Collusion-Resilient Probabilistic Fingerprinting Scheme for Correlated Data
为了获得个性化的服务，个人与各种服务提供商共享他们的个人数据，希望他们的数据将保持机密。因此，在这些服务提供商未经授权分发其个人数据的情况下（或在数据泄露的情况下），数据所有者希望确定此类数据泄露的来源。已经开发了数字指纹方案，以将隐藏的和唯一的指纹嵌入到共享的数字内容（特别是多媒体）中，以提供这种责任担保。然而，现有技术利用内容中的高冗余，其通常不包括在个人数据中。在这项工作中，我们提出了一个概率指纹识别方案，有效地生成指纹，考虑指纹识别概率（保持数据效用高）和公知的数据点之间的固有相关性。为了提高该方案对恶意服务提供商合谋的鲁棒性，我们还利用Boneh-Shaw指纹码作为该方案的一部分。此外，观察隐私保护的数据共享技术（添加受控噪声的共享数据）和建议的指纹方案之间的相似性，我们第一次尝试开发一个数据共享计划，同时提供隐私和指纹的鲁棒性。我们的实验表明，指纹的鲁棒性和隐私有冲突的目标，我们提出了一种混合的方法来控制这样的权衡与设计参数。使用所提出的混合方法，我们表明，个人可以提高他们的隐私水平略有妥协的指纹鲁棒性。我们实施和评估所提出的计划在真实的基因组数据的性能。我们的实验结果表明，该计划的效率和鲁棒性。
2020-01-27 cs.CR
PSUM:Peer-to-peer multimedia content distribution using collusion-resistant fingerprinting
近年来，用于多媒体分发的对等（P2P）网络的使用已经在全球范围内扩展。大众流行主要是由具有成本效益的内容分发驱动的，这也导致了盗版。P2P内容分发系统的终端用户（买方/对等方）不希望在与内容所有者（商家）的交易期间暴露他/她的身份，而商家不希望买方进一步非法分发内容。迄今为止，已经提出了不同的P2P分发系统，其以商家和/或买方端的高计算负担为代价来提供版权和隐私保护，从而使得这些系统不切实际。在本文中，我们提出了PSUM，P2P内容分发系统，它可以有效地分发大型多媒体内容，同时保护商家和买家的安全性和隐私。PSUM的安全性通过使用基于抗共谋码的非对称指纹协议来保证。此外，PSUM使购买者能够匿名获取数字内容，但一旦他/她被发现侵犯版权，这种匿名性就可以被撤销。本文通过实验和仿真对PSUM进行了深入的性能分析，并分析了几种安全攻击和对策。
2017-03-06 cs.CR cs.MM
Collusion-resistant fingerprinting of parallel content channels
当联盟大小$k$对于跟踪器是已知的，但是共谋者可以跨$L$ TV频道分布他们自己时，分析指纹游戏。引入了共谋通道，并使联盟的额外自由度在我们的公式中得以体现。我们引入了一个类似于单个电视频道的支付函数，并证明了它与指纹识别能力密切相关。对于二进制字母表的情况下，标记的假设，并限制访问一个电视频道，每个人每段，我们推导出的渐近行为的支付功能。我们发现，我们的收益的最大最小博弈的值是渐近等于$L^2/k^2 2 \ln 2$，与最佳策略的跟踪是反正弦分布，并为联盟是交错攻击在所有的电视频道，以及分配一个相等数量的共谋者在$L$电视频道。
2022-04-18 cs.CR cs.IT math.IT
Randomized Frameproof Codes: Fingerprinting Plus Validation Minus Tracing
我们提出了随机防帧代码的内容保护，这是通过研究Boneh-Shaw指纹问题的变化。在修改后的系统中，每当用户试图访问他的指纹副本时，指纹都会被提交给验证算法，以在内容可以被执行之前验证它确实是允许的。与确定性防帧码和传统的指纹编码相比，我们在可实现的速率上有所改进。对于任意固定大小的联盟，我们构造随机化的防帧码，其具有$O(n^2)$复杂性验证算法和错误概率$\exp(-Ω(n)),$，其中$n$表示指纹的长度。最后，我们提出了线性防帧码和最小向量大小为2联盟之间的连接。
2008-02-23 cs.CR cs.IT math.IT
Implicit Identity Technologies for LLMs: Fingerprinting and Watermarking across Datasets, Models, and Generated Content
