VDDP: Verifiable Distributed Differential Privacy under the Client-Server-Verifier Setup
University of Waterloo（滑铁卢大学）
本文提出可验证分布式差分隐私框架VDDP，通过刻画其与零知识证明的联系，防御分布式环境中服务器的不忠实执行，并开发了VDDLM、VDDGM和VRR三种高效实例化，在误差极小的情况下大幅提升了证明生成效率并降低了通信开销。
2026-10-22 cs.CR cs.DB
Privacy-preserving Security Inference Towards Cloud-Edge Collaborative Using Differential Privacy
云边缘协同推理方法将深度神经网络（DNN）分为两部分，在资源受限的边缘设备和云服务器上协同运行，旨在最大限度地减少推理延迟并保护数据隐私。然而，即使来自边缘设备的原始输入数据没有直接暴露给云，针对协作推理的最先进的攻击仍然能够从暴露的本地模型的中间输出重建原始私有数据，从而引入严重的隐私风险。本文提出了一种用于云-边缘协作的安全隐私推理框架CIS，该框架支持根据动态变化的网络带宽自适应地划分网络，充分释放边缘设备的计算能力。为了减轻由私有扰动引入的影响，CIS提供了一种通过向卸载到云的中间层特征图添加细化噪声来实现差分隐私保护的方法。同时，在给定总隐私预算的情况下，通过不同卷积滤波器生成的特征图秩大小合理分配预算，使得云中的推理对数据扰动具有鲁棒性，从而有效地平衡了隐私性和可用性之间的冲突问题.最后，我们构建了一个真实的云边缘协同推理计算场景，以验证资源受限的边缘设备上的推理延迟和模型划分的有效性。最后，采用最新的云边缘协同重构攻击方法，对CIS提供的端到端隐私保护机制的实际可用性进行了评估。
2022-12-13 cs.CR
Data Security and Privacy in Cloud Computing: Concepts and Emerging Trends
全球数百万用户利用云环境进行数据处理和共享。数据安全和隐私是云环境的必然要求。用户之间的大量使用和数据共享为安全漏洞打开了大门。本文设想讨论云环境，其效用，挑战和新兴的研究趋势局限于安全处理和数据共享。
2021-08-21 cs.CR
Identity Management issues in Cloud Computing
云计算为用户提供低成本的按需服务，无所不在的网络，大存储容量由于这些特点，云计算的Web应用正在向云迁移，由于这种Web应用的迁移，云计算平台提出了许多问题，如隐私，安全等。隐私问题是云计算主要关注的问题。隐私保护是保护云用户的敏感信息，其主要问题是未经授权的二次使用、用户控制缺失、责任不清。为了处理这些隐私问题，使用了身份管理方法。本文讨论了隐私问题和不同类型的身份管理技术，用于保护隐私。
2014-06-03 cs.CR
Design and implementation of the advanced cloud privacy threat modeling
在云计算中，敏感数据的隐私保护已经成为一个具有挑战性的问题。威胁建模作为安全软件开发中需求工程的一部分，提供了一种结构化的方法来识别攻击，并提出针对系统中漏洞利用的对策。本文介绍了一种扩展的云隐私威胁建模（CPTM）的隐私威胁建模方法，在云计算环境中处理敏感数据。它描述了建模方法，包括应用方法工程来指定云隐私威胁建模方法的特征，所提出的方法和相应产品的不同步骤。此外，一个案例研究已实施的概念证明，以证明所提出的方法的可用性。我们相信，扩展的方法有利于从需求工程到设计的隐私保护云软件开发方法的应用。
2016-04-03 cs.CR
Privacy-Preserving Cloud Computing: Ecosystem, Life Cycle, Layered Architecture and Future Roadmap
隐私保护云计算是一种新兴的技术，在各个领域有着广泛的应用。云计算很重要，因为它允许可伸缩性、适应性和改进的安全性。同样，云计算中的隐私也很重要，因为它确保了存储在云上的数据的完整性保持不变。这篇关于隐私保护云计算的调查论文可以为相关领域的未来研究铺平道路。本文通过建立一个分层的架构以及一个生存周期和一个隐私保护云系统的生态系统，以及确定该领域研究的现有趋势，帮助确定现有的趋势。
2022-04-23 cs.CR cs.CY
Heal the Privacy: Functional Encryption and Privacy-Preserving Analytics
