Security and Privacy Issues of Big Data
本章修改了计算基础设施应如何配置和智能管理的最重要方面,以满足大数据应用程序所需的最重要的安全方面。其中之一就是隐私。这是一个需要解决的相关方面,因为用户通过他们的设备和计算机将越来越多的个人数据和内容共享到社交网络和公共云。因此,一个安全的社交网络框架是一个非常热门的研究课题。最后一个主题将在本章的两个部分之一通过案例研究加以讨论。此外,传统的支持安全的机制,如防火墙和非军事区,不适合应用于支持大数据的计算系统。SDN是一种紧急管理解决方案,可以成为在大数据系统中实现安全性的便捷机制,正如我们在本章末尾的第二个案例研究中所展示的那样。报告还讨论了目前的相关工作,并确定了未决问题。
2016-01-27 cs.CR
A Systemic IoT-Fog-Cloud Architecture for Big-Data Analytics and Cyber Security Systems: A Review of Fog Computing
摘要-随着物联网(IoT)的快速发展,当前的云系统面临着各种缺点,例如缺乏移动性支持,位置感知,地理分布,高延迟以及网络威胁。雾/边缘计算已经被提出来解决一些缺点,因为它在网络边缘启用计算资源,并且它在本地提供大数据分析,而不是将它们传输到云。雾被定义为一个类似云的系统,具有类似的功能,包括软件,平台和基础设施作为服务。Fog应用程序的部署面临着与虚拟化、网络监控、数据保护和攻击检测相关的各种安全问题。本文提出了一个系统的物联网-雾-云架构,阐明了物联网,雾和云三层之间的交互,以有效地实现大数据分析和网络安全应用。它还回顾了安全挑战,解决方案和未来的研究方向的架构。
2019-05-04 cs.CR
Securing Big Data systems, A cybersecurity management discussion
本文探讨了大数据系统网络安全管理的基本领域。大数据平台的复杂性源于它是一个相互关联的非标准化系统的集合,这些系统相互交互以处理大型数据集。这种复杂性增加了忽视关键网络安全管理实践的可能性。本文讨论了大数据系统各个部分的各种安全管理。这包括安全措施、标准和方法。主要目标是突出安全管理的基本部分,这些部分预计将在大数据系统中顺利实施。
2019-12-17 cs.CR
On the Scalability of Big Data Cyber Security Analytics Systems
大数据网络安全分析(BDCA)系统使用大数据技术(例如,Apache Spark)收集、存储和分析大量安全事件数据,以检测网络攻击。数字数据量和具体的安全事件数据量呈指数级增长。生成安全事件数据并将其馈送到BDCA系统中的速度是不可预测的。因此,BDCA系统应该是高度可扩展的,以处理安全事件数据的速度的不可预测的增加/减少。然而,一直很少有人努力调查BDCA系统的可扩展性,以确定和利用可扩展性改进的来源。在本文中,我们首先研究了基于Spark的BDCA系统与默认Spark设置的可扩展性。然后我们识别Spark配置参数(例如,执行存储器),这可能会显著影响BDCA系统的可伸缩性。基于所确定的参数,我们最后提出了一个参数驱动的自适应方法,SCALER,优化系统的可扩展性。我们已经进行了一系列的实验,通过实现一个基于Spark的BDCA系统上的大规模的OpenStack集群。我们用四个安全数据集进行了实验。我们已经发现,(i)具有默认Spark配置参数的BDCA系统偏离理想可扩展性59.5%(ii)11个研究的Spark配置参数中有9个显著影响可扩展性(iii)与具有默认Spark参数设置的可扩展性相比,SCALER将BDCA系统的可扩展性提高了20.8%。我们的研究结果强调了探索底层大数据框架的参数空间的重要性(例如,Apache Spark)用于可扩展的网络安全分析。
2021-11-28 cs.CR
Security Analysis of Big Data on Internet of Things
近年来,随着物联网的不断扩大和人们对物联网的日益熟悉,该网络中的数据交换量正在上升。随着加入网络并利用其服务的请求的增加,维护隐私和安全的必要性比以往任何时候都更加重要,整个事情已经变成了一个挑战。在小型网络中保持用户的安全似乎更简单,威胁也更可预测。由于网络的用户是传感器,数据量也随之增加。因此,网络的路由器和网络服务器已经成为一个具有严重挑战性的任务,以控制和维护这一数据量的安全。我们在本文中分析了这些挑战。本文旨在维护用户的安全,并提出控制问题的过程,并表达克服这些问题的策略。提出了采用加密函数和安全协议相结合的方法。克服大数据挑战的另一种方法是智能设计通信协议。最后,我们指出了物联网网络大数据的未来挑战。
2018-08-28 cs.CR
Formal Verification of Probing Security via Conditional Independence
Faculty of Education and Integrated Arts and Sciences Waseda University(早稻田大学教育综合科学部)
提出基于概率分离逻辑的方法,通过连接非干扰性与条件独立性,利用Lilac分离逻辑验证掩码算法的探测安全性,并提供证明规则。
2026-05-25 cs.CR cs.LO
Quantitative Verification of Masked Arithmetic Programs against Side-Channel Attacks
功率侧信道攻击通过统计分析来推断秘密数据,已经成为一种严重的威胁。掩蔽是降低秘密数据与边信道信息之间统计相关性的有效对策。然而,设计掩蔽算法是一个容易出错的过程。在本文中,我们提出了一个混合的方法结合类型推断和模型计数来验证屏蔽算术程序对侧信道攻击。类型推断允许一个有效的,轻量级的过程来确定最可观察的变量,而模型计数帐户的完整性。在程序没有被完全屏蔽的情况下,我们还提供了一种方法来量化程序的安全级别。我们实现了我们的方法在一个工具QMVerif和评估它的密码基准。实验结果表明了该方法的有效性和效率。
