Route Extrapolation for Source and Destination Camouflage in Wireless Ad Hoc Networks
在无线自组织网络中，由于恶意流量分析和隐私攻击，保护源节点和目的节点的位置隐私是一项具有挑战性的任务。现有的解决方案，如在网络中加入虚假的源/目的地对，提供了真实源和目的地节点的一些隐私，以对抗攻击者。此外，ad hoc网络需要更强的隐私保护来对抗强大的全局攻击者，这些攻击者具有整体网络拓扑的知识，并且还可以窃听和可视化网络范围内的数据传输。在本文中，我们提出了一种新的隐私技术，（EXTROUT）路由外推伪装真正的源节点和目的地节点沿着一个扩展的路径在一个ad hoc网络。我们证明，隐私级别达到EXTROUT是更高，更有效地对抗全球攻击者，相比，假源目的地节点的隐私计划。
2012-08-28 cs.CR cs.NI
Schnorr Approval-Based Secure and Privacy-Preserving IoV Data Aggregation
本文提出一种基于双层架构的Schnorr批准式IoV数据聚合框架，无需同态加密即可保护隐私并防御虚假数据注入攻击，实现责任分离且计算轻量。
2024-02-14 cs.CR cs.NI
Privacy Preservation for Wireless Sensor Networks in Healthcare: State of the Art, and Open Research Challenges
微型生物传感器的出现为在医疗保健中部署无线传感器网络带来了许多机会。然而，一个重要的障碍是，医疗保健利益相关者的接受程度受到个人和亲密信息的隐私保护措施的有效性的影响，这些信息是在这些网络内外通过空中收集和传输的。特别是，这些网络正在超越传统的传感器，朝着使用多媒体传感器的方向发展，这引起了进一步的隐私问题。讽刺的是，与安全性相比，对隐私保护的研究较少。然而，隐私保护已经逐渐从被认为是安全措施的一个隐含的副产品，它正在成熟为一个研究关注自己的权利。然而，还需要进一步的技术和社会技术进步。作为对激发进一步研究的贡献，本文的特点包括：（i）明确锚定的隐私保护的文献调查，它是通过从安全目标中解开隐私目标的支持，以避免混淆隐私和安全问题，因为这是经常在其他文件的情况;（ii）对医疗保健中无线传感器网络的隐私保护服务进行严格调查，包括威胁分析和评估方法;它还为医疗保健领域隐私保护的多方面挑战以及隐私威胁、攻击和对策提供了分类树; ㈢讨论了技术进步，并对监管框架的影响进行了反思;（四）公开研究挑战的讨论，从而为未来的研究提供了方向，以打开隐私保护的大门，这是适合20世纪的医疗保健。第一个世纪
2020-12-23 cs.CR cs.NI
Robust Aggregation for Adaptive Privacy Preserving Federated Learning in Healthcare
联邦学习（FL）使来自多个数据拥有方的协作训练模型成为可能，而无需共享数据。考虑到患者医疗数据的隐私法规，医疗保健中基于学习的系统可以从隐私保护FL方法中受益匪浅。然而，典型的模型聚合方法在FL是敏感的局部模型更新，这可能会导致在学习一个强大的和准确的全局模型失败。在这项工作中，我们实现和评估不同的强大的聚合方法在FL应用于医疗数据。此外，我们表明，这种方法可以检测和丢弃错误或恶意的本地客户端在训练过程中。我们使用两个真实世界的医疗数据集进行两组实验，用于训练医疗诊断分类任务。每个数据集被用来模拟三种不同的鲁棒FL聚合策略面对不同的中毒攻击时的性能。结果表明，隐私保护方法可以成功地应用在一起拜占庭鲁棒聚合技术。我们特别观察到使用差分隐私（DP）不会显著影响不同聚合策略的最终学习收敛。
2020-09-17 cs.CR
A Robust and Secure Aggregation Protocol for Wireless Sensor Networks
无线传感器网络（WSN）的目的是为用户提供从空间分布的传感器收集的数据中获取感兴趣的信息。一般来说，用户只需要这种分布式数据的某些聚合函数。为此目的，在端到端信息流范例下通过将所有相关数据传送到中央收集器节点来计算该聚合数据是非常低效的解决方案。另一个建议是执行网络内计算。然而，这提出了一些问题，例如：从存储在不同节点中的一组统计相关值计算聚合函数的最佳方式是什么;这种聚合的安全性是什么，因为网络中受损或故障节点发送的结果可能会对计算结果的准确性产生不利影响。在本文中，我们提出了一种能量有效的聚合算法的无线传感器网络，是安全的和强大的恶意内部攻击的任何妥协或故障节点在网络中。与传统的无线传感器网络中的快照聚合方法相比，该算法中的节点不是将其感知信息单播到其父结点，而是将其估计广播到其所有邻居。这使得系统更具有容错性，并增加了网络中的信息可用性。对所提出的算法进行了仿真，结果表明其有效性。
2011-01-16 cs.CR cs.NI
The Application of Differential Privacy for Rank Aggregation: Privacy and Accuracy
Princeton University（普林斯顿大学）
隐私泄露的潜在风险阻止用户在社交平台上分享他们的诚实意见。本文讨论了隐私保护的问题，如果查询返回的排名直方图。将差分隐私框架应用于等级聚合。为了实现差分隐私，分析了作为添加噪声的结果的聚合排名的错误概率。上界的出错率的任何位置的排名规则的假设下，配置文件均匀分布。仿真结果验证了概率分析。
