-Garantien und bietet kryptographische Beweise für die Korrektheit der Ergebnisse.de
dc.description.abstractWe construct new Learning With Errors-based encryption schemes in order to solve two problems: privacy-preserving data aggregation and privacy-friendly social media marketing.The former allows for the aggregation of privacy-sensitive data from multiple users without trusting the aggregator. Our schemes improve over the state-of-the-art both in terms of runtime and bandwidth e ciency. In particular, our decryption routine is about 150 times faster compared to previous results. Secondly, we propose the first known solution for privacy-friendly social media marketing. Our construction maintains strong security and privacy guarantees and provides cryptographic proofs of correctness.en
dc.language.isoende_DE
dc.rightsinfo:eu-repo/semantics/openAccess-
dc.subjectLWEde_DE
dc.subjectprivacyde_DE
dc.subjectencryptionde_DE
dc.subjectaggregationde_DE
dc.subjectcryptographyde_DE
dc.subject.ddc004: Informatikde_DE
dc.titleLWE-based encryption schemes and their applications in privacy-friendly data aggregationde_DE
dc.typeThesisde_DE
dcterms.dateAccepted2018-07-10-
dc.identifier.urnurn:nbn:de:gbv:830-88221954-
dc.identifier.doi10.15480/882.1720-
dc.type.thesisdoctoralThesisde_DE
dc.type.dinidoctoralThesis-
dc.subject.ddccode004-
dcterms.DCMITypeText-
tuhh.identifier.urnurn:nbn:de:gbv:830-88221954de_DE
tuhh.oai.showtrue-
dc.identifier.hdl11420/1723-
tuhh.abstract.germanWir konstruieren neue Verschlüsselungssysteme basierend auf dem Learning With Errors Problem and lösen die folgenden Probleme: Durch datenschutzfreundliche Aggregation lassen sich Daten von mehreren Nutzern unter Wahrung ihrer Privatsphäre aggregieren ohne dem Aggregator zu vertrauen. Unsere Systeme verbessern sowohl Laufzeit als auch Bandbreite der Verschlüsselung, insbesondere die Entschlüsselung ist ca. 150 Mal schneller als zuvor. Überdies stellen wir die erste Lösung für datenschutzfreundliche Werbung auf sozialen Medien vor - unsere Architektur hat hohe Sicherheits- und Privacy-Garantien und bietet kryptographische Beweise für die Korrektheit der Ergebnisse.de_DE
tuhh.abstract.englishWe construct new Learning With Errors-based encryption schemes in order to solve two problems: privacy-preserving data aggregation and privacy-friendly social media marketing.The former allows for the aggregation of privacy-sensitive data from multiple users without trusting the aggregator. Our schemes improve over the state-of-the-art both in terms of runtime and bandwidth e ciency. In particular, our decryption routine is about 150 times faster compared to previous results. Secondly, we propose the first known solution for privacy-friendly social media marketing. Our construction maintains strong security and privacy guarantees and provides cryptographic proofs of correctness.de_DE
tuhh.publication.instituteEingebettete Systeme E-13de_DE
tuhh.identifier.doi10.15480/882.1720-
tuhh.type.opusDissertationde
tuhh.institute.germanEingebettete Systeme E-13de
tuhh.institute.englishEingebettete Systeme E-13de_DE
tuhh.gvk.hasppnfalse-
tuhh.contributor.refereeBrzuska, Chris-
tuhh.hasurnfalse-
openaire.rightsinfo:eu-repo/semantics/openAccessde_DE
dc.type.driverdoctoralThesis-
thesis.grantor.universityOrInstitutionTechnische Universität Hamburgde_DE
thesis.grantor.placeHamburgde_DE
dc.type.casraiDissertationen
dc.rights.nationallicensefalsede_DE
item.fulltextWith Fulltext-
item.creatorOrcidBecker, Daniela-
item.creatorGNDBecker, Daniela-
item.grantfulltextopen-
item.advisorGNDZimmermann, Karl-Heinz-
Appears in Collections:Publications (tub.dok)
Files in This Item:
File Description SizeFormat
becker_dissertation_final.pdf1,7 MBAdobe PDFThumbnail
View/Open
Show simple item record

Page view(s)

204
Last Week
2
Last month
9
checked on Apr 19, 2019

Download(s)

158
checked on Apr 19, 2019

Google ScholarTM

Check

Export

Items in TORE are protected by copyright, with all rights reserved, unless otherwise indicated.