Multi-party computation enables secure polynomial control based solely on secret-sharing
加密的控制系统允许评估外部服务器上的反馈法则,而不会泄露关于状态和输入数据、控制法则或工厂的私人信息。虽然有一些加密的控制方案可用于线性反馈法,只有很少的结果存在更一般的控制律的评估。最近,提出了一种加密多项式控制的方法,依赖于两方秘密共享和使用同态加密的服务器间通信协议。由于同态映射的计算量比秘密共享大得多,因此它们弥补了该方案的大量计算需求。出于这个原因,在本文中,我们证明了多方计算,使安全的多项式控制仅基于秘密共享。提出了一种基于三方计算的安全三方控制方案。此外,我们提出了一种新的$n$ -党的控制方案,安全地评估多项式反馈法的任意程度,没有服务器间的通信。后一个属性使得更容易实现关于服务器的非共谋的必要要求,从而可以保证完美的安全性。仿真结果表明,所提出的控制方案是许多倍的计算要求比上述两方计划。
2022-01-13 cs.CR cs.SY eess.SY
Towards Simplifying PKI Implementation: Client-Server based Validation of Public Key Certificates
通过实时证书验证检查,需要验证证书的公钥使用系统与专门的验证方执行事务。在交易结束时,验证方返回关于证书的有效性状态的指示。本文从实用的角度分析了公钥(PbK)证书验证服务,描述了一个利用数据验证和认证服务器(DVCS)协议为依赖方(RP)提供证书验证服务的系统的实现。然而,该系统不限于仅使用指定的协议,并且允许集成其他验证协议或机制。我们的实施工作强调的可能性,通过动态选择几个可配置的选项,追求一个特定的RP的及时性,安全性和计算资源的使用之间的权衡。
2019-10-15 cs.CR
Multi-Party Proof Generation in QAP-based zk-SNARKs
零知识简洁非交互式知识论证(zkSNARK)允许一方(称为证明者)说服另一方(称为验证者)他知道私有值$v$,而不透露它,使得对于某些函数$F$和公共值$u$和$y$,$F(u,v)=y$。zk-SNARK有各种版本,其中基于二次算术程序(QAP)的zk-SNARK在实践中得到了广泛的应用,特别是在区块链技术中。这归因于两个理想的功能;其固定大小的证明和验证器的计算负载非常轻。然而,基于QP的zkSNARKs中的证明器的计算负载非常重,即使它被设计为非常高效。这种负载可能超出证明器的计算能力,必须卸载到一些外部服务器。在现有的卸载解决方案中,(i)卸载到每个服务器的计算负载是证明器的主要计算的一部分(例如,DZIK),但是服务器需要被信任,(ii)服务器不需要被信任,但是施加给每个服务器的计算复杂度与证明器的主要计算相同(例如,Trinocchio)。在本文中,我们提出了一个方案,它具有这两种解决方案的好处。特别是,我们提出了一个安全的多方证明生成算法,证明者可以将其任务委托给$N $服务器,其中(i)即使一组$T \in \mathbb{N}$服务器,$T\le N$,串通,他们不能获得任何信息的秘密值$v$,(ii)每个服务器的计算复杂度小于证明者的主要计算的$1/(N-T)$。这种设计使得我们在将任务委托给外部服务器的过程中不会失去证明器算法的效率。
2021-03-01 cs.CR cs.IT math.IT
Location Privacy Threats and Protections in 6G Vehicular Networks: A Comprehensive Review
该综述系统梳理6G车载网络定位技术与位置隐私威胁,分类评估用户侧、服务器侧及用户-服务器接口LPPMs,并指出效用-隐私平衡及未来攻击、无线技术与网络融合挑战。
2025-01-08 cs.CR
Cryptography without Long-Term Quantum Memory and Global Entanglement: Classical Setups for One-Time Programs, Copy Protection, and Stateful Obfuscation
本文利用仅支持经典查询的预言机与半量子令牌,在无长期量子存储器和全局纠缠条件下构造半量子 OTP、RAM 混淆,并进一步实现长命一次性程序与复制保护。
2025-05-13 cs.CR quant-ph
A Reliable User Authentication and Data Protection Model in Cloud Computing Environments
安全问题是云计算环境中最具挑战性的问题。考虑到这一重要性,本文提出了一种高效可靠的用户身份验证和数据保护模型,以提高基于云的环境的可靠性。相应地,在独立的中间件(Agent)中建立了两个加密过程,以在云服务器中执行用户认证、访问控制和数据保护的过程。AES已被用作云服务器中的对称加密算法,RSA已被用作代理服务器中的非对称加密算法。理论分析表明,由于在用户认证和数据保护过程中采用了双重加密和独立的中间件,与同类模型相比,该模型在面对可能的攻击和不可预测事件时的抵抗能力有了很大的提高。
2015-08-07 cs.CR cs.DC
Client-Aided Secure Two-Party Computation of Dynamic Controllers
本文提出了一种基于秘密分享的动态控制器安全双方面计算协议,实现了在无限时间范围内无需解密状态或重新加密输入即可运行控制器,并通过数值示例验证了其可行性。
2025-12-26 cs.CR cs.SY eess.SY