2019-01-28 cs.CR
Big Data: Opportunities and Privacy Challenges
数据汇集和计算统计学的最新进展,加上计算机处理能力的提高,以及存储成本的暴跌,使得有效分析大量异构数据集的技术无处不在。通过将这些技术(通常称为大数据技术)应用于越来越多的内部和外部数据源,企业和机构可以发现数据项之间隐藏的相关性,并提取创新和经济增长所需的可操作见解。一方面,大数据技术带来了巨大的前景,另一方面,它们提出了关键的安全、隐私和道德问题,如果不加以解决,这些问题可能成为实现大数据预期机遇和长期成功的重大障碍。在本文中,我们讨论了大数据对个人和整个社会的好处,重点关注七个关键用例:大数据用于业务优化和客户分析,大数据和科学,大数据和医疗保健,大数据和金融,大数据和新兴的能源分配系统,大/开放数据作为政府开放和效率的推动因素,以及大数据安全。除了利益和机会,我们还讨论了安全,隐私和道德问题。
2015-02-03 cs.CR
Next-Generation Big Data Federation Access Control: A Reference Model
本文讨论了下一代大数据(BD)联合平台最重要的挑战之一,即Hadoop访问控制。联盟规模的隐私和安全仍然是从业者的重大关切。Hadoop当前的原始访问控制存在安全问题和限制,例如部署的复杂性和资源消耗。然而,这一主要问题尚未成为文献中深入研究的主题。本文批判性地回顾和研究了这些安全限制,并提供了一个称为BD联邦访问代理的框架来解决8个主要的安全限制。本文提出了联邦访问控制参考模型(FACRM),正式的Apache Hadoop堆栈内的安全BD解决方案的设计。此外,本文还讨论了访问代理的实现及其对安全漏洞检测和数字取证调查的有用性。所提出的访问代理的效率并没有持续地影响性能开销。实验结果表明,在一个WebHDFS中,每100 MB的读/写操作只有1%。总的来说,本文的研究结果为Hadoop堆栈安全性和隐私性的广泛革命性和最先进的增强以及未来趋势铺平了道路。
2019-12-25 cs.CR
Blockchain access control Ecosystem for Big Data security
近年来,现代技术的进步经历了在不同领域捕获和记录的巨大数据集的爆炸,但也引起了对数据存储,传输,处理和访问数据的安全性和保护的关注。区块链是一种分布式账本,以安全、灵活、可验证和永久的方式记录交易。区块链中的交易可以是资产的交换、智能合约条款的执行或记录的更新。在本文中,我们开发了一个区块链访问控制生态系统,该生态系统为资产所有者提供了有效管理大型数据集访问控制并防止数据泄露的主权权利。Linux基金会的Hyperledger Fabric区块链用于运行业务网络,而Hyperledger composer工具用于实现在区块链网络上运行的智能合约或事务处理功能。
2019-12-22 cs.CR
Masking Gaussian Elimination at Arbitrary Order, with Application to Multivariate- and Code-Based PQC
本文提出首个针对多变量与基于编码的数字签名方案中高斯消元的任意阶掩码方案,在t-探测模型下证明安全,并评估了在UOV、MAYO等后量子候选方案上的开销,掩码实现开销约为未掩码的15倍。
2025-01-23 cs.CR
Privacy Risks in Health Big Data: A Systematic Literature Review
本文通过系统性文献综述梳理健康大数据隐私与安全研究,分析同态加密、区块链、联邦学习和人工免疫系统等技术的保护作用,并指出挑战与未来研究框架。
2025-02-06 cs.CR
Big Data Security Issues and Challenges in Healthcare
本文介绍了大数据在医疗保健领域的应用。值得注意的是,大数据在架构和实施方面可能会或已经或将继续帮助医疗保健领域的持续增长。这项研究的主要重要方面是大数据在医疗保健中的普遍重要性,积极的大数据将有助于解决和加强这一领域,不要忘记提到大数据对医疗保健的巨大负面影响,仍然需要改进或进行广泛的研究。我们相信机构和个人仍然有很长的路要走,了解大数据隐藏的真相。我们强调了人们可以自信地依赖大数据的各种方式,另一方面强调了大问题大数据和预期解决方案的加权重要性。
2019-12-09 cs.CR cs.NI
SoK: "Interoperability vs Security" Arguments: A Technical Framework
New York University(纽约大学);Northeastern University(东北大学)
本文提出一个技术框架,系统分析欧盟反垄断程序中‘安全 vs 互操作性’争论,分类讨论其工程、审查和混合类别,并通过案例研究揭示经济激励、市场力量和安全之间的相互作用。
2026-03-08 cs.CR
A System Architecture for the Detection of Insider Attacks in Big Data Systems
在大数据系统中,基础设施使得大量数据远离用户托管。在这样的系统中,信息安全被认为是一个主要的挑战。从客户的角度来看,采用大数据系统的一个大风险是信任设计和拥有基础设施的提供商访问用户数据。然而,在文献中并没有太多关于检测内部攻击的内容。在这项工作中,我们提出了一个新的系统架构,其中内部攻击可以通过利用系统中的各个节点上的数据复制来检测。该系统使用两步攻击检测算法和安全通信协议来分析系统中执行的进程。第一步涉及为系统中的每个进程构造控制指令序列。第二步涉及在副本节点之间匹配这些指令序列。在实际的Hadoop和Spark测试中的初步实验表明,该系统只需要考虑20%的代码来分析程序,并产生3.28%的时间开销。由于其外在的工作流程,所提出的安全系统可以为任何大数据系统实现和构建。