School of Cyber Science and Engineering, Xi’an Jiaotong University, Xi’an, China（西安交通大学计算机科学与工程学院）；State Grid Henan Marketing Service Center, Henan, China（国网河南营销服务中心）；Institute of Information Engineering, Chinese Academy of Sciences, Beijing, China（中国科学院信息工程研究所）；School of Cyber Security, University of Chinese Academy of Sciences, Beijing, China（中国科学院大学网络安全学院）；School of Information Technology, Deakin University, Geelong, Australia（迪金大学信息技术学院）
本文综述了LLM指纹识别和水印技术，提出隐式身份统一抽象，并基于生命周期分类法组织数据集、模型和生成内容的技术，建立评估框架。
2026-06-23 cs.CL cs.CR cs.LG
NCorr-FP: A Neighbourhood-based Correlation-preserving Fingerprinting Scheme for Intellectual Property Protection of Structured Data
NCorr-FP提出一种基于邻域的相关性保持指纹方案，通过局部记录相似性和密度估计嵌入指纹，在保持统计保真度和数据实用性的同时实现100%检测置信度，并抵御删除、自适应及合谋攻击。
2025-05-09 cs.CR
Digital Fingerprinting on Multimedia: A Survey
本综述系统回顾了基于感知哈希的多媒体数字指纹技术，涵盖其定义、单模态提取算法、深度学习应用及未来挑战，旨在填补该领域缺乏全面文献综述的空白。
2024-08-26 cs.CR cs.MM
Privacy-Preserving Database Fingerprinting
当与其他方共享敏感的关系数据库时，数据库所有者旨在（i）具有对数据库条目的隐私保证，（ii）在接收者未经授权共享其数据库的情况下具有责任保证（通过指纹识别），以及（iii）向接收者提供高质量（实用）数据库。我们观察到，共享一个关系数据库的隐私和责任保证是正交的目标。前者可以通过向数据库中注入噪声来防止对原始数据值的推断来实现，而后者可以通过在数据库中隐藏唯一标记来跟踪未经授权重新分发数据的恶意方（数据接收方）来实现。我们同时实现这两个目标，提出了一种新的入门级差异私有指纹机制的关系数据库。在一个高层次上，所提出的机制满足隐私和责任的要求，利用随机化的性质，是固有的指纹，并实现所需的入门级隐私保证。更具体地说，我们设计了一个比特级的随机响应方案，以实现差分隐私保证任意数据录入时，共享整个数据库，然后，在此基础上，我们开发了一个$ε$ -入口级差分隐私指纹机制。接下来，我们从理论上分析了隐私保障，指纹鲁棒性和数据库效用之间的关系，推导出封闭形式的表达式。该分析的结果使我们能够约束属性推断攻击所造成的隐私泄漏，并描述了隐私-效用耦合和隐私-指纹鲁棒性耦合。此外，我们还提出了一个基于SVT的解决方案，以控制累积的隐私损失时，数据库的指纹副本与多个收件人共享。
2022-03-06 cs.CR cs.DB
Machine Learning Interpretability Meets TLS Fingerprinting
Sharif University of Technology（谢里夫理工大学）
保护用户在互联网上的隐私是非常重要的;然而，由于网络协议和组件的日益复杂，它变得越来越难以维护。因此，调查和了解数据是如何从信息传输平台和协议中泄露的，可以帮助我们建立一个更安全的环境。在本文中，我们提出了一个框架，系统地找到最脆弱的信息领域的网络协议。为此，我们以传输层安全（TLS）协议为重点，对来自70多个域（网站）的收集数据进行不同的基于机器学习的指纹攻击，以了解TLS协议中这种信息泄漏是如何以及在何处发生的。然后，通过采用机器学习社区开发的解释技术，并应用我们的框架，我们找到了TLS协议中最脆弱的信息字段。我们的研究结果表明，TLS握手（主要是未加密的），TLS应用程序数据头中出现的TLS记录长度和初始化向量（IV）字段分别是该协议中最关键的泄漏部分。