安全的云存储是一个至关重要的问题，企业和最终用户在将数据移动到可能不受信任的云之前都应该考虑。将数据迁移到云会引发多个隐私问题，因为它们完全由云提供商控制。因此，不受信任的云提供商可能会侵犯用户的隐私并获得对敏感信息的访问。当云提供商需要存储统计数据库并定期发布分析时，这个问题变得更加突出。在这项工作中，我们首先提出了一个详细的例子，表明使用密码学是不够的，以确保个人的隐私。然后，我们设计了一个基于函数加密和差分隐私的混合协议，该协议允许以隐私保护的方式进行统计计算。
2022-05-06 cs.CR
Security and Privacy of Sensitive Data in Cloud Computing: A Survey of Recent Developments
云计算通过为组织提供具有易于部署、连接、配置、自动化和可扩展性的计算资源，正在彻底改变许多生态系统。这种范式转变引发了一系列必须考虑的安全和隐私问题。多租户、失控和信任是云计算环境中的关键挑战。本文回顾了现有的技术和各种早期和最先进的云安全和隐私项目。我们根据云参考架构编排，资源控制，物理资源和云服务管理层的现有研究进行分类，除了审查现有的发展，在隐私保护敏感数据的方法在云计算，如隐私威胁建模和隐私增强协议和解决方案。
2016-01-07 cs.CR cs.DC
Internet of Cloud: Security and Privacy issues
云和物联网之间的协同作用已经出现，主要是由于云具有直接有利于物联网并使其持续增长的属性。物联网采用云服务带来了新的安全挑战。在本书的这一章中，我们追求两个主要目标：1）分析云计算和物联网的不同组成部分，2）提出这些系统面临的安全和隐私问题。我们深入研究了该领域现有的安全和隐私保护解决方案，着眼于工业物联网，讨论开放问题并提出未来方向
2017-11-01 cs.CR
Security and Privacy-Preservation of IoT Data in Cloud-Fog Computing Environment
物联网是发展最快的技术，在各个领域都有广泛的应用。物联网设备每秒从现实环境中生成数据，并将其传输到云端，因为边缘站点的存储空间较少。外包云是处理存储问题的解决方案。用户的隐私可以通过将数据存储在云上而暴露。因此，我们提出了一种私有数据存储模型，该模型将物联网数据存储在外包云上，并具有隐私保护。雾节点在边缘侧用于数据分区和加密。在外包云上借助同态加密聚合分区和加密的数据。为了安全查询处理和访问来自外包云的数据，可以在外包云上使用引入的模型。
2022-12-01 cs.CR
CPAR: Cloud-Assisted Privacy-preserving Image Annotation with Randomized KD-Forest
随着智能手机拍摄的图片数量的爆炸式增长，组织和搜索图片已经成为重要的任务。为了有效地完成这些任务，关键使能器是用适当的关键字来注释图像，从而使基于关键字的搜索和组织变得可用于图像。目前，智能手机通常与云存储平台同步相册，并在云计算的帮助下对它们的图像进行注释。然而，“卸载到云”解决方案可能导致隐私泄露，因为来自智能照片的照片包含各种敏感信息。为了隐私保护，现有的研究努力通过利用密码原语来支持对加密图像的基于云的图像注释。然而，对于每个注释，它需要云对大规模加密数据集进行线性检查，计算成本很高。本文提出了一种云辅助的隐私保护图像标注与随机kd森林，即CPAR。使用CPAR，用户可以通过利用云的力量自动为他们的图像分配关键字，并保护隐私。CPAR提出了一种新的隐私保护的随机kd森林结构，显着提高了注释性能相比，现有的研究。深入分析了CPAR的安全性。在著名的IAPR TC-12数据集上的实验验证了CPAR的有效性。
2019-02-12 cs.CR
Advanced Cloud Privacy Threat Modeling
在云计算中，敏感数据的隐私保护已经成为一个具有挑战性的问题。威胁建模作为安全软件开发中需求工程的一部分，提供了一种结构化的方法来识别攻击，并提出针对系统中漏洞利用的对策。本文介绍了一种扩展的云隐私威胁建模（CPTM）的隐私威胁建模方法，在云计算环境中处理敏感数据。它描述了建模方法，包括应用方法工程来指定云隐私威胁建模方法的特征，所提出的方法和相应产品的不同步骤。我们相信，扩展的方法有利于从需求工程到设计的隐私保护云软件开发方法的应用。
2016-01-07 cs.CR cs.DC cs.SE
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
Privacy-preserving Cloud-based DNN Inference
