Location Privacy in Spatial Crowdsourcing
空间众包是一种新的平台，它使个人参与收集和分析环境、社交及其他时空信息。使用SC，请求者将他们的时空任务外包给一组工作者，这些工作者将通过物理旅行到任务的位置来执行任务。本章确定了在空间众包的两个主要阶段，任务和报告对工人和请求者的隐私威胁。任务分配是确定哪些任务应该分配给哪些工人的过程。该过程由空间众包服务器（SC服务器）处理。后一个阶段是报告，其中工作人员前往任务的位置，完成任务并将其报告上传到SC服务器。面临的挑战是，在不披露工人的实际地点（至少在他们同意执行任务之前）和任务本身（至少向没有被分配这些任务的工人）的情况下，在供应链中实现有效和高效的任务分配和报告。本章的目的是提供一个国家的最先进的空间众包保护用户的位置隐私的概述。我们提供了一个比较研究的任务发布模式（推与拉），问题的焦点（任务和报告），威胁（服务器，请求者和工人），和底层的技术方法（从匿名，伪装，扰动到基于交换和基于防御的技术）方面的一套不同的解决方案。突出的优点和缺点的技术，导致开放的问题和未来的工作进行讨论。
2017-04-23 cs.CR cs.CY cs.DB
Privacy-First Crowdsourcing: Blockchain and Local Differential Privacy in Crowdsourced Drone Services
本文提出一个结合本地差分隐私与区块链的隐私保护框架，用于将消费级无人机众包数据整合到丛林火灾管理中，并通过概念验证展示其可扩展性与合规性。
2024-07-01 cs.CR cs.DC
From Task Tuning to Task Assignment in Privacy-Preserving Crowdsourcing Platforms
众包平台的专业化工作者简档可以包含大量的识别和可能敏感的个人信息（例如，个人偏好、技能、可用插槽、可用设备）引起强烈的隐私问题。这导致了保护隐私的众包平台的设计，旨在实现高效的众包流程，同时即使在平台不完全可信的情况下也能提供强有力的隐私保证。在本文中，我们提出了两个贡献。首先，我们提出了PKD算法的目标是支持各种各样的聚合使用的工人配置文件在一个隐私保护的众包平台。PKD算法将同态加密和差分隐私组合在一起，用于计算实际工人群体的多维技能空间的（扰动的）分区和每个分区的工人的（扰动的）数目。其次，我们建议受益于私人信息检索技术的最新进展，以设计一个解决方案，任务分配，是私人和负担得起的。我们进行了深入研究的问题，使用PIR技术提出任务的工人，表明它是NP-难的，并提出了PKD PIR包装启发式分组任务一起根据分区输出的PKD算法。简而言之，我们设计了PKD算法和PKD PIR Packing启发式算法，我们正式证明了它们对诚实但好奇的工人和/或平台的安全性，我们分析了它们的复杂性，并通过在合成和现实数据集上进行广泛的实验评估，证明了它们在现实生活中的质量和可负担性。
2020-07-10 cs.CR cs.CY cs.DB
Evaluate and Guard the Wisdom of Crowds: Zero Knowledge Proofs for Crowdsourcing Truth Inference
针对众包场景中聚合器可信度与贡献者输入公平评估难题，提出融合零知识证明与真值推理算法的zkTI协议，实现可验证的诚实聚合与公平评估，经实验验证高效鲁棒，适用于众包与云计算场景。
2024-02-02 cs.CR
A Differentially Private Framework for Spatial Crowdsourcing with Historical Data Learning
空间众包是移动互联网和共享经济时代日益流行的众包类别。它要求工人到达特定的地点完成任务。位置隐私权的有效保护是调动工作人员积极性和有效任务分配的关键。然而，现有的SC模型与差分隐私通常扰动实时位置数据的分区和数据发布。这种方式可能会对计数查询产生较大的扰动，从而影响分配成功率和分配准确性。本文提出了一个框架（R-HT），以保护位置隐私的工人利用实时和历史数据。我们通过从历史数据中学习的概率分布采样来模拟位置，将它们用于网格划分，然后在此划分下发布具有差分隐私的实时数据。这实现了将大部分隐私预算分配给每个单元的工作者计数，并产生改进的私有空间分解方法。此外，我们还介绍了一些geocast区域的构建策略，包括质量评分函数和局部最大geocast半径。在真实数据集上的一系列实验结果表明，R-HT具有稳定的任务分配成功率，节省了性能开销，适合众包平台上的动态分配。
