Security and Privacy Enhancement for Outsourced Biometric Identification
大量的研究集中在云计算背景下生物识别的安全外包上。在这种方案中,加密的生物特征数据库和识别过程都外包给了云。最终目标是保护生物特征数据库和查询模板的安全性和隐私性。安全性分析表明,以前的方案遭受注册攻击,不必要地暴露更多的信息比需要的。在本文中,我们提出了一个新的安全外包计划,旨在提高这两个方面的安全性。首先,除了在以前的计划中讨论的所有攻击,我们提出的计划也是安全的注册攻击。其次,我们将识别过程建模为固定半径的相似性查询问题,而不是kNN搜索问题。这种建模能够减少暴露的信息,从而增强生物特征数据库的隐私性。我们全面的安全性和复杂性分析表明,我们的计划是能够提高生物特征数据库和查询模板的安全性和隐私性,同时保持相同的计算节省外包。
2018-09-12 cs.CR
Privacy-preserving data outsourcing in the cloud via semantic data splitting
尽管云计算提供了许多内在的好处,但与对外包数据的存储和管理缺乏控制相关的隐私问题仍然阻止许多客户迁移到云。已经提出了几种基于要外包的数据的事先加密的隐私保护机制。数据加密提供了强大的安全性,但代价是妨碍了服务的效率,并限制了可以应用于存储在云场所的(加密)数据的功能。由于效率和功能都是云计算的关键优势,在本文中,我们的目标是通过提出一种隐私保护机制来保留它们,该机制依赖于拆分(清除)数据,以及日益流行的多云概念所提供的分布式存储。我们提出了一种基于语义的数据拆分机制,该机制能够自动检测可能导致隐私风险的数据片段,并将其在本地进行拆分,这样每个块就不会产生这些风险;然后,清晰的数据块被独立存储到多云的单独位置,这样外部实体就无法访问整个机密数据。由于部分数据以明文存储在云计算场所,因此只需将查询广播到不同的云位置,就可以无缝有效地支持外包功能。为了实施一个强大的隐私概念,我们的建议依赖于一个隐私模型,提供了先验的隐私保证;为了确保其可行性,我们设计了启发式算法,最大限度地减少我们需要的云存储位置的数量;为了显示其潜力和通用性,我们将其应用于结构最少,最具挑战性的数据类型:纯文本文档。
2017-07-03 cs.CR
Securely Outsourcing Large Scale Eigen Value Problem to Public Cloud
云计算使计算能力有限的客户能够经济地将其大规模计算外包给具有巨大计算能力的公共云。云计算具有大量的存储,计算能力和软件,可供客户端使用,以减少计算开销和存储限制。但在外包的情况下,客户的机密数据的隐私必须得到维护。我们设计了一个协议,用于将大规模特征值问题外包给恶意云,该协议提供了输入/输出数据的安全性,结果的可验证性和客户端的效率。由于直接求特征向量的方法在维数很大时计算量很大,所以我们采用幂迭代法来求矩阵的最大特征值和相应的特征向量。为了保护隐私,对输入矩阵进行变换得到加密矩阵,并将加密矩阵发送到云端,然后对云端返回的结果进行解密,得到特征值问题的正确解。我们还提出了检测鲁棒作弊的结果验证机制,并提供了理论分析和实验结果,描述了所提出的协议的高效性,正确性,安全性和鲁棒的抗作弊性。
2016-09-06 cs.CR cs.DC
An Efficient Matrix Multiplication with Enhanced Privacy Protection in Cloud Computing and Its Applications
矩阵乘法运算(MMC)作为最重要的基本运算之一,在线性回归、k-近邻分类、生物识别等科学和工程领域有着广泛的应用。然而,处理这些任务与大规模的数据集将导致巨大的计算超出资源受限的客户端的计算能力。随着云计算的快速发展,将密集型任务外包给云服务器已经成为一种很有前途的方法。虽然云服务器通常不受客户端的控制,但仍然存在许多与客户端敏感数据的隐私安全有关的挑战。受此启发,Lei等人提出了一种基于随机置换的高效加密方案,以保护外包MMC任务中客户端数据的隐私。然而,他们的方案存在固有的安全缺陷,暴露了原始数据中零元素的统计信息,从而不满足计算不可验证性(IND-ZEA)。为了提高外包MMC任务的安全性,提出了一种新的加密方案,该方案基于巧妙设计的可逆矩阵,在乘法扰动的基础上引入了加法扰动。此外,我们表明,所提出的加密方案不仅可以适用于MMC任务,但也可以其他类型的外包任务,如线性回归和主成分分析。理论分析和实验表明,我们的方法是更安全的数据隐私方面,具有相当的性能,最先进的方案的基础上矩阵变换。
2021-05-12 cs.CR
Towards a Novel Privacy-Preserving Distributed Multiparty Data Outsourcing Scheme for Cloud Computing with Quantum Key Distribution
本研究提出集成量子密钥分发、CRYSTALS Kyber与零知识证明的框架,旨在解决云计算区块链系统面临的量子安全威胁,性能评估证实其在真实云环境中的效率与可扩展性。
2024-07-09 cs.CR
The SensorCloud Protocol: Securely Outsourcing Sensor Data to the Cloud
从家庭网络到工业自动化,传感器网络的部署越来越多,导致对存储和处理所收集的传感器数据的需求也同样不断增长。为了满足这一需求,迄今为止最有前途的方法是利用通过云计算范例提供的可动态扩展的按需资源。然而,普遍存在的安全和隐私问题是将传感器数据外包到云端的巨大障碍。因此,在将传感器数据外包给云之前,需要对其进行适当的保护。当安全外包的传感器数据到云,一个重要的挑战在于传感器数据的表示和应用到它的安全措施的选择。在本文中,我们提出了SensorCloud协议,它使传感器数据的表示和执行器命令使用JSON以及编码的对象安全机制应用到一个给定的传感器数据项。值得注意的是,我们只利用已经或目前正在IETF标准化的机制,以帮助我们的方法的广泛适用性。