深度学习即服务（DLaaS）已被深入研究，以促进新兴深度学习应用程序的更广泛部署。然而，DLaaS可能会损害客户端和云服务器的隐私。虽然已经提出了一些基于隐私保护的深度神经网络（DNN）的推理技术，但是由于DNN模型的复杂性和昂贵的密码原语，计算效率的挑战还没有得到很好的解决。在本文中，我们提出了一种新的隐私保护基于云的DNN推理框架（即“PROUD”），这大大提高了计算效率。最后，我们在两个常用的数据集上进行了大量的实验，以验证PROUD的有效性和效率，这也优于最先进的技术。
2021-02-10 cs.CR
Security and Privacy Aspects in MapReduce on Clouds: A Survey
MapReduce是一种编程系统，用于在私有云、公共云或混合云上以高效和容错的方式进行分布式处理大规模数据。MapReduce作为一种高效的分布式计算工具在世界各地被广泛使用，用于解决大量问题，例如，搜索、聚类、日志分析、不同类型的连接操作、矩阵乘法、模式匹配和社交网络分析。当MapReduce计算在公共云或混合云中执行时，数据和MapReduce计算的安全性和隐私性是基本问题。为了在公共云和混合云中执行MapReduce作业，需要对映射器-还原器进行身份验证，数据计算的机密性，数据计算的完整性以及输出的正确性-新鲜度。满足这些要求可以保护操作免受对数据和MapReduce计算的几种类型的攻击。在本文中，我们调查和讨论安全和隐私的挑战和要求，考虑各种对抗能力，以及MapReduce范围内的特性。我们还提供了现有的MapReduce安全和隐私协议的审查，并讨论其开销问题。
2016-05-02 cs.CR cs.DB cs.DC
A Discussion and Comparative Study on Security and Privacy of Smart Meter Data
云计算伴随着隐私和安全问题带来了很多高级功能。智能电表数据利用智能电网中的云计算。通过分析家用电器产生的智能电表数据，用户的隐私可能会受到损害。当数据转移到云端时，用户失去了对数据的控制。本文介绍了云环境下智能电表数据的隐私和安全问题。我们还比较了现有的方法来保护智能电表数据的隐私和安全性。
2021-11-17 cs.CR
Measuring Privacy Loss in Distributed Spatio-Temporal Data
针对分布式位置应用中差分隐私的反直觉特征，提出一种针对知情对手位置重构攻击的替代隐私损失度量，实验证明其更符合个人隐私侵犯的直觉。
2024-02-18 cs.CR
CloudMine: Multi-Party Privacy-Preserving Data Analytics Service
越来越多的企业正在用云服务取代他们的数据存储和计算基础设施。同样，越来越强调基于从不同数据源获得的多个数据集执行分析。虽然确保外包给第三方云的数据和计算的安全性本身就具有挑战性，但使用分布在多个独立云上的数据支持分析更是微不足道。在本文中，我们提出了CloudMine，一个基于云的服务，它允许多个数据所有者使用他们的云作为代表的联合数据执行隐私保护的计算。CloudMine保护半诚实数据所有者和半诚实云的数据隐私。它还确保了来自好奇云的计算输出的隐私。它允许数据所有者可靠地检测他们的云代理在执行委托计算时是否懒惰。CloudMine可以在单个云上作为集中式服务运行，也可以在多个独立的云上作为分布式服务运行。CloudMine支持一组基本计算，可用于构建各种高度复杂的分布式隐私保护数据分析。我们演示了如何在云环境中使用CloudMine（安全求和服务）的一个简单实例来实现三个经典的数据采掘任务（分类，关联规则挖掘和聚类）。我们实验的原型服务，其结果表明其实用性支持隐私保护数据分析作为（多）基于云的服务。
2013-10-01 cs.CR cs.DC
Distributed Differential Privacy By Sampling
在本文中，我们描述了我们的方法来实现分布式差分隐私单独采样。我们的机制工作在半诚实的设置（诚实但好奇，聚合器试图偷看数据，但遵循协议）。我们表明，实用程序保持不变，并没有降低由于方差相比，随机响应机制。此外，我们显示较小的隐私泄漏相比，随机响应机制。
2017-06-14 cs.CR
Towards Distributed Privacy-Preserving Prediction
在隐私保护的机器学习中，由于隐私问题，各方不愿意共享其敏感的训练数据。即使是训练的模型参数或预测也可能造成严重的隐私泄露。为了解决这些问题，我们展示了一个普遍适用的分布式隐私保护预测（DPPP）框架，在该框架中，不受信任的聚合器不会共享更敏感的数据或模型参数，而是在可证明的隐私保证下仅组合多个模型的预测。我们的框架集成了两种主要技术来保证个人隐私。首先，我们引入了改进的二项式机制和离散高斯机制来实现分布式差分隐私。其次，我们利用同态加密，以确保聚合器学习什么，但嘈杂的聚合预测。实验结果表明，我们的框架具有可比的性能，非私有的框架，并提供更好的结果比本地差分私有框架和独立的框架。