GCSA Codes with Noise Alignment for Secure Coded Multi-Party Batch Matrix Multiplication
考虑了一个安全的多方批量矩阵乘法问题(SMBMM),其目标是通过将计算分布在S个服务器上,使Master能够高效地计算两批大规模矩阵的两两乘积.任何X共谋服务器都不会获得关于输入的任何信息,主服务器也不会获得关于产品之外的输入的任何额外信息。基于交叉子空间对齐码,提出了一种带噪声对齐的广义交叉子空间对齐码(GCSA-NA)。SMBMM的现有技术解决方案是由Nodehi和Maddah-Ali提出的称为多项式共享(PS)的编码方案。GCSA-NA在几个关键方面优于PS代码-更高效和安全的服务器间通信,更低的延迟,灵活的服务器间网络拓扑,高效的批处理,以及对落伍者的容忍度。噪声对齐的思想也可以与N源交叉子空间对齐(N-CSA)码和快速矩阵乘法算法(如Strassen构造)相结合。此外,噪声对齐可以应用于对称安全私有信息检索,以实现渐近容量。
2020-09-06 cs.CR cs.DC cs.IT
Protection against Source Inference Attacks in Federated Learning using Unary Encoding and Shuffling
针对联邦学习中的源推断攻击,提出利用可信洗牌器结合一元编码与量化,在不降低联合模型准确率的前提下有效防御攻击。
2024-11-10 cs.CR
Fides: Managing Data on Untrusted Infrastructure
目前,大量的数据存储和管理在第三方服务器上。对于许多小型企业来说,拥有自己的私人服务器是不切实际的,因此租用第三方服务器是这些企业的可行解决方案。但是,越来越多的内部和外部恶意攻击以及第三方服务器上的漏洞软件正在导致客户端失去对这些外部基础设施的信任。虽然小型企业无法避免使用外部基础设施,但他们需要正确的协议集来管理不受信任的基础设施上的数据。在本文中,我们提出了TFCommit,一种新的原子提交协议,执行事务的数据存储在多个不可信的服务器。据我们所知,TFCommit是第一个在不受信任的环境中执行事务而不使用昂贵的拜占庭复制的原子提交协议。使用TFCommit,我们提出了一个可审计的数据管理系统,Fides,完全居住在不可信的基础设施。作为一个可审计的系统,Fides通过加密技术的支持,使用防篡改日志来检测不可信服务器上发生的潜在恶意故障。实验评估表明,我们的方法,允许在不可信的基础设施上执行事务的可扩展性和相对较低的开销。
2020-01-20 cs.CR cs.DB
Comments on "A Privacy-Preserving Online Ride-Hailing System Without Involving a Third Trusted Server"
最近,Xie等人(IEEE Transactions on Information Forensics and Security,vol.16,pp. 3068-3081,2021)提出了一种不使用可信第三方服务器的隐私保护在线乘车呼叫(ORH)协议。这种隐私保护ORH协议的主要目标是确保乘客和驾驶员的位置数据w.r.t. ORH服务提供商(SP)。在本文中,我们展示了谢等人协议中SP的被动攻击,使其能够完全恢复骑手的位置以及每个乘车请求查询中响应司机的位置。
2021-12-13 cs.CR
Accountable authentication with privacy protection: The Larch system for universal login
针对凭证泄露难以检测和缓解的问题,提出问责认证框架larch,在保护隐私并确保正确记录认证的同时,兼容FIDO2、TOTP和密码登录,且不降低用户原有的安全与隐私期望。
2024-09-23 cs.CR
Client-Server Identification Protocols with Quantum PUF
最近,在实现量子互联网方面取得了重大进展,以实现广泛的经典棘手应用。这些应用,如委托量子计算,需要在低资源方和高资源方之间运行安全标识协议,以提供安全通信。在这项工作中,我们提出了两个识别协议的基础上新兴的硬件安全解决方案,量子物理不可克隆功能(qPUF)。第一协议允许低资源方向高资源方证明其身份,而在第二协议中,反之亦然。与现有的基于量子读出PUF的识别协议不同,该协议依赖于针对特定攻击家族的安全性,我们的协议提供了可证明的指数安全性,可以对抗任何具有资源有效性的量子多项式时间对手。我们提供了一个全面的比较两个拟议的协议在资源,如量子存储器和计算能力,在双方所需的,以及它们之间的通信开销。
2021-10-01 cs.CR quant-ph
Time-Efficient Locally Relevant Geo-Location Privacy Protection
针对现有线性规划地理混淆方法决策变量爆炸、实用性不足的问题,提出LR-Geo机制,通过限定局部相关计算范围、本地计算系数上传、结合指数混淆机制与Benders分解,在保证隐私的同时提升效率与效用。
2024-12-14 cs.CR
From Third-Party to First-Party: Measuring and Protecting Against Modern Web Tracking Mechanisms
Stanford University(斯坦福大学)
针对追踪从第三方转向第一方(FPT)和服务器端(SST)的趋势,本文通过大规模测量发现超过54%的网站部署了相关技术,并基于脚本相似性和网络图分析揭示了以Google为主的紧密生态系统,最后提出新规则使拦截请求数比传统过滤列表增加63%。
