Targeted and Troublesome: Tracking and Advertising on Children's Websites
Radboud University(拉德堡德大学);imec-COSIC, KU Leuven(荷语鲁汶大学imec-COSIC研究组);Ruhr University Bochum(波鸿鲁尔大学)
本文构建多语言分类器识别2000个儿童导向网站,并从5个观测点测量追踪与定向广告,结合图像文本ML流水线发现普遍违规和不当广告问题。
2023-12-10 cs.CR cs.CY cs.LG
Privacy Limitations Of Interest-based Advertising On The Web: A Post-mortem Empirical Analysis Of Google's FLoC
2020年,谷歌宣布将在Chrome浏览器中禁用第三方Cookie,以改善用户隐私。为了继续支持基于兴趣的广告,同时降低个性化用户跟踪的风险,谷歌提出了FLoC。FLoC算法将用户分配到“队列”,这些队列代表具有相似浏览行为的用户组,以便广告可以基于他们的队列提供给用户。2022年,在真实世界的试验中测试了FLoC后,谷歌取消了这一提议,几乎没有解释。在这项工作中,我们通过将FLoC的实现应用于从超过90,000个美国设备中收集的浏览数据集,对FloC的两个关键隐私风险进行了事后分析。首先,我们展示了与其隐私目标相反的是,FLoC如何通过为跨站点的用户提供唯一标识符来实现跨站点用户跟踪,类似于FLoC旨在改进的第三方Cookie。我们展示了随着时间的推移观察到的FLoC队列ID序列如何为跟踪器提供此标识符,即使禁用了第三方Cookie。我们估计数据集中可以通过FLoC ID唯一识别的用户数量在3周后超过50%,在4周后超过95%。我们还展示了当队列数据与浏览器指纹相结合时,这些风险如何增加,以及我们的结果如何低估了FLoC在现实世界部署中可能带来的真正风险。其次,我们研究了FLoC泄露敏感人口统计信息的风险。虽然我们发现人口统计组之间的浏览行为存在统计学显著差异,但我们并没有发现FLoC有暴露数据集中用户种族或收入信息的显著风险。我们的贡献提供了见解和示例分析,为未来的方法,寻求保…
2022-10-13 cs.CY
RegTrack: Uncovering Global Disparities in Third-party Advertising and Tracking
The University of British Columbia(不列颠哥伦比亚大学)
RegTrack研究用户位置、浏览器选择和托管司法管辖区对第三方广告和跟踪的影响,揭示了隐私导向浏览器和地域监管对跟踪暴露的不同作用。
2026-03-03 cs.CY cs.NI
adPerf: Characterizing the Performance of Third-party Ads
通过在线广告将网站和网络应用程序货币化在网络生态系统中很普遍。如今,在线广告生态系统迫使发布商整合来自这些第三方域名的广告。一方面,这引起了近年来积极研究的几个隐私和安全问题。另一方面,鉴于当今的浏览器能够加载具有复杂动画和JavaScript的动态网页,在线广告也发生了变化,并可能对网页性能产生重大影响。在线广告的性能成本至关重要,因为它最终会影响用户满意度以及他们的互联网账单和设备能耗。在本文中,我们应用了一个深入的和第一的一类性能评估的网络广告。与之前主要依赖于广告拦截器的努力不同,我们对Web浏览器的页面加载过程进行了细粒度的分析,以揭开Web广告的性能成本。我们的目标是通过广告的每一个组成部分来描述成本,这样发布商、广告辛迪加和广告客户就可以通过详细的指导来提高广告的效果。为此,我们为Chrome浏览器开发了一个基础设施adPerf,该基础设施将页面加载工作负载分类为广告相关和主要内容,粒度为浏览器活动(如JavaScript和布局)。我们的评估表明,在线广告需要超过15%的浏览器页面加载工作量,其中约88%用于JavaScript。我们还跟踪网络广告的来源和交付链,并考虑广告内容的来源来分析性能。我们观察到两个知名的第三方广告域贡献了35%的广告性能成本,令人惊讶的是,顶级新闻网站隐含地包括未知的第三方广告,在某些情况下,这些广告占广告性能成本的37%以上。
2020-02-06 cs.CY cs.NI cs.PF
Wide-AdGraph: Detecting Ad Trackers with a Wide Dependency Chain Graph
Isfahan University of Technology(伊斯法罕理工大学);University of Savoie Mont Blanc(萨瓦大学);Chavoosh ICT(查沃什信息技术公司)