2021-09-12 cs.CR cs.LG cs.NI
Adversarial Example Based Fingerprinting for Robust Copyright Protection in Split Learning
针对Split Learning模型缺乏版权保护框架的问题，提出首个利用对抗样本生成指纹并嵌入模型的版权保护方案，在保持模型准确率的同时实现了高指纹验证成功率并抵御标签推断攻击。
2025-03-05 cs.CR
DySign: Dynamic Fingerprinting for the Automatic Detection of Android Malware
Android操作系统的惊人普及，不仅在智能手机和平板电脑中，而且在物联网设备中，使这个操作系统成为恶意软件威胁的非常诱人的目标。事实上，后者正在以类似的速度扩张。在这方面，恶意软件指纹，无论是基于加密还是模糊散列，都是抵御此类攻击的第一道防线。模糊散列指纹适用于捕获恶意软件静态特征。此外，它们对恶意软件文件的实际静态内容的微小变化更具弹性。另一方面，动态分析是另一种恶意软件检测技术，它使用仿真环境来提取Android恶意软件的行为特征。然而，据我们所知，没有这样的指纹技术，利用动态分析，并将作为第一个防御Android恶意软件攻击。在本文中，我们解决了以下问题：我们可以生成有效的指纹Android恶意软件通过动态分析？为此，我们提出了DySign，一种新的技术指纹Android恶意软件的动态行为。这是通过从对现有已知恶意软件的恶意软件样本的动态分析生成摘要来实现的。值得一提的是：（i）DySign指纹近似于动态分析期间观察到的行为，以便实现对未来恶意软件变体行为中的微小变化的弹性;（ii）指纹计算与分析的恶意软件样本或系列无关。DySign利用最先进的自然语言处理（NLP）技术来生成上述指纹，然后利用这些指纹构建具有家庭归属的增强型Android恶意软件检测系统。
2017-02-19 cs.CR
Rethinking Side-Channel Analysis: Automated Discovery and Analysis of Side-Channel Leakage with LLM-Assisted Agents
Nanyang Technological University（南洋理工大学）；Xiangtan University（湘潭大学）
本文提出SCAgent框架，利用LLM辅助代理自动分析侧信道风险，通过系统探索和语义推理发现侧信道并进行大规模分析，以解决侧信道泄漏的自动发现和分析问题。
2026-05-17 cs.CR
Hardware Fingerprinting for the ARINC 429 Avionic Bus
ARINC 429是目前民用航空电子设备中最常用的数据总线。然而，该协议缺乏任何形式的源认证。对总线具有物理访问权限的技术人员能够用流氓设备替换发送器，并且接收器将接受其恶意数据，因为它们无法验证消息的真实性。更新该协议将关闭新飞机的安全漏洞，但需要对数千架飞机进行改装。在此期间，直到协议被取代，我们提出了第一个入侵检测系统，利用硬件指纹识别的方法为ARINC 429数据总线的发送方识别。我们的方法依赖于观察到硬件的变化，例如用流氓替换发射器或接收器，修改传输的电信号。因为我们依赖于模拟特性，而不是传输的数字内容，所以我们能够在硬件切换发生时立即检测到它，即使正在传输的数据是完全正常的。因此，我们能够在造成任何损害之前先发制人。在本文中，我们描述了我们的入侵检测系统的设计，并评估其对不同的对手模型的性能。我们的分析包括一个理论的马尔可夫链模型和广泛的实证评估。为此，我们收集了ARINC 429数据跟踪的数据语料库，这可能是独立的兴趣，因为据我们所知，没有公共语料库可用。我们发现，我们的入侵检测系统是相当现实的：例如，它实现了每秒接近零的误报警，同时在50毫秒内检测到恶意发射机，并在3秒内检测到恶意接收机。换句话说，在飞机起飞前的飞行前检查中，技术人员的攻击可以被可靠地检测到。
2020-03-27 cs.CR
Probing for Passwords -- Privacy Implications of SSIDs in Probe Requests