2020-11-05 cs.CR
RollupTheCrowd: Leveraging ZkRollups for a Scalable and Privacy-Preserving Reputation-based Crowdsourcing Platform
本文提出基于 zkRollups 的众包框架 RollupTheCrowd，通过链下存储和零知识证明实现隐私保护的信誉模型，并将 gas 消耗降低 20 倍，实验验证了其可扩展性和实用性。
2024-07-02 cs.CR cs.DC
A Privacy-Preserving Traffic Monitoring Scheme via Vehicular Crowdsourcing
汽车数量的爆炸式增长引发了一系列交通问题，如交通拥堵、道路安全、燃油浪费等。采集车辆的速度信息是监控交通状况、避免车辆拥堵的有效手段，但这可能会对车辆的位置和轨迹隐私造成威胁。出于这样一个事实，即交通监控不需要知道每个单独的车辆的速度和平均速度将是足够的，我们提出了一个隐私保护的交通监控（PPTM）计划，汇总车辆的速度在不同的位置。在PPTM中，路边单元（RSU）收集多个路段的车辆速度信息，并进一步与服务提供商合作以计算每个路段的平均速度信息。为了保护车辆的隐私，采用了同态Paillier密码体制和超增序列。一个全面的安全分析表明，建议PPTM可以保护车辆的身份，速度，位置和轨迹隐私被披露。此外，大量的模拟进行验证的有效性和效率的建议PPTM计划。
2019-02-12 cs.CR
Geo-MOEA: A Multi-Objective Evolutionary Algorithm with Geo-obfuscation for Mobile Crowdsourcing Workers
移动互联网和共享经济的快速发展带来了空间众包的繁荣。SC应用根据任务请求者和外包工人（如滴滴、美团和Uber）上报的位置信息分配各种任务。然而，SC服务器通常不值得信赖，并且暴露用户的位置会引起隐私问题。在本文中，我们设计了一个框架称为Geo-MOEA（多目标进化算法与地理混淆），以保护在移动网络环境中的工作人员参与SC平台的位置隐私。我们提出了一种自适应的区域化混淆方法与推理误差界的基础上的地理不可侵犯性（一个强的概念，差分隐私），这是适合于大规模的位置数据和任务分配的情况下。这使得每个工作者能够报告利用个性化推断误差阈值自适应地生成的伪位置。此外，作为一种流行的计算智能方法，MOEA被引入到SC服务可用性和隐私保护之间的权衡优化，同时确保理论上的最一般的条件下保护位置集更大的搜索空间。最后，在两个公共数据集上的实验结果表明，我们的Geo-MOEA方法在保证差分和地理失真位置隐私的同时，实现了高达20%的服务质量损失减少。
2022-11-17 cs.CR
TIPRDC: Task-Independent Privacy-Respecting Data Crowdsourcing Framework for Deep Learning with Anonymized Intermediate Representations
Duke University（杜克大学）；Beihang University（北京航空航天大学）
深度学习的成功部分得益于各种大规模数据集的可用性。这些数据集通常是从个人用户众包的，包含私人信息，如性别，年龄等。用户对数据共享的新隐私问题阻碍了众包数据集的生成或使用，并导致新的深度学习应用程序对训练数据的需求。一个简单的解决方案是在用户端对原始数据进行预处理以提取特征，然后仅将提取的特征发送到数据收集器。不幸的是，攻击者仍然可以利用这些提取的特征来训练对手分类器以推断私有属性。一些现有技术利用博弈论来保护私有属性。然而，这些防御是针对已知的主要学习任务而设计的，提取的特征对于未知的学习任务效果很差。为了解决学习任务可能未知或不断变化的情况下，我们提出了TIPRDC，一个任务独立的隐私尊重数据众包框架与匿名中间表示。该框架的目标是学习一个特征提取器，该特征提取器可以从中间表示中隐藏隐私信息;同时最大限度地保留嵌入在原始数据中的原始信息，以便数据收集器完成未知的学习任务。我们设计了一种混合训练方法来学习匿名的中间表示：（1）一个对抗性的训练过程，用于隐藏来自特征的私有信息;（2）使用基于神经网络的互信息估计器最大限度地保留原始信息。
2020-08-25 cs.CR cs.LG stat.ML