2016-12-05 cs.CR
SecureCloud: Secure Big Data Processing in Untrusted Clouds
我们提出了SecureCloud EU Horizon 2020项目,其目标是启用新的大数据应用程序,这些应用程序使用云中的敏感数据,而不会影响数据安全和隐私。为此,SecureCloud设计和开发了一个分层架构,允许(i)安全创建和部署安全微服务;(ii)将单个微服务安全集成到成熟的大数据应用程序;以及(iii)在不受信任的云环境中安全执行这些应用程序。为了提供安全保证,SecureCloud利用了最近商品CPU中存在的新颖安全机制,特别是英特尔的Software Guard Extensions(SGX)。SecureCloud将此架构应用于智能电网环境中的大数据应用程序。我们描述了SecureCloud方法、初步结果和考虑的用例。
2018-05-04 cs.CR cs.DC
Security Issues in Data Warehouse
数据仓库以多维视图的形式存储来自异构业务源的海量历史数据,从而为决策者提供敏感而有用的信息,帮助他们改进组织的业务流程。数据仓库环境必须确保收集并存储在一个大型存储库中的数据不容易受到攻击。本文综述了数据仓库环境中的安全方法以及每种安全方法所涉及的问题。
2015-07-20 cs.CR
Cyberattack Data Analysis in IoT Environments using Big Data
针对物联网数据集难以覆盖真实网络攻击的问题,本文利用 Apache Hadoop 与 Hive 分析安全漏洞,识别攻击行为、流量异常和 TCP 标志等模式,强调大数据平台对物联网安全的重要性。
2024-06-14 cs.CR cs.DC
A Novel Control-flow based Intrusion Detection Technique for Big Data Systems
安全性和分布式基础设施是大数据软件最常见的两个要求。但大数据平台的安全功能还为时过早。在大数据世界中使用某些现有的安全机制之前,识别、修改、测试和执行它们是至关重要的。在本文中,我们提出了一种新的入侵检测技术,它可以根据大数据系统的需求进行理解和工作。我们提出的技术使用两种方法来识别程序级异常-分析方法,通过从控制流图创建进程签名来建模应用程序行为;和匹配方法,通过匹配进程签名来检查大数据系统的副本节点之间的一致性。分析方法通过将进程的控制流图简化为一组最小生成树来创建进程签名,然后创建该组的散列。匹配方法首先通过将接收到的进程签名与本地签名进行匹配来检查进程行为的相似性,然后将结果与所有副本数据节点共享以达成共识。实验结果表明,只有0.8%的开销,由于所提出的技术进行测试时,Hadoop的映射-减少实时的例子。
2016-11-23 cs.CR cs.DC
BigFoot: Exploiting and Mitigating Leakage in Encrypted Write-Ahead Logs
现代数据库和数据仓库系统将查询处理和持久存储分开。存储系统具有特殊的错误和安全漏洞,因此仅危及存储的攻击是一个现实的威胁。在本文中,我们表明,单独的加密是不足以保护数据库从受损的存储。使用MongoDB WiredTiger作为一个具体的例子,我们证明了对持久预写日志的加密写入的大小可以揭示有关MongoDB应用程序的输入和活动的敏感信息。然后,我们设计,实施和评估大脚,WAL修改,减轻大小泄漏。
2021-11-29 cs.CR
Automated Big Text Security Classification
University of Colorado at Colorado Springs(科罗拉多大学科罗拉多斯普林斯分校)
近年来,传统的网络安全防护措施已被证明对内部威胁无效。由内部人员造成的敏感信息泄露的著名案例,包括维基解密公布的外交电报和爱德华·斯诺登事件,极大地损害了美国政府与其他政府和本国公民的关系。数据泄漏防护(DLP)是一种用于检测和防止组织网络内信息泄漏的解决方案。然而,最先进的DLP检测模型只能检测非常有限类型的敏感信息,并且由于缺乏可用的敏感文本,该领域的研究受到阻碍。许多研究人员专注于基于文档的检测,人工标记的“机密文档”,安全标签被分配给整个文档,而实际上只有一部分文档是敏感的。这种基于整个文档的安全标签增加了防止授权用户访问敏感文档中的非敏感信息的机会。在本文中,我们介绍了自动分类启用安全相似性(ACESS),一个新的和创新的检测模型,穿透大文本安全分类/检测的复杂性。为了分析ACESS系统,我们构建了一个新的数据集,其中包含维基解密组织公开的外交电报中以前保密的段落。据我们所知,本文是第一个分析的数据集,包含实际以前的敏感信息注释在段落粒度。
2016-10-21 cs.AI cs.CL cs.CR
A Survey on Blockchain for Big Data: Approaches, Opportunities, and Future Directions
在过去的几年里,大数据在各种科学和工程领域引起了强烈的兴趣。尽管有许多优点和应用,但为了更好的服务质量,大数据中存在许多有待解决的挑战,例如,大数据分析、大数据管理以及大数据隐私和安全。区块链以其去中心化和安全性的特点,具有改善大数据服务和应用的巨大潜力。在这篇文章中,我们提供了一个关于大数据区块链的全面调查,重点是最新的方法,机会和未来的方向。首先,我们简要概述了区块链和大数据以及它们集成背后的动机。接下来,我们调查了各种用于大数据的区块链服务,包括用于安全大数据采集、数据存储、数据分析和数据隐私保护的区块链。然后,我们回顾了在不同垂直领域(如智能城市,智能医疗,智能交通和智能电网)中使用区块链进行大数据应用的最新研究。为了更好地理解,还介绍和分析了一些具有代表性的区块链大数据项目。最后,挑战和未来的方向进行了讨论,以进一步推动在这个有前途的领域的研究。
