Privacy-Preserving Data Aggregation Techniques for Enhanced Efficiency and Security in Wireless Sensor Networks: A Comprehensive Analysis and Evaluation
本文提出一种多维隐私保护数据聚合方法,通过恒定通信开销抵御合谋攻击并降低能耗,在大规模无线传感器网络中优于现有方案。
2024-03-29 cs.CR
FlowCrypt: Flow-Based Lightweight Encryption with Near-Lossless Recovery for Cloud Photo Privacy
Hohai University(河海大学)
本文提出FlowCrypt,一种基于流的轻量级图像加密框架,通过密钥条件随机分割和可逆FED模块实现近无损恢复、高安全性与仅1M参数的紧凑设计。
2025-09-23 cs.CR
Privacy-Preserving Querying in Sensor Networks
无线传感器网络(WSNs)通过许多配备无线收发器的小型自治设备提供传感和监测服务。随着无线传感器网络的大规模和/或长期部署,不仅传统的安全,而且隐私问题必须考虑在内。此外,当网络运营商提供按需访问传感器测量到他们的客户端,查询机制应该理想地既不泄漏客户端的利益,也不查询模式。在本文中,我们提出了一个隐私保护的WSN查询机制,使用标准的密码技术。除了防止未经授权的实体访问传感器读数外,它还最大限度地减少了有关用户查询目标和模式的(潜在敏感)信息的泄漏。
2009-05-13 cs.CR
Listening Alone, Understanding Together: Collaborative Context Recovery for Privacy-Aware AI
Stony Brook University(石溪大学);Microsoft Research(微软研究院)
CONCORD框架通过协作上下文恢复技术,在隐私保护下实现对话上下文的准确恢复,通过时空上下文解析、信息缺口检测和最小化A2A查询提升隐私安全性和对话效果。
2026-04-14 cs.AI cs.CR
Privacy-preserving data aggregation in resource-constrained sensor nodes in Internet of Things: A review
隐私问题是致命的,比物联网(IoT)概念的任何其他问题都受到更多的关注。由于物联网有许多应用领域,包括灵巧家庭,智能电网,智能医疗系统,智能和智能交通等等。这些应用中的大多数都是由资源受限的传感器网络提供动力的,例如智能医疗系统由无线体域网(WBAN)提供动力,灵巧家庭和天气监测系统由无线传感器网络(WSN)提供动力。在上述应用领域中,传感器节点寿命是这些技术的一个非常重要的方面,因为它明显影响网络寿命和性能。数据聚合技术被用来通过减少通信开销来增加传感器节点的寿命。然而,当数据在中间结点聚集以减少通信开销时,数据隐私问题变得更加脆弱。不同的隐私保护数据聚合(PPDA)技术已被提出,以确保在资源受限的传感器节点的数据聚合过程中的数据隐私。我们提供了一个审查和比较分析的最先进的PPDA技术在本文中。比较分析是基于计算成本,通信开销,隐私级别,抵抗恶意聚合器,传感器节点寿命和传感器节点的能量消耗。我们研究了最新的技术,并对这些技术中涉及的微小步骤进行了深入分析。据我们所知,这项调查是最新的和全面的研究PPDA技术。
2018-12-11 cs.CR
On the Price of Differential Privacy for Spectral Clustering over Stochastic Block Models
Nokia Bell Labs(诺基亚贝尔实验室);Princeton University(普林斯顿大学)
本文研究随机块模型下社区检测的边差分隐私谱聚类方法,提出隐私算法并刻画隐私预算与恢复准确性之间的权衡,同时给出信息论保证。
2025-05-09 cs.CR cs.IT cs.LG
CRSF: Collusion-Resilient Privacy-Preserving Sensor Fusion with Byzantine-Robust Participation
Vrije Universiteit Amsterdam(阿姆斯特丹自由大学);Centrum Wiskunde & Informatica(荷兰数学与计算机科学研究学会);Southwest University(西南大学);Yangtze Delta Region Institute of Tsinghua University(清华大学长三角研究院);University of Trento(特伦托大学)
本文提出CRSF协议,解决现有隐私保护传感器融合协议的合谋与拜占庭操纵缺陷,实现安全与性能的实用权衡,经Google Cloud评估验证其有效性。
2026-09-15 cs.CR
Enhancing Data Privacy In Wireless Sensor Networks: Investigating Techniques And Protocols To Protect Privacy Of Data Transmitted Over Wireless Sensor Networks In Critical Applications Of Healthcare And National Security
本文研究医疗与国家安全关键应用中WSNs的数据隐私保护,梳理相关技术、挑战与影响因素,引入创新扩散理论分析隐私技术采纳,并结合实证研究验证安全方案有效性。
2024-04-17 cs.CR cs.NI
Privacy Leakage from a Thousand Words: Millipixel Location Recovery from Dot Maps