2026-06-16 cs.CR
Dynamic FPGA Detection and Protection of Hardware Trojan: A Comparative Analysis
硬件木马检测和保护变得越来越重要,因为越来越多的不可信的第三方制造了许多关键系统的部件。检测硬件木马的最常见方法是将不受信任的设计与黄金(受信任)设计进行比较。然而,第三方知识产权(IP)是黑盒子,没有值得信任的黄金IP。因此,以前尝试检测硬件木马将无法与第三方IP。在这项工作中,我们提出了新的方法,木马保护和检测的现场可编程门阵列(FPGA),而不需要黄金芯片。呈现的方法在运行时而不是测试时工作。我们提供广泛的木马检测和保护方法。虽然最简单的方法开销较低,并且提供有限的保护机制,但引入了更复杂和昂贵的技术,可以检测硬件特洛伊木马,甚至从受感染的IP中清除系统。此外,我们研究了使用FPGA的部分重新配置功能,以摆脱感染的IP的成本。此外,我们讨论了构建IP核心认证机构,维护一个集中的数据库的不安全的供应商和IP的可能性。我们通过在FPGA上实现不同的方法来展示所介绍的方案的实用性。结果表明,简单的方法目前可以忽略不计的开销,因为我们试图提高安全性的延迟和功率开销增加。
2017-11-03 cs.AR cs.CR
Data Protection and Security Issues With Network Error Logging
本文从数据保护和攻击利用两个角度分析网络错误日志,指出其违反同意与透明度要求,并可能被用于长期跟踪,提出通过预防性移除策略来缓解攻击。
2023-05-09 cs.CR cs.NI
FedCIP: Federated Client Intellectual Property Protection with Traitor Tracking
针对联邦学习中服务器隐私推理与恶意客户端持续模型窃取问题,本文提出兼容安全聚合且可追踪叛徒的 FedCIP 客户端知识产权保护方案。
2023-06-02 cs.CR
Post-breach Recovery: Protection against White-box Adversarial Examples for Leaked DNN Models
服务器漏洞是当今互联网上一个不幸的现实。在深度神经网络(DNN)模型的背景下,它们特别有害,因为泄露的模型使攻击者能够“白盒”访问以生成对抗性示例,这种威胁模型没有实际的鲁棒防御。对于那些在专有DNN(例如医学成像)上投入了多年和数百万美元的从业者来说,这似乎是一场不可避免的灾难。在本文中,我们考虑DNN模型的违约后恢复问题。我们提出了Neo,这是一个新的系统,可以创建新版本的泄露模型,以及一个推理时间过滤器,可以检测和删除在以前泄露的模型上生成的对抗性示例。不同模型版本的分类表面略有偏移(通过引入隐藏分布),Neo检测到对其生成中使用的泄漏模型的过拟合攻击。我们表明,在各种任务和攻击方法中,Neo能够以非常高的准确性从泄露的模型中过滤出攻击,并提供强大的保护(7- 10次恢复),防止攻击者反复破坏服务器。Neo在各种强大的自适应攻击中表现出色,可恢复的漏洞数量略有下降,并展示了作为DNN防御的补充的潜力。
2022-10-16 cs.CR
DataSafe: Copyright Protection with PUF Watermarking and Blockchain Tracking
DataSafe结合PUF与区块链,通过设备内水印验证实现安全版权保护与追踪,原型系统验证了其有效性。
2024-05-29 cs.CR
Privacy-Preserving Password Cracking: How a Third Party Can Crack Our Password Hash Without Learning the Hash Value or the Cleartext
针对不可信第三方破解密码哈希的隐私风险,提出基于谓词加密扩展与诱饵哈希匿名集的3PC协议,实现常数时间高效扩展,经理论与FPGA实测验证隐私保护与破解可行性。
2023-06-14 cs.CR cs.IT math.IT
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
Protection against Source Inference Attacks in Federated Learning
TU Delft(代尔夫特理工大学);Inria(法国国家信息与自动化研究所);IPP(巴黎高等师范学院信息处理研究所)
本文提出了一种基于参数级洗牌与残差数系统的新方法,有效防止联邦学习中的源推断攻击,同时保持模型准确性。
2026-03-02 cs.CR
Parallel Distributed Logistic Regression for Vertical Federated Learning without Third-Party Coordinator
Baidu, Inc.(百度公司)
联邦学习是一种新的分布式学习机制,它允许在不同数据提供者拥有的分散数据的大型语料库上进行模型训练,而不会共享或泄漏原始数据。根据数据分发的特点,通常可以将其分为三大类:水平联邦学习、垂直联邦学习和联邦迁移学习。在本文中,我们提出了一种解决方案,用于垂直联邦学习的并行分布逻辑回归。与现有的作品相比,第三方协调员的作用是删除在我们提出的解决方案。该系统建立在参数服务器体系结构上,目的是在大容量训练数据的情况下,通过利用服务器集群来加快模型训练。我们还评估了并行分布式模型训练的性能,实验结果表明该系统具有很好的可扩展性。
2019-11-22 cs.CR cs.DC cs.LG