2021-02-05 cs.CR cs.DC
Secure Computation of Top-K Eigenvectors for Shared Matrices in the Cloud
随着传感器网络、移动计算和Web应用的发展,数据从多个分布式源收集形成大数据集。这些数据集可以托管在云中,以实现经济的处理。然而,这些数据可能是高度敏感的,需要安全的存储和处理。我们设想了一个基于云的数据存储和处理框架,使用户能够经济安全地共享和处理大数据集。在此框架下,我们研究了基于矩阵的数据采掘算法,重点研究了安全的top-k特征向量算法。我们的方法使用了一个迭代处理模型,在该模型中,授权用户与云进行交互以实现结果。在这个过程中,源矩阵和中间结果都是保密的,客户端的成本很低。该方法的安全性通过使用Paillier加密和随机扰动技术得到保证。我们在特定于云的威胁模型下仔细分析其安全性。我们的实验结果表明,该方法是可扩展的大矩阵,同时需要低客户端的成本。
2013-02-22 cs.CR
Data Science Methodology for Cybersecurity Projects
网络安全解决方案传统上是静态的,基于签名。传统的解决方案以及分析模型、机器学习和大数据的使用可以通过自动触发缓解或提供相关意识来控制或限制威胁的后果来改进。这种智能解决方案涵盖在数据科学网络安全的背景下。数据科学通过利用数据(和大数据)、高性能计算和数据采掘(以及机器学习)的力量来保护用户免受网络犯罪的侵害,在网络安全方面发挥着重要作用。为此,一个成功的数据科学项目需要一种有效的方法来涵盖所有问题并提供足够的资源。在本文中,我们将介绍流行的数据科学方法,并将根据网络安全挑战对它们进行比较。还进行了比较讨论,以解释网络安全项目的方法优势和劣势。
2018-03-12 cs.CR cs.CY
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
A Verifiable Fully Homomorphic Encryption Scheme for Cloud Computing Security
在云计算和大数据的背景下执行智能计算在今天受到高度赞赏。全同态加密(FHE)是一种智能加密方案,允许以加密形式处理数据。它使我们能够保护我们的敏感数据的机密性,并从云计算的力量中受益。目前,已有的许多方案已经证明,该理论是可行的,但效率需要显着提高,以使其可用于实际应用。一个微妙的困难是如何有效地处理噪音。本文的目的是介绍一种有效的和可验证的FHE的基础上一个新的数学结构,是无噪声的。
2018-04-18 cs.CR
Protecting User Privacy Based on Secret Sharing with Error Tolerance for Big Data in Smart Grid
在智能电网中,从各种应用收集大量数据,例如智能计量变电站状态监测、电能数据采集和灵巧家庭。在智能电网应用中获取的大数据通常是敏感的。例如,为了准确地调度和支持动态价格,在用户家中安装了大量的智能电表来收集实时数据,但所有这些收集的数据都涉及用户隐私。本文提出了一种智能电网中基于秘密共享的容错数据聚合方案,保证控制中心在不泄露用户隐私的情况下获得整合后的数据。同时,我们还考虑了数据聚合过程中的差分隐私和容错问题。最后,我们分析了该方案的安全性,并进行了实验验证。
2018-10-25 cs.CR
Secure Data Access for Wireless Body Sensor Networks
近年来,在移动云计算的支持下,可以有效地管理从各种身体传感器网络收集的大量健康相关数据。然而,在云集成的身体传感器网络中确保数据安全和数据隐私是一个重要且具有挑战性的问题。本文提出了一种新的基于掩码证书属性加密的云集成体传感器网络安全访问控制机制。设计一个特定的签名来屏蔽明文,然后屏蔽后的数据可以安全地外包给云服务器。构造由签名和相关权限项组成的授权证书,用于向数据接收者授予权限。为确保安全性,选择唯一值来屏蔽每个数据接收方的证书。分析表明,该方案具有较小的计算成本和存储成本相比,其他流行的模型。
2018-10-25 cs.CR
HySec-Flow: Privacy-Preserving Genomic Computing with SGX-based Big-Data Analytics Framework
可信执行环境(TEE)(如英特尔的软件防护扩展(SGX))已被广泛研究,以提高敏感数据(如人类基因组学)计算的安全性和隐私保护。然而,SGX通常会产生性能障碍,特别是来自小型安全区内存的性能障碍。在本文中,我们提出了一种新的混合安全流框架(称为“HySec-Flow”),用于使用SGX平台进行大规模基因组数据分析。在这里,数据密集型计算任务可以被划分为独立的子任务,以部署到不同的安全和非安全容器中,因此允许并行执行,同时减轻每个飞地中页面缓存(EPC)内存的有限大小。我们使用支持索引、对齐、分派和合并启用SGX的容器的执行的工作流来说明我们的贡献。我们提供了有关可信和不可信组件的架构以及底层Scorn和Graphene支持的详细信息,作为通用屏蔽执行框架来移植遗留代码。我们彻底评估我们的隐私保护读取映射算法使用真实的人类基因组测序数据的性能。结果表明,通过将耗时的基因组计算划分为子任务,与传统的在飞地中执行数据密集型读取映射算法相比,性能得到了增强。所提出的HySec-Flow框架作为开源提供,并适用于需要安全性和可扩展计算资源的其他大规模基因组任务的数据并行计算。
2021-07-26 cs.CR
Architectural Tactics for Big Data Cybersecurity Analytic Systems: A Review