Purdue University(普渡大学);Indiana University School of Medicine(印第安纳大学医学院)
本文提出AutoLocate框架,利用点图渲染中的抗锯齿伪影,通过黑盒优化实现高精度位置恢复,平均误差低至1米,比现有方法精确200倍以上,并提供了缓解策略和风险评估工具。
2026-09-09 cs.CR cs.CV
On Spatial-Provenance Recovery in Wireless Networks with Relaxed-Privacy Constraints
针对V2X网络中车辆隐私与RSU定位需求的矛盾,提出一种基于相关线性Bloom filters的低延迟空间溯源恢复协议,在松弛隐私模型下实现少量比特开销即可定位低功率干扰器等安全功能。
2025-09-15 cs.CR cs.IT math.IT
Frequency-based Randomization for Guaranteeing Differential Privacy in Spatial Trajectories
随着GPS设备的普及,大量的轨迹数据被不断收集,各种基于位置的服务也被开发出来,极大地造福了我们的日常生活。然而,发布的轨迹也带来了对个人隐私的严重关注,最近的一些研究表明,空间轨迹中存在个人身份信息。由于在隐私保护和效用保存之间进行权衡,轨迹匿名化是不平凡的。此外,恢复攻击还没有得到很好的研究,在目前的文献。为了解决这些问题,我们提出了一个基于频率的随机化模型,具有严格的差分隐私保证轨迹数据发布。特别是,我们引入了两个随机机制,通过注入拉普拉斯噪声来扰动轨迹中重要位置的局部/全局频率分布。我们设计了一个分层索引以及一个新的搜索算法,以支持有效的轨迹修改,确保修改后的轨迹满足扰动分布,而不损害隐私保证或数据效用。在真实轨迹数据集上进行的大量实验验证了该方法在抵抗个体重识别和恢复攻击的同时保持了期望的数据效用以及在实践中的可行性。
2022-07-08 cs.CR cs.DB
Privacy-Preserving Bathroom Monitoring for Elderly Emergencies Using PIR and LiDAR Sensors
University of Michigan(密歇根大学)
本文提出一种基于PIR和LiDAR传感器的低成本隐私保护浴室监控系统,通过规则检测老年人跌倒等紧急事件,实验验证其有效性。
2025-10-15 cs.CR
Trajectory Recovery From Ash: User Privacy Is NOT Preserved in Aggregated Mobility Data
在过去的十年里,人类移动数据已经通过蜂窝网络和移动应用程序被广泛收集,并公开发布用于学术研究和商业目的。由于发布个人的移动记录通常会引起隐私问题,因此数据集所有者倾向于仅发布聚合的移动数据,例如在特定时间戳由蜂窝塔覆盖的用户数量,这被认为足以保护用户的隐私。然而,在本文中,我们认为,并证明,即使发布聚合的移动数据可能会导致个人的轨迹隐私泄露。我们开发了一个攻击系统,该系统能够利用人类移动的独特性和规律性,在没有任何先验知识的情况下,从聚合的移动数据中恢复个人的轨迹。通过对移动应用和蜂窝网络的两个真实数据集进行实验,我们发现该攻击系统能够在数万到数十万用户规模下恢复用户轨迹,准确率约为73%~91%,这表明此类数据集存在严重的隐私泄漏。通过对聚合移动数据的调查,我们的工作认识到发布统计数据中存在的一个新的隐私问题,呼吁学术界和工业界立即关注。
2017-02-25 cs.CR cs.CY
Diagnosis-guided Attack Recovery for Securing Robotic Vehicles from Sensor Deception Attacks
University of British Columbia(不列颠哥伦比亚大学);University of Iowa(爱荷华大学)
本文提出DeLorean统一框架,通过因果分析诊断传感器欺骗攻击并利用历史状态重建受损传感器物理状态,实现机器人车辆在多传感器攻击下的针对性恢复,成功率93%。
2024-01-22 cs.CR cs.RO
Privacy Preservation for Wireless Sensor Networks in Healthcare: State of the Art, and Open Research Challenges
微型生物传感器的出现为在医疗保健中部署无线传感器网络带来了许多机会。然而,一个重要的障碍是,医疗保健利益相关者的接受程度受到个人和亲密信息的隐私保护措施的有效性的影响,这些信息是在这些网络内外通过空中收集和传输的。特别是,这些网络正在超越传统的传感器,朝着使用多媒体传感器的方向发展,这引起了进一步的隐私问题。讽刺的是,与安全性相比,对隐私保护的研究较少。然而,隐私保护已经逐渐从被认为是安全措施的一个隐含的副产品,它正在成熟为一个研究关注自己的权利。然而,还需要进一步的技术和社会技术进步。作为对激发进一步研究的贡献,本文的特点包括:(i)明确锚定的隐私保护的文献调查,它是通过从安全目标中解开隐私目标的支持,以避免混淆隐私和安全问题,因为这是经常在其他文件的情况;(ii)对医疗保健中无线传感器网络的隐私保护服务进行严格调查,包括威胁分析和评估方法;它还为医疗保健领域隐私保护的多方面挑战以及隐私威胁、攻击和对策提供了分类树; ㈢讨论了技术进步,并对监管框架的影响进行了反思;(四)公开研究挑战的讨论,从而为未来的研究提供了方向,以打开隐私保护的大门,这是适合20世纪的医疗保健。第一个世纪
2020-12-23 cs.CR cs.NI
An Efficient Fog-Assisted Unstable Sensor Detection Scheme with Privacy Preserved