2014-09-24 cs.AI cs.CR
RSAED: Robust and Secure Aggregation of Encrypted Data in Wireless Sensor Networks
近年来，无线传感器网络中的安全网内聚合成为一个具有挑战性的问题，由于传感器部署在网络中的大量应用和安全需求，该领域的研究得到了广泛的关注。在过去的几年中，已经提出了加密数据的聚合，以保持传感器和sink之间的秘密性，因此提供了端到端的数据机密性。但是，数据完整性问题没有得到解决。在本文中，我们提出的RSAED，允许在中间结点的完整性验证，确保基站接收的密文，只有来自合法的节点，也提高了效率。通过实现结果，我们评估我们的计划，计算和通信开销。
2012-12-11 cs.CR
Data Aggregation and Privacy for Police Patrols
随着无线传感器网络潜在应用的广泛增长，对无线传感器网络安全机制的需求也越来越大。本文提出了一种方案，警察巡逻的隐私（PPP），提供安全的数据聚合，依赖于多级路由。隐私因素已被确定和实施。编制汇总表，收集信息摘要并储存在储存库中。上述定义的方法集成在警察巡逻的应用，并取得了初步的成果。
2011-07-20 cs.CR
A Secure Aggregation Protocol for Wireless Sensor Networks
无线传感器网络（WSN）的目的是为用户提供从空间分布的传感器收集的数据中获取感兴趣的信息。一般来说，用户只需要这种分布式数据的某些聚合函数。为此目的，在端到端信息流范例下通过将所有相关数据传送到中央收集器节点来计算该聚合数据是非常低效的解决方案。另一个建议是执行网络内计算。然而，这提出了一些问题，例如：从存储在不同节点中的一组统计相关值计算聚合函数的最佳方式是什么;这种聚合的安全性是什么，因为网络中受损或故障节点发送的结果可能会对计算结果的准确性产生不利影响。在本文中，我们提出了一种能量有效的聚合算法的无线传感器网络，是安全的和强大的恶意内部攻击的任何妥协或故障节点在网络中。与传统的无线传感器网络中的快照聚合方法相比，该算法中的节点不是将其感知信息单播到其父结点，而是将其估计广播到其所有邻居。这使得系统更具有容错性，并增加了网络中的信息可用性。对所提出的算法进行了仿真，结果表明其有效性。
2010-12-12 cs.CR cs.NI
Noisy Networks, Nosy Neighbors: Inferring Privacy Invasive Information from Encrypted Wireless Traffic
本研究通过模拟邻居被动观察智能家居加密无线流量，识别设备、推断活动状态和位置，证明隐私风险可超越数据泄露，仅凭加密流量即可获取生活洞察。
2025-09-27 cs.CR cs.NI
FAIR: Fuzzy-based Aggregation providing In-network Resilience for real-time Wireless Sensor Networks
本文介绍了FAIR，一个新的框架，基于模糊的聚合提供在网络弹性的无线传感器网络。FAIR解决了恶意聚合器节点操纵数据的可能性。它基于WSN响应的信任级别提供数据完整性，并且它容忍链路或节点故障。与现有的解决方案相比，它提供了一个通用的聚合模型，并使查询者可以看到信任级别。我们将所提出的方法分类为补充协议，以确保对传感器叶节点提供错误数据的弹性。由于我们灵活的弹性框架和模糊推理方案的使用，我们在很短的设计周期内取得了可喜的成果。
2009-01-08 cs.CR
Secure Hop-by-Hop Aggregation of End-to-End Concealed Data in Wireless Sensor Networks
在关键任务无线传感器网络（WSNs）中，网内数据聚合是实现有效传输和更好节能的关键技术。聚合无线传感器网络的常见安全协议是逐跳或端到端的，每种协议都有自己的加密方案，考虑到不同的安全原语。端到端加密数据聚合协议引入了最大的数据保密性，但数据聚合效率低下，更容易受到主动攻击，而逐跳数据聚合协议引入了最大的数据完整性，但数据聚合效率高，更容易受到被动攻击。在本文中，我们提出了一个安全的聚合协议部署在恶劣的环境中，其中存在双重攻击模式的聚合传感器网络。我们提出的协议是一个灵活的数据聚合，在逐跳协议和最佳的数据保密性，在端到端协议的混合。我们的协议引入了一个有效的O（1）的启发式检查数据的完整性，以及成本有效的基于启发式的分而治之的证明过程，这是$O(\ln{n})$在平均-O（n）在最坏的情况下-进一步验证的聚合结果。
2008-03-25 cs.CR cs.IT cs.NI
Privacy-Preserving Data Aggregation Techniques for Enhanced Efficiency and Security in Wireless Sensor Networks: A Comprehensive Analysis and Evaluation
本文提出一种多维隐私保护数据聚合方法，通过恒定通信开销抵御合谋攻击并降低能耗，在大规模无线传感器网络中优于现有方案。
2024-03-29 cs.CR