2016-07-12 cs.CR cs.DC cs.NI
Outsourcing SAT-based Verification Computations in Network Security
本文针对云计算外包SAT验证计算中的隐私泄露问题,提出多种SAT实例随机化方法(包括变量随机化、解集随机化及Mincost SAT和MAX3SAT随机化),经分析评估验证了其正确性与可行性,具备可扩展性和通用性。
2025-05-22 cs.CR
Outsourcing Private Machine Learning via Lightweight Secure Arithmetic Computation
在几个实际感兴趣的设置中,双方寻求使用公共机器学习模型来协作地对他们的私有数据执行推断。例如,几家医院可能希望共享患者的医疗记录,以增强诊断和疾病预测,但由于隐私问题,可能无法明确共享数据。在这项工作中,我们提出了一个积极的安全协议外包安全和私人机器学习计算。关于这个问题的最近的工作主要集中在被动安全协议,其安全性对被动(“半诚实”)方,但可能会完全崩溃,在存在的主动(“恶意”)方谁可以偏离协议。基于安全神经网络的分类算法可以被视为整数算术计算的实例化。我们展示了我们的协议的效率,通过将其应用到现实世界的算术神经网络计算的实例,包括一个网络训练执行协作疾病预测。
2018-12-04 cs.CR
Optimizing Secure Decision Tree Inference Outsourcing
将决策树推理服务外包给云是非常有益的,但会引起对模型提供者的专有决策树和客户端的私有输入数据的严重隐私问题。在本文中,我们设计,实现和评估一个新的系统,允许高效外包的决策树推理。我们的系统显著改善了云端整体在线端到端安全推理服务延迟以及模型提供商的本地端性能。我们首先提出了一个新的方案,安全地转移到云的模型提供者的大部分处理,从而大大降低模型提供者的性能复杂性。我们进一步设计了一种方案,该方案大大优化了云上加密决策树推理的性能,特别是通信轮的复杂性。这些技术的协同作用使我们的新系统能够在实际WAN环境中在云端实现高达$8 \times$的更好的整体在线端到端安全推理延迟,并使模型提供商节省$19 \times$通信和$18 \times$计算。
2021-10-31 cs.CR
Privacy-Preserving Content-Based Image Retrieval in the Cloud
近年来,随着许多新的用于个人和公司使用的高度交互的多媒体服务和应用的出现,对视觉数据的存储要求一直在增加。这是采用基于云的数据外包解决方案的关键驱动因素。然而,将数据存储外包到云端也带来了新的挑战,必须仔细解决,特别是在隐私方面。在本文中,我们提出了一个安全的框架,外包的隐私保护存储和检索大型图像库。我们的建议是基于一种新的加密方案,名为IES-CBIR,专门设计的媒体图像数据。我们的解决方案支持使用基于内容的图像检索(CBIR)进行加密存储和查询,同时保护隐私。我们已经建立了一个原型所提出的框架,正式分析和证明其安全属性,并通过实验评估其性能和精度。我们的研究结果表明,IES-CBIR是可证明安全的,允许更有效的操作比现有的建议,无论是在时间和空间复杂度,并使更真实,有趣和实际的应用场景。
2015-07-17 cs.CR
An Experiment Study on Federated LearningTestbed
虽然物联网(IoT)可以通过将模型训练外包到云上来从机器学习中受益,但用户数据暴露给不受信任的云服务提供商可能会对用户隐私构成威胁。最近,联邦学习被提出作为用于物联网的隐私保护机器学习(PPML)的方法,但其实用性仍不清楚。本文对一个基于PySyft的联邦学习框架的效率和隐私性能进行了评估,PySyft是一个用于分布式深度学习的Python库。据观察,由于通信开销,该框架的训练速度明显慢于集中式方法。同时,该框架在网络层面上对潜在的中间人攻击具有一定的脆弱性。该报告作为PPML性能分析的起点,并为PPML框架的发展提出了未来的方向。
2021-03-19 cs.CR cs.NI
Privacy-Preserving Secret Shared Computations using MapReduce
数据外包允许数据所有者将其数据保存在\emph{untrusted}云中,而这些云无法确保数据和/或计算的隐私。MapReduce是一个用于分布式容错数据处理的有用框架,它是为\emph{trusted}私有云开发的。本文提出了基于Shamir的秘密共享方案的数据外包算法,以及在使用MapReduce作为底层编程模型的同时执行隐私保护SQL查询的算法,例如计数,选择(包括范围选择),投影和连接。我们提出的算法防止对手知道数据库或查询,同时也防止输出大小和访问模式的攻击。有趣的是,我们的算法不涉及数据库所有者,它只创建和分发秘密共享一次,在回答任何查询,因此,数据库所有者也不能学习查询。逻辑和实验,我们评估以下参数的算法的效率:(\textit{i})的通信轮数(用户和服务器之间),(\textit{ii})的比特流的总量(用户和服务器之间),和(\textit{iii})在用户和服务器的计算负载。\B
2019-08-06 cs.CR cs.DB cs.DC
Enforcing Privacy in Cloud Databases
外包数据库,即,由于云计算的弹性、可用性、可扩展性和即用即付的特征,诉诸数据库即服务(DBaaS)是当今流行的选择。然而,大多数数据在某种程度上是敏感的,数据隐私仍然是DBaaS用户最关心的问题之一,明显的法律和竞争的原因。在本文中,我们调查的机制,旨在使数据库在云环境中的安全,并讨论当前的陷阱和相关的研究挑战。
2017-08-30 cs.CR cs.DB
PRI: Privacy Preserving Inspection of Encrypted Network Traffic