Calpric: Inclusive and Fine-grain Labeling of Privacy Policies with Crowdsourcing and Active Learning
University of Toronto（多伦多大学）
本文提出基于众包和主动学习的自动化隐私政策分类工具Calpric，通过主动选择信息量最大的片段标注，仅需62%标注工作量即可达到同等F1分数，并有效解决数据集类别不平衡问题。
2026-09-25 cs.CL cs.CR cs.LG
Calpric: Inclusive and Fine-grain Labeling of Privacy Policies with Crowdsourcing and Active Learning
University of Toronto（多伦多大学）
针对隐私政策训练数据获取成本高的问题，提出Calpric，结合自动文本选择、主动学习与众包标注，低成本生成大规模平衡数据集，实现细粒度标注。
2026-09-22 cs.CL cs.CR cs.HC
AVeCQ: Anonymous Verifiable Crowdsourcing with Worker Qualities
针对众包系统中工作者匿名不可关联性与质量评估的矛盾，提出基于零知识证明的AVeCQ系统，在Ethereum原型验证中于三类众包任务上性能优于现有方案。
2023-02-08 cs.CR
Local Differential Privacy based Federated Learning for Internet of Things
Nanyang Technological University（南洋理工大学）；Alibaba-NTU Singapore Joint Research Institute（阿里巴巴-新加坡南洋理工大学联合研究院）
车联网（IoT）是物联网的一个很有前途的分支。车联网模拟了Waze、Uber、Amazon Mechanical Turk等多种众包应用，这些应用的用户将实时交通信息上报到云服务器，云服务器根据用户上报的交通信息训练机器学习模型，实现智能交通管理。然而，众包应用程序所有者可以很容易地推断出用户的位置信息，这引起了严重的位置隐私的用户的关注。此外，随着车辆数量的增加，车辆与云服务器之间的频繁通信会产生意想不到的通信成本。为了避免隐私威胁和降低通信成本，本文提出将联邦学习和局部差分隐私（LDP）相结合，以便于众包应用实现机器学习模型。具体来说，我们提出了四个LDP机制来扰动车辆产生的梯度。提出了三输出机制，该机制引入了三种不同的输出可能性，以在隐私预算较小时提供高准确性。三路输出的输出可能性可以用两位编码，以降低通信成本。此外，当隐私预算较大时，为了最大化性能，提出了一种最优分段机制（PM-OPT）。我们进一步提出了一种次优机制（PM-OPT），它具有简单的公式和与PM-OPT相当的效用。然后，我们将三输出和PM-OPT相结合，构建了一种新的混合机制。
2020-12-22 cs.CR cs.LG
Privacy-Aware Crowd Labelling for Machine Learning Tasks
Henley Business School, University of Reading（雷丁大学亨利商学院）；University of Thessaly（色萨利大学）
在线社交媒体的广泛使用凸显了隐私在数字空间中的重要性。随着越来越多的科学家分析这些平台上创建的数据，隐私问题已经扩展到学术界的数据使用。虽然文本分析在学术文献中是一个有大量应用的有据可查的主题，但确保用户生成内容的隐私一直被忽视。大多数情感分析方法需要情感标签，这可以通过众包获得，其中非专家个体对科学任务做出贡献。文本本身必须暴露给第三方才能被标记。为了减少在线用户信息的暴露，我们提出了一种基于众包的隐私保护文本标记方法，用于不同的应用程序。我们转换不同隐私级别的文本，并分析转换的有效性与标签的相关性和一致性。我们的研究结果表明，隐私可以实施标签，保留传统标签的注释多样性和主观性。
2022-02-03 cs.CR cs.HC cs.LG
LPTD: Achieving Lightweight and Privacy-Preserving Truth Discovery in CIoT