2020-09-03 cs.CR
Analysis of Different Privacy Preserving Cloud Storage Frameworks
云存储中的数据安全是主要问题之一。许多框架和技术用于保护云存储中的数据安全。[1]提出了一个包括数据组织结构设计、密钥生成与管理、用户访问权变更处理和数据动态操作、参与者交互等内容的框架。设计了交互式协议和基于删除的密钥推导算法，并结合惰性撤销机制，采用多树结构和对称加密，形成了一个保护隐私的高效云存储框架。[2]提出了一个隐私保护的云存储框架，该框架设计了参与者之间的交互协议，使用密钥派生算法生成和管理密钥，使用对称和非对称加密隐藏用户的敏感数据，并应用Bloom过滤器进行密文检索。实现了一个基于该框架的系统。本文从框架的可行性、系统的运行开销以及框架的隐私安全性等方面对这两种框架进行了分析。
2012-01-14 cs.CR
Privacy-Preserving Identity and Access Management in Multiple Cloud Environments: Models, Issues, and Solutions
本文聚焦多云环境下隐私保护的身份与访问管理，梳理现有模型与问题，并提出创新分类法以支撑未来解决方案。
2024-12-29 cs.CR
Comment on "An Efficient Privacy-Preserving Ranked Multi-Keyword Retrieval for Multiple Data Owners in Outsourced Cloud"
本文指出Li等人提出的PRMKR方案无法抵抗关键词猜测攻击、索引隐私和陷门隐私，并通过修正关键方程给出解决方案。
2024-07-25 cs.CR
Security, Privacy and Challenges in Microservices Architecture and Cloud Computing- Survey
处理器架构中的安全问题仍然非常关键，因为用户和设备继续共享计算和网络资源。因此，在这样的环境中保护数据隐私确实是一个关键问题。我们知道，需要解决的安全和隐私问题不断增加。在这里，我们选择了一个微服务架构，它是一个小型甚至是独立的微进程，通过Thrift、HTTP或REST API等轻量级技术进行交互、操作和响应消息。
2022-12-29 cs.CR
Privacy-Preserving Data in IoT-based Cloud Systems: A Comprehensive Survey with AI Integration
本综述系统梳理物联网云系统中隐私保护技术，分类分析加密、匿名化、访问控制及AI融合方法，揭示动态匿名化、同态加密和AI驱动控制等趋势，为相关领域提供全面参考。
2024-01-01 cs.CR
Optimising Intrusion Detection Systems in Cloud-Edge Continuum with Knowledge Distillation for Privacy-Preserving and Efficient Communication
针对云边连续体入侵检测中联邦学习通信开销高的问题，本文提出利用知识蒸馏优化系统，在保留准确性和数据隐私的同时降低通信开销，提升云边环境下入侵检测的效率与隐私保护能力。
2025-04-14 cs.CR
Content-Based Multi-Source Encrypted Image Retrieval in Clouds with Privacy Preservation
基于内容的图像检索（CBIR）是图像检索的基本方法之一。它的应用可以在各个领域找到，如艺术收藏和医疗诊断。随着云计算范例的日益流行，图像所有者希望将其图像外包给云服务器。为了应对图像隐私泄露的风险，图像通常在外包到云端之前进行加密，这使得CBIR成为一项极具挑战性的任务。现有的研究集中在只有一个图像所有者的情况下，留下了多个图像源（即，所有者）未处理。在本文中，我们提出了一个安全的CBIR方案，支持多个图像所有者与隐私保护（MIPP）。我们使用安全的多方计算技术加密图像特征，该技术允许图像所有者使用自己的密钥加密图像特征。这使得能够对从多个源收集的图像进行有效的图像检索，同时保证单个图像所有者的图像隐私不会泄露给其他图像所有者。我们还提出了一种新的方法，可以避免泄露图像的相似性信息的云图像的相似性度量。理论分析和实验结果表明，MIPP实现检索的准确性和效率，同时保护图像的隐私。