Image Watermaking With Biometric Data For Copyright Protection
在本文中,我们处理的所有权或合法使用的数字内容,如图像的证明,以解决非法复制。该方案结合了水印技术和可撤销生物特征识别技术,不需要可信第三方,所有的信息交换都在提供者和客户之间进行。使用可取消的生物测定允许提供符合隐私的身份证明。我们说明了这种方法对故意和无意的攻击的水印内容的鲁棒性。
2015-03-16 cs.CR cs.MM
Secure Count Query on Encrypted Genomic Data
捕捉人类基因组中编码的大量有意义的信息是一个迷人的研究问题。这些研究的结果在许多健康相关领域都有重大影响-个性化医疗、亲子鉴定和疾病易感性测试等。为了促进这些类型的大规模生物医学研究项目,通常需要共享由不同组织收集的基因组和临床数据。在这种情况下,确保数据的共享、管理和分析不会泄露贡献基因组样本的个人的身份至关重要。对共享数据的存储和计算任务可以委托给配备有大存储和高性能计算资源的第三方云基础设施。将这些敏感的基因组数据外包给第三方云存储与数据的潜在丢失、盗窃或滥用的挑战相关联,因为服务器管理员不能完全信任,并且不能保证服务器的安全性不会被破坏。在本文中,我们提供了一个模型,在半诚实的第三方云服务器上的基因组数据的安全共享和计算。通过加密保证了共享数据的安全性,同时使整体计算速度快且可扩展性足以满足现实生活中的大规模生物医学应用。我们评估了我们所提出的模型的单核苷酸多态性(SNP)序列的数据库的效率和实验结果表明,在50000条记录的数据库中,每条记录包含300个SNP的50个SNP的查询,需要大约6秒。
2017-03-04 cs.CR
Privacy Preserving Face Recognition Utilizing Differential Privacy
面部识别技术在许多领域都有应用,包括但不限于公民监控、犯罪控制、活动监控和面部表情评估。然而,处理生物特征信息是一项资源密集型任务,通常涉及第三方服务器,这些服务器可能会被恶意攻击者访问。以不受控制的方式传递到不受信任的第三方服务器的生物识别信息可以被认为是重大的隐私泄露(即不受控制的信息发布),因为生物识别信息可能与敏感数据(如医疗保健或财务记录)相关。在本文中,我们提出了一个隐私保护技术的“受控信息发布”,在那里我们伪装原始的人脸图像,并防止泄漏的生物特征,同时确定一个人。我们介绍了一种新的隐私保护人脸识别协议PEEP(隐私使用EigEnface扰动),利用本地差分隐私。PEEP利用差分隐私对特征脸应用扰动,并仅将扰动的数据存储在第三方服务器中以运行标准的特征脸识别算法。因此,经过训练的模型不会受到隐私攻击,如成员推断和模型记忆攻击。我们的实验表明,PEEP在标准隐私设置下表现出约70% - 90%的分类准确率。
2020-07-04 cs.CR cs.DB
Publicly Verifiable Blind Quantum Computation
盲量子计算协议允许有限量子技术的用户将棘手的计算委托给量子服务器,同时保持计算完全保密。虽然在某些协议中,用户可以验证计算结果是否正确,但第三方无法做到这一点,这使得不诚实的用户或所有者可以非法获利。我提出了一个新的盲量子计算协议,它具有一个新的属性,称为公共可验证性,这使得任何第三方都可以确保一方不会从企图欺骗中受益。
2016-04-01 cs.CR quant-ph
Plug 'n' Pray: Agentic LLM-based Detection of Potential Log File Exposures in Third-Party Content Management System Plugins
Technische Universität Berlin(柏林工业大学)
本文提出基于智能体LLM的框架,自动检测WordPress插件日志文件暴露风险,在300个流行插件上验证,复现79/81个发现,并总结出分类法及开发者最佳实践。
2026-09-16 cs.CR
Physalia: Redistribution-Resistant Content Protection for Decentralized Storage
Mysten Labs
Physalia通过秘密共享数据本身而非仅密钥,将去中心化存储中泄露内容所需的重分发带宽提升至数据大小,并引入鲁棒性变换抵御损坏共享,实现端到端访问控制。
2026-09-24 cs.CR
Cluster Based Secure Multi-Party Computation in Federated Learning for Histopathology Images
University of Waterloo(滑铁卢大学);Vector Institute(向量研究所);Mayo Clinic(梅奥诊所)
联邦学习(FL)是一种分散的方法,使医院能够协作学习模型,而无需共享私人患者数据进行训练。在FL中,参与医院定期与中央服务器交换训练结果而不是训练样本。然而,访问模型参数或梯度可能会暴露私有训练数据样本。为了解决这个问题,我们采用安全多方计算(SMC)建立一个隐私保护的联邦学习框架。在我们提出的方法中,医院被划分为集群。在本地训练之后,每个医院将其模型权重分配给同一集群中的其他医院,使得没有一家医院可以单独检索其他医院的权重。然后,所有医院将收到的权重相加,将结果发送到中央服务器。最后,中央服务器汇总结果,检索模型权重的平均值并更新模型,而无需访问各个医院的权重。我们在一个公开的数据库--癌症基因组图谱(TCGA)上进行实验。我们比较了所提出的框架与差分隐私和联邦平均作为基线的性能。实验结果表明,与差分隐私相比,该框架能够以较高的通信开销为代价,在不存在隐私泄露风险的情况下获得更高的准确率.