Security and Privacy Challenges in Cognitive Wireless Sensor Networks
无线传感器网络（WSNs）由于其在现实世界中广泛的实际应用中的潜在适用性，引起了研究界的极大兴趣。然而，由于其分布式特性及其在关键应用中的部署，而无需人为干预以及所传输数据的敏感性和关键性，这些网络容易受到许多安全和隐私威胁的影响，从而对其性能产生不利影响。这些问题在认知无线传感器网络（CWSNs）中变得更加关键，在认知无线传感器网络中，传感器节点具有根据其操作的无线电环境改变其发送和接收参数的能力，以实现可靠和高效的通信以及网络资源的最佳利用。本章通过识别这些网络中的各种安全威胁和各种防御机制来对抗这些漏洞，对CWSNs中的安全和隐私问题进行了全面讨论。根据攻击的性质和攻击目标，将针对CWSNs的各种攻击分为不同的类别，并针对每一类攻击，讨论了相应的安全机制。一些关键的研究问题，在CWSNs的安全和隐私也确定。
2013-02-09 cs.CR cs.NI
A General Purpose Data and Query Privacy Preserving Protocol for Wireless Sensor Networks
无线传感器网络是由大量的空间分布的设备组成的，这些设备配备有传感技术，并通过无线电信号互连。部署用于监控目的的WSN可以提供对被监控环境的无处不在的视图。然而，对所收集的数据的管理非常消耗资源，并引起安全和隐私问题。在本文中，我们提出了一个隐私保护协议收集聚合数据从无线传感器网络。该协议依赖于洋葱路由技术来提供均匀分布的网络流量，并限制外国参与者可以从监视网络中传输的消息中获得的知识。我们的解决方案采用了网络中的节点的计算能力，通过传递给他们的通用计算机代码，在现场处理和聚合的数据来源于多个传感器节点。我们补充我们的工作与建议的解决方案，使用网络模拟器NS-3的模拟。模拟结果概述了解决方案的可扩展性，并突出了潜在的限制。
2021-11-29 cs.CR cs.NI
RAIN: Secure and Robust Aggregation under Shuffle Model of Differential Privacy
Beijing Institute of Technology（北京理工大学）；Minzu University of China（中央民族大学）
RAIN提出了一种在差分隐私洗牌模型下实现安全、稳健和可验证的聚合框架，通过符号空间聚合和秘密共享协议提升隐私保护和对抗鲁棒性。
2026-03-03 cs.CR
Privacy-Preserving Machine Learning Training in Aggregation Scenarios
为了发展智慧城市，机器学习（ML）越来越受欢迎，它欣赏从各种物联网设备生成的高质量训练数据集，这就自然而然地提出了关于在这种环境中可以提供的隐私保证的问题。聚合场景中的隐私保护ML训练使模型需求者能够使用从个人IoT设备收集的敏感IoT数据安全地训练ML模型。现有的解决方案通常是服务器辅助的，无法处理服务器之间或服务器与数据所有者之间的共谋威胁，并且不匹配物联网的微妙环境。我们提出了一个名为Heda的隐私保护ML训练框架，该框架由一个基于部分同态加密（PHE）的构建块库组成，能够在不依赖不可信服务器的情况下为聚合场景构建多个隐私保护ML训练协议，并在共谋情况下保护安全性。严格的安全性分析表明，所提出的协议可以保护诚实但好奇模型中每个参与者的隐私，并在大多数共谋情况下维护安全。大量的实验验证了Heda的效率，它在不损失模型准确性的情况下实现了隐私保护的ML训练。
2020-09-21 cs.CR
Privacy-Preserving Model Aggregation for Asynchronous Federated Learning
本文提出 PPA-AFL 框架，结合 Paillier 同态加密与秘密共享，在异步联邦学习中实现本地模型更新的隐私保护聚合，并通过实验验证其有效性。
2023-05-27 cs.CR
Bit-efficient Numerical Aggregation and Stronger Privacy for Trust in Federated Analytics
边缘设备（从智能手机到汽车电子产品）生成的私人数据在聚合时具有高度的信息性，但在处理不当时可能会造成破坏。各种解决方案正在探索中，但尚未赢得公众的信任和移动平台的全力支持。在这项工作中，我们提出了数值聚合协议，经验上改进现有技术，同时提供可比的本地差分隐私保证。每个值共享单个私有位支持隐私计量，其实现了未被差分隐私覆盖的隐私控制和保证。我们把重点放在易于实施，与现有方法的兼容性，和令人信服的经验表现。
2021-08-03 cs.CR cs.DS
Correction to Local Information Privacy and Its Applications to Data Aggregation
本文修正了先前提出的LIP隐私保护机制在有效隐私参数范围上的错误，提出了扩展该范围的算法，并讨论了修正结果对原实验的影响。
2024-10-16 cs.CR
On the Security of Privacy-Preserving Vehicular Communication Authentication with Hierarchical Aggregation and Fast Response