2018-09-22 cs.CR
SplitAgent: A Privacy-Preserving Distributed Architecture for Enterprise-Cloud Agent Collaboration
SplitAgent通过语境感知的动态去敏化技术，实现企业与云代理间的隐私保护协作，提升任务准确率并减少隐私泄露。
2026-03-09 cs.AI cs.CR
Privacy Inference Attacks and Defenses in Cloud-based Deep Neural Network: A Survey
Xidian University（西安电子科技大学）；State Key Laboratory of Cryptology（密码学国家重点实验室）；James Cook University（詹姆斯·库克大学）；State Key Laboratory of Integrated Service Networks (ISN)（综合业务网理论及关键技术国家重点实验室）；Swinburne University of Technology（斯威本科技大学）；College of Science and Engineering（科学与工程学院）；School of Software and Electrical Engineering（软件与电气工程学院）
深度神经网络（DNN）是最强大的机器学习算法之一，越来越多地被用来克服有效探索和分析海量数据的瓶颈，以推动先进的科学发展。云计算提供商将基于云的DNN作为开箱即用的服务提供，这并不奇怪。虽然基于云的DNN有一些好处，但云中两个或多个实体之间的交互机制不可避免地引发了新的隐私风险。这项调查提出了基于云的神经网络服务中出现的隐私攻击和防御的最新发现。我们系统地、彻底地审查了基于云的DNN服务管道中的隐私攻击和防御，即，数据处理、训练和预测。特别是，从最近发表的文献中提取了一种新的理论，称为基于云的ML隐私游戏，以深入了解最先进的研究。最后，提出了挑战和未来的工作，以帮助研究人员继续推动隐私攻击者和捍卫者之间的竞争。
2021-05-13 cs.AI cs.CR
Privacy Preserving Analytics on Distributed Medical Data
目的：从分布式电子健康记录中实现高质量生成和区分机器学习模型的隐私保护学习。方法和结果：我们描述了一般和可扩展的策略，以可证明的隐私保护方式构建机器学习模型。与标准方法相比，差分隐私，我们的方法不需要改变输入的生物医学数据，与完全或部分分布式数据集，只要参与数据处理的大多数网站是可信的，不串通，是有弹性的。我们展示了如何将所提出的策略应用于分布式医疗记录，以解决变量分配问题，准确的特征选择和贝叶斯网络学习的关键任务。结论：我们提出的架构可用于医疗保健组织，跨提供商，保险公司，研究人员和计算服务提供商，以建立强大的和高质量的预测模型的情况下，分布式数据必须结合在一起，而不会被披露，更改或以其他方式损害。
2018-06-18 cs.CR
Revealing the Unseen: How to Expose Cloud Usage While Protecting User Privacy
云用户对支撑他们使用的虚拟化云资源的物理机的性能特征和利用率几乎没有可见性。这种不确定性迫使用户和研究人员对云系统的内部工作进行逆向工程，以了解和优化其应用程序的运行条件。在Massachusetts Open Cloud（MOC），作为公共云运营商，我们希望公开我们的物理基础设施的利用率，以阻止这种浪费的努力。考虑到这种暴露可能被恶意地用于深入了解其他用户的工作负载，在本立场文件中，我们认为需要一种方法来平衡云的整体开放性与其中每个租户的隐私。我们相信这种方法可以通过多种安全和隐私技术的新颖组合来实例化。我们讨论了潜在的好处，对云系统和用户的透明度的影响，以及技术挑战/可能性。
2017-10-02 cs.CR cs.DC
A General Framework for Privacy-Preserving Distributed Greedy Algorithm
由于出于各种分析目的而广泛收集的数据汇集，在线应用程序中的隐私越来越受到关注。在分析过程中，可能会从原始数据中挖掘出敏感信息，这导致了人们（数据提供者）对隐私的极大关注。为了解决这一隐私问题，许多隐私保护计算方案被提出来解决各种计算问题，我们发现其中许多属于一类问题，可以解决的贪心算法。在本文中，我们提出了一个分布式贪心算法的框架，在可行集中的实例来自不同的政党。通过该框架，大多数通用的分布式贪心算法可以转化为一个隐私保护算法，该算法在保持与原始贪心算法相同结果的同时，仍然保护与实例相关的隐私信息.