探测请求帮助移动设备发现活动的Wi-Fi网络。它们通常包含大量可用于识别和跟踪设备及其用户的数据。过去的几年一直是一场猫捉老鼠的游戏，改进指纹识别并引入针对指纹识别的对策。本文分析了现场实验中移动设备和操作系统发送的探测请求的内容。在其中，我们发现用户（可能是偶然的）在SSID字段中输入了大量数据，并找到了密码、电子邮件地址、姓名和度假地点。通过这些发现，我们强调，探测请求应被视为敏感数据，并得到很好的保护。为了保护用户隐私，我们建议和评估一个隐私友好的基于哈希的探测请求和改进的用户控制的建设。
2022-07-06 cs.CR
Whose Agent Are You? Multi-Layer Fingerprinting and Attribution of Autonomous Web Agents
针对AI网络代理的隐私与安全挑战，提出基于网络层和浏览器交互行为的多层指纹识别方法，通过决策树分类器实现97%准确率的代理识别与归因。
2026-06-23 cs.AI cs.CR
TIDF-DLPM: Term and Inverse Document Frequency based Data Leakage Prevention Model
数据的机密性正在受到威胁，因为它已被归类为错误的类别，可能会泄露给未经授权的一方。为此，各种组织主要实施数据泄漏预防系统（DLP）。防火墙和入侵检测系统正在成为过时的安全机制。正在使用的、处于发送状态的或静止的数据由DLP监视。机密数据是防止与相邻的上下文和内容的DLP的帮助下。在本文中，一个基于语义的方法来分类数据的基础上的统计数据泄漏预防模型。为了检测所涉及的私有数据，正在使用统计分析来贡献数据泄漏环境中的安全机制。常用的频率逆文档频率（TF-IDF）是事实和细节再捕获功能，用于在特定主题下排列文档。结果表明，一个类似的统计DLP方法可以适当地分类文件的情况下，程度改变以及互换的文件。
2022-03-10 cs.CR
Android Malware Clustering using Community Detection on Android Packages Similarity Network
每天针对应用程序存储库的Android恶意应用程序（应用程序）数量正在增加，其数量超过了指纹识别过程。为了解决这个问题，我们提出了一个增强的Cypider框架，一组技术和工具，旨在通过建立一个可扩展的和混淆弹性相似性网络基础设施的恶意应用程序的移动恶意软件进行系统的检测。我们的方法是基于我们提出的概念，即恶意社区，在其中我们认为共享共同特征的恶意实例是同一恶意软件家族中最有可能的部分。使用这个概念，我们假设多个类似的Android应用程序，不同的作者是最有可能是恶意的。具体来说，Cypider利用这一假设来检测已知恶意软件家族和零日恶意应用程序的变体。Cypider在相似性网络上应用社区发现算法，该算法提取被认为是可疑和可能恶意社区的子图。此外，我们提出了一种新的指纹技术，即社区指纹，基于一类机器学习模型的每个恶意社区。此外，我们提出了一个增强的Cypider框架，它需要更少的内存，x650，和更少的时间来建立相似性网络，x700，与原始版本相比，而不影响指纹性能的框架。我们引入了一个系统的方法来定位不同的特征内容向量的最佳阈值，这简化了整个检测过程。
2020-05-12 cs.CR
Hide and Seek: Fingerprinting Large Language Models with Evolutionary Learning
本文提出“Hide and Seek”黑盒指纹方法，通过 Auditor LLM 与 Detective LLM 的进化式提示生成和响应分析识别模型家族，达到 72% 准确率。
2024-08-06 cs.AI cs.CR
SafeGPT: Preventing Data Leakage and Unethical Outputs in Enterprise LLM Use
Binghamton University（宾夕法尼亚州立大学）
提出SafeGPT双护栏系统，通过输入侧检测/编辑、输出侧审核/重构及人工反馈，有效降低数据泄露风险和偏见输出。
2026-05-22 cs.AI cs.CR
A Learning oriented DLP System based on Classification Model