物联网(IoT)一直是研究界和工业界的热门话题。可以预见,在未来的物联网中,大量的传感器将每时每刻收集物理信息,使控制中心能够做出更好的决策,以提高服务质量(QoS)。然而,传感器可能有故障,从而产生不准确的数据,这将损害决策。为了保证服务质量,系统应该能够检测到故障传感器,以消除不准确的数据的损害。在无线传感器网络(WSN)的背景下,已经开发了各种故障传感器检测机制。其中有些只适用于无线传感器网络,而另一些则会给控制中心带来通信负担。为了在检测一般物联网应用中的故障传感器的同时节省通信资源,提出了一种有效的故障传感器检测方案。该方案利用雾计算的优势,节省了控制中心的计算和通信资源。为了保护传感器数据的隐私性,在雾计算中采用了Paillier密码体制。批验证技术被应用于实现高效的身份验证。性能分析表明,该检测方案能够节省控制中心的通信资源,并在保持可接受的误报率的同时实现高的真阳性率。该方案还可以抵御各种安全攻击,并保护数据隐私。
2017-11-28 cs.CR
MDRC: A Deployable State-Recovery Defense for Traffic Signal Control under Sensor Corruption
ELLIS Institute Finland, University of Turku(芬兰埃利斯研究所,图尔库大学);City University of Macau(澳门城市大学);University of Technology Sydney(悉尼科技大学);Edith Cowan University(伊迪丝科文大学)
提出MDRC,一种基于元扩散的交通信号控制状态恢复防御,结合DDIM与Reptile元学习,在多个基准上显著降低平均出行时间并保证高决策可用性。
2026-09-24 cs.CR
A Survey of Privacy Vulnerabilities of Mobile Device Sensors
到2022年,智能手机和智能手表等移动设备的数量将无情地增加到近68亿台,随之而来的是它们捕获的个人和敏感数据量。这项调查概述了什么样的个人和敏感的用户属性可以从移动终端传感器提取的艺术状态,强调关键方面,如人口统计,健康和身体特征,活动和行为识别等。此外,我们回顾流行的指标在文献中量化的隐私程度,并讨论强大的隐私方法,以保护敏感数据,同时保留数据实用程序进行分析。最后,提出了有待进一步研究的问题.
2021-06-18 cs.CR cs.HC
An Attack on Privacy Preserving Data Aggregation Protocol for Wireless Sensor Networks
在无线传感器网络(Wireless Sensor Networks,WSNs)中,网内数据聚合提供了高效的带宽利用率和节能的计算能力,支持高效的网内数据聚合同时保护单个传感器节点数据的隐私性已成为众多WSNs应用的重要需求。对于无线传感器网络中的隐私保护数据聚合,He等人(INFOCOM 2007)提出了一种基于聚类的私有数据聚合(CPDA),该聚合使用聚类协议和众所周知的密钥分配方案,用于以隐私保护方式计算加性聚合函数。尽管CPDA的广泛流行,它已被观察到,该协议是不安全的,它也是可能的,以提高其效率。在本文中,我们首先确定了现有的CPDA方案中的安全漏洞,其中我们展示了恶意参与节点如何可以发起攻击的隐私协议,以便获得其相邻传感器节点的私有数据的访问。接下来,它示出了如何现有的CPDA计划可以通过适当的修改协议更有效。此外,已经提出了对现有协议的适当修改,以便堵塞协议的脆弱性。
2012-04-30 cs.CR cs.NI
QuasiLeak-Bench: Evaluating LLM-Based Privacy Detectors on Policy-Conditioned Quasi-Evidence Group Recovery
School of Computing, National University of Singapore(新加坡国立大学计算机学院);Agency for Science, Technology and Research (A*STAR), Singapore(新加坡科技研究局)
研究针对现有隐私基准未覆盖准证据组推断的问题,提出QuasiLeak-Bench基准,发现现有隐私检测器表现差,微调的4B模型表现优于最强提示式模型,证明任务可学习。
2026-10-20 cs.CL cs.CR
Trustworthy and Privacy-Aware Sensing for Internet of Things
物联网(IoT)被认为是智能服务的关键技术。由于商品设备的广泛使用,安全和隐私是物联网应用面临的特别挑战。这项工作引入了两个基于硬件的轻量级安全机制,以确保感测数据的可信度(即,感测数据保护和传感器节点保护)和传感器的使用隐私(即,感测数据的隐私感知报告),用于集中式和分散式物联网应用。物理不可克隆功能(PUF)形成了这两种机制的基础。为了证明我们基于PUF的方法的可行性,我们在三个平台(Atmel 8位MCU,ARM Cortex M4 32位MCU和Zynq7010 SoC)上实现和评估了具有不同复杂度的PUF。我们还实现了我们的可信传感和隐私感知报告方案(集中式应用)和安全节点方案(分散式应用)的视觉传感器节点上包括一个OV 5642图像传感器和Zynq7010 SoC。我们的实验评估表明,低开销wrt。延迟、存储、硬件和我们的安全机制引起的通信。
2018-08-26 cs.CR
SecretGen: Privacy Recovery on Pre-Trained Models via Distribution Discrimination
University of Illinois Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校);Arizona State University(亚利桑那州立大学)