2014-07-25 cs.CR
MSPPIR: Multi-source privacy-preserving image retrieval in cloud computing
基于内容的图像检索（CBIR）技术已经得到了广泛的研究，并在云计算的帮助下，如谷歌图像服务。然而，图像中往往包含着丰富的敏感信息。在这种情况下，由于云总是不能被完全信任，因此隐私保护成为一个大问题。许多隐私保护的图像检索方案已经被提出，其中图像所有者可以将加密的图像上传到云端，所有者自己或授权用户可以在云端的帮助下执行安全的检索。然而，现有的研究很少注意到多源场景，这是更实际的。本文分析了多源隐私保护图像检索（MSPPIR）的难点。然后以JPEG格式的图像为例，提出了一种JES-MSIR方案，即一种新的JPEG图像加密方案，它是为多源基于内容的图像检索而设计的。JES-MSIR可以支持MSPPIR的要求，包括多源的恒定轮安全检索和多源的联合以提供更好的检索服务。实验结果和安全性分析表明了该方案的有效性、安全性和准确性。
2020-09-30 cs.CR
CenterYou: A cloud-based Approach to Simplify Android Privacy Management
随着移动应用程序和相关服务变得越来越受欢迎，人们对私人数据泄露的担忧也越来越多。以前对这组众所周知的问题的解决方案已经从头开始，但是需要重写操作系统，这是不必要的和繁重的。在这项工作中，我们提出了一个框架来克服这些问题，通过应用伪数据技术和基于云的决策系统来识别潜在的隐私泄露。
2020-08-31 cs.CR cs.IR
An Enhanced Approach to Cloud-based Privacy-preserving Benchmarking (Long Version)
标杆管理是企业考察绩效、提高效率的重要手段。由于公司通常不愿意为公共基准提供其关键绩效指标（KPI），因此需要保护隐私的基准测试系统。在本文中，我们提出了一个增强的隐私保护基准协议，是基于同态加密。它支持基于云的KPI比较，包括统计指标均值、方差、中位数、最大值、同类最佳值、最低四分位数和最高四分位数。对我们的标杆管理体系进行了理论和实证评估，结果表明该体系具有一定的实用性。即使在连接质量和非对称加密密钥安全性的最坏情况下，它也能满足典型KPI基准测试系统的性能要求。
2019-03-26 cs.CR
Scalable Privacy-Preserving Distributed Learning
在本文中，我们通过分析广泛的MapReduce抽象，我们扩展了隐私约束，解决了隐私保护分布式学习和机器学习模型的评估问题。我们设计了SPINDLE（可扩展的隐私保护分布式学习），这是第一个分布式和隐私保护系统，通过执行合作的梯度下降和对所获得的模型的评估，并通过在多达N-1个串通方的被动对抗模型中保护数据和模型的机密性，覆盖了完整的ML工作流。SPINDLE使用多方同态加密对加密数据执行并行的高深度计算，而不会产生显著的开销。我们实例化的SPINDLE的广义线性模型的分布式数据集上的训练和评估，并表明它能够准确地（与非安全的集中训练的模型）和有效地（由于计算的多级并行化）训练模型，需要大量的迭代大输入数据与成千上万的功能，分布在数百个数据提供者。例如，它可以在不到三分钟的时间内在100万个样本的数据集上训练逻辑回归模型，其中32个特征分布在160个数据提供者中。
2021-07-14 cs.CR
A Differential Approach for Data and Classification Service based Privacy-Preserving Machine Learning Model in Cloud Environment
计算和存储的大规模激增推动了本地数据和机器学习应用到云环境中。所有者可能不完全信任云环境，因为它由第三方管理。然而，在与多个利益相关者共享数据和分类器的同时保持隐私是一个关键挑战。提出了一种基于差分隐私和机器学习方法的新模型，使多个所有者能够共享他们的数据以供利用，并使分类器在云环境中为用户提供分类服务。为了处理所有者数据和分类器，该模型指定了各种不可信方之间的通信协议。该模型还提供了一个强大的机制来保护数据和分类器的隐私。在大量数据集上对朴素贝叶斯分类器进行实验，以计算所提出的模型效率。实验结果表明，该模型具有较高的准确率、精确率、召回率和F1分数，分别达到94%、95%、94%和94%，与现有模型相比分别提高了16.95%、20.16%、16.95%和23.33%。