内容:大数据网络安全分析旨在通过使用大数据工具和技术分析安全事件数据来保护网络,计算机和数据免受未经授权的访问。虽然文献中已经报道了大量的大数据网络安全分析系统,但缺乏从架构角度对文献进行系统和全面的审查。目的:本文报告了一项系统性综述,旨在确定大数据网络安全分析系统最常报告的质量属性和架构策略。方法:采用系统性文献综述(SLR)方法,对74篇按照明确标准筛选的原始文献进行综述。结果如下:我们的发现有两个方面:(i)确定12个最常报告的质量属性,并说明其对大数据网络安全分析系统的重要性;(ii)确定和编纂17个架构策略,以解决通常与大数据网络安全分析系统相关的质量属性。确定的策略包括六个性能策略,四个准确性策略,两个可扩展性策略,三个可靠性策略,以及一个安全性和可用性策略。结论:我们的研究结果表明,(a)尽管互操作性、可修改性、适应性、通用性、隐蔽性和隐私保证很重要,这些质量属性在文献中缺乏明确的架构支持(b)需要进行实证调查,以评估编纂的架构策略的影响(c)应投入大量的研究工作来探索该行业-(d)学术界和工业界之间普遍缺乏有效的合作,以支持大数据网络安全分析系统领域。
2018-02-09 cs.CR cs.SE
Collaborative Anomaly Detection Framework for handling Big Data of Cloud Computing
凭借随时随地提供服务和应用程序的无处不在的计算,云计算是最佳选择,因为它为客户提供灵活且按使用付费的服务。然而,由于其动态和分布式架构,安全和隐私是其成功的主要挑战,从而产生了大量数据,应仔细分析这些数据以检测网络漏洞。在本文中,我们提出了一个协同异常检测框架CADF检测网络攻击的云计算环境。我们提供了框架的技术功能和部署,以说明其实施和安装的方法。该框架在UNSW-NB 15数据集上进行评估,以检查其在云计算环境中部署时的可信度。实验结果表明,该框架可以很容易地处理大规模的系统,因为它的实现只需要估计统计措施,从网络观察。此外,该框架的评估性能优于三个国家的最先进的技术方面的误报率和检测率。
2017-11-08 cs.CR
General Framework for Reversible Data Hiding in Texts Based on Masked Language Modeling
Shanghai University(上海大学);Guangdong Provincial Key Laboratory of Information Security Technology(广东省信息安全技术重点实验室)
随着自然语言处理技术的迅速发展,信息隐藏技术的研究重点是将秘密信息隐藏在文本中。这些算法要么修改给定的封面文本,要么直接生成包含秘密信息的文本,然而,这是不可逆的,这意味着不携带秘密信息的原始文本不能被完美地恢复,除非预先共享许多辅助信息。为了解决这个问题,本文提出了一个通用的框架来嵌入秘密信息到一个给定的封面文本,嵌入的信息和原始的封面文本可以完美地从标记的文本中检索。该方法的主要思想是利用一个带掩码的语言模型生成一个标记文本,该标记文本可以通过收集部分位置的单词来重建封面文本,而其他位置的单词则可以通过处理来提取秘密信息。实验结果表明,该算法可以成功地嵌入和提取原始的封面文本和秘密信息。实验结果表明,该方法具有较好的安全性,标记后的文本具有较好的流畅性和语义质量。此外,数据隐藏者和数据接收者不需要共享语言模型,这显著地减少了边信息,因此具有良好的应用潜力。
2022-06-21 cs.CL cs.CR
DistB-SDoIndustry: Enhancing Security in Industry 4.0 Services based on Distributed Blockchain through Software Defined Networking-IoT Enabled Architecture
工业4.0是一个新兴的研究热点。然而,它在控制数据方面面临着许多挑战,可以通过物联网(IoT),大数据,人工智能(AI),软件定义网络(SDN)和区块链(BC)等各种技术来解决,以安全地管理数据。此外,传感器、电器、连接到互联网的传感器网络和工业4.0模型的复杂性,为设计能够持续分析所产生数据的系统、基础设施和智能应用程序带来了挑战。关于这些,作者提出了一个分布式的基于区块链的安全性,以工业4.0应用与SDN-IoT启用的环境。区块链能够为我们所需的系统带来强大,隐私和保密性。此外,SDN-IoT融合了工业4.0的不同服务,具有更高的安全性和灵活性。此外,作者还提供了物联网、SDN和区块链等技术的完美组合,以适当提高工业4.0服务的安全性和隐私性。最后,作者评估性能和安全性的各种方式在所提出的架构。
2020-12-18 cs.CR
Securing Big Data from Eavesdropping Attacks in SCADA/ICS Network Data Streams through Impulsive Statistical Fingerprinting
当来自监控和数据采集(SCADA)系统的数据被发送到上游时,脉冲的长度以及它们的频率都为结合统计指纹提供了极好的机会。之所以如此,是因为SCADA流量中的数据报遵循有毒分布。虽然将SCADA流量包装在保护性的数据流中是一个显而易见的选择,但瘦客户端和不可靠的通信通道使得使用加密解决方案来安全SCADA流量并不理想。在本文中,我们提出了一种智能的数据混淆的形式脉冲统计指纹(ISF)。我们为我们在医疗SCADA数据安全和ISF使用方面的研究提供了重要见解。我们通过ISF到HL7格式的传感器数据的转换,并定义一个无缝切换到一个非基于HL7的非安全HIS到安全HIS的策略。
2019-09-02 cs.CR cs.NI
Conclave: secure multi-party computation on big data (extended TR)