流量检测是当今许多安全解决方案的基本组成部分。例如,为了防止机密内部信息的泄漏或泄露,以及阻止恶意流量进入网络,当今大多数企业都运行检查流量的入侵检测和防御系统。然而,国家的最先进的检查系统并没有很好地反映不同的参与自主角色的利益。例如,企业中的员工或将其网络管理外包给专业第三方的公司可能要求其流量保持机密,甚至对系统管理员也是如此。此外,入侵检测系统使用的规则,或者更一般地,在线或离线异常检测引擎的配置,可以由第三方提供,例如,一家安全研究公司,因此可能构成一项重要的商业资产,应予以保密。今天,人们往往认为,不可能对这些额外所需资源进行核算,因为它们与效率和效力相矛盾。我们在本文中探索了一种新的方法,称为隐私保护检查(PRI),它提供了一个解决这个问题的方法,通过保护流量检查的隐私和检查规则和配置的机密性,例如,还支持灵活安装特定于公司的其他数据泄漏防护(DLP)规则。
2016-04-15 cs.CR cs.NI
Moneros Decentralized P2P Exchanges: Functionality, Adoption, and Privacy Risks
本文针对门罗币因监管被中心化交易所下架后门罗生态去中心化P2P交易所的兴起,梳理了相关DEX的功能、架构等情况,还发现Haveno的隐私漏洞可关联门罗币与比特币链上交易,为安全设计与监管提供参考。
2025-05-20 cs.CR
Multi-Server Verifiable Delegation of Computations: Unconditional Security and Practical Efficiency
近年来,由于云计算的流行,外包计算得到了显著的普及。外包计算的安全问题主要有两个:如何保证云服务器正确执行计算和如何保护客户端数据的机密性。Gennaro、Gentry和Parno的{ \em单服务器可验证计算}(SSVC)(Crypto'10)使得客户端能够在任何输入$x$上委托函数$f$的计算,其中两个关注点都被高度减轻,但仅导致{\em缺乏实际效率}的{\em计算安全}方案。SSVC方案使用单个服务器,本文提出了一个{ \em多服务器可验证计算}(MSVC)模型,其中客户端在多个服务器之间共享$f$和$x$,每个服务器对其共享的数据执行一组计算,最后客户端根据所有服务器的计算结果重构$f(x)$。在这个MSVC模型中,我们提出了一个通用的结构,外包计算的形式$F{\bf x}$,其中$F$是一个矩阵和$\bf x$是一个向量。我们的通用构造实现了{ \em信息理论安全性,输入保密性}和{ \em函数保密性}。通过优化参数,我们得到了一个3服务器的方案,它使用的服务器数量最少,和4服务器的方案,它引起的工作量最小。通过将多个多项式的计算分解为两阶段的计算,第一阶段的形式为$F{\bf x}$,第二阶段是快速的,并委托第一阶段的计算,我们得到了这些多项式的MSVC方案。我们实现了我们的MSVC计划,并表明他们是最{ \em实用}的日期。
2021-04-26 cs.CR
Private Processing of Outsourced Network Functions: Feasibility and Constructions
为了降低维护网络基础设施的成本和复杂性,组织越来越多地外包其网络功能(例如,防火墙、流量整形器和入侵检测系统)到云,许多工业参与者已经开始提供基于网络功能虚拟化(NFV)的解决方案。遗憾的是,在当前的设置中,外包网络功能意味着敏感的网络策略,如防火墙规则,会被泄露给云提供商。在本文中,我们调查使用加密原语处理外包网络功能,使供应商不学习任何敏感信息。更具体地说,我们提出了一个加密处理的隐私保护外包的网络功能,引入安全的定义,以及通用网络功能的抽象模型,然后提出了一些实例,使用部分同态加密和公钥加密与关键字搜索。我们包括一个概念验证的实现我们的建设,并表明网络功能可以在几毫秒内由一个不受信任的云提供商私下处理。
2016-01-25 cs.CR
Stream on the Sky: Outsourcing Access Control Enforcement for Stream Data to the Cloud
School of Computer Engineering, Nanyang Technological University(南洋理工大学计算机工程学院)
针对云环境下实时流数据的访问控制问题,提出一种基于代理的属性加密方案,实现云端对加密流数据的细粒度访问控制执行,同时保证数据机密性和不可授权访问。
2012-10-02 cs.CR cs.DB cs.SY
Privacy-preserving formal concept analysis: A homomorphic encryption-based concept construction
Kunming University of Science and Technology(昆明理工大学);Data Science Research Center, Kunming University of Science and Technology(昆明理工大学数据科学研究中心)
本文提出一种基于同态加密的隐私保护形式概念分析框架,用于在不泄露私人数据的情况下实现安全高效的概念构建。
2025-11-27 cs.CC cs.CR
Streamforce: outsourcing access control enforcement for stream data to the clouds