2022-12-20 cs.CR
Multi-user protocols with access control for computational privacy in public clouds
计算隐私是密码系统的一个属性，它确保在不可信的服务器上处理的数据的隐私。全同态加密方案（FHE）承诺提供这样的性质。当代FHE方案适用于具有单个用户和服务器的应用。实际上，许多云应用程序涉及具有不同信任度的多个用户，服务器也不一定知道。我们提出了一个互补的密钥对技术和协议的基础上，任何通用的FHE方案，多用户场景的规模。我们还使用这种技术与FHE一起展示如何实现基于属性的访问控制，而服务器不知道相同的。我们分析了协议及其安全性。我们的协议不对FHE方案本身的工作原理做任何假设。
2014-06-06 cs.CR
Towards a New Paradigm for Privacy and Security in Cloud Services
云计算市场可被视为信通技术的主要增长领域。然而，大公司和公共机构不愿意将其最敏感的数据委托给外部方进行存储和处理。他们犹豫的原因很明显：没有令人满意的方法来充分保护数据在云中的生命周期。欧盟项目Prismacloud（地平线2020计划;持续时间2/2015-7/2018）解决了这些挑战，并产生了一系列新技术来构建支持安全的云服务，以尽可能强的概念保证所需的安全性，即通过密码学。我们提出了一种新的方法来实现下一代的安全和隐私启用的服务部署在只有部分可信的云基础设施。
2015-07-21 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
Privacy in Cloud Computing through Immersion-based Coding
本文提出一种基于差分隐私与系统浸入式控制的编码框架，通过扭曲数据、设计等价目标算法和解码函数，在保证任意差分隐私水平且不降低算法效用的情况下实现云端隐私保护，并用优化学习算法和非线性网络控制系统验证其性能。
2024-08-09 cs.CR
Towards Practical Privacy-Preserving Analytics for IoT and Cloud Based Healthcare Systems
现代医疗保健系统现在依赖于先进的计算方法和技术，例如物联网（IoT）设备和云，以前所未有的规模和深度收集和分析个人健康数据。患者、医生、医疗服务提供者和研究人员依赖于从这些数据源导出的分析模型来远程监控患者、早期诊断疾病并找到个性化的治疗和药物。然而，如果没有适当的隐私保护，进行数据分析就会成为隐私噩梦的根源。在这篇文章中，我们提出了在医疗保健信息系统中开发实用的隐私保护分析的研究挑战。该研究基于kHealth --一种正在开发和测试用于疾病监测的个性化数字医疗信息系统。我们分析了相关各方的数据和分析要求，确定了隐私资产，分析了现有的隐私基板，并讨论了隐私，效率和模型质量之间的潜在权衡。
2018-04-11 cs.CR cs.CY
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
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
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
Building Trust in Healthcare with Privacy Techniques: Blockchain in the Cloud
本研究为NewbornTime项目提出一种结合以太坊区块链与云计算的架构，通过智能合约与隐私措施解决新生儿医疗视频分析中的患者同意与数据安全问题，展示了该技术在保障数据完整性和促进医疗创新方面的潜力。
2025-04-29 cs.CR
A Privacy-Preserving Outsourced Data Model in Cloud Environment
National Institute of Technology（国家理工学院）