近年来，认知物联网（CIoT）由于能够从各种物联网（IoT）设备中提取有价值的信息而受到了相当大的关注。在CIoT中，真相发现在从大规模数据中识别真实价值方面发挥着重要作用，以帮助CIoT从收集的信息中提供更深入的见解和价值。然而，物联网设备的隐私问题对设计真相发现方法构成了重大挑战。尽管现有的真相发现方案可以在强隐私保证的情况下执行，但是它们不是高效的，或者不能应用于现实生活中的CIoT应用。本文提出了一种新的轻量级和隐私保护的真相发现框架LPTD-I，该框架通过结合雾和云平台，并采用同态Paillier加密和单向哈希链技术来实现。该方案既保护了设备的隐私，又具有较高的效率。此外，我们引入了一个容错（LPTD-II）框架，可以有效地克服故障CIoT设备。详细的安全性分析表明，所提出的方案是安全的，在一个全面设计的威胁模型。实验仿真也证明了所提出的方案的效率。
2018-04-05 cs.CR
Confidential Truth Finding with Multi-Party Computation (Extended Version)
针对联邦数据挖掘中的隐私保护问题，提出一种基于安全秘密共享的多方计算协议及算法变体，在保证数据机密性与来源隐私的同时，实现了与基线相当的准确率并显著降低了效率损失。
2023-05-24 cs.CR cs.DB
Dynamic Private Task Assignment under Differential Privacy
数据汇集对于空间众包服务，如资源分配、政策制定和科学探索是不可或缺的。然而，隐私问题使得用户在获得足够的补偿之前分享他们的信息具有挑战性。差分隐私（Differential Privacy，DP）是一种在保护个人隐私的同时发布有用信息的机制。然而，大多数DP机制只考虑对每个用户的隐私损失的固定补偿。在本文中，我们设计了一个任务分配方案，允许工人动态地提高他们的效用与动态距离隐私泄漏。具体来说，我们提出了两种解决方案，以提高任务分配结果的总效用，即私人效用消除（PUCE）的方法和私人博弈论（PGT）的方法，分别。我们证明，PUCE实现更高的效用比国家的最先进的作品。我们证明了我们的PUCE和PGT方法的效率和有效性的真实和合成数据集相比，最近的基于距离的方法，私人距离消除（PDCE）。PUCE总是略优于PDCE。PGT比PDCE快50%到63%，并且当工人范围足够大时，平均可以提高16%的效用。
2023-02-19 cs.CR cs.DB
Achieving Data Truthfulness and Privacy Preservation in Data Markets
作为一种重要的商业模式，许多在线信息平台已经出现，以满足社会对个人特定数据的需求，其中服务提供商从数据贡献者收集原始数据，然后向数据消费者提供增值数据服务。然而，在数据交易层，数据消费者面临着一个紧迫的问题，即，如何验证服务提供商是否如实收集和处理数据？此外，数据提供者通常不愿意向数据使用者透露其敏感的个人数据和真实身份。在本文中，我们提出了TPDM，它有效地集成了数据市场中的数据真实性和隐私保护。TPDM在内部以加密然后签名的方式构造，使用部分同态加密和基于身份的签名。它同时促进批量验证，数据处理和结果验证，同时保持身份保护和数据机密性。我们还实例化TPDM的配置文件匹配服务和分布拟合服务，并广泛评估他们的表现雅虎！音乐评级数据集和2009 RECS数据集。我们的分析和评估结果表明，TPDM实现了几个理想的属性，同时在支持大规模的数据市场时，产生低的计算和通信开销。
2018-12-08 cs.CR cs.DB
IoT Inspector: Crowdsourcing Labeled Network Traffic from Smart Home Devices at Scale
灵巧家庭设备的普及为无处不在的计算的实证研究创造了新的机会，范围从安全和隐私到个人健康。然而，来自灵巧家庭部署的数据很难获得，并且现有的灵巧家庭设备的经验研究通常仅涉及实验室设置中的少量设备。为了有助于数据驱动的灵巧家庭研究，我们众包了来自现实家庭网络中的灵巧家庭设备的标记网络流量的最大已知数据集。为此，我们开发并发布了IoT Inspector，这是一个开源工具，允许用户观察自己家庭网络上灵巧家庭设备的流量。自2019年4月以来，已有4，322名用户安装了IoT Inspector，使我们能够收集来自13个类别和53家供应商的44，956台灵巧家庭设备的标记网络流量。我们通过两个专注于安全和隐私的案例研究，展示了这些数据如何使新的研究进入灵巧家庭。首先，我们发现许多设备供应商使用过时的TLS版本并宣传弱密码。第二，我们在智能电视上发现了大约350个不同的第三方广告商和跟踪域。我们还强调了其他可以利用IoT Inspector数据集的研究领域，如网络管理和医疗保健。为了促进未来在灵巧家庭中的可重复研究，我们将向公众发布IoT Inspector数据。