随着人类活动和配备传感功能的设备每天产生大量数据,云计算成为存储和管理数据的可扩展且具有成本效益的平台。虽然云计算的好处很多,但当数据和计算外包给第三方时产生的安全问题仍然阻碍了向云的完全迁移。在本文中,我们专注于云上的数据隐私问题,特别是对流数据的访问控制。流数据的性质和共享数据的复杂性使得访问控制比传统的档案数据库更具挑战性。我们提出了Streamforce-一个允许数据所有者安全地将其数据外包到云的系统。所有者指定由云执行的细粒度策略。后者执行大部分繁重的计算,而对数据一无所知。为此,我们采用了一些加密方案,包括确定性加密,基于代理的属性为基础的加密和滑动窗口加密。在Streamforce中,访问控制策略被建模为安全的连续查询,这需要对现有流处理引擎进行最小的更改,并允许轻松表达各种策略。特别是,Streamforce附带了许多安全的查询操作符,包括Map,Filter,Join和Aggregate。最后,我们实现了Streamforce在一个开源的流处理引擎(ESTO),并评估其在云平台上的性能。结果证明了许多实际应用程序的实际性能,尽管安全开销是可见的,但Streamforce具有高度可扩展性。
2013-05-28 cs.CR cs.DB
Image Obfuscation for Privacy-Preserving Machine Learning
当将机器学习(ML)模型的训练外包给提供机器学习服务的基于云的平台时,隐私成为一个至关重要的问题。虽然已经开发了基于加密原语的解决方案,但它们在准确性或训练效率方面会造成重大损失,并且需要对后端架构进行修改。我们在本文中解决的一个关键挑战是设计图像混淆方案,这些方案提供足够的隐私,而不会显着降低ML模型的准确性和训练过程的效率。在这项工作中,我们解决了另一个挑战,一直持续到目前为止:量化的程度提供的隐私视觉模糊机制。我们比较了最先进的全参考质量指标的能力,以符合人类受试者的混淆程度引入了一系列的技术。通过依赖用户调查和两个图像数据集,我们表明,两个现有的图像质量指标也非常适合根据人类主体以及基于AI的识别来衡量隐私水平,因此可以用于量化混淆导致的隐私。随着量化隐私的能力,我们表明,我们可以提供足够的隐私保护的训练图像集的成本只有几个百分点的准确性损失。
2020-10-20 cs.CR
ShadowNet: A Secure and Efficient On-device Model Inference System for Convolutional Neural Networks
Google(谷歌);Florida International University(佛罗里达国际大学);Northeastern University(东北大学);University of California, San Diego(加州大学圣地亚哥分校);University of Wisconsin-Madison(威斯康星大学麦迪逊分校)
ShadowNet利用TEE保护端侧CNN模型隐私,通过权重变换将线性层安全外包给不可信AI加速器,并在TEE内恢复结果,在五个流行CNN上验证了其安全性与实用性。
2023-07-06 cs.CR cs.LG
Privacy Assured Recovery of Compressively Sensed ECG signals
用于存储数据和运行复杂算法的云计算一直在稳步增长。由于可穿戴心电图记录仪等连接的物联网设备通常存储和计算能力较低,因此采集的信号会发送到远程中心进行存储和可能的分析。最近,压缩感测(CS)已被用作此类记录器中的信号采样的安全、节能的方法。在本文中,我们提出了一个安全的程序外包的CS测量的总恢复到云,并介绍了一个隐私保证的信号恢复技术在云中。我们提出了一种快速,轻量级的加密安全CS恢复外包,可用于可穿戴设备,如心电图动态心电图监视器。在所提出的技术中,而不是在云中完全恢复CS压缩的ECG信号,以保护隐私,通过使用随机双极置换测量矩阵恢复ECG信号的加密版本。用户使用密钥从云端解密加密的ECG以获得原始ECG信号。我们证明了我们提出的方法使用的心电图信号在MITBIH心律失常数据库。我们还证明了所提出的方法对部分暴露的关键的强度。
2021-01-23 cs.CR
Privacy-Preserving Cloud-Aided Broad Learning System
随着人工智能的快速发展和5G时代的到来,深度学习受到了研究者的广泛关注。广义学习系统(Broad Learning System,BLS)是近年来提出的一种新的深度学习模型,在图像识别、故障检测等领域显示了其有效性。然而,训练过程仍然需要大量的计算,因此不能由一些资源受限的设备来完成。为了解决这个问题,资源受限设备可以将BLS算法外包给云服务器。然而,使用云计算也带来了一些安全挑战,包括数据的隐私和返回结果的正确性。在本文中,我们提出了一个安全,高效,可验证的外包算法BLS。该算法不仅提高了算法在客户端的执行效率,而且保证了客户端的敏感信息不泄露到云服务器。此外,在我们的算法中,客户端可以以几乎1的概率验证返回结果的正确性。最后,从理论上分析了算法的安全性和效率,并通过实验证明了算法的可行性。
2021-01-08 cs.CR
Combining Usability and Privacy Protection in Free-Access Public Cloud Storage Servers: Review of the Main Threats and Challenges
21世纪属于计算的世界,特别是由于所谓的云计算。这项技术可以实现无处不在的信息管理,因此人们可以在任何地方和任何时间访问他们的所有数据。在这种情况下,云存储的出现在过去五年中发挥了重要作用。如今,一些免费访问的公共云存储服务使用户可以免费备份其资产并管理和共享它们,这对中小企业(SME)来说是一个低成本的机会。然而,云存储的采用涉及数据外包,因此用户无法保证其数据的处理和保护方式。因此,似乎有必要赋予公共云存储一套手段,以保护用户的机密性和隐私,评估数据完整性,并保证信息资产的适当备份。在本文中,我们讨论了实现这一目标的主要挑战,并强调了最受欢迎的公共云存储服务中已经实现的一组功能。
2016-10-27 cs.CR
Privacy-Enhancing Encryption in Data Sharing: A Survey on Security, Performance and Functionality