安全多方计算(MPC)允许相互不信任的各方在不泄露私人数据的情况下运行联合计算。目前的MPC算法随着数据大小的扩展性很差,这使得MPC在“大数据”上非常慢,并抑制了其实际使用。许多关系分析查询可以保持MPC的端到端安全保证,而无需对所有操作使用加密MPC技术。Conclave是一个查询编译器,它通过将这些查询转换为数据并行、本地明文处理和小MPC步骤的组合来加速这些查询。当各方信任其他人提供特定的数据子集时,Conclave应用新的混合MPC-明文协议来运行MPC之外的其他步骤,并进一步提高可扩展性。我们的Conclave原型在Python和Spark中生成用于明文处理的代码,并使用Sharemand和Obliv-C框架生成安全MPC。秘密会议的规模比最先进的MPC框架本身支持的数据集大三到六个数量级。由于其混合协议,Conclave也大大优于SMCQL,这是最相似的现有系统。
2019-02-17 cs.CR
K-Metamodes: frequency- and ensemble-based distributed k-modes clustering for security analytics
Hasso Plattner Institute(哈索·普拉特纳研究所)
目前,对日志信息等安全大数据的处理通常用于入侵检测。它的异构性,以及组合的数值和分类属性不允许应用现有的数据采掘方法直接对数据进行特征预处理。因此,一个相当昂贵的计算转换的分类属性到向量空间应用于分析这样的数据。然而,一个众所周知的k-modes算法允许直接聚类分类数据,避免转换到向量空间。用于大数据处理的k模式的现有实现是基于集合的,并利用两步聚类,其中数据子集首先独立地聚类,而得到的聚类模式再次聚类,以便计算对所有数据子集有效的元模型。在本文中,新的频率为基础的距离函数提出的第二步,基于集合的k-模式聚类。除此之外,现有的功能离散化方法,从以前的工作,以适应k模式的混合数据集的处理。在两个公共安全数据集上进行了测试,结果表明,该算法与已有的算法相比具有更高的有效性。
2019-09-30 cs.CR cs.LG stat.ML
CopAS: A Big Data Forensic Analytics System
本文提出大数据取证分析系统CopAS,通过分析和关联海量网络数据获取潜在恶意事件洞察,并在公开PCAP数据集上演示了其在检测隐藏于数据流中的内部攻击方面的实际效用。
2023-04-03 cs.CR cs.SE
The Promise and Prejudice of Big Data in Intelligence Community
大数据在当前的信息技术中至关重要,其应用范围从金融,工业,学术到国防部门。随着来自社交媒体的开放源数据的指数级增长和政府监控的增加,大数据现在也与国家安全联系在一起,随后与情报界联系在一起。在这项研究中,我回顾了大数据科学在情报界运作中的范围。我的研究的主要部分集中在大数据的固有局限性,这影响了情报机构从收集信息到预测惊喜。限制因素包括与大数据相关的技术问题和道德问题。我的研究得出结论,需要来自情报界的领域知识的专家来有效地指导大数据分析,以及时填补知识空白。作为使用大数据的局限性的案例研究,我叙述了一些正在进行的工作,在核情报使用简单的分析和争论为什么大数据分析在这种情况下会导致不必要的复杂性。为了进一步研究,我强调了众包预测比赛和预测社交媒体动荡的案例。
2016-10-27 cs.CR cs.CY
High-Security Hardware Module with PUF and Hybrid Cryptography for Data Security
针对工业4.0背景下制造业网络攻击(如中间人攻击)威胁数据安全的问题,研究提出搭载PUF认证与混合加密的FPGA基HSM方案,提升了工业网络安全指标,保障工业机器关键数据安全。
2024-09-16 cs.AR cs.CR
AIJack: Let's Hijack AI! Security and Privacy Risk Simulator for Machine Learning
本文提出开源库AIJack,通过统一API集成多种攻击与防御方法,用于评估机器学习模型训练和部署中的安全与隐私风险。
2024-04-08 cs.CR cs.LG
Privacy-Preserved Big Data Analysis Based on Asymmetric Imputation Kernels and Multiside Similarities
School of Information Technology, Monash University(莫纳什大学信息技术学院)
本文提出了一种有效的不完全数据分类方法,其中样本的条目由于隐私保护而丢失或被掩盖。为了处理这些不完全的数据,一个新的核函数与非对称的内在映射的建议。这种新的核使用三边相似性来形成核矩阵。测试实例和训练样本之间的相似性不仅依赖于它们之间的距离,而且依赖于测试样本和训练样本所属的类的质心之间的关系。这减少了有偏估计相比,典型的方法,当只有一个训练样本用于核矩阵的形成。此外,质心生成不涉及任何聚类算法。建议的内核是能够通过使用类相关的平均值进行数据填补。这增强了Fisher判别比和数据的可辨别性。在两个开放数据库上进行了实验,以评估所提出的方法。结果表明,该方法的精度高于基线。这些研究结果证明了拟议构想的有效性。
2016-11-21 cs.CR cs.LG
Privacy vs National Security
公众对隐私的担忧和焦虑越来越多,特别是在前美国国家安全局承包商和爱德华·斯诺登等告密者的爆料之后。虽然隐私是人类的基本概念,但个人隐私和自由与国家安全之间日益激烈的拉锯战重新引发了人们对两者之间平衡的担忧。历史上第一次,技术进步使大规模数据收集、分析和存储成为政府和私营企业在财务和技术上可行的选择。这使得全球各国政府和安全机构越来越有兴趣利用大数据、机器学习和人工智能的力量开发复杂的算法。这项技术使政府和私营企业能够收集和存储每个人的数千个数据点,这使个人隐私受到持续的威胁。本文分析了个人隐私的概念及其与国家安全的联系。文章亦会讨论私隐与国家安全的不同层面、双方的论点,以及私隐与国家安全的分界。
2020-07-10 cs.CR cs.OH