Kurukshetra University（库鲁克舍特拉大学）
本文提出一种基于统计分析和改进梯度提升分类算法（IGBCA）的学习导向型DLP系统，用于文档分类以防止数据泄露，实验表明该方法具有高分类精度。
2023-12-21 cs.CR cs.IR cs.LG
Reducing Metadata Leakage from Encrypted Files and Communication with PURBs
大多数加密的数据格式通过它们的明文头泄漏元数据，例如格式版本、使用的加密方案、可以解密数据的接收者的数量，甚至接收者的身份。这种泄漏可能会给用户带来安全和隐私风险，例如，通过从单个加密的电子邮件中揭示一组合作者的全部成员资格，或者通过使窃听者能够对发送者使用的精确加密软件版本和配置进行指纹识别。我们建议未来的加密数据格式通过产生$\textit{Padded Uniform Random Blobs}$或PURB来提高安全性和隐私卫生性：对于没有解密密钥的任何人来说，密文与随机位串无法区分。PURB的内容会泄漏$\textit{nothing at all}$，甚至是创建它的应用程序，并且会进行填充，以使其长度泄漏尽可能少。然而，使用$\textit{no}$明文标记对密文进行编码和解码存在效率挑战。我们提出了加密灵活的编码，使合法的收件人有效地解密PURB，即使加密的任何数量的收件人的公钥和/或密码，当这些公钥是从不同的加密套件。PURB采用Padmé，一种新颖的填充方案，其将经由最大长度$M$的密文的信息泄漏限制为$O(\log \log M)$比特的实际最优值，与填充为2的幂相当，但是具有最多$12\%$的较低开销，并且随着较大的有效载荷而降低。
2019-07-25 cs.CR
The Model's Tell: Measuring Context-Leakage Attack Signals with Behavior Gauges
Tsinghua University（清华大学）；Ant International（蚂蚁国际）；Nanyang Technological University（南洋理工大学）；SiliconProspect AI（硅景人工智能）
本文提出 LeakGauge，通过附加后缀度量泄露行为并映射预填充 token 概率为攻击风险分数，在 11 个 LLMs 上对未见过的攻击达到 0.944-0.996 的 AUROC，可实现低延迟的输入检测器。
2026-08-19 cs.AI cs.CR
Training Data Leakage Analysis in Language Models
Microsoft Research（微软研究院）；Microsoft Corporation（微软公司）
基于神经网络的语言模型的最新进展导致了这种模型的成功部署，改善了各种应用中的用户体验。事实证明，语言模型的强大性能伴随着记忆稀有训练样本的能力，如果模型是在机密用户内容上训练的，这会带来严重的隐私威胁。在这项工作中，我们介绍了一种方法，调查识别用户内容的训练数据，可以在一个强大的和现实的威胁模型下泄漏。我们提出了两个指标来量化用户级的数据泄漏测量模型的能力，产生独特的句子片段内训练数据。我们的指标还可以在隐私方面比较在相同数据上训练的不同模型。我们通过对RNN和基于Transformer的模型进行广泛的数值研究来证明我们的方法。我们进一步说明了如何利用所提出的指标来调查缓解措施的有效性，如差异化私有培训或API强化。
2021-02-22 cs.CL cs.CR cs.LG
When GPT Spills the Tea: Comprehensive Assessment of Knowledge File Leakage in GPTs
CISPA Helmholtz Center for Information Security（CISPA赫尔姆霍茨信息安全中心）
本文基于DSPM工作流全面评估了GPTs知识文件泄露风险，识别出5个泄露向量，发现Code Interpreter存在权限提升漏洞导致95.95%的原始文件下载成功率，并提出了相应的安全解决方案。
2025-05-30 cs.CR cs.LG
Signature Generation for Sensitive Information Leakage in Android Applications