网站使用第三方广告和跟踪服务来提供有针对性的广告并收集有关访问它们的用户的信息。这些服务将用户的隐私置于危险之中,这就是为什么用户对阻止这些服务的需求越来越大。大多数屏蔽解决方案都依赖于由大型用户社区手动维护的众包过滤器列表。在这项工作中,我们试图简化这些过滤器列表的更新,通过一个大规模的图形连接在一个大的网站集的所有资源请求,结合不同的网站。该图的特征被提取并用于训练机器学习算法,其目的是检测广告和跟踪资源。由于我们的方法结合了不同的信息源,它对使用混淆或改变使用模式的规避技术更鲁棒。我们在Alexa前10K网站上评估了我们的工作,发现其准确率为96.1%有偏差,90.9%无偏差,具有高精度和召回率。它还可以阻止新的广告和跟踪服务,这将需要通过进一步的众包现有过滤器列表来阻止。此外,本文采用的方法揭示了第三方跟踪和广告的生态系统。
2021-05-10 cs.CR cs.CY cs.LG
SST-Guard: Detecting and Characterizing Server-Side Google Analytics in the Wild
University of California, Davis(加州大学戴维斯分校)
本文提出SST-Guard系统,通过多模态方法检测和阻止服务器端Google Analytics,通过匹配语义值模式提高检测准确性。
2026-11-20 cs.CR cs.CY
Are iPhones Really Better for Privacy? Comparative Study of iOS and Android Apps
虽然许多研究都关注了Android和Google Play应用生态系统的隐私属性,但相对而言,对iOS和Apple App Store(美国使用最广泛的生态系统)的了解要少得多。与此同时,这些智能手机操作系统提供商之间围绕隐私的竞争也越来越激烈。在本文中,我们从2020年开始对24k个Android和iOS应用程序进行了研究,并从与用户隐私相关的几个方面进行了研究。我们发现,第三方跟踪和共享唯一用户标识符在两个生态系统的应用程序中都很普遍,甚至在针对儿童的应用程序中也是如此。在儿童类别中,iOS应用程序往往比Android应用程序使用更少的与跟踪相关的跟踪,但可以更经常地访问儿童的位置。在所有研究的应用程序中,我们的研究强调了普遍存在的违反美国,欧盟和英国隐私法的行为,包括1)未经用户同意使用第三方跟踪,2)在儿童应用程序中与第三方共享个人身份信息(PII)之前缺乏父母同意,3)跟踪库的非数据最小化配置,4)将个人数据发送到没有足够数据保护的国家,以及5)跟踪仍然缺乏透明度,部分原因是苹果和谷歌的设计决策。总的来说,我们发现,在我们研究的各个维度上,两个平台在隐私方面都明显优于另一个平台。
2021-12-19 cs.CR cs.CY
An Empirical Study of Mobile Ad Targeting
长期以来,广告一直是网络生态系统的经济支柱,在移动应用程序的世界里几乎无处不在。虽然网络上的广告定位是相当好的理解,移动广告定位的研究要少得多。在本文中,我们使用经验的方法来收集超过225,000个广告的数据库上的32个模拟设备托管三个不同的用户简档之一。然后,我们分析了如何有针对性的广告相关的潜在目标配置文件使用贝叶斯规则和皮尔逊卡方检验。这使我们能够衡量不同形式的目标的普遍性。我们发现,几乎所有的广告都显示出基于应用程序和时间的目标定位的效果,而我们能够在43%的广告中识别出基于位置的目标定位,在39%的广告中识别出基于用户的目标定位。
2015-02-23 cs.CR cs.CY
When Ads Become Profiles: Uncovering the Invisible Risk of Web Advertising at Scale with LLMs
The University of New South Wales(新南威尔士大学);Hong Kong University of Science and Technology (Guangzhou)(香港科技大学(广州));Queensland University of Technology(昆士兰理工大学)
利用LLMs揭示广告流中的隐私信息泄露风险,展示其在大规模数据中的高精度推断能力。
2026-01-29 cs.AI cs.CR cs.CY
If you are not paying for it, you are the product: How much do advertisers pay to reach you?