Tianjin University(天津大学);Southern Cross University(南十字星大学);Zhongguancun Laboratory(中关村实验室);City University of Hong Kong(香港城市大学);Griffith University(格里菲斯大学);Singapore Management University(新加坡管理大学);University of Wollongong(伍伦贡大学)
本文综述了数据共享中隐私增强加密技术的安全性、性能及功能,分析了ABE、PRE和SE等技术的应用与挑战,提出数据共享框架及20种潜在攻击,探讨了多种增强技术对数据共享方案的影响。
2026-03-27 cs.CR
Symmetries and isomorphisms for privacy in control over the cloud
云计算平台正越来越多地用于闭合反馈控制回路,特别是当使用诸如模型预测控制之类的计算昂贵的算法来优化性能时。控制算法的外包需要在控制系统和云之间交换数据,并且自然地引起对控制系统的数据的隐私的关注(例如,状态轨迹、控制目标)。此外,任何强制隐私的尝试都需要增加最小的计算开销,以避免降低控制性能。在本文中,我们提出了几种基于转换的方法来加强数据隐私。我们还量化了所提供的隐私量,并讨论了当对手可以访问侧知识时会丢失多少隐私。我们解决了三种不同的情况:a)云不知道被控制的系统; b)云知道系统使用什么传感器和执行器,但不知道系统动态; c)云知道系统动态,它的传感器和执行器。在所有这三种情况下,所提出的方法允许在不损害私有信息的情况下控制云(哪些信息被认为是私有的取决于所考虑的情况)。
2019-06-18 cs.CR cs.SY eess.SY
OnePath: Efficient and Privacy-Preserving Decision Tree Inference in the Cloud
University of Electronic Science and Technology of China(电子科技大学)
研究云环境下决策树推理隐私与效率问题,提出OnePath框架,通过仅处理预测路径节点及采用功能加密优化,提升推理效率并保护隐私,经分析和实验验证其有效性。
2026-07-07 cs.CR
Privacy Preserving Set-Based Estimation Using Partially Homomorphic Encryption
Constructor University(康斯特大学);Technical University of Munich(慕尼黑工业大学);KTH Royal Institute of Technology(瑞典皇家理工学院);Ain Shams University(艾因夏姆斯大学)
基于集合的估计由于其能够保证安全关键系统的状态封闭性而获得了很多关注。然而,从分布式传感器收集测量结果通常需要将基于集合的操作外包给聚合器节点,这引起了许多隐私问题。为了解决这个问题,我们提出了基于集合的估计协议,使用部分同态加密,保护隐私的测量和集合边界的估计。考虑了一类具有有界建模和测量不确定性的线性离散动力系统。集合可以用带域和约束带域来表示,因为它们可以紧表示高维集合,并且在线性映射和Minkowski加法下是封闭的。通过选择性地加密集合表示的参数,我们建立了加密域中的加密集合和相交集合的概念,这使得在确保隐私的同时能够保证状态估计。特别是,我们表明,我们的协议实现计算隐私使用的加密概念的计算不可篡改性。我们展示了我们的方法的效率,通过本地化一个真正的移动四轴飞行器使用超宽带无线设备。
2023-02-25 cs.CR cs.RO
Developers Insight On Manifest v3 Privacy and Security Webextensions
本文通过定性结构化研究分析 Chrome 向 Manifest v3 过渡对 Web 扩展开发的影响,发现多数开发者担忧关键 API 缺失和功能受限,并总结了不同扩展类型在迁移中的差异化挑战与需求。
2025-07-18 cs.CR cs.CY
ThermoCAPTCHA: Privacy-Preserving Human Verification with Farm-Resistant Traceable Tokens
School of Computing & Informatics, University of Louisiana at Lafayette(路易斯安那大学拉斐特分校计算与信息学院);University of Tennessee at Chattanooga(田纳西大学查塔努加分校)
ThermoCAPTCHA通过实时热成像检测活人,无需用户解谜,提升隐私保护和验证效率
2026-03-06 cs.CR
Preserving Both Privacy and Utility in Network Trace Anonymization
随着网络安全监控变得越来越复杂,越来越需要将这些任务外包给第三方分析师。然而,由于对敏感信息的隐私问题,组织通常不愿意共享其网络跟踪,网络和系统配置,可能被利用进行攻击。在数据所有者被说服共享其网络跟踪的情况下,数据通常会受到某些匿名化技术的影响,例如,CryptoPAn,它用前缀保留的前缀替换真实的IP地址。然而,大多数这样的技术或者容易受到对手的攻击,对手事先知道跟踪中的一些网络流,或者需要大量的数据清理或扰动,这两者都可能导致数据效用的显著损失。在本文中,我们的目标是保护隐私和效用之间的权衡转移到隐私和计算成本之间。其关键思想是让分析人员生成和分析原始网络轨迹的多个匿名视图;这些视图被设计为即使对拥有先验知识的对手也足够难以区分,这保护了隐私,而其中一个视图将产生由数据所有者私下检索的真实分析结果,这保留了效用。我们提出了一般的方法,并实例化它的基础上CryptoPAn。我们正式分析我们的解决方案的隐私和实验评估它使用真实的网络跟踪提供的主要ISP。结果表明,我们的方法可以显着降低信息泄漏的水平(例如,不到CryptoPAn泄露的信息的1%),具有可比的实用性。