近年来，诸如智能手机的移动设备快速增长，并且专门针对智能手机市场开发了许多应用。特别是，有许多应用程序对用户是“免费”的，但它们的收入依赖于广告服务。这些应用程序包括一个广告模块--广告服务提供的库--它可以收集用户的敏感信息并通过网络传输。用户接受这种业务模型，但在大多数情况下，应用程序不需要用户的确认就可以传输敏感信息。因此，这种应用程序的行为成为侵犯隐私。在我们对1，188个Android应用程序的网络流量和权限的分析中，我们分析的应用程序中有93%在使用网络时连接到多个目的地。61%的受访者需要权限组合，包括访问敏感信息和使用网络服务。这些应用程序有可能泄漏用户的敏感信息。为了使用户能够控制他们的私人信息的传输，我们提出了一个系统，使用一种新的聚类方法的基础上的HTTP数据包的目的地和内容的距离，生成的聚类结果的签名，并使用它们来检测敏感信息泄漏Android应用程序。我们的系统不需要修改Android框架或任何特殊权限。因此，用户可以很容易地将我们的系统引入他们的设备，并以细粒度的方式管理可疑应用程序的网络行为。我们的系统准确地检测到94%的敏感信息泄漏的应用程序评估，并产生只有5%的假阴性结果，假阳性结果不到3%。
2013-05-17 cs.CR
Reconstruct Your Previous Conversations! Comprehensively Investigating Privacy Leakage Risks in Conversations with GPT Models
CISPA Helmholtz Center for Information Security（CISPA亥姆霍兹信息安全中心）
本研究针对与GPT模型对话的隐私泄露风险，提出对话重构攻击及两种高级变体，发现多数模型存在严重隐私泄露且现有防御无效，呼吁学界重视相关安全防护。
2024-10-07 cs.AI cs.CL cs.CR
Exploiting and Defending Against the Approximate Linearity of Apple's NeuralHash
Massachusetts Institute of Technology（麻省理工学院）
感知散列将具有相同语义内容的图像映射到相同的$n$位散列值，而将语义不同的图像映射到不同的散列。这些算法在网络安全中具有重要的应用，例如版权侵权检测，内容指纹识别和监控。苹果的NeuralHash就是这样一个系统，旨在检测用户设备上是否存在非法内容，而不会损害消费者隐私。我们令人惊讶地发现NeuralHash近似线性，这激发了新型黑盒攻击的发展，这些黑盒攻击可以（i）逃避对“非法”图像的检测，（ii）生成近似碰撞，（iii）泄露有关散列图像的信息，所有这些都无需访问模型参数。这些漏洞对NeuralHash的安全目标构成了严重威胁;为了解决这些问题，我们提出了一个使用经典加密标准的简单修复方法。
2022-07-28 cs.CR cs.LG
Scalable Data Classification for Security and Privacy
Facebook（脸书）
基于内容的数据分类是一个开放的挑战。传统的数据丢失防护（DLP）类系统通过对相关数据进行指纹识别并监控端点以获取指纹数据来解决这个问题。由于Facebook中有大量不断变化的数据资产，这种方法在发现什么数据在哪里方面既不具有可扩展性，也没有效率。本文是关于一个端到端系统，该系统旨在大规模检测Facebook中的敏感语义类型，并自动执行数据保留和访问控制。这里描述的方法是我们的第一个端到端隐私系统，它试图通过结合数据信号、机器学习和传统的指纹识别技术来解决这个问题，以映射和分类Facebook内的所有数据。所描述的系统在生产中实现了各种隐私类别的平均F2分数为0.9+，同时处理数十个数据存储中的大量数据资产。
2020-07-06 cs.AI cs.CR cs.CY
An Empirical Study of Privacy Leakage Chains via Prompt Injection in Black-Box Chatbot Environments
Department of Information Security（信息安全系）；Soongsil University（松山大学）；AI Safety Center（人工智能安全中心）；Department of AI Software（人工智能软件系）