2019-09-21 cs.CR
Lightweight privacy-preserving truth discovery for vehicular air quality monitoring
针对城市车辆空气质量监测中的数据稀疏与隐私保护问题，提出两种轻量级隐私保护真值发现框架，利用时空相关性及匿名通信与数据扰动提升性能，优于现有密码学方法。
2023-05-14 cs.CR cs.NI
Network Hexagons Under Attack: Secure Crowdsourcing of Geo-Referenced Data
针对Nexagon协议存在的用户重识别等安全漏洞，提出结合PKI与临时假名证书的增强安全架构，经原型验证在性能损耗有限的前提下实现了地理参考数据众包的安全隐私保护。
2025-06-05 cs.CR cs.NI
Geographic Differential Privacy for Mobile Crowd Coverage Maximization
对于基于位置的广告和空间众包等现实世界的移动应用程序，成功的关键是瞄准在未来一段时间内可以最大限度地覆盖某些位置的移动用户。为了找到最佳的用户组，现有的方法通常需要关于用户的移动历史的信息，这可能导致隐私泄露。在本文中，我们提出了一种方法，以最大限度地提高移动人群的未来位置覆盖下，有保证的位置隐私保护计划。在我们的方法中，用户只需要上传他们经常访问的位置之一，更重要的是，上传的位置使用地理差分隐私策略进行混淆。我们对这个问题提出了分析和实际的解决方案。在真实用户移动数据集上的实验表明，该方法在相同的隐私保护水平下，具有更高的覆盖率，显著优于现有的地理差分隐私方法.
2017-11-18 cs.CR
RAPPOR: Randomized Aggregatable Privacy-Preserving Ordinal Response
RAPPOR（Randomized Aggregatable Privacy-Preserving Ordinal Response）是一种从最终用户客户端软件中匿名众包统计数据的技术，具有强大的隐私保证。简而言之，RAPPOR允许研究客户端数据的森林，而不允许查看单个树。通过以一种新的方式应用随机化反应，RAPPOR提供了这样的收集机制，以及对收集到的数据进行高效、高效用的分析。特别是，RAPPOR允许收集客户端字符串的统计数据，为每个客户端提供强大的隐私保证，并且没有报告的链接性。本文介绍和激励RAPPOR，详细介绍了其差异隐私和效用保证，讨论了它的实际部署和面对不同的攻击模型的属性，最后，给出了它的应用结果合成和真实世界的数据。
2014-08-25 cs.CR
Building a RAPPOR with the Unknown: Privacy-Preserving Learning of Associations and Data Dictionaries
基于随机化响应的技术使得能够以具有强的本地差分隐私保证的隐私保护方式从客户端收集潜在敏感数据。最新的此类技术之一，RAPPOR，允许通过保护隐私的众包来估计任意一组字符串的边际频率。然而，这个原始的估计过程需要一组已知的可能字符串;在实践中，这个字典通常非常大，有时甚至完全未知。在本文中，我们提出了一种新的解码算法的RAPPOR机制，使估计“未知的未知数”，即，我们甚至不知道我们应该估计的字符串。为了使学习没有明确的知识的字典，我们开发的方法来估计两个或多个变量的联合分布与RAPPOR收集。这是理解以隐私保护方式收集的多个变量之间关系的关键一步。
2015-03-04 cs.CR
In Differential Privacy, There is Truth: On Vote Leakage in Ensemble Private Learning
University of Toronto（多伦多大学）；Vector Institute（向量研究所）；University of Oxford（牛津大学）
当从敏感数据中学习时，必须注意确保训练算法解决隐私问题。规范的教师集合的私有聚合（PATE）通过投票机制聚合（可能是分布式的）教师模型集合的预测来计算输出标签。该机制添加噪声以获得关于教师的训练数据的差分隐私保证。在这项工作中，我们观察到，这种使用噪声，这使得PATE预测随机，使新形式的泄漏的敏感信息。对于给定的输入，我们的对手利用这种随机性来提取潜在教师提交的投票的高保真直方图。从这些直方图中，对手可以了解输入的敏感属性，如种族，性别或年龄。虽然这种攻击并不直接违反差分隐私保证，但它显然违反了隐私规范和期望，如果不插入噪声以获得差分隐私，则根本不可能。事实上，与直觉相反，当我们添加更多噪声以提供更强的差分隐私时，攻击变得更容易。我们希望这能鼓励未来的工作从整体上考虑隐私，而不是将差分隐私视为灵丹妙药。