在[3]中，作者提出了一种用于安全车辆通信的高效安全和隐私保护方案。该方案由四个协议组成：系统设置，STP和STK分发协议，公共字符串同步协议，以及车载通信协议。在这里，我们定义了安全模型的协议，STP和STK分布，以及协议的车辆通信，分别。然后，我们证明了这两个协议是安全的，在我们的模型。
2015-08-07 cs.CR
Distributed Differentially Private Ranking Aggregation
在协同决策中，排序聚合通常被用来帮助将多个排序组合成单个代表。为了保护每个个体的实际排名，经常使用一些隐私保护策略，例如差分隐私。然而，这并没有考虑到从个人那里收集所有排名的策展人是不值得信赖的情况。本文提出了一种基于分布式差分隐私框架的解决方案。该机制收集个人的局部差异私有排名，然后使用洗牌模型随机排列成对排名，以进一步增强隐私保护。最后的代表是由分层等级聚合。对该机制进行了理论分析，并与现有方法进行了实验比较，结果表明该机制在输出准确性和隐私保护方面都具有竞争力。
2022-02-07 cs.CR
Private Rank Aggregation under Local Differential Privacy
排名聚合作为众包数据管理中的一种答案聚合方法，其目的是将不同主体对给定备选方案的答案或偏好组合成一个与偏好最一致的聚合排名。然而，由于聚合过程依赖于数据管理者，当管理者不受信任时，代理偏好数据内的隐私可能会受到损害。现有的保证等级聚合中差分隐私的工作都假设数据管理者是可信的。在本文中，我们制定和解决问题的本地差分私人排名聚合，其中代理人没有信任的数据管理员。通过利用近似秩聚集算法KwikSort、随机响应机制和拉普拉斯机制，我们提出了一个有效的和高效的协议LDP-KwikSort。理论和实验结果表明，LDP-KwikSort：RR能够在聚合排序的效用和代理人的成对偏好的隐私保护之间达到可接受的折衷.
2020-06-30 cs.CR cs.DS cs.MA
A Novel Approach for Secure Data Aggregation in Wireless Sensor Networks
无线传感器网络是由资源匮乏的传感器节点组成的网络，这些节点被部署来感知、处理和向基站传送重要信息。一方面由于传感器节点中的资源受到严格的约束，另一方面由于通信成本总是显著高于数据处理成本，因此无线传感器网络通常采用网络内处理，其目的在于有效地减少最终发送到基站的分组的总数。这种网络内处理主要采用数据聚合操作，将数据聚合成紧凑的表示以供进一步传输。然而，由于无处不在的部署，更重的资源需求的安全协议，由于在无线传感器网络节点的严格的资源约束，在无线传感器网络的安全问题，甚至在其他方面至关重要。当使用数据聚合时，这些问题呈现出惊人的比例，其中数据聚合器节点的输出取决于各种其他节点的输出。因此，数据聚合的协议必须仔细设计，并不断注意确保数据的安全性。在本文中，我们的调查现有的研究工作，以确保安全的数据聚合的基础上，我们提出了一种新的方法，使用同态加密和添加数字签名，以实现机密性，完整性和可用性的安全数据聚合在无线传感器网络。
2012-03-21 cs.CR
When Secure Aggregation Falls Short: Achieving Long-Term Privacy in Asynchronous Federated Learning for LEO Satellite Networks
本文针对低轨卫星网络中传统安全聚合在间歇可见性和多轮隐私泄露方面的不足，提出异步联邦学习框架LTP-FLEO，通过隐私感知卫星划分、模型年龄平衡和公平全局聚合实现长期隐私保护并加速收敛。
2025-08-19 cs.CR
Secure Aggregation Is Not All You Need: Mitigating Privacy Attacks with Noise Tolerance in Federated Learning
National Taiwan University（台湾大学）
联邦学习是一种协作方法，旨在创建AI模型的同时保护数据隐私。当前的联邦学习方法往往严重依赖于安全聚合协议来保护数据隐私。然而，在某种程度上，这样的协议假设编排联邦学习过程的实体（即，服务器）并非完全恶意或不诚实。我们调查安全聚合的漏洞，如果服务器是完全恶意的，并试图获得访问私人，潜在的敏感数据可能会出现。此外，我们还提供了一种方法来进一步防御这种恶意服务器，并证明了在联邦学习设置中重建数据的已知攻击的有效性。
2022-11-10 cs.AI cs.CR
Efficient Secure Aggregation for Privacy-Preserving Federated Machine Learning
针对联邦学习安全聚合中通信与计算开销大的问题，提出e-SeaFL协议，利用辅助节点和同态向量承诺实现单轮通信的可验证聚合，效率较现有最优方法提升一个数量级。
2024-11-08 cs.CR
Quantum Privacy Aggregation of Teacher Ensembles (QPATE) for Privacy-preserving Quantum Machine Learning
Wells Fargo（富国银行）