通过使用预训练模型的迁移学习已经成为机器学习社区的一个增长趋势。因此,许多预先训练的模型被在线发布,以促进进一步的研究。然而,这引起了广泛的关注,这些预先训练的模型是否会泄漏其训练数据的隐私敏感信息。因此,在这项工作中,我们的目标是回答以下问题:“我们能否有效地从这些预先训练的模型中恢复私人信息?检索此类敏感信息的充分条件是什么?“我们首先探索不同的统计信息,这些信息可以将私人训练分布与其他分布区分开来。根据我们的观察,我们提出了一种新的私有数据重建框架,SecretGen,有效地恢复私人信息。与以前可以通过目标恢复实例的地面真实预测来恢复私有数据的方法相比,SecretGen不需要这样的先验知识,使其更加实用。我们在不同的场景下对不同的数据集进行了广泛的实验,以将SecretGen与其他基线进行比较,并提供一个系统的基准,以更好地了解不同辅助信息和优化操作的影响。我们表明,在没有关于真实类预测的先验知识的情况下,SecretGen能够恢复与利用这种先验知识的数据相比具有类似性能的私有数据。如果给出先验知识,SecretGen将显著优于基线方法。我们还提出了几个量化指标来进一步量化预训练模型的隐私脆弱性,这将有助于隐私敏感应用的模型选择。我们的代码可在https://github.com/AI-secure/SecretGen上获得。
2022-07-25 cs.CR cs.LG
Privacy-Preserving State Estimation with Crowd Sensors: An Information-Theoretic Respective
University of Melbourne(墨尔本大学)
本文研究了使用群体传感器进行线性时不变动态系统隐私保护状态估计问题,通过设计具有信息论视角的隐私保护噪声,实现隐私与效用的平衡。
2025-09-21 cs.CR cs.IT cs.SY
Privacy Preserving Data Aggregation in Wireless Sensor Networks
在互联网和移动技术极度渗透的今天,隐私保护是一个重要的问题。在无线传感器网络(WSNs)中,收集的数据通常需要网络内处理和协作计算,这一点更为重要。这一领域的研究主要集中在应用数据采掘技术来保护数据的隐私内容。这些技术大多是计算昂贵,不适合资源有限的WSN节点。在本文中,一个计划,以提供一个更简单的方式与安全的密钥管理方案和随机数据扰动技术的帮助下,隐私保护。我们考虑这样一种情况,即拥有机密数据的两方或多方仅需要出于聚合目的向第三方共享数据,而不会泄露数据的内容。通过仿真结果验证了该方案的有效性,并与文献[1]中的一种方案进行了比较。
2011-08-10 cs.CR cs.NI
VIMU: Effective Physics-based Realtime Detection and Recovery against Stealthy Attacks on UAVs
针对无人机传感器攻击检测有效性不足的问题,提出 VIMU 系统,结合低通滤波检测算法 CS-EMA、细粒度非线性物理模型与 FIFO 缓冲区防护,实现了对隐蔽攻击的有效实时检测与系统状态恢复,保障飞行稳定性。
2025-04-29 cs.CR
PriMaL: A Privacy-Preserving Machine Learning Method for Event Detection in Distributed Sensor Networks
本文介绍了PriMaL,一种通用的隐私保护机器学习方法,用于降低通过网络传输的信息的隐私成本。分布式传感器网络通常用于高风险情况下的异常事件的自动分类和检测,例如建筑物中的火灾,地震或人群灾难。这种网络可能会传输隐私敏感信息,例如智能手机的GPS位置,如果网络受到损害,这些信息可能会被披露。隐私问题可能会减缓该技术的采用,特别是在参与是自愿的社交感测场景中,因此需要在不损害事件检测准确性的情况下提高隐私的解决方案。PriMaL被实现为一个机器学习层,它在现有的事件检测算法之上工作。实验运行在一个通用的仿真框架,几个网络拓扑结构和参数值。国家的最先进的事件检测算法的隐私足迹进行比较,在所提出的框架。结果表明,PriMaL是能够降低隐私成本的分布式事件检测算法低于相应的集中式算法,在一些假设的范围内的协议。而且分布式算法的性能在统计上并不比集中式算法差。
2017-03-21 cs.CR cs.DC
A Framework for Cost-Effective and Self-Adaptive LLM Shaking and Recovery Mechanism
Baidu Inc.(百度公司);Baidu Research(百度研究院)
本研究针对LLM云部署的成本与隐私-准确率权衡问题,提出名为CypherTalk的自适应抖动调优恢复框架,通过水平、垂直抖动算子实现与SOTA隐私方案相当的准确率,是首个兼顾成本与效用-隐私权衡的LLM相关研究。
2024-03-12 cs.CL cs.CR cs.LG
Motion Sensor-based Privacy Attack on Smartphones
在本文中,我们建立了一个语音隐私攻击,利用语音混响产生的智能手机的内置扬声器通过零权限运动传感器(加速度计)捕获。我们设计我们的攻击Spearphone 2,并证明,语音混响从内置扬声器,在适当的响度,可以影响加速度计,泄漏有关的语音敏感信息。特别是,我们表明,通过利用受影响的加速度计读数,并仔细选择功能集以及现成的机器学习技术,Spearphone可以成功地执行性别分类(准确率超过90%)和说话人辨识(准确率超过80%)的任何音频/视频播放的智能手机。我们对语音呼叫和语音助手响应的测试结果也令人鼓舞,展示了拟议攻击的影响。此外,我们进行语音识别和语音重建,以提取更多的信息,窃听语音在一定程度上。我们的工作揭示了许多当前部署的智能手机中的一个基本设计漏洞,这可能会使人们在电话通话,媒体播放或语音助手交互期间以扬声器模式使用智能手机时的语音隐私处于危险之中。