2022-09-22 cs.CR cs.LG
Randomized Response with Gradual Release of Privacy Budget
针对随机响应隐私保护固定的问题，提出逐步释放隐私预算的DP放宽算法，保持各阶段效用与分布一致，并集成于RAPPOR及均值估计，实验验证其效用与隐私保证。
2024-01-25 cs.CR
Differentially Private Data Generation with Missing Data
University of Waterloo（滑铁卢大学）
针对输入数据存在缺失值时差分隐私合成数据质量不佳的问题，提出三种自适应策略显著提升数据效用，并建模缺失机制以获得更严格的隐私保证上界。
2025-11-04 cs.CR cs.DB
Towards Differentially Private Truth Discovery for Crowd Sensing Systems
Tencent Medical AI Lab（腾讯医疗人工智能实验室）；Georgia State University（佐治亚州立大学）；University of Texas at San Antonio（德克萨斯大学圣安东尼奥分校）；State University of New York at Buffalo（纽约州立大学布法罗分校）；Alibaba Group（阿里巴巴集团）
如今，由于移动设备的无处不在的使用，人群感测变得越来越流行。然而，这种人类生成的感官数据的质量在不同的用户之间差异很大。为了更好地利用感知数据，真理发现问题已经成为一个热门话题，其目标是通过质量感知的数据聚合来估计用户质量并推断可靠的聚合结果。虽然现有的真相发现方法可以提供可靠的聚合结果，他们不能保护个人用户的隐私信息。此外，人群感测系统通常涉及大量参与者，使得基于加密或安全多方计算的解决方案难以部署。为了解决这些挑战，在本文中，我们提出了一个有效的隐私保护的真理发现机制，理论上的效用和隐私的保证。该机制的核心思想是对来自每个用户的数据进行独立的扰动，然后对扰动后的数据进行加权聚合。该方法能够根据信息质量分配用户权重，因此即使在加入大噪声的情况下，聚合结果也不会偏离真实结果太多。我们适应本地差分隐私的定义，这个隐私保护的任务，并证明该机制可以满足本地差分隐私，同时保持高的聚合精度。我们正式量化效用和隐私权衡，并通过合成数据和真实世界的人群感知系统的实验进一步验证了这一说法。
2018-10-10 cs.AI cs.CR
An Efficient Privacy-Preserving Algorithm based on Randomized Response in IoT-based Smart Grid
在现有的隐私保护方法中，差分隐私（Differential Privacy，DP）是一种能够在统计数据库上提供隐私保护噪声查询答案的强大工具，在许多实际领域得到了广泛的应用。特别是，作为DP的隐私机器，随机聚合隐私保护有序响应（RAPPOR）为数据众包中的每个客户端字符串提供了强隐私，高效和高效用的保证。然而，对于物联网（IoT），如智能电网，数据通常是批量处理的。因此，开发一种可以支持批量处理的新随机响应算法往往比现有的随机响应算法更有效，更适合物联网应用。本文提出了一种新的随机响应算法，该算法能够实现对消费者行为的差异隐私和效用保证，并且每次处理一批数据。该算法首先通过稀疏编码，从聚合的能耗数据中创建行为特征字典。然后，通过经典的随机响应技术在行为签名字典中加入噪声，实现数据重新聚集后的差分隐私。通过差分隐私原理的安全性分析和实验结果验证，我们发现我们的算法可以在不牺牲效用的情况下保护用户的隐私。
2018-04-09 cs.CR
Labeling without Seeing? Blind Annotation for Privacy-Preserving Entity Resolution
本文针对实体解析中标注数据涉及隐私泄露的问题，提出基于同态加密的盲标注协议，使领域专家无需查看明文即可协作生成真实标签，并通过实验验证其可行性。
2025-06-04 cs.CR cs.IR