本文首次将教师集成隐私聚合（PATE）技术应用于量子神经网络集成，提出 QPATE 方法，为量子机器学习模型提供隐私保护。
2024-01-15 cs.CR cs.LG quant-ph
On Insecure Uses of BGN for Privacy Preserving Data Aggregation Protocols
本文研究BGN密码系统中Shi等人盲化技术的隐私问题，发现其不保护接收者隐私，基于配对使DDH易解，并提出防止泄露的建议。
2023-03-06 cs.CR
RIOT-based smart metering system for privacy-preserving data aggregation using watermarking and encryption
针对智能电网中智能电表数据的隐私安全风险，本研究提出结合可逆水印与AES加密的隐私保护数据聚合协议，分高低频电表适配不同水印方案，经RIOT系统硬件实验验证，其隐私保护效果优于现有方案。
2025-01-13 cs.CR
PrivAgE: A Toolchain for Privacy-Preserving Distributed Aggregation on Edge-Devices
针对边缘设备敏感分布式数据分析的隐私保护需求，提出兼顾设备资源限制、结合安全求和与差分隐私的PrivAgE工具链，经多指标测试验证了其性能与功能扩展性。
2024-04-12 cs.CR
Context-aware Data Aggregation with Localized Information Privacy
University of Arizona（亚利桑那大学）
本文提出了局部信息隐私（LIP），作为一种新的隐私定义，它允许统计聚合，同时保护用户的隐私，而不依赖于可信的第三方。上下文感知的概念被纳入LIP的先验知识的引入，这使得设计的隐私保护的数据聚合。我们表明，LIP放松本地化差分隐私（LDP）的概念，明确建模对手的知识。然而，它比$2ε$ -LDP和$ε$ -互信息保密性更严格。与其他方法相比，局部先验的结合允许LIP实现更高的效用。然后，我们提出了一个隐私保护数据聚合的优化框架，目标是在满足LIP隐私约束的同时最小化预期平方误差。实用性和隐私的权衡下得到几个模型的封闭形式。然后，我们验证我们的分析{数值分析}使用合成和真实世界的数据。结果表明，我们的LIP机制提供了更好的实用性和隐私的权衡比LDP和先验分布不均匀时，LIP的优势更加显着。
2018-07-31 cs.CR cs.IT cs.LG
Towards Privacy-Preserving Medical Imaging: Federated Learning with Differential Privacy and Secure Aggregation Using a Modified ResNet Architecture
Istanbul University-Cerrahpasa（伊斯坦布尔大学-切尔拉帕萨分校）；Queen’s University（女王大学）
本文提出结合本地差分隐私、安全多方计算安全聚合与 DPResNet 的联邦医学影像分类框架，并在 BloodMNIST 跨医院场景中验证其可在严格保密下取得接近非隐私模型的性能。
2024-12-01 cs.CR cs.LG
Privacy-preserving data aggregation in resource-constrained sensor nodes in Internet of Things: A review
隐私问题是致命的，比物联网（IoT）概念的任何其他问题都受到更多的关注。由于物联网有许多应用领域，包括灵巧家庭，智能电网，智能医疗系统，智能和智能交通等等。这些应用中的大多数都是由资源受限的传感器网络提供动力的，例如智能医疗系统由无线体域网（WBAN）提供动力，灵巧家庭和天气监测系统由无线传感器网络（WSN）提供动力。在上述应用领域中，传感器节点寿命是这些技术的一个非常重要的方面，因为它明显影响网络寿命和性能。数据聚合技术被用来通过减少通信开销来增加传感器节点的寿命。然而，当数据在中间结点聚集以减少通信开销时，数据隐私问题变得更加脆弱。不同的隐私保护数据聚合（PPDA）技术已被提出，以确保在资源受限的传感器节点的数据聚合过程中的数据隐私。我们提供了一个审查和比较分析的最先进的PPDA技术在本文中。比较分析是基于计算成本，通信开销，隐私级别，抵抗恶意聚合器，传感器节点寿命和传感器节点的能量消耗。我们研究了最新的技术，并对这些技术中涉及的微小步骤进行了深入分析。据我们所知，这项调查是最新的和全面的研究PPDA技术。
2018-12-11 cs.CR
Efficient User-Centric Privacy-Friendly and Flexible Wearable Data Aggregation and Sharing
针对可穿戴数据共享中的隐私风险，提出SAMA方案，结合多密钥部分同态加密和属性加密，实现高效、用户中心的灵活数据聚合与细粒度共享。
2024-03-03 cs.CR
What Does The Crowd Say About You? Evaluating Aggregation-based Location Privacy