本文研究了通过间接提示注入在黑盒聊天机器人环境中存在的隐私泄露攻击链，分析了攻击者如何通过构造看似无害的外部内容来劫持代理任务，并评估了新的提示注入技术'exemplification'的攻击成功率，最终展示了使用虚构个人信息的证明概念数据外泄链。
2026-05-18 cs.AI cs.CR cs.HC
Implementation of Security Systems for Detection and Prevention of Data Loss/Leakage at Organization via Traffic Inspection
数据丢失/泄漏防护（DLP）仍然是许多大型组织的主要问题。有许多新兴的安全连接场景和无限数量的解决方案。当今企业的主要关注点是保护机密信息，因为泄露机密数据意味着敏感信息落入竞争对手手中。需要保护不同的数据类型。然而，我们的研究只集中在动态数据（DIM），即通过网络传输的数据。本文中的研究和场景展示了最近对信息和数据泄漏事件的调查，揭示了其重要性，并提出了一种模型解决方案，该解决方案将以前的方法与高级内容检查器基于机器学习的新模式匹配方法相结合，以保护组织内的数据，然后采取相应的措施。本文还提出了一种网关级别的DLP部署设计，该设计使用squid代理服务器和ICAP服务器显示数据在到达最终目的地之前如何通过中间通道移动。
2020-12-28 cs.CR cs.NI
Sanitize Your Responses: Mitigating Privacy Leakage in Large Language Models
提出Self-Sanitize框架，通过表征工程进行token级自我监控并就地修复有害内容，在三种隐私泄露场景和四个LLM上以低开销实现有效缓解且不损害模型效用。
2025-09-29 cs.CL cs.CR cs.LG
DLPFS: The Data Leakage Prevention FileSystem
不管数据共享技术如何进步，共享文件夹仍然是授予第三方访问数据文件的常见做法。Google Drive、Dropbox、Box等服务提供了管理文件共享的基础设施和界面。人为因素是最薄弱的环节，人为错误导致的数据泄露是令人遗憾的常见新闻。这发生在两个错误处理的数据，例如存储到错误的目录，或通过错误配置或失败的应用程序转储数据不正确。我们提出了数据泄漏预防文件系统（DLPFS），第一次尝试系统地防止数据泄漏所造成的错误配置的应用程序或人为错误。这个文件系统接口在POSIX文件系统接口之上提供了一个隐私保护层，允许与现有的基础设施和应用程序进行无缝集成，简单地增强了现有的安全控制。与此同时，DLPFS允许数据管理员通过防止未经授权的各方访问潜在的敏感内容来保护组织内共享的文件。DLPFS通过透明地与现有的访问控制机制集成来实现这一点。我们实证评估DLPFS对系统性能的影响，以证明所提出的解决方案的可行性。
2021-08-31 cs.CR cs.CY
RAG-PIBench: A Leakage-Aware Benchmark for Prompt-Injection Detection in Trustworthy RAG Systems
Birzeit University（比尔泽特大学）；University of Central Florida（中佛罗里达大学）
针对RAG系统易受提示注入攻击的问题，提出泄漏感知基准RAG-PIBench（含4,876个示例），比较多种检测器，DistilBERT最优（F1=0.896），验证了泄漏感知设计与稀疏基线的有效性。
2026-10-07 cs.AI cs.CR cs.LG
Memories Retrieved from Many Paths: A Multi-Prefix Framework for Robust Detection of Training Data Leakage in Large Language Models
Department of Computer Science, University of Central Florida（计算机科学系，中央佛罗里达大学）
本文提出多前缀框架，通过量化记忆的检索路径多样性，稳健检测大型语言模型中的训练数据泄露问题。
2025-11-25 cs.AI cs.CL cs.CR