2022-08-21 cs.AI cs.CR cs.LG
MixNN: Protection of Federated Learning Against Inference Attacks by Mixing Neural Network Layers
Univ Lyon(里昂大学);INSA Lyon(里昂国立应用科学学院);Inria(法国国家信息与自动化研究院);CITI(信息、图像与智能科学中心)
本文提出基于代理的MixNN系统,通过在参与者间混合神经网络层更新,抵御联邦学习中好奇或恶意聚合服务器的属性推理攻击,并在不降低模型效用的前提下显著减少隐私泄露。
2021-09-26 cs.CR cs.LG
Atom: Horizontally Scaling Strong Anonymity
Atom是一个匿名消息传递系统,可以防止流量分析攻击。与许多以前的系统不同,每个Atom服务器只涉及通过网络路由的全部消息的一小部分。因此,系统的容量几乎与服务器数量成线性关系。与此同时,每个Atom用户都受益于“尽可能”的匿名性:用户在系统的所有诚实用户中是匿名的,而不是控制整个网络、系统服务器的一部分和任何数量的恶意用户的活跃对手。Atom背后的架构思想在理论上是已知的,但将其付诸实践需要新的技术来(1)避免依赖于繁重的通用多方计算协议,(2)以最小的性能成本击败恶意服务器的主动攻击,以及(3)处理服务器故障和流失。Atom最适合于发送大量短消息,如在微博应用程序或用于私人消息传递系统的高安全性通信引导(“拨号”)中。我们证明,在一个由1,024台服务器组成的异构网络上,Atom可以在28分钟内传输100万条Twitter长度的消息。这比具有类似隐私保证的先前系统快23倍以上。
2017-10-02 cs.CR
A lightweight dynamic pseudonym identity based authentication and key agreement protocol without verification tables for multi-server architecture
传统的基于口令的身份验证方案大多在单服务器环境中考虑。从两个方面来看,它们不适合多服务器环境。一方面,用户需要在每个服务器上注册,并存储大量数据,包括身份和密码。另一方面,要求服务器存储包含用户身份和密码的验证表。最近,在Sood等人的基础上,的协议(2011),Li等人提出了一种改进的用于多服务器架构的基于动态身份的认证和密钥协商协议(2012)。Li等人声称,所提出的方案可以弥补Sood等人的安全弱点。的协议。不幸的是,我们进一步的研究表明,李等人。的协议存在一些缺陷,不能抵抗重放攻击、拒绝服务攻击、内部攻击、窃听攻击、伪装攻击等,本文进一步提出了一种适用于多服务器体系结构的轻型动态假名身份认证与密钥协商协议。在我们的方案中,提供服务的服务器不需要维护用户的验证表。该协议不仅提供了李等人所宣称的安全功能。的纸张,但也有一些其他的安全功能,如可追溯性和身份保护。
2012-04-17 cs.CR
Towards Bidirectional Protection in Federated Learning
University of California, Berkeley(加州大学伯克利分校);Hong Kong University of Science and Technology(香港科技大学)
先前在增强联邦学习(FL)安全性方面的努力分为两类。在频谱的一端,一些工作使用安全聚合技术来隐藏单个客户端的更新,并且仅向恶意服务器显示聚合的全局更新,该恶意服务器试图从客户端的更新推断客户端的隐私。另一方面,一些工作使用拜占庭健壮的FL协议来抑制恶意客户端更新的影响。提出了一种联邦学习协议F2 ED-LEARNING,该协议首次提供了双向防御机制,能够同时对抗恶意集中式服务器和拜占庭恶意客户端。为了抵御拜占庭恶意客户端,F2 ED-LEARNING通过采用和校准一个经过充分研究的鲁棒均值估计器FilterL 2来提供无量纲估计误差。F2 ED-LEARNING还利用安全聚合来保护客户端免受恶意服务器的攻击。F2 ED-LEARNING的一个关键挑战是解决FilterL 2和安全聚合方案之间的不兼容性。具体地说,FilterL 2必须检查来自客户端的各个更新,而安全聚合则对恶意服务器隐藏这些更新。为此,我们提出了一种实用且高效的解决方案,将客户端拆分为分片,其中F2 ED-LEARNING安全地聚合每个分片的更新,并在来自不同分片的更新上启动FilterL 2。评估表明,F2 ED-LEARNING始终达到最佳或接近最佳的性能,并在五种常见的攻击下优于五种安全FL协议。
2021-05-30 cs.AI cs.CR cs.DC
Blockchain based AI-enabled Industry 4.0 CPS Protection against Advanced Persistent Threat
工业4.0就是以并发、安全和细粒度的方式做事。物联网边缘传感器及其相关数据在当今的行业生态系统中发挥着主导作用。在注入高级持续性威胁(APT)后泄露数据或伪造源设备会损害行业所有者的金钱和运营商的生命。现有的挑战包括针对易受攻击的边缘设备的APT注入攻击,不安全的数据传输,利益相关者之间的信任不一致,不兼容的数据存储机制等。边缘服务器通常会因为其轻量级的计算能力而受到影响,以消除未经授权的数据或指令,这本质上使它们暴露于攻击者。当攻击者在使用传统的PKI呈现的信任传输数据的同时瞄准边缘服务器时,联盟区块链(CBC)提供了经过验证的技术来安全地传输和维护这些敏感数据。随着最近边缘机器学习的改进,边缘设备可以在其终端过滤恶意数据,这在很大程度上促使我们建立一个区块链和AI对齐的APT检测系统。该论文的独特贡献包括在边缘进行有效的APT检测,以及在不可变的区块链分类账中透明记录检测历史。与此相一致,无证书数据传输机制增强了协作者之间的信任,并在消除现有证书颁发机构后确保了经济和可持续的机制。最后,边缘兼容存储技术有助于高效的预测性维护。相应的实验结果表明,所提出的技术优于其他竞争系统和模型。