如今，越来越多的机器学习应用，如医疗诊断、在线欺诈检测、垃圾邮件过滤等，服务由云计算提供。云服务提供商从各个所有者收集数据，以在云环境中对机器学习系统进行训练或分类。然而，多个数据所有者可能并不完全依赖第三方参与的云平台。因此，数据安全和隐私问题是使用机器学习工具的关键障碍之一，特别是对于多个数据所有者。此外，未经授权的实体可以检测统计输入数据并推断机器学习模型参数。因此，提出了一种隐私保护模型，该模型在不影响机器学习效率的情况下保护数据的隐私。为了保护数据所有者的数据，该方案采用了双差分隐私，并利用雾节点解决了网络带宽和延迟较低的问题。噪声由ε-差分机制产生，然后添加到数据中。此外，在数据所有者站点注入噪声以保护所有者数据。雾节点从数据所有者那里收集添加了噪声的数据，然后将其转移到云平台上进行存储，计算和执行分类任务。
2022-11-24 cs.CR cs.LG
Local Differential Privacy for Tensors in Distributed Computing Systems
针对分布式系统中张量数据的隐私保护难题，提出TLDP算法，采用随机响应机制并引入权重矩阵，在保持结构完整性的同时实现效用与隐私的平衡，经理论和实证验证效果优越。
2025-09-11 cs.CR
Privacy Protection for Mobile Cloud Data: A Network Coding Approach
同时考虑到入侵者的巨大计算能力和云服务器的不可信性，提出了一种增强的安全假名方案来保护移动云数据的隐私。为了应对计算能力的巨大挑战，我们提出了一个无条件安全的轻量级网络编码假名方案。针对不可信云服务器的隐私问题，设计了两层网络编码，将存储的移动云数据与所有者姓名解耦。因此，我们提出的基于网络编码的假名方案可以同时抵御来自外部和内部的攻击者。我们实现了我们提出的两层轻量级网络编码机制，在一组位置为基础的服务（LBS）使用不可信的云数据库。与计算安全的基于Hash的假名相比，我们提出的方案不仅是无条件安全的，而且可以减少90%以上的处理时间以及10%的能量消耗。
2017-01-11 cs.CR cs.IT math.IT
Privacy Enhancement for Cloud-Based Few-Shot Learning
University of North Carolina at Charlotte（北卡罗来纳大学夏洛特分校）
少样本学习由于对精确模型所需数据较少，在许多应用领域表现出了鲁棒性和通用性。然而，在不受信任的环境中部署Few-Shot模型可能会造成隐私问题，例如，可能会侵犯用户提供的数据的隐私的攻击或对手。本文研究了在不可信环境下的少样本学习的隐私增强问题，云，通过建立一个新的隐私保护的嵌入空间，保护数据的隐私，并保持模型的准确性。我们研究了各种图像隐私方法的影响，如模糊，像素化，高斯噪声，差分私有像素化（DP-Pix）对Few-Shot图像分类，并提出了一种方法，通过联合损失学习隐私保护的表示。实证结果显示了如何针对隐私增强的少样本学习协商隐私-性能权衡。
2022-08-23 cs.CR cs.CV cs.LG
Privacy in Responsible AI: Approaches to Facial Recognition from Cloud Providers
University of Hull（赫尔大学）
本文从隐私角度综述人脸识别技术研究，并比较微软、AWS和谷歌在云服务中落实隐私原则的异同，为开发者和企业提供负责任人工智能集成的最佳实践参考。
2025-03-06 cs.AI 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
Privacy-Preserving Socialized Recommendation based on Multi-View Clustering in a Cloud Environment
针对推荐服务中用户偏好易泄露敏感信息的问题，提出一种引入在线社交网络信息的隐私保护社交化推荐协议，可计算用户相似度且防隐私泄露，经分析验证性能优异、具备实际可行性。
2025-05-21 cs.CR
PRISM: Privacy-Aware Routing for Adaptive Cloud-Edge LLM Inference via Semantic Sketch Collaboration
PRISM通过语义草图协作实现隐私感知的自适应云-边LLM推理，动态平衡隐私与推理质量，降低能耗和延迟，提升输出质量。
2025-11-27 cs.CL cs.CR