SimBle: Generating privacy preserving real-world BLE traces with ground truth
随着许多物联网设备进入市场，蓝牙已变得至关重要。目前蓝牙仿真的文献大多集中在网络协议的性能上，而完全忽略了BLE标准中引入的隐私保护建议。实际上，隐私保护是蓝牙标准中处理的主要问题之一。例如，当前的标准强制设备更改它们嵌入公共和私有数据包中的标识符，称为MAC地址随机化。虽然随机化MAC地址旨在保护设备隐私，但最近的文献显示仍然存在许多挑战。其中之一是公共数据包和发射器之间的相关性。不幸的是，现有的评估工具，如NS-3的设计并不能重现蓝牙标准的基本功能。这使得不可能测试针对不同设备指纹识别策略的解决方案，因为对于大多数当前BLE设备实现MAC地址随机化的大规模场景，缺乏真值。在本文中，我们首先介绍了一个符合标准的MAC地址随机化的NS-3框架中的解决方案，能够模拟任何真实的BLE设备在模拟和生成真实世界的蓝牙痕迹。此外，由于跟踪收集的模拟运行时间随设备数量呈指数级增长，我们引入了一个优化来线性化公共数据包嗅探。这使得大规模的痕迹收集实际上是可行的。然后，我们使用生成的轨迹和相关的真值做一个案例研究的评估，在文献中的通用MAC地址关联。我们的案例研究表明，即使在高密度和移动场景中，接近90%的随机地址也可以正确链接。
2021-02-04 cs.CR cs.NI
Privacy-Preserving Blockchain-Based Federated Learning for IoT Devices
Nanyang Technological University（南洋理工大学）；Alibaba-NTU Singapore Joint Research Institute（阿里巴巴-南洋理工大学新加坡联合研究院）
家电厂商努力从用户那里获得反馈，以改进自己的产品和服务来构建灵巧家庭体系。为了帮助制造商开发灵巧家庭系统，我们设计了一个联邦学习（FL）系统，利用信誉机制，以帮助家电制造商训练一个机器学习模型的基础上，客户的数据。然后，制造商可以预测客户未来的需求和消费行为。该系统的工作流程包括两个阶段：在第一阶段，客户使用手机和移动边缘计算（MEC）服务器对制造商提供的初始模型进行训练。客户使用手机从各种家用电器收集数据，然后下载并使用本地数据训练初始模型。在导出本地模型后，客户在他们的模型上签名并将其发送到区块链。如果客户或制造商是恶意的，我们使用区块链来取代传统FL系统中的集中式聚合器。由于区块链上的记录是不可篡改的，恶意客户或制造商的活动是可追踪的。在第二阶段，制造商选择客户或组织作为矿工，使用从客户接收的模型计算平均模型。在众包任务结束时，其中一名矿工被选为临时领导者，将模型上传到区块链。为了保护用户隐私和提高测试精度，我们对提取的特征进行了差分隐私处理，并提出了一种新的归一化技术。我们的实验表明，我们的规范化技术优于批量归一化时，功能的差分隐私保护。此外，为了吸引更多的客户参与众包FL任务，我们设计了一个激励机制来奖励参与者。
2021-02-01 cs.CR cs.HC cs.LG
CrowdAL: Towards a Blockchain-empowered Active Learning System in Crowd Data Labeling
针对主动学习与众包结合中的共识与隐私挑战，提出区块链赋能的CrowdAL系统，利用智能合约评估工人表现并聚合结果，以零知识证明保护隐私。
2025-02-27 cs.CR
Toward the Cure of Privacy Policy Reading Phobia: Automated Generation of Privacy Nutrition Labels From Privacy Policies
提出首个从隐私政策自动生成隐私营养标签的框架，以解决隐私政策阅读恐惧症，在数据收集实践上F1为0.75，安全实践平均F1为0.93，能检测90.1%低报问题。
2023-06-19 cs.CR cs.SE
One-sided Differential Privacy
在本文中，我们研究的问题，隐私保护的数据共享，其中只有一个子集的记录在数据库中是敏感的，可能基于预定义的隐私政策。现有的解决方案，即，差分隐私（DP），是过于悲观，并把所有的信息作为敏感。或者，访问控制和个性化差分隐私等技术真实地揭示了所有非敏感记录，它们通过排除攻击间接泄露了敏感记录的信息。由于先前工作的局限性，我们引入了单边差分隐私（OSDP）的概念。我们正式的排斥攻击，我们展示了OSDP如何防止它。OSDP提供差分隐私一样的保证，但只对敏感记录。OSDP允许真实地发布非敏感记录的子集。该示例可用于支持必须输出真实数据的应用程序，并且非常适合发布复杂类型的数据，例如轨迹。虽然一些非敏感的记录被抑制，以避免排斥攻击，我们的实验表明，在大多数情况下，抑制结果在效用的小损失。此外，我们提出了一个配方，把DP机制回答计数查询到OSDP技术相同的任务。我们的OSDP算法利用了非敏感记录的存在，并且能够提供比最先进的DP解决方案高出25倍的准确性。