2022-01-30 cs.CR
Assessing Privacy Compliance of Android Third-Party SDKs
本研究针对Android第三方SDK隐私保护空白,利用污点分析与大语言模型检测158款常用SDK的数据外泄与隐私合规情况,发现隐私问题普遍且长期未改善,并提出可行建议以保护用户隐私、为监管提供参考。
2025-06-18 cs.CR cs.SE
IDPFilter: Mitigating Interdependent Privacy Issues in Third-Party Apps
本文系统调查第三方应用中的相互依赖隐私问题,分析权限结构、数据请求特征及监管忽视原因,提出平台无关的IDPFilter API以过滤涉及他人的附带数据,并实现文本过滤原型IDPTextFilter验证其隐私性、准确性和效率。
2024-05-02 cs.CR
On Model Protection in Federated Learning against Eavesdropping Attacks
University of North Carolina at Charlotte(北卡罗来纳大学夏洛特分校);Tata Consultancy Services Research(塔塔咨询服务研究中心)
本研究探讨了联邦学习抵御窃听攻击的模型保护问题,通过理论分析和数值实验评估了客户端选择、目标函数及聚合等因素对保护水平的影响,并指出差分隐私方法在该特定背景下的局限性。
2025-04-02 cs.AI cs.CR cs.LG
Over-the-Air Federated Learning with Privacy Protection via Correlated Additive Perturbations
Linköping University(林雪平大学)
在本文中,我们考虑隐私方面的无线联邦学习(FL)与无线(OTA)传输的梯度更新从多个用户/代理到边缘服务器。通过利用多址信道的波形叠加特性,OTA FL使用户能够使用线性处理技术同时发送他们的更新,这提高了资源效率。然而,这种设置容易受到隐私泄漏,因为对手节点可以直接听到未编码的消息。传统的基于扰动的方法提供了隐私保护,同时由于降低的信噪比而牺牲了训练精度。在这项工作中,我们的目标是最大限度地减少隐私泄漏到对手和模型的准确性在边缘服务器在同一时间的退化。更明确地说,空间相关的扰动被添加到传输之前在用户处的梯度向量。使用相关扰动的零和属性,可以最小化添加的扰动对边缘服务器处的聚合梯度的副作用。同时,增加的扰动不会被对手抵消,这防止了隐私泄露。对扰动协方差矩阵、差分隐私和模型收敛性进行了理论分析,在此基础上提出了联合设计协方差矩阵和功率缩放因子的优化问题,以平衡隐私保护和收敛性能。仿真结果验证了相关扰动方法在保证较高学习精度的同时,具有较强的防御能力。
2022-10-05 cs.CR cs.IT cs.LG
A Secure Third-Party Auditing Scheme Based on Blockchain Technology in Cloud Storage
针对云存储公共审计中的隐私与多级访问问题,提出融合 RSA、UEG 隐私机制与区块链的第三方审计方案,以减少第三方参与并实现安全高效的细粒度审计。
2023-04-24 cs.CR
Server-Aided Revocable Predicate Encryption: Formalization and Lattice-Based Instantiation
在许多多用户密码系统中,有效的用户撤销是一个必要而又具有挑战性的问题。在已知的方法中,服务器辅助撤销产生了一个有前途的解决方案,因为它允许将系统用户的主要工作负载外包给计算能力强大的第三方,称为服务器,其唯一的要求是正确地执行计算。Qin等人(ESORICS 2015)和Cui等人(ESORICS 2016)分别在基于身份的加密和基于属性的加密的设置中考虑了这种撤销机制。在这项工作中,我们认为服务器辅助撤销机制在更精细的设置谓词加密(PE)。后者是由Katz、Sahai和Waters(EUROPHOTOPT 2008)提出的,提供了对加密数据的细粒度和基于角色的访问,可以被视为基于身份和基于属性的加密的推广。我们的贡献是双重的。首先,我们形式化的模型服务器辅助可验证谓词加密(SR-PE),严格的定义和安全的概念。我们的模型可以被看作是一个非平凡的适应崔等人。的工作融入到体育的语境中。其次,我们提出了一个基于格的SR-PE实例化。该方案采用Agrawal,Freeman和Vaikuntanathan的PE方案(ASIACRYPT 2011)和Naor,Naor和Lotspiech的完整子树方法(ASIACRYPT 2001)作为两个主要成分,由于一些额外的技术,它们可以顺利地一起工作。我们的计划被证明是安全的标准模型(在一个选择性的方式),基于学习错误(LWE)问题的硬度。
2018-01-24 cs.CR
INTERPOL: Information Theoretically Verifiable Polynomial Evaluation