2020-10-19 cs.CR
Sleeping Secrets: How Fine-Tuning Reawakens Privacy Risks in Language Models
Chongqing University(重庆大学);Zhejiang University(浙江大学);Huazhong University of Science and Technology(华中科技大学)
本文提出无数据攻击ReGap,利用LLM生成候选和低秩适应恢复私有关联,在多个模型上提升恢复率6-21个百分点,揭示微调可重新唤醒隐私风险。
2026-10-02 cs.CR
A General Purpose Data and Query Privacy Preserving Protocol for Wireless Sensor Networks
无线传感器网络是由大量的空间分布的设备组成的,这些设备配备有传感技术,并通过无线电信号互连。部署用于监控目的的WSN可以提供对被监控环境的无处不在的视图。然而,对所收集的数据的管理非常消耗资源,并引起安全和隐私问题。在本文中,我们提出了一个隐私保护协议收集聚合数据从无线传感器网络。该协议依赖于洋葱路由技术来提供均匀分布的网络流量,并限制外国参与者可以从监视网络中传输的消息中获得的知识。我们的解决方案采用了网络中的节点的计算能力,通过传递给他们的通用计算机代码,在现场处理和聚合的数据来源于多个传感器节点。我们补充我们的工作与建议的解决方案,使用网络模拟器NS-3的模拟。模拟结果概述了解决方案的可扩展性,并突出了潜在的限制。
2021-11-29 cs.CR cs.NI
Security and Privacy Challenges in Cognitive Wireless Sensor Networks
无线传感器网络(WSNs)由于其在现实世界中广泛的实际应用中的潜在适用性,引起了研究界的极大兴趣。然而,由于其分布式特性及其在关键应用中的部署,而无需人为干预以及所传输数据的敏感性和关键性,这些网络容易受到许多安全和隐私威胁的影响,从而对其性能产生不利影响。这些问题在认知无线传感器网络(CWSNs)中变得更加关键,在认知无线传感器网络中,传感器节点具有根据其操作的无线电环境改变其发送和接收参数的能力,以实现可靠和高效的通信以及网络资源的最佳利用。本章通过识别这些网络中的各种安全威胁和各种防御机制来对抗这些漏洞,对CWSNs中的安全和隐私问题进行了全面讨论。根据攻击的性质和攻击目标,将针对CWSNs的各种攻击分为不同的类别,并针对每一类攻击,讨论了相应的安全机制。一些关键的研究问题,在CWSNs的安全和隐私也确定。
2013-02-09 cs.CR cs.NI
Secure and Privacy-Preserving Data Aggregation Protocols for Wireless Sensor Networks
本章讨论了无线传感器网络中聚合协议对安全和隐私保护机制的需求。它提出了一个全面的最先进的讨论在无线传感器网络中使用的各种隐私保护机制,特别是集中在CPDA协议提出的He等人。(INFOCOM 2007)。它确定了CPDA协议中的安全漏洞,并提出了一种机制来堵塞该漏洞。为了说明聚合过程中的安全需求,本章进一步介绍了无线传感器网络聚合机制中的各种威胁。简要分析了现有的无线传感器网络安全聚合协议,提出了一种能够检测恶意节点注入的虚假数据的安全聚合协议。协议的性能也被提出。本章的结论,同时强调一些未来的研究方向,在无线传感器网络的安全数据聚合。
2012-03-06 cs.CR cs.NI
MultiGait: A Multi-Sensor Multi-Perspective Multi-Session Biometric Inference Benchmark and its Dataset
Karlsruhe Institute of Technology(卡尔斯鲁厄理工学院)
MultiGait是首个多传感器多视角多会话步态数据集及对应基准,研究发现部分隐私友好传感器仍有身份推理风险,现有方法跨会话泛化能力差。
2026-09-02 cs.CR cs.CV
PrivDiffuser: Privacy-Guided Diffusion Model for Data Obfuscation in Sensor Networks
University of Alberta(阿尔伯塔大学)
PrivDiffuser提出基于去噪扩散模型的数据混淆方法,通过互信息正则化引导生成,在三个真实数据集上优于现有技术,降低效用损失1.81%和隐私损失3.42%,并支持用户无需重训即可定制隐私需求。
2025-08-05 cs.CR cs.LG
Privacy Preserving Release of Mobile Sensor Data
移动智能设备中嵌入的传感器可以高精度地监测用户的活动,为最终用户提供各种服务,包括精确的地理定位、健康监测和手写文字识别。然而,这涉及访问个人的敏感信息并可能向应用程序披露个人敏感信息的风险,这可能导致隐私泄露。在本文中,我们的目标是通过用户跟踪和可验证性来最大限度地减少可能导致移动设备上用户身份识别的隐私泄露,同时保留应用程序和服务的功能。我们提出了一种隐私保护机制,有效地处理传感器数据波动(例如,在不同时间行走、坐着和跑步时传感器读数不一致)。该机制还使用了相关噪声序列的概念来对抗来自对手的噪声过滤攻击,其目的是从扰动数据中过滤掉噪声以重新识别原始数据。与现有的解决方案不同,我们的机制保持隔离运行,没有用户或服务提供者的交互。我们在基准数据集上进行了严格的实验,结果表明,与原始数据相比,我们提出的机制在很大程度上限制了用户跟踪和可扩展性威胁,同时保持了合理的功能实用性水平。总的来说,我们表明,我们的混淆机制在所有数据集上将用户可跟踪性威胁降低了60%,同时将效用损失保持在0.5平均绝对误差(MAE)以下。我们还观察到,我们的机制在大型数据集中更有效。例如,使用Swipes数据集,可重复性风险平均降低了60%,而效用损失低于0.5 MAE。