关于人们的移动和他们访问的位置的信息使得越来越多的移动分析应用成为可能，例如，在城市和交通规划的背景下，在这种设置中，实体通常使用聚合作为隐私保护机制，目的是隐藏个体用户的位置轨迹，而不是收集或共享原始数据。此外，为了限制来自聚合的信息泄漏，它们可以干扰聚合的输入或输出，以确保这些是差异私有的。在本文中，我们将评估的影响，释放聚合位置的时间序列的个人贡献的聚合的隐私。我们引入了一个框架，使我们能够对试图预测用户的位置或恢复其移动模式的对手的隐私的原因。我们将这些攻击形式化为推理问题，并讨论了几种策略来模拟对手的先验知识的基础上，她可能会获得的信息。然后，我们使用的框架来量化的隐私损失所产生的聚合位置数据，有和没有保护的差分隐私，使用两个真实世界的移动数据集。我们发现，聚集泄漏个人的准时位置和移动配置文件的信息。观测的密度以及时间安排起着重要的作用，例如，在繁忙时间有规律的出入境较零星的出入境为佳。最后，我们的评估表明，输出和输入扰动几乎没有提供额外的保护，除非它们引入大量的噪声，最终破坏数据的效用。
2017-06-10 cs.CR
Waveform-Defined Privacy: A Signal Solution to Protect Wireless Sensing
无线信号通常用于通信。新兴的应用正在赋予无线信号新的功能，其中无线传感是最具吸引力的一种。信道状态信息（CSI）不仅是通信中信道均衡的参数，而且是无线传感的指示器。然而，由于无线信号的广播性质，窃听者可以很容易地捕获合法的用户信号，并通过测量CSI侵犯用户隐私。此外，硬件的进步简化了非法窃听，因为智能设备可以通过墙壁跟踪无线信号。因此，这项工作认为波形定义的隐私（WDP）的解决方案，可以隐藏CSI相位信息，从而保护用户隐私。此外，所提出的波形解决方案由于使用了独特的调制机制而实现了更好的性能。另外，通过调谐波形参数，波形还可以增强通信安全性。
2021-12-21 cs.CR eess.SP
Wireless Federated Learning with Local Differential Privacy
在本文中，我们研究了联邦学习（FL）在无线信道上的问题，建模为高斯多址接入信道（MAC），受本地差分隐私（LDP）的约束。我们发现，无线信道的叠加性质提供了带宽高效的梯度聚合的双重好处，结合强大的LDP保证的用户。我们提出了一个私人无线梯度聚合方案，这表明，当聚合$K$用户的梯度，隐私泄漏每个用户的规模为$\mathcal{O}\big(\frac{1}{\sqrt{K}} \big)$相比，正交传输中的隐私泄漏规模为一个常数。我们还提出了建议的私人FL聚合算法的收敛速度的分析和研究之间的权衡无线资源，收敛性和隐私。
2020-02-12 cs.CR cs.IT math.IT
Privacy-Preserving Aggregation in Federated Learning: A Survey
近年来，随着联邦学习（FL）算法的广泛应用和对个人数据隐私的日益关注，隐私保护联邦学习（PPFL）引起了学术界和工业界的极大关注。Practical PPFL通常允许多个参与者单独训练他们的机器学习模型，然后将其聚合以隐私保护方式构建全局模型。因此，隐私保护聚合（PPAgg）作为PPFL中的关键协议受到了广泛的研究兴趣。本调查旨在填补大量PPFL研究之间的空白，PPAgg被采用来提供隐私保证，而缺乏对FL系统中应用的PPAgg协议的全面调查。在这项调查中，我们审查PPAgg协议提出的FL系统中的隐私和安全问题。重点放在PPAgg协议的建设与这些选定的PPAgg协议和解决方案的优点和缺点进行了广泛的分析。此外，我们还讨论了支持PPAgg的开源FL框架。最后，我们强调了重要的挑战和未来的研究方向应用PPAgg FL系统和PPAgg与其他技术的结合，进一步提高安全性。
2022-07-13 cs.CR
A Light Weight Protocol to Provide Location Privacy in Wireless Body Area networks
位置隐私是无线体域网的主要安全问题之一。窃听者可以跟踪设备通信的地点和时间。更糟糕的是，攻击者不必在物理上靠近通信设备，他可以使用具有更强天线的设备。移动终端的唯一硬件地址通常可以链接到操作该设备的用户的身份。这是对用户隐私的侵犯。用户应该决定何时显示他/她的位置，何时不显示。在本文中，我们首先对WBAN的窃听者类型进行了分类，然后提出了一种新的方案来提供位置隐私的无线体域网（WBAN）。
2011-03-16 cs.CR
Aggregation Architecture for Data Reduction and Privacy in Advanced Metering Infrastructure
高级计量基础设施（AMI）已经迅速成为国际关注的话题，因为政府已经出于公用事业服务可靠性和效率的目的赞助了它们的部署，例如，节约水电。两个问题困扰着这样的部署。首先是保护消费者隐私。第二个问题是来自这种部署的大量数据。提出了一种新的体系结构，以解决这些问题，通过使用聚合器，其中包括临时数据缓冲和公用事业网格分析的模块化。这些聚合器用于向中央公用事业提供匿名汇总数据，同时保留计费和自动连接服务。
2016-07-19 cs.CR
Optimizing Smart Grid Aggregators and Measuring Degree of Privacy in a Distributed Trust Based Anonymous Aggregation System