我们研究了用户-服务器和多方设置中的可验证多项式求值问题。我们提出{INTERPOL},一个信息理论上可验证的算法,允许用户将多项式的评估委托给服务器,并以高概率和次线性复杂度验证结果的正确性。与通常依赖于加密假设的现有方法相比,{INTERPOL}的突出之处在于它不假设服务器上的任何计算限制。{INTERPOL}依赖于将多项式评估分解为两个矩阵乘法,以及以具有秘密系数的本地计算奇偶校验的形式注入计算冗余以进行验证。我们表明,{INTERPOL}有几个理想的属性,如自适应性和公共验证。此外,通过将{INTERPOL}推广到由$n$不可信节点组成的网络的多方设置,其中每个节点都有兴趣评估相同的多项式,我们证明了我们可以实现与可信设置相当的整体计算复杂性,同时保证每个节点的信息理论验证。
2019-04-28 cs.CR cs.IT math.IT
Watching TV with the Second-Party: A First Look at Automatic Content Recognition Tracking in Smart TVs
本文通过黑盒审计Samsung与LG智能电视的ACR流量,揭示第二方观看追踪在外部显示等场景下仍有效,并评估隐私控制及英美差异。
2024-09-10 cs.CR cs.CY cs.NI
Key Management and Learning based Two Level Data Security for Metering Infrastructure of Smart Grid
在智能电网中,智能电表和许多控制和监控应用采用双向无线通信,其中安全性是一个关键问题。在基于密钥管理的智能电网加密方法中,可信第三方(TTP)以及智能电表和第三方之间的链路被假定为完全可信和可靠的。然而,在有线/无线介质中,中间人可能想要干扰、监视和控制网络,从而暴露其脆弱性。承认这一点,在本文中,我们提出了一种新的两级加密方法的基础上,两个部分信任的简单服务器(构成TTP),实现这种方法,而不增加数据包开销。一台服务器负责电表与控制中心/中央数据库之间的数据加密,另一台服务器管理数据传输的随机顺序。数值计算表明,解码消息所需的迭代次数很大,这是相当不切实际的。此外,我们介绍了一类支持向量机(机器学习)算法的节点到节点的认证利用的位置信息和数据传输的历史(节点的身份,数据包大小和频率的传输)。这确保了数据通信保密性,而不增加传统密钥管理方案的复杂性。
2017-09-25 cs.CR cs.MA
Differentially Private Secure Multi-Party Computation for Federated Learning in Financial Applications
Georgia Institute of Technology(佐治亚理工学院);J.P. Morgan AI Research(摩根大通人工智能研究院)
联邦学习使一群客户端能够与受信任的服务器一起协作学习共享的机器学习模型,同时将每个客户端的数据保存在自己的本地系统中。这降低了暴露敏感数据的风险,但仍然有可能从通信的模型参数中对有关客户端私有数据集的信息进行逆向工程。因此,大多数联邦学习系统使用差分隐私来将噪声引入参数。这增加了任何试图揭示私人客户端数据的不确定性,但也降低了共享模型的准确性,限制了隐私保护噪声的有用规模。一种系统,通过还包括安全多方计算,可以进一步降低协调服务器恢复私人客户端信息的能力,而没有额外的准确性损失。结合这两种技术的方法与金融公司特别相关,因为它为协作学习提供了新的可能性,而不会暴露敏感的客户数据。这可以为重要任务(如最佳交易执行、信贷发放或欺诈检测)生成更准确的模型。本文的主要贡献是:我们提出了一个隐私保护的联邦学习协议的非专业观众,证明它使用逻辑回归在现实世界中的信用卡欺诈数据集,并评估它使用一个开源的模拟平台,我们已经适应了联邦学习系统的发展。
2020-10-12 cs.AI cs.CR cs.MA
SECO: Secure Inference With Model Splitting Across Multi-Server Hierarchy
针对预测即服务中的隐私问题,提出安全推理协议SECO,通过多服务器层级分割神经网络模型,结合多方同态加密与混淆电路,在不泄露数据与模型隐私的前提下协作完成推理,并降低用户端的计算与通信开销。
2024-04-24 cs.CR cs.DC
BlindU: Blind Machine Unlearning without Revealing Erasing Data
School of Computer Science, University of Technology Sydney(计算机科学学院,技术悉尼大学);School of Cyber Science and Engineering, Southeast University(网络科学与工程学院,东南大学)
BlindU通过压缩表示实现无需暴露删除数据的盲机器无学习,结合信息瓶颈机制和差分隐私方法,提升隐私保护和无学习效果。
2026-01-12 cs.AI cs.CR cs.CV
Privacy-Preserving Energy Storage Sharing with Blockchain and Secure Multi-Party Computation