2022-05-13 cs.CR
Multilayer Nonlinear Processing for Information Privacy in Sensor Networks
传感器网络希望将信息传输到融合中心,以允许其检测公共假设,但同时防止其推断私有假设。我们提出了一个多层的非线性处理过程中,每个传感器的传感器的数据被发送到融合中心之前,扭曲。在我们提出的框架中,传感器被分组到集群中,每个传感器首先应用非线性融合函数的信息,它从传感器在同一集群中,并在前一层。然后使用线性加权矩阵来扭曲它发送到下一层传感器的信息。我们采用了一种非参数的方法,并开发了一种改进的镜像下降算法来优化权重矩阵,以确保检测私人假设的正则化经验风险高于给定的隐私阈值,同时最小化检测公共假设的正则化经验风险。在经验数据集上的实验表明,该方法能够在公共假设和私有假设的出错率之间取得较好的折衷。
2018-04-22 cs.CR eess.SP
Sensor selection for fine-grained behavior verification that respects privacy (extended version)
Texas A&M University(德州农工大学)
本文研究多行程下兼顾隐私与行为验证的传感器选择问题,证明其计算复杂度并引入利用约束关系的求解方法,通过案例验证了方案的有效性与可扩展性。
2023-08-01 cs.CR cs.MA cs.RO
Low-Latency Spatial-Provenance Recovery Methods for Privacy-Constrained Vehicular Networks
Department of Electrical Engineering, Indian Institute of Technology Delhi(印度德里印度理工学院电气工程系)
针对隐私受限且需低延迟的车载网络,提出双段嵌入与三段嵌入两种协议,实现联合数据与空间溯源,在保证隐私的同时降低端到端延迟,提升溯源可靠性。
2026-08-18 cs.CR cs.IT cs.NI
Privacy on the Fly: A Predictive Adversarial Transformation Network for Mobile Sensor Data
Xi’an Jiaotong University(西安交通大学);Institute of Science Tokyo(东京科学大学)
PATN通过实时生成对抗扰动保护移动传感器数据隐私,显著降低隐私推断模型性能,提升隐私保护效果。
2025-11-24 cs.CR
Generating Synthetic Health Sensor Data for Privacy-Preserving Wearable Stress Detection
ScaDS.AI Dresden/Leipzig, Leipzig University(ScaDS.AI 德累斯顿/莱比锡,莱比锡大学)
本文提出一种利用GAN和差分隐私生成隐私保护的智能手表健康传感器数据,用于提升可穿戴压力检测的模型性能。
2024-05-14 cs.AI cs.CR cs.LG
A First Look at Privacy Analysis of COVID-19 Contact Tracing Mobile Applications
今天的智能手机配备了大量强大的增值传感器和功能,如低功耗蓝牙传感器,强大的嵌入式传感器,如数字罗盘,加速度计,GPS传感器,Wi-Fi功能,麦克风,湿度传感器,健康跟踪传感器和相机等。这些增值传感器在许多方面彻底改变了人类的生活,这些嵌入式传感器还可以用于大规模的个人、团体和社区传感应用,特别是跟踪某些疾病的传播。政府和监管机构正在转向使用这些功能来追踪被认为具有某些疾病或病毒(例如COVID-19)症状的人。2019年12月爆发的COVID-19疫情导致用于追踪、跟踪和隔离出现COVID-19症状的人员的移动应用程序激增,以限制疾病向更大社区的传播。嵌入式传感器的使用可能会泄露用户的隐私信息,从而对用户的隐私和安全带来潜在的威胁。在本文中,我们分析了大量智能手机应用程序,这些应用程序旨在遏制COVID-19病毒的传播,并使人们恢复正常生活。具体来说,我们分析了这些智能手机应用程序需要什么类型的权限,这些权限是否是跟踪和跟踪所必需的,来自用户设备的数据如何传输到分析中心,并分析了这些应用程序部署的安全措施,以确保用户的隐私和安全。
2020-08-16 cs.CR cs.CY
Attack Resilience and Recovery using Physical Challenge Response Authentication for Active Sensors Under Integrity Attacks
嵌入式传感系统广泛应用于生命和安全关键系统,例如飞机,汽车和医疗保健中的系统。这些传感器的传统安全机制集中在数据加密和其他后处理技术上,但传感器本身往往容易受到物理/模拟域的攻击。如果对手在数字化之前操纵物理/模拟信号,那么事后再多的数字安全机制也无济于事。幸运的是,自然界对这些模拟信号的行为施加了基本的限制。这项工作提出了PyCRA,一个物理的挑战-响应认证方案,旨在保护主动传感系统免受物理攻击发生在模拟域。PyCRA通过随机但故意的物理探测不断挑战周围环境,为主动传感器提供安全性。通过分析对这些探测器的响应,并利用对手无法改变物理学基本定律的事实,我们提供了一种身份验证机制,不仅可以检测恶意攻击,还可以提供抵御恶意攻击的能力。我们通过使用两种传感系统的几个案例研究证明了PyCRA的有效性:(1)磁传感器,如机器人和汽车中的轮速传感器,以及(2)用于许多安全关键应用的商业RFID标签。最后,我们概述了通过混淆阶段进一步增强PyCRA对主动攻击的弹性的方法和理论证明-一段低信噪比的时期,这使得攻击者更难以正确识别和响应PyCRA的物理挑战。在此过程中,我们评估了PyCRA的鲁棒性和局限性,最后概述了实际考虑因素以及所提出的认证机制的进一步应用。