Security and Privacy Issues for Connected Vehicles
现代汽车包含一百多个电子控制单元(ECU),它们通过不同的车载网络进行通信,并且它们通常连接到互联网,这使得它们容易受到各种网络攻击。此外,联网车辆收集的数据直接连接到车辆网络。因此,收集了大量的车辆数据,这些数据是有价值的,并且可以深入了解驾驶员的行为。在此之前,提出了一种名为vehicleLang的概率建模和仿真语言来分析联网车辆的安全性。然而,车辆数据的隐私问题尚未得到解决。为了填补这一空白,这项工作提出了一个基于vehicleLang的车辆隐私规范,该规范使用Meta Attack Language(MAL)以正式的方式评估联网车辆的安全性,特别关注隐私方面。为了评估这项工作,测试用例也。
2018-12-18 cs.CR eess.SP
MOSAIC: Masked Outsourcing of Secure AI Computations
ETH Zurich(苏黎世联邦理工学院)
MOSAIC提出新颖矩阵乘法掩码协议,通过误差缩放机制解决噪声累积问题,可高效安全外包大型Transformer推理,实现大规模机密AI计算。
2026-08-26 cs.AI cs.CR
Privacy-Assured Outsourcing of Compressed Sensing Reconstruction Service in Cloud
压缩感知技术突破了Shannon-Nyquist采样定理的限制,是多媒体大数据时代非常有前途的数据采集技术。然而,CS重建算法的高复杂度对于难以提供强大计算能力的终端用户来说是一个很大的麻烦。CS和云的结合有可能通过巧妙地将计算工作负载从本地客户端转换到云平台,从而将最终用户从资源约束中解放出来。因此,CS的低复杂度编码优点在资源受限的传感设备中得到充分利用,但其高复杂度解码问题在云中得到有效解决。它看起来很完美,但隐私和安全问题被忽视了。提出了一种CS重建服务的安全外包方案。实验结果和安全性分析表明,该方案能有效地限制恶意访问,验证恢复数据的完整性,并能抵抗蛮干攻击、纯密文攻击和明文攻击。
2021-03-28 cs.CR eess.SP
ClustCrypt: Privacy-Preserving Clustering of Unstructured Big Data in the Cloud
存储在云中的大数据的安全性和机密性是许多组织采用云服务的重要考虑因素。解决这些问题的一种常见方法是客户端加密,其中数据在存储到云中之前在客户端机器上加密。然而,在云中加密数据限制了数据聚类的能力,这是许多数据分析应用程序(如搜索系统)的关键部分。为了克服这一局限性,本文提出了一种名为ClustCrypt的方法,用于在云中对加密的非结构化大数据进行基于主题的高效聚类。ClustCrypt根据加密数据的统计特征动态估计最佳簇数。它还提供了加密数据的聚类方法。我们在一个安全的基于云的语义搜索系统(S3BD)的上下文中部署ClustCrypt。在三个数据集上评估ClustCrypt的实验结果表明,集群的一致性平均提高了60%。ClustCrypt还将搜索时间开销减少了78%,并将搜索结果的准确性提高了35%。
2019-08-14 cs.CR cs.DC
Security for Machine Learning-based Systems: Attacks and Challenges during Training and Inference
Vienna University of Technology (TU Wien)(维也纳工业大学)
网络和物理世界之间的依赖性呈指数级增长,导致必须有效处理和存储大量数据。因此,计算范式正在向基于机器学习(ML)的系统发展,因为它们能够高效、准确地处理大量数据。虽然基于ML的解决方案解决了大数据的高效计算需求,但它们在系统中引入了(新的)安全漏洞,这是传统的基于监控的安全措施无法解决的。因此,本文首先简要概述了机器学习中的各种安全威胁,它们各自的威胁模型以及相关的研究挑战,以开发强大的安全措施。为了说明ML在训练,推理和硬件实现过程中的安全漏洞,我们分别使用MNIST和德国交通标志识别基准(GTSRB)的LeNet和VGGNet来展示ML上的一些关键安全威胁。此外,基于ML训练的安全性分析,我们还提出了一种对推理准确性影响很小的攻击。最后,我们强调了在开发安全措施方面的相关研究挑战,并简要概述了用于减轻此类安全威胁的技术。
2018-11-05 cs.CR cs.LG stat.ML
Monitoring Security of Enterprise Hosts via DNS Data Analysis
企业网的规模和复杂性都在不断增长,需要以不同的方式保护异构连接资产。然而,几乎所有连接的资产都使用域名系统(DNS)进行地址解析,因此DNS已成为攻击者秘密执行命令和控制(C&C)通信、数据窃取和服务中断的方便工具。监控网络流量的企业安全设备通常允许所有DNS流量通过,因为它对于访问任何Web服务都至关重要;它们最多只能与已知恶意模式的数据库匹配,因此对零日攻击无效。本论文重点关注三种利用DNS的高影响力网络攻击,特别是数据泄露,恶意软件C&C通信和服务中断。使用从大学校园和政府研究机构收集的DNS网络流量的大数据(超过10 B数据包)超过6个月的时间,我们说明了这些攻击的解剖,训练机器自动检测此类攻击,并评估其在该领域的有效性。
2022-05-18 cs.CR cs.NI
Multivariate Big Data Analysis for Intrusion Detection: 5 steps from the haystack to the needle
University of Granada(格拉纳达大学)