在线广告正逐步走向程序化模式,在这种模式中,广告与个人浏览网页时收集的实际兴趣相匹配。撇开围绕隐私的巨大争论不谈,在这一领域,一个非常重要的问题,对此知之甚少,是:广告商支付多少钱来接触个人?在这项研究中,我们开发了第一种方法来精确计算广告生态系统为网络用户支付的价格,我们实时的。我们的方法是基于利用实时的竞价(RTB)协议来收集广告商支付的中标的明文和加密价格,以便投放有针对性的广告。我们的主要技术贡献是一种即使在加密的情况下也能计算中标的方法。我们通过训练一个模型来实现这一点,该模型使用通过运行我们自己的“探测”广告活动获得的地面真实价格。我们通过一个浏览器扩展和一个后端服务器来设计我们的方法,后端服务器为加密出价提供了新的模型。我们验证了我们的方法,使用一年之久的跟踪1600移动用户,并证明它可以估计用户的广告价值超过82%的准确性。
2017-09-24 cs.CY cs.GT cs.IR
Understanding Incentivized Mobile App Installs on Google Play Store
“激励”广告平台允许移动应用开发者通过直接向用户付费来安装和参与移动应用(例如,创建帐户,进行应用内购买)。激励安装被Apple App Store禁止,并被Google Play Store劝阻,因为它们可以操纵应用商店指标(例如,安装数量、在顶部图表中的出现)。然而,许多组织仍然为Android应用程序提供激励安装服务。在本文中,我们提出了第一项研究,通过一系列测量来了解Android中激励移动应用安装活动的生态系统及其更广泛的影响。我们确定了激励安装活动,这些活动要求用户安装应用程序并执行应用程序内任务,目标是操纵各种用户参与度指标(例如,日活跃用户、用户会话长度)和收入。我们的研究结果表明,这些人为夸大的指标可以有效地提高应用商店的指标,以及帮助移动应用程序开发人员吸引风险投资家的资金。我们的研究还表明,Google Play商店为防止这些行为而采取的现有政策执行不力。它进一步激发了对激励安装活动进行更严格监管的必要性。Google Play商店也可以利用我们提出的测量方法来识别潜在的政策违规行为。
2020-10-04 cs.CY
CanaryTrap: Detecting Data Misuse by Third-Party Apps on Online Social Networks
在线社交网络支持一个充满活力的第三方应用生态系统,这些应用可以访问大量用户的个人信息。尽管最近发生了几起备受瞩目的事件,但缺乏系统地检测在线社交网络上第三方应用程序滥用数据的方法。我们建议使用CanaryTrap来检测与第三方应用程序共享的数据的滥用。CanaryTrap将一个honeytoken关联到一个用户帐户,然后在与第三方应用程序共享后通过不同的渠道监控其未被识别的使用。我们设计并实现了CanaryTrap,以调查Facebook上与第三方应用程序共享的数据的滥用。具体而言,我们通过安装第三方应用程序,将与Facebook帐户关联的电子邮件地址作为蜂蜜令牌共享。然后,我们监控收到的电子邮件,并使用Facebook的广告透明度工具来检测任何未识别的共享蜂蜜令牌使用。我们部署CanaryTrap来监控1,024个Facebook应用程序,发现了多起滥用Facebook上与第三方应用程序共享的数据的案例,包括勒索软件,垃圾邮件和定向广告。
2020-06-29 cs.CY cs.SI
SoK: Advances and Open Problems in Web Tracking
University of California, Davis(加州大学戴维斯分校);University of Wisconsin–Madison(威斯康星大学麦迪逊分校);Radboud University(拉德堡德大学);Inria Centre at Université Côte d’Azur(法国蔚蓝海岸大学国家信息与自动化研究所中心);Washington University in St. Louis(华盛顿大学圣路易斯分校);North Carolina State University(北卡罗来纳州立大学);Centre National de la Recherche Scientifique(法国国家科学研究中心);Stony Brook University(石溪大学);University of Illinois Chicago(伊利诺伊大学芝加哥分校);University of Washington(华盛顿大学);Wesleyan University(卫斯理安大学)
该SoK系统梳理网络追踪的技术机制、对策与法规,综合分散研究,识别趋势与空白,并指出开放挑战与未来方向。
2026-09-17 cs.CR cs.CY cs.NI
Superplatforms are Strategically Compelled to Counteract AI Agents
Shanghai Jiao Tong Univeristy(上海交通大学)
本文分析超级平台与AI智能体在数字流量入口上的根本冲突,指出智能体将去中介化超级平台并成为新把关人,因此超级平台需主动攻击智能体,并探讨了潜在攻击技术,旨在引发对协作解决方案的讨论。
2026-11-10 cs.AI cs.CY cs.IR
Security and Privacy of performing Data Analytics in the cloud - A three-way handshake of Technology, Policy, and Management
云平台的出现主要是为了加速IT交付和促进创新。在这一点上,它在很大程度上表现良好,达到了技术人员、企业和客户的期望。这项技术的服务方面为初创公司和成熟组织更快地建立基础设施和相关目标铺平了道路。这进一步导致更快地向市场提供许多用户友好的应用程序,同时证明对资源有限的公司来说是一个商业上可行的选择。在技术方面,这个生态系统的创建和采用允许在一个地方轻松收集来自各种来源的大量数据,这个地方有时被称为云。可以对原始数据进行有效的数据采掘,以提取潜在的有用信息,这在以前的这种规模下是不可能的。有针对性的广告是一个常见的例子,可以帮助企业。尽管有这些有前途的产品,但对用户信息安全和隐私的担忧抑制了云平台的广泛接受和全面部署。在本文中,我们讨论了由于云服务提供商(CSP)和主要云用户(数据收集器)之间的数据交换而发生的安全和隐私问题。我们提供的解决方案涵盖了云服务的技术、政策和健全的管理,并声称这种方法有可能提供一个全面的解决方案。
2017-01-24 cs.CY cs.DC cs.NI