储能提供了一种有效的方式来改变临时的能源需求和供应,这使得在分时能源定价计划下能够显著降低成本。尽管其有着令人鼓舞的好处,但目前的储能成本仍然昂贵,这对实际部署构成了主要障碍。提高成本效益的更可行的解决方案是通过共享储能,如社区共享,云储能和点对点共享。然而,向外部储能运营商披露私人能源需求数据可能会损害用户隐私,并且容易受到数据滥用和泄露的影响。在本文中,我们探索了一种新的方法来支持能源存储共享与隐私保护,基于隐私保护区块链和安全多方计算。我们提出了一个集成的解决方案,使隐私保护的能源存储共享,这样的能源存储服务调度和成本分摊可以在不知道个人用户的需求。它还支持电网运营商通过区块链进行审计和验证。此外,我们的隐私保护解决方案可以防止不诚实的大多数用户,他们可能串通作弊,而不需要可信的第三方。我们在现实世界的以太坊区块链平台上实现了我们的解决方案作为智能合约,并在本文中提供了实证评估。
2021-11-03 cs.CR math.OC
Characterising Third Party Cookie Usage in the EU after GDPR
最近出台的《通用数据保护条例》(GDPR)要求,在网上获取可用于识别个人身份的信息时,必须获得他们的同意。除此之外,这会影响许多常见形式的cookie,欧盟的用户已经收到通知,要求他们批准数据汇集。本文通过两个数据集来研究GDPR前后第三方Cookie的流行情况:根据Alexa.com访问前500个网站,以及16个英国和中国用户在一年内访问的网站在用户浏览器中放置的Cookie的每周数据。我们发现,GDPR之后,第三方的数量平均下降了10%以上,但当我们检查真实用户一年多的浏览历史时,我们发现第三方cookie的长期数量没有实质性减少,这表明用户没有利用GDPR提供的选择来增加隐私。此外,在为用户提供是否以及如何跟踪他们的选择的网站中,接受默认选择通常最终存储的cookie平均比提供存储cookie的通知但不给用户选择哪些cookie的网站或根本不提供cookie通知的网站更多。我们还发现,顶级非欧盟网站的cookie通知较少,这表明访问国际网站时的跟踪水平较高。我们的研究结果对于理解GDPR的合规性以及理解网络跟踪的演变都具有深刻的意义。
2019-05-03 cs.CR cs.IR
Exposures Exposed: A Measurement and User Study to Assess Mobile Data Privacy in Context
移动设备可以访问个人的、潜在的敏感数据,并且有大量移动应用程序和第三方库可以通过网络将这些信息传输到远程服务器(包括应用程序开发人员服务器和第三方服务器)。在本文中,我们不仅希望更好地了解个人身份信息(PII)暴露的程度,而且还希望了解其背景,即,应用程序的功能、目标服务器、使用的加密等)以及当今移动用户所感知的风险。为此,我们采取两个步骤。首先,我们进行测量研究:我们通过手动和自动测试收集新的数据集,并从400个最受欢迎的Android应用程序中捕获16种PII类型的暴露情况。我们分析这些风险,并深入了解移动应用程序共享PII的程度和模式,以便日后用于预测和预防。其次,我们对Amazon Mechanical Turk上的220名参与者进行了用户研究:我们按类别总结了测量研究的结果,在现实环境中呈现它们,并评估用户的理解,关注和采取行动的意愿。据我们所知,我们的用户研究是第一个以如此精细的粒度收集和分析用户输入以及移动设备上的实际(而不仅仅是潜在或允许的)隐私暴露的用户研究。尽管许多用户最初并不了解其PII被暴露的全部影响,但在通过研究获得更好的信息后,他们对更好的隐私实践表示赞赏和兴趣。
2022-06-06 cs.CR cs.HC cs.NI
CryptGNN: Enabling Secure Inference for Graph Neural Networks
New Jersey Institute of Technology(新泽西理工学院);Rensselaer Polytechnic Institute(伦塞拉尔理工学院)
CryptGNN利用分布式安全多方计算技术,为云中的第三方图神经网络模型提供安全推理,保护客户端数据、图结构和模型参数,支持任意参与方且无需可信服务器。
2025-09-11 cs.CR cs.LG
When Feasibility of Fairness Audits Relies on Willingness to Share Data: Examining User Acceptance of Multi-Party Computation Protocols for Fairness Monitoring
Harbin Institute of Technology, Shenzhen(哈尔滨工业大学(深圳));Max Planck Institute for Security and Privacy (MPI-SP)(马克斯·普朗克安全与隐私研究所);Saarland University(萨尔兰大学)
研究探讨了用户对多方计算协议在公平性监控中的接受度,发现用户对隐私保护和公平性目标的重视影响其数据共享意愿。
2026-02-02 cs.CR cs.CY cs.HC
Active Membership Inference Attack under Local Differential Privacy in Federated Learning
University of Florida(佛罗里达大学);New Jersey Institute of Technology(新泽西理工学院)
本文提出联邦学习中由不诚实服务器发起的主动成员推理攻击,利用非线性决策边界在本地差分隐私下实现高成功率,并揭示防御噪声会显著损害模型效用。
2023-07-24 cs.AI cs.CR cs.LG