2016-05-12 cs.CR
Compressive Sensing based Multi-class Privacy-preserving Cloud Computing
在本文中,我们设计了多类隐私$\text{-}$保护云计算计划(MPCC)利用压缩感知紧凑的传感器数据表示和保密的数据加密。该方案实现了两个级别的保密,一个超级用户谁可以检索到确切的传感器数据,和其他的半授权用户谁是唯一能够获得的统计数据,如均值,方差等MPCC方案允许计算昂贵的稀疏信号恢复在云上执行,而不会损害数据的机密性的云服务提供商。通过这种方式,它缓解了大量物联网传感器数据引起的数据传输,能源和存储问题,以及对云计算中物联网数据隐私的日益关注。与现有方案相比,MPCC方案不仅在物联网传感器设备和数据消费者端具有较低的计算复杂性,而且被证明能够抵抗纯密文攻击。
2020-11-11 cs.CR cs.IT math.IT
GDBR: Label Recovery Attack Against Partial Gradient Encryption in Federated Learning
The Hong Kong Polytechnic University(香港理工大学)
研究联邦学习中部分梯度加密的隐私问题,提出GDBR攻击,利用常用神经模块漏洞,构建梯度桥近似logits信息恢复标签,揭示其隐私威胁并通过实验验证。
2026-07-07 cs.CR cs.LG
When VR Meets BCI: (Un)Observable Brainwave-aware Privacy Reconstruction in the Metaverse via Unrestricted Inbuilt Motion Sensors
King Abdullah University of Science and Technology(阿卜杜拉国王科技大学);National University of Singapore(新加坡国立大学);City University of Hong Kong(香港城市大学);Feng Chia University(逢甲大学);Information Security Research Center, Hon Hai Research Institute(鸿海研究院信息安全研究中心)
利用VR头显内置运动传感器捕捉瞳孔反应引起的细微振动,重建脑电信号,首次在元宇宙中揭示不可观察的隐私泄露,实现52.0%-67.2%的感知图像识别准确率。
2026-06-09 cs.CR
HyberLoc: Providing Physical Layer Location Privacy in Hybrid Sensor Networks
在许多混合无线传感器网络应用中,传感器节点被部署在可信节点和非可信节点共存的恶劣环境中。在基于锚点的混合网络中,重要的是允许可信节点完全访问信标帧中传输的位置信息,同时防止不可信节点使用此信息。主要的挑战是,不受信任的节点可以测量从锚节点发送的物理信号,即使这些节点加密其传输。使用测量的信号强度,不可信节点仍然可以对锚节点的位置进行三边测量。在本文中,我们提出了HyberLoc,一种算法,提供锚的物理层位置隐私的锚为基础的混合传感器网络。其思想是锚节点动态地改变其传输功率遵循一定的概率分布,降低在不可信节点的定位精度,同时保持在可信节点的高定位精度。给定平均功率约束,我们的分析表明,离散化指数分布是最大化不可信节点的位置不确定性的分布。通过分析、仿真和实施的详细评估表明,与不可信节点相比,HyberLoc可使可信节点的定位精度提高3.5倍。
2010-05-01 cs.CR cs.IT math.IT
A privacy-preserving data storage and service framework based on deep learning and blockchain for construction workers' wearable IoT sensors
Tsinghua University(清华大学)
对可穿戴物联网(IoT)传感器,特别是脑机接口(BCI)收集的大脑信号进行分类是发展最快的研究领域之一。然而,研究大多忽略了收集的个人神经生理数据的安全存储和隐私保护问题。因此,在这篇文章中,我们试图弥合这一差距,并提出了一个安全的隐私保护协议,实现BCI应用程序。我们首先将大脑信号转化为图像,并使用生成对抗网络来生成合成信号,以保护数据隐私。随后,我们将迁移学习的范例应用于信号分类。所提出的方法进行了评估的案例研究和结果表明,真实的脑电数据与人工生成的样本增强提供了优越的分类性能。此外,我们提出了一个基于区块链的方案,并在以太坊上开发了一个原型,旨在使存储,查询和共享个人神经生理数据和分析报告安全且具有隐私意识。描述了三个主要交易主体--建筑工人、BCI服务提供商和项目经理--的权利,并讨论了拟议系统的优点。我们相信本文提供了一个全面的解决方案,以保护私人数据免受网络攻击,为BCI应用程序开发人员提供公平的竞争环境,并最终提高行业的专业福祉。
2022-11-19 cs.CR cs.LG eess.SP
C-AAE: Compressively Anonymizing Autoencoders for Privacy-Preserving Activity Recognition in Healthcare Sensor Streams
Kyushu University(九州大学)
提出 C-AAE,结合 AAE 与 ADPCM,在保持活动识别性能的同时降低用户重识别风险,并减少约75%数据量。