2018-10-24 cs.CR
A Quantum-based Database Query Scheme for Privacy Preservation in Cloud Environment
针对云数据库查询中的双方隐私与通信开销问题,提出结合不经意传输、oracle、改进Grover迭代和偏移加密的量子查询方案,并验证其正确性、隐私性与效率。
2020-02-01 cs.CR quant-ph
MedBlindTuner: Towards Privacy-preserving Fine-tuning on Biomedical Images with Transformers and Fully Homomorphic Encryption
Georgia State University(佐治亚州立大学);Old Dominion University(老道明大学)
本文提出 MedBlindTuner 框架,结合 FHE 与 DEiT,在加密生物医学图像上完成模型训练,并在保持与非加密训练相当准确率的同时保护患者隐私。
2024-01-17 cs.CR cs.CV cs.LG
Your Inference Request Will Become a Black Box: Confidential Inference for Cloud-based Large Language Models
Key Lab of High Confidence Software Technologies (Peking University), Ministry of Education, China(高可信软件技术重点实验室(北京大学));School of Computer Science, Peking University, Beijing, China(北京大学计算机学院);Tencent, Shenzhen, China(腾讯(深圳));Macau university, China(澳门大学)
Talaria通过在客户端控制的CVM中执行敏感操作并使用ReMO协议保护隐私,实现云上LLM的保密推理,同时保持性能和效率。
2026-02-27 cs.AI cs.CL cs.CR
CryptGraph: Privacy Preserving Graph Analytics on Encrypted Graph
许多图挖掘和分析服务已经部署在云上,这可以减轻用户实现和维护图算法的负担。然而,将图形分析放在云端可能会侵犯用户的隐私。为了解决这个问题,我们提出了CryptGraph,它在加密的图上运行图分析,以保护用户的图数据和分析结果的隐私。在CryptGraph中,用户在将其上传到云端之前对其图形进行加密。云在加密的图上运行图分析,并获得云无法解密的加密形式的结果。在计算过程中,加密的图永远不会在云端解密。加密后的结果返回给用户,由用户解密得到明文结果。在这个过程中,用户的图表和分析结果都是加密的,云计算不知道它们。因此,用户的隐私可以得到很好的保护。同时,借助同态加密,保证了加密图分析结果的正确性。本文介绍了如何使用同态加密对图进行加密,以及如何通过计算多项式来查询加密图的结构。为了解决某些操作在加密图上无法执行的问题,我们提出了硬计算外包来寻求用户的帮助。使用两个图算法作为例子,我们展示了如何应用我们的方法来执行加密图的分析。在两个数据集上的实验证明了该方法的正确性和可行性。
2015-03-18 cs.CR
Privacy-preserving server-supported decryption
针对二选二门限解密中服务器可见密文的隐私问题,提出在通用可组合性模型下的服务器辅助盲目门限解密理想功能,并在随机预言机模型中构造可安全实现该功能的协议。
2024-10-25 cs.CR
SecSkyline: Fast Privacy-Preserving Skyline Queries over Encrypted Cloud Databases
众所周知的云计算的好处刺激了数据库服务外包的流行,人们可以求助于云来方便地存储和查询数据库。随着这种流行趋势的到来,数据隐私受到了威胁,因为云可以访问可能包含敏感信息(如医疗或金融数据)的数据库和查询。已经提出了大量用于查询加密数据库的工作,其中主要集中在安全关键字搜索上。在本文中,我们而是专注于支持安全的天际线查询处理加密外包数据库,在那里做了很少的工作。天际线查询是一种高级数据库查询,对于多准则决策系统和应用程序非常重要。我们提出了SecSkyline,一个新的系统框架,建立在轻量级密码学的快速隐私保护天际线查询。SecSkyline不仅为外包数据库、查询和结果的内容机密性提供了强有力的保护,而且还为可能导致间接数据泄漏的数据模式提供了强有力的保护,例如数据点之间的支配关系和搜索访问模式。大量的实验表明,SecSkyline是大大优于国家的最先进的查询延迟,高达813 $\times$的改善。
2022-11-03 cs.CR cs.DB
Trustless, privacy-preserving blockchain bridges
在本文中,我们提出了一个协议,用于促进无信任的跨链加密货币转移,以保护桥提款的隐私。我们利用通常用于设计加密货币混合协议的零知识原语来提供类似的功能,但跨越两个或更多个区块链。为此,我们通过桥操作免费接收加密货币混合,并描述如何扩展这些协议以使用过去的想法来激励桥转移。我们描述了由此产生的协议如何导致Uniswap与Sushiswap传奇中创造的类似吸血鬼风格的攻击,但跨链。
2021-02-09 cs.CR
A Practical Searchable Symmetric Encryption Scheme for Smart Grid Data