智能电网是一种先进的向消费者供电的方法，可以缓解现有系统的局限性。它导致从最终用户到供应商的频繁的仪表读数传输。这种频繁的数据传输会带来隐私风险。已经提出了一些工作来解决这个问题，但不能确保隐私的最佳水平。这项工作是基于一个分布式的基于信任的数据聚合系统，利用秘密共享机制。在这项工作中，我们表明，{ \em三个聚合器}是足够的，以确保消费者的隐私在一个分布式的信任为基础的系统。我们在研究中利用匿名的思想，表明无论是主动攻击者还是被动攻击者都无法侵犯消费者的隐私。我们证明了我们的概念数学和基于加密游戏的机制。我们命名我们的新系统\emph{"Distributed Trust Based Anonymous System (DTBAS)"}。
2020-06-10 cs.CR cs.DC
RASE: Efficient Privacy-preserving Data Aggregation against Disclosure Attacks for IoTs
针对物联网中数据聚合面临的披露攻击问题，本文提出了一种名为RASE的隐私保护新范式，通过差分隐私随机化器添加噪声、混洗器随机置换和参数估计三步流程，在保护数据隐私的同时实现了高效的聚合效用。
2024-05-31 cs.CR
Applying the Shuffle Model of Differential Privacy to Vector Aggregation
在这项工作中，我们介绍了一个新的协议，矢量聚合的背景下，洗牌模型，最近的模型内差分隐私（DP）。它位于集中式模型和本地模型之间，集中式模型优先考虑数据的准确性水平，而本地模型则通过更高的噪声要求来抵消信任的提高。Shuffle模型的开发是为了通过增加一个shuffle步骤在这两个模型之间提供一个良好的平衡，该步骤将用户从他们的数据中解脱出来，同时保持适度的噪声要求。我们使用高级合成结果为Shuffle模型中的实向量求和提供了单一消息协议。我们的贡献提供了一种机制，使私人聚合和分析更复杂的结构，如矩阵和高维张量，这两者都依赖于向量的情况下的功能。
2022-01-31 cs.CR
REAP: An Efficient Incentive Mechanism for Reconciling Aggregation Accuracy and Individual Privacy in Crowdsensing
激励机制在隐私感知中起着至关重要的作用。以往关于激励机制与隐私保护协同设计的研究大多假设一个可信的融合中心。最近的工作已采取措施放宽对可信FC的假设，并允许参与用户（PU）在报告原始传感数据之前向其添加经过良好校准的噪声，而重点是使用二进制数据的数据主体的平衡行为。本文的目的是量化隐私补偿的连续数据感测，同时允许FC直接控制PU的范式转变。在这种情况下有两个相互冲突的目标：FC期望更好的质量数据，以实现更高的聚合精度，而PU更喜欢添加更大的噪声，以获得更高的隐私保护级别（PPL）。为了达到一个很好的平衡，我们设计了一个有效的激励机制，以重新协调FC的聚合精度和个人PU的数据隐私（REAP）。具体来说，我们采用著名的差分隐私的概念来衡量PU的PPL和量化他们对FC的聚合精度的影响。在此基础上，运用契约理论，设计了一种激励机制，使FC在给定预算下的聚合精度最大化。建议的激励机制提供不同的合同，以不同的隐私偏好的PU，FC可以直接控制PU。它可以进一步克服信息不对称，即，FC通常不知道每个PU的精确隐私偏好。在完全信息和不完全信息两种情形下，我们都得到了最优契约的封闭解。此外，结果被推广到连续的情况下，PU的隐私偏好采取的值在一个连续的域。大量的仿真结果验证了我们提出的激励机制的可行性和优势。
2017-11-02 cs.CR cs.GT
Privacy-Preserving, Dropout-Resilient Aggregation in Decentralized Learning
本文针对去中心化学习中的隐私泄露与客户端掉线问题，提出了三种基于秘密共享的抗掉线聚合方法，实验证明其在高掉线率与大规模模型场景下显著优于传统方法。
2024-04-27 cs.AI cs.CR
Sparsified Secure Aggregation for Privacy-Preserving Federated Learning
University of California, Riverside（加州大学河滨分校）
安全聚合是隐私保护联邦学习中的一种流行协议，它允许模型聚合，而不会公开单个模型。另一方面，传统的安全聚合协议会产生显著的通信开销，这可能成为现实世界中带宽受限应用的主要瓶颈。为了解决这一挑战，在这项工作中，我们提出了一个轻量级的梯度稀疏化框架的安全聚合，其中服务器从大量的用户学习稀疏化的本地模型更新的聚合，但不学习个别参数。我们的理论分析表明，所提出的框架可以显着减少安全聚合的通信开销，同时确保相当的计算复杂性。我们进一步确定了由于稀疏化的隐私和通信效率之间的权衡。我们的实验表明，与传统的安全聚合基准相比，我们的框架将通信开销降低了7.8倍，同时还将挂钟训练时间加快了1.13倍。
2021-12-23 cs.CR cs.DC cs.IT
Probabilistic Counters for Privacy Preserving Data Aggregation
Wrocław University of Science and Technology（弗罗茨瓦夫科技大学）