关于网络安全事件检测和响应的研究文献在自动检测方法方面非常丰富,特别是那些基于异常检测范式的方法。然而,很少有人关注的方法,旨在提供有用的信息,一个给定的检测到的异常的原因的诊断能力。此信息对于安全团队缩短从检测到响应的时间至关重要。在本文中,我们提出了多变量大数据分析(MBDA),这是一种基于5个步骤的完整入侵检测方法,可以有效地处理大量不同的数据源。该方法旨在处理大数据的主要特征,即高容量,速度和多样性。该方法的核心是在最近的论文中提出的多元统计网络监测(MSNM)技术。与应用于入侵检测问题的最新机器学习方法不同,当在MBDA中识别出异常时,系统的输出包括与该异常相关联的原始信息的日志的细节,使得安全团队可以使用该信息来阐明其根本原因。MBDA基于Github中提供的两个开放软件包:MEDA解析器和FCParser。我们用两个案例研究来说明我们的方法。第一个演示了MBDA的应用,半结构化的信息源,使用的数据从VAST 2012迷你挑战2。此完整的案例研究在可供下载的虚拟机中提供。在第二个案例研究中,我们展示了该方法在从具有标记攻击的真实网络中收集的数据中的大数据功能。
2019-06-27 cs.CR cs.LG cs.NI
Adversarial Security Attacks and Perturbations on Machine Learning and Deep Learning Methods
Southern New Hampshire University(南新罕布什尔大学)
不断增长的大数据和新兴的人工智能(AI)需要使用机器学习(ML)和深度学习(DL)方法。网络安全也受益于ML和DL方法用于各种类型的应用。然而,这些方法容易受到安全攻击。攻击者可以利用学习模型的训练和测试数据,或者可以探索这些模型的工作原理,以发动未来的高级攻击。ML和DL领域内的对抗性安全攻击和扰动是最近的探索,安全研究人员和实践者对此表示了极大的兴趣。文献涵盖了ML和DL方法的不同对抗性安全攻击和扰动,这些攻击和扰动有自己的表现风格和优点。需要审查和巩固的知识,是理解这一日益集中和不断增长的研究课题;然而,是研究界目前的需求。在这篇综述论文中,我们专门针对网络安全领域的新研究人员,他们可能会寻求获得有关机器学习和深度学习模型和算法的一些基本知识,以及一些相关的对抗性安全攻击和扰动。
2019-07-17 cs.CR cs.LG stat.ML
Security modeling and efficient computation offloading for service workflow in mobile edge computing
资源有限的移动设备在执行各种复杂、高能耗的移动应用时面临着巨大的挑战。边缘计算(MEC)作为一种新的计算模式,可以提供丰富的计算资源来执行MD的全部或部分任务,从而大大降低MD的能耗,提高应用的服务质量。然而,将工作流任务卸载到MEC服务器容易受到外部安全威胁(例如,窥探、改变)。提出了一种MEC环境下服务工作流的安全节能计算卸载(SEECO)策略,其目标是在风险概率和截止期限约束下优化能耗.首先,我们建立了一个安全开销模型来度量安全服务的执行时间。然后,我们制定了计算卸载问题,结合安全性,能源消耗和执行时间的工作流应用程序。最后,基于遗传算法,从任务执行顺序、位置和安全服务选择等方面设计了SEECO的编码策略。实验结果表明,SEECO策略能够有效地实现移动应用的安全性和节能性。
2019-07-04 cs.CR cs.DC cs.NI
Blockchain inspired secure and reliable data exchange architecture for cyber-physical healthcare system 4.0
针对医疗4.0数据安全挑战,提出区块链启发的以患者为中心的数据交换架构,集成多种技术,可抵御攻击并支持节点故障恢复。
2023-06-28 cs.CR cs.DC
Security of IoT Device: Perspective Forensic/Anti-Forensic Issues on Invalid Area of NAND Flash Memory
基于NAND闪存的物联网设备可能仍然会在无效区域中留下原始个人数据,即使数据已被删除。本文提出了由NAND闪存引起的非托管块中残留原始数据的取证问题,并介绍了在无效区域中安全删除此类数据的方法。我们还提出了一种基于单元计数信息执行的安全删除验证技术,该单元计数信息是指个人数据和存储在块中的数据之间的位差。考虑纠错能力来确定根据单元计数信息的验证技术的通过/失败。由于去识别的取证问题是大数据行业的一个重要主题,严重隐私泄露的威胁加上我们防止这些攻击的建议将被证明是未来关键的技术需求。
2022-08-02 cs.AR cs.CR
A Secure Experimentation Sandbox for the design and execution of trusted and secure analytics in the aviation domain
UBITECH(UBITECH 公司);SUITE5(SUITE5 公司);ENGINEERING Ingegneria Informatica S.p.A.(工程信息公司)
航空业以及与之相关的行业已经成熟,可以进行大数据分析形式的创新。可用的大数据技术的数量正在不断增长,而与此同时,现有的技术也在快速发展并具有新的功能。然而,大数据时代带来了如何有效处理信息安全的关键挑战,同时管理来自异构数据源的大量快速变化的数据。虽然出现了多种技术,但需要在多种安全要求、隐私义务、系统性能和对大型数据集的快速动态分析之间找到平衡。本文介绍了ICARUS平台的ICARUS安全实验沙箱。ICARUS平台旨在提供一个支持大数据的平台,旨在成为航空数据和情报市场的“一站式商店”,提供可信和安全的“沙箱”分析工作空间,允许以可信和公平的方式探索,集成和深入分析原始和衍生数据。为此,ICARUS平台产品中设计并集成了一个安全实验沙箱,可以提供一个可以完全保证数据安全性和机密性的复杂环境,允许任何感兴趣的各方利用该平台在封闭实验室条件下进行分析实验。
2021-11-18 cs.AI cs.CR cs.LG