将数据存储外包给远程云是增强智能电网生态系统中数据管理的经济解决方案。为了保护数据的隐私,公用事业公司可以选择在将数据上传到云端之前对其进行加密。然而,虽然加密为数据提供了机密性,但它也牺牲了数据所有者查询其数据中特殊段的能力。可搜索对称加密是一种使用户能够以密文形式存储文档,同时保留在文档中搜索关键字的功能的技术。然而,大多数最先进的SSE算法仅关注一般文档存储,这可能不适合智能电网应用。在本文中,我们提出了一个简单,实用的SSE计划,旨在保护在智能电网中产生的数据的隐私。我们的方案实现了高空间复杂度与小的信息披露,是可以接受的实际智能电网应用。我们还实现了一个原型的统计数据的先进的仪表基础设施,以显示我们的方法的有效性。
2018-10-30 cs.CR
PrivacyDates: A Framework for More Privacy-Preserving Timestamp Data Types
对应用软件数据模型的案例研究表明,时间戳被过度地用于与用户活动有关的方面。这与数据最小化原则相矛盾,该原则要求对特定目的所需的数据进行限制。先前的工作也确定了时间戳的共同目的,可以通过更多的隐私保护替代方案来实现,如具有面向目的的精度的计数器和日期。在本文中,我们通过展示这些替代品的现实世界的适用性来跟进。我们设计并实现了流行的Web开发框架Django的三个时间戳替代品,并通过在项目管理应用程序Taiga中替换传统的时间戳来评估其实用性。我们发现,我们的替代品可以被采用,而不会损害泰加的功能。
2022-06-07 cs.CR
On Polynomial Approximations for Privacy-Preserving and Verifiable ReLU Networks
University of Southern California (USC)(南加州大学)
针对隐私保护可验证推理中ReLU替换问题,提出带一阶项的二次多项式激活函数,在CIFAR和Tiny ImageNet上比平方函数准确率提升最高10.4%。
2024-02-06 cs.CR cs.IT cs.LG
Outsourced Analysis of Encrypted Graphs in the Cloud with Privacy Protection
针对云外包图分析的隐私风险,提出基于 ASHE 与 SDHE 的 Eigen 衰减安全计算方案,并支持稀疏网络权衡,实验显示其在信息缩减、计算时间和存储成本上各有优势。
2023-04-21 cs.CR
PP-STAT: An Efficient Privacy-Preserving Statistical Analysis Framework using Homomorphic Encryption
NAVER Cloud \& Sungkyunkwan University Seongnam South Korea;NAVER Cloud \& Sungkyunkwan University
本文提出基于同态加密的 PP-STAT 框架,通过 Chebyshev 近似和预归一化缩放优化,在加密数据上安全高效地完成多项统计分析并保持高精度。
2025-10-04 cs.CR
DECENT: A Decentralized Architecture for Enforcing Privacy in Online Social Networks
大量的隐私泄露,无论是意外的还是恶意的,都促使用户不信任在线社交网络(OSN)的集中式提供商,并调查分散式解决方案。我们研究了一个完全分散的(点对点)OSN的设计,特别关注隐私和安全。特别是,我们希望保护用户内容的机密性、完整性和可用性以及用户关系的隐私。我们提出DECENT,OSN的架构,使用分布式哈希表存储用户数据,并具有加密保护的机密性和完整性,以及支持灵活的属性策略和快速撤销。DECENT确保数据和社交关系对未授权用户不可见,并通过更新的复制和身份验证提供可用性。我们评估DECENT通过模拟和实验的PlanetLab网络,并表明DECENT是能够复制当前集中式OSN的主要功能与可管理的开销。
2011-12-16 cs.CR cs.NI cs.SI
Outsourced Privacy-Preserving Feature Selection Based on Fully Homomorphic Encryption
Kyushu Institute of Technology(九州工业大学)
针对现有隐私特征选择算法需多计算方、无完全可信外部方时安全性不足的问题,提出首个基于全同态加密的特征选择外包算法,优化了时空复杂度,实验验证其在小数据集上也具高效性。
2025-05-19 cs.AI cs.CR
Privacy-Preserving and Outsourced Multi-User k-Means Clustering
隐私保护数据采掘(PPDM)技术在过去的十年中得到了广泛的研究。通常,数据采掘过程中涉及的实体是具有有限计算和存储资源的最终用户或组织。因此,此类实体可能想要避免参与PPDM过程。为了克服这个问题并利用云计算的许多其他好处,将PPDM任务外包到云环境最近受到了特别的关注。我们考虑的情况下,n个实体外包他们的数据库(加密格式)到云,并要求云执行集群任务的组合数据在隐私保护的方式。我们把这样的过程称为隐私保护和外包分布式集群(PPODC)。在本文中,我们提出了一种新的和有效的解决方案的PPODC问题的基础上,k-means聚类算法。我们的解决方案的主要新颖之处在于,通过一个有效的转换技术,完全避免了计算集群中心所需的安全划分操作。我们的解决方案以迭代方式安全地构建集群,并在预定的终止条件成立时将最终集群中心返回给所有实体。该方案在标准半诚实模型下保护了所有参与实体的数据机密性。据我们所知,我们的工作是第一次讨论和提出一个全面的解决方案,以PPODC问题,对参与实体产生微不足道的成本。我们从理论上估计了该协议的计算和通信成本,并通过在真实数据集上的实验证明了其实用价值。
2014-12-14 cs.CR cs.DB
OVRseen: Auditing Network Traffic and Privacy Policies in Oculus VR