本文提出基于Morris和MaxGeo计数器的隐私保护数据聚合协议，通过概率计数器实现隐私保护，无需额外随机化。
2026-02-17 cs.CR
Aggregation and Transformation of Vector-Valued Messages in the Shuffle Model of Differential Privacy
通信、存储和计算技术的进步允许分布式设备收集和处理大量数据。将来自这些端点的信息结合起来可以实现显著的社会效益，但在保护个人隐私方面存在挑战，这在日益规范的世界中尤为重要。差分隐私（DP）是一种为聚合和发布提供严格且可证明的隐私保证的技术。已经引入了用于DP的洗牌模型以克服关于本地DP算法的准确性和中央DP的隐私风险的挑战。在这项工作中，我们介绍了一个新的协议，矢量聚合的背景下，洗牌模型。本文的目的是双重的，首先，我们提供了一个单一的消息协议，在洗牌模型的实向量的总和，使用先进的合成结果。其次，我们提供了一个改进的边界上的错误实现通过使用该协议通过实施离散傅立叶变换，从而最大限度地减少了初始误差的损失，通过变换本身的准确性为代价。这项工作将进一步探索更复杂的结构，如矩阵和高维张量在这种情况下，这两者都依赖于向量的情况下的功能。
2022-01-31 cs.CR
Trustless Privacy-Preserving Data Aggregation on Ethereum with Hypercube Network Topology
针对隐私保护数据聚合需求，本文提出一种融合多种密码学原语与超立方体拓扑、在以太坊上运行的可扩展求和聚合协议，经分析与实验验证了其安全性、可扩展性及gas成本等性能。
2023-08-29 cs.CR
Privacy Amplification for Federated Learning via User Sampling and Wireless Aggregation
The University of Arizona（亚利桑那大学）
在本文中，我们研究了联邦学习的问题，在一个无线信道与用户采样，高斯多址信道建模，受到中央和本地差分隐私（DP/LDP）的约束。已经表明，无线信道的叠加性质提供了带宽高效梯度聚合的双重益处，以及对用户的强DP保证。具体地，中央DP隐私泄漏已经被示出为按比例缩放为$\mathcal{O}(1/K^{1/2})$，其中$K$是用户的数量。它也被证明，用户采样耦合正交传输可以增强中央DP隐私泄漏具有相同的缩放行为。在这项工作中，我们表明，通过加入无线聚合和用户采样，可以获得更强的隐私保证。我们提出了一个私人无线梯度聚合方案，它依赖于独立随机参与决策的每个用户。我们提出的方案的中心DP泄漏的尺度为$\mathcal{O}(1/K^{3/4})$。此外，我们发现，LDP也提高了用户抽样。我们还提出了分析所提出的方案的收敛速度和研究的无线资源，收敛和隐私之间的权衡理论和经验的两种情况下，采样的参与者的数量是$(a)$已知的，或$(b)$未知的参数服务器。
2021-03-02 cs.CR cs.IT cs.LG
AggFT: Low-Cost Fault-Tolerant Smart Meter Aggregation with Proven Termination and Privacy
本文针对智能电表与链路故障下的隐私聚合问题，改进基于掩码的协议，提出轻量级容错算法 AggFT，降低计算开销、证明终止性与故障下隐私性，并兼容掩码和同态加密。
2021-02-18 cs.CR
Security and Privacy Preserving Data Aggregation in Cloud Computing
智能计量是智能电网的一个基本特征，允许住宅客户监控和降低电力成本。被称为智能电表的设备允许住宅客户监控和降低电费，促进节能，需求管理和能源效率。然而，通过智能电表监测家庭的能源消耗构成了严重的隐私威胁，因此已成为一个主要的隐私问题。因此，最近出现了大量的研究，其目的是提供调和智能计量技术和隐私要求的方法和机制。然而，大多数当前的方法在满足隐私保护智能计量系统的几个要求中的一个方面存在不足。在本文中，我们将展示如何使用英特尔SGX技术为智能计量隐私问题提供简单而通用的解决方案，以令人满意的方式满足所有这些要求。此外，我们还提出了一个实现所提出的架构，以及一系列的实验，已经进行了，以评估所提出的解决方案的执行相比，完全无视隐私问题的架构的第二个实现。
2019-02-14 cs.CR
Towards Sparse Federated Analytics: Location Heatmaps under Distributed Differential Privacy with Secure Aggregation
Cornell Tech（康奈尔理工学院）；Google（谷歌）
我们设计了一种可扩展的算法，可以在来自数百万用户设备的分散数据上私下生成位置热图。它旨在确保数据对服务提供商可见之前的差分隐私，同时保持高数据准确性并最大限度地减少用户设备上的资源消耗。为了实现这一目标，我们重新分布式差分隐私的基础上，最近的结果在安全多方计算，我们设计了一个可扩展的和自适应的分布式差分隐私的位置分析方法。对公共位置数据集的评估表明，这种方法成功地从数百万用户样本中生成了大都市规模的热图，最坏情况下的客户端通信开销明显小于现有的最先进的私有协议。
2022-06-26 cs.CR cs.LG