2025-07-24 cs.CR cs.LG eess.SP
Mitigating Location Privacy Attacks on Mobile Devices using Dynamic App Sandboxing
我们提出了一个系统,称为矩阵,开发保护隐私的移动终端用户从位置推断和传感器侧信道攻击的设计,实施和评估。MATRIX为用户提供了对位置和传感器的控制和可见性(例如,加速度计和陀螺仪)通过移动应用程序访问。它实现了一个PrivoScope服务,可以审计设备上应用程序的所有位置和传感器访问,并生成实时通知和图形以可视化这些访问;以及一个合成位置服务,使用户能够向他们认为有用但不信任其私人信息的应用程序提供模糊或合成的位置轨迹或传感器跟踪。这些服务的设计目的是可扩展且易于用户使用,从而向他们隐藏所有潜在的复杂性。MATRIX还实现了一个位置提供程序组件,该组件通过使用来自Google Maps Directions API的历史数据整合交通信息,并使用来自用户驾驶实验的统计信息整合加速度,为用户生成真实的隐私保护合成身份和轨迹。通过使用随机线性规划建模/求解用户调度和使用二次规划建模/求解用户驾驶行为来生成随机交通模式。我们使用用户研究、流行的位置驱动应用程序和机器学习技术对MATRIX进行了广泛的评估,并证明它可移植到全球大多数Android设备上,可靠,开销低,生成的合成轨迹难以与对手的真实移动轨迹区分开来。
2018-08-13 cs.CR
Context Protecting Privacy Preservation in Ubiquitous Computing
上下文感知是普适计算领域的一个重要问题。因此,在普适计算中,仅仅保护消息机密性对于大多数上下文感知可能导致接近确定性思想的应用程序来说是不够的。攻击者可以通过观察上下文数据来推断敏感信息,当上下文数据与关于由一组传感器监视的人和物理位置的先前信息相关时,上下文数据可以揭示大部分敏感信息。因此,很明显,在普适计算中,上下文保护对于安全和隐私保护是同等重要的。在本文中,我们提出了一个方案,提供两层隐私保护的用户或应用程序的上下文数据。我们提出的上下文保护隐私保护方案的重点是保护空间和时间的上下文信息。我们认为无处不在计算的通信部分由微小的传感器节点组成的无线传感器网络(WSNs)。仿真结果表明了该方案的有效性。我们还证明了我们的计划,以克服无线传感器网络的限制的能力。
2011-08-10 cs.CR cs.NI
Secure and Energy-Efficient Data Aggregation in Wireless Sensor Networks
中间结点(称为聚合节点)的数据聚合是无线传感器网络(WSNs)中优化带宽和能量等稀缺资源消耗的有效方法。然而,网络内处理对传感器数据的隐私提出了问题,因为在可以执行聚合过程之前,聚合器节点需要知道传感器节点的各个数据。在无线传感器网络的应用中,由于传感器数据的敏感性,隐私保护的数据聚合已成为一个重要的要求。研究人员为此提出了许多协议和方案。He等人(INFOCOM 2007)提出了一种称为CPDA的协议,用于以隐私保护的方式进行附加数据聚合,以应用于无线传感器网络。该计划相当受欢迎和众所周知。尽管该协议的流行,它已被发现,该协议是容易受到攻击,它也不是能源效率。在本文中,我们首先提出了一个简短的国家的最先进的调查目前的隐私保护数据聚合协议的WSNS。然后,我们描述了CPDA协议,并确定其安全漏洞。最后,我们展示了如何协议可以安全和能源效率。
2012-03-04 cs.CR cs.NI
Demystifying Trajectory Recovery From Ash: An Open-Source Evaluation and Enhancement
University of New South Wales(新南威尔士大学);CSIRO’s Data61(澳大利亚联邦科学与工业研究组织Data61研究院);Cyber Security CRC(网络安全合作研究中心)
本文复现并开源评估从匿名聚合数据中恢复轨迹的攻击,提出多项增强使准确率最高提升16%,并支持在线攻击,证明聚合 alone 不足以保护隐私。
2024-10-01 cs.CR cs.LG
SpecGuard: Specification Aware Recovery for Robotic Autonomous Vehicles from Physical Attacks
University of British Columbia(不列颠哥伦比亚大学)
针对物理攻击破坏RAVs传感器导致任务失败的问题,提出SpecGuard技术,通过深度强化学习结合任务规范学习恢复控制策略,并利用状态重构最小化传感器扰动,实现92%的恢复成功率且无崩溃,性能开销约15%。
2024-08-27 cs.CR cs.RO cs.SY
Privacy-Enhancing Fall Detection from Remote Sensor Data Using Multi-Party Computation
OneSpan(OneSpan公司)
基于运动的跌倒检测系统涉及检测来自脆弱用户的跌倒,这通常通过使用机器学习对来自身体佩戴的惯性测量单元(IMU)的测量结果进行分类来执行。然而,这样的系统需要收集可能侵犯用户隐私的高分辨率测量结果,例如使用航位推算来揭示他们的步态、日常生活活动(ADL)和相对位置。在本文中,我们研究了多方计算(MPC)的应用,以保护设备测量的机密性,基于IMU的跌倒检测。我们的系统是在基于云的环境中进行评估的,这使得各方无法使用部署在三个地理配置中的多个不同的云实例来学习底层数据。使用公开的数据集,我们证明了基于MPC的跌倒检测从IMU测量是实用的,同时实现最先进的出错率。在最好的情况下,我们的系统在365.2毫秒内执行,这完全落在设备上数据采集所需的时间窗口(750毫秒)内。
2019-06-20 cs.CR cs.LG