虚拟现实(VR)是一种新兴技术,它可以实现新的应用,但也会带来隐私风险。在本文中,我们重点介绍了VR领域的领先平台Oculus VR(OVR),并从网络和隐私政策的角度,首次全面分析了OVR应用程序和平台本身暴露的个人数据。我们试用了Quest 2头显,并测试了Oculus官方和SideQuest应用商店中最受欢迎的VR应用程序。我们开发了OVRseen,一种用于收集、分析和比较OVR上的网络流量和隐私策略的方法和系统。在网络方面,我们捕获并解密了VR应用程序的网络流量,这在OVR上是不可能的,我们提取了数据流,定义为<app,数据类型,目的地>。与移动和其他应用生态系统相比,我们发现OVR更加集中,并且由跟踪和分析驱动,而不是由第三方广告驱动。我们展示了VR应用程序暴露的数据类型包括个人身份信息(PII)、可用于指纹识别的设备信息以及VR特定的数据类型。通过将网络流量中发现的数据流与应用程序隐私政策中的声明进行比较,我们发现大约70%的OVR数据流没有正确披露。此外,我们从隐私政策中提取了额外的上下文,我们观察到69%的数据流用于与应用程序核心功能无关的目的。
2021-11-19 cs.CR cs.NI
Secure Multi-party Computation for Cloud-based Control
在本章中,我们将探讨控制器对来自(可能是分布式)系统的加密测量的云外包隐私保护计算,同时考虑到数据的动态性质带来的挑战。在这项工作中使用的隐私概念是加密多方隐私,即,功能性的计算不应揭示比仅从功能性的输入和输出可推断的内容更多的内容。用于实现这一目标的主要理论概念是同态加密,它允许对加密数据进行求和和乘积的评估,并且当与其他加密技术(如秘密共享)相结合时,可以成为解决广泛的安全多方问题的强大工具。我们将严格定义这些概念,并讨论如何在模型预测控制器的实现中实施多方隐私,其中包括通过解决加密数据的优化问题来计算稳定控制动作。
2019-06-23 cs.CR cs.SY eess.SY
An Effective Private Data storage and Retrieval System using Secret sharing scheme based on Secure Multi-party Computation
外包数据的隐私是一个主要的挑战。网络环境的不安全和服务提供商的不可信是使数据库成为服务的障碍。个人身份信息的收集和存储是一个主要的隐私问题。在线公共数据库和资源对用户隐私构成重大风险,因为恶意数据库所有者可能会监视用户查询并推断出有关客户的有用信息。数据隐私方面的挑战是与第三方共享数据,一个私有的信息检索(PIR),它是一种基于网络的信息检索技术,它可以在保证信息安全的同时,防止有价值的信息被第三方未经授权的访问和使用。方案允许用户在查询数据库的同时隐藏检索到的数据的身份。保密性的简单解决方案是在外包之前加密数据。查询执行,密钥管理和统计推断是这种情况下的主要挑战。所提出的系统提出了一种使用秘密共享技术来安全存储和检索私有数据的机制。其思想是开发一种机制来存储私有信息,该机制具有高度可用的存储提供者,可以从任何地方使用查询访问,同时隐藏实际的数据值私有信息检索系统采用基于秘密共享的安全多方计算(SMC)技术实现。多方计算允许多方在各自的私有输入上计算联合函数,通过对不同服务器所拥有的份额进行安全计算来获得查询结果。
2015-02-26 cs.CR
SoK: Privacy-Preserving Order Matching
IMDEA Networks Institute(IMDEA网络研究所);École Polytechnique Fédérale de Lausanne (EPFL)(洛桑联邦理工学院)
本文对22个协议家族的隐私保护订单匹配进行系统化梳理,划分订单生命周期为四个阶段并刻画各阶段特征,分析隐私属性及相关权衡,凸显端到端隐私实现的挑战。
2026-10-12 cs.CR
Differential Privacy in Cognitive Radio Networks: A Comprehensive Survey
背景/简介:将认知无线电(CR)与传统无线网络相结合,有助于以有效的方式解决频谱稀缺问题。CR的机会性和动态频谱接入特征向其未授权用户提供了在需要时利用未充分利用的频谱的功能,因为CR节点可以感测频谱的空闲频带并且还可以接入它们以执行通信。CR节点的各种能力取决于彼此之间以及集中式基站之间的数据的有效且连续的报告,这反过来可能导致隐私泄露。实验研究表明,CR用户的隐私在认知周期中很容易受到损害,因为他们有意或无意地共享各种个人身份信息(PII),例如位置、设备ID、信号状态等。为了保护这种隐私泄露,研究人员开发了各种隐私保护策略,并且根据我们,差分隐私是其中最重要的。
2021-12-11 cs.CR
Solving the Kidney Exchange Problem Using Privacy-Preserving Integer Programming (Updated and Extended Version)
针对肾脏交换问题(KEP)的隐私保护求解,提出一种基于整数规划的新颖协议,通过扩展理想功能输出包含算法终止决策,在MP-SPDZ框架中实现了精确解计算,显著提升了性能,并评估了扩展输出的信息泄露风险。
2023-10-23 cs.CR
Distributed Clustering in the Anonymized Space with Local Differential Privacy
对收集的数据进行聚类和分析可以改善大数据、物联网应用中的用户体验和服务质量。然而,直接发布原始数据带来了潜在的隐私问题,这为隐私保护聚类带来了挑战和机遇。本文在局部差分隐私框架下研究了分布式环境下的非交互式聚类问题。我们首先扩展了位向量,一种新的匿名化机制是功能性和隐私保护。基于改进的编码机制,我们提出了kCluster算法,可用于聚类的匿名空间。我们表明,修改后的编码机制可以很容易地实现在现有的聚类算法,只依赖于距离信息,如DBSCAN。理论分析和实验结果验证了所提方案的有效性。
2019-06-27 cs.CR cs.DB