2017-12-16 cs.CR
The Privacy Exposure Problem in Mobile Location-based Services
移动位置服务（LBS）是由移动众包提供的基于用户位置的上下文感知智能服务。由于智能手机能够收集和传播大量的用户位置嵌入式传感信息，移动用户的隐私保护已成为一个至关重要的问题。本文提出了一个度量隐私暴露量化的概念，这是主观的和定性的性质，以支持移动LBS评估隐私保护解决方案的有效性。该指标结合了活动覆盖率和活动一致性，以解决两个主要的隐私威胁，即活动热点披露和活动转换披露。此外，我们提出了一种算法来最大限度地减少移动LBS的隐私暴露。我们通过大量的模拟评估所提出的度量和隐私保护传感算法。此外，我们还实现了基于Android的移动系统中的算法，并进行了真实世界的实验。我们的模拟和实验结果表明，（1）所提出的度量可以适当地量化在空间域中的人类活动的隐私暴露水平和（2）所提出的算法可以有效地掩盖用户的活动热点和过渡在高和低用户移动水平。
2018-08-02 cs.CR cs.NI
DPI: Ensuring Strict Differential Privacy for Infinite Data Streaming
本文提出DPI技术，通过限制无限数据流中每个用户的总隐私泄露，并利用增强机制提高准确性，实现严格差分隐私下的高实用性数据收集与分析。
2024-07-20 cs.CR
Roulette: A Semantic Privacy-Preserving Device-Edge Collaborative Inference Framework for Deep Learning Classification Tasks
Sun Yat-sen University（中山大学）
针对设备-边缘协同推理中的非独立同分布精度下降和真实标签隐私泄露问题，提出Roulette框架，通过冻结后端、重训练前端为特征提取器和加密器的分割学习范式，提供差分隐私保证，在严重非独立同分布下平均提升推理精度21%并有效防御攻击。
2023-09-06 cs.AI cs.CR cs.DC
Achieving Trust-Based and Privacy-Preserving Customer Selection in Ubiquitous Computing
最近智能设备的激增已经引起了无处不在的计算，这是一种新兴的计算范例，允许随时随地计算。在这样一个无处不在的计算环境中，客户发布不同的计算或传感任务，而人，也被称为数据处理器，参与这些任务，并获得支付提供他们的空闲计算和通信资源。因此，如何选择一个合适的和可靠的客户，而不透露处理器的隐私已成为一个有趣的问题。在这篇文章中，我们提出了一个基于信任和隐私保护的无处不在的计算客户选择方案，称为TPCS，使潜在的处理器选择具有良好信誉的客户。TPCS的基本概念是，每个数据处理器都拥有一个信任值，客户的信誉分数是基于处理器的信任值和通过真相发现过程的反馈计算的。为了保护处理器的隐私，使用了假名和Paillier密码系统来隐藏每个处理器的真实身份。此外，设计了三个认证协议以确保只有有效的数据处理器（即，在系统中注册、持有真实信任值并加入计算任务的处理器）可以通过认证。一个全面的安全性分析，证明我们提出的TPCS方案是安全的，可以抵御多种复杂的攻击。此外，大量的仿真进行了证明所提出的方案的正确性和有效性。
2019-02-12 cs.CR
Privacy-Optimized Randomized Response for Sharing Multi-Attribute Data
针对多属性数据共享隐私保护不足的问题，提出隐私优化的随机响应方法及高效启发式算法，在保证最强隐私的同时显著降低输出误差。
2024-02-12 cs.CR
Truth in Motion: The Unprecedented Risks and Opportunities of Extended Reality Motion Data
本文聚焦扩展现实与元宇宙核心的运动追踪遥测数据，指出其虽常被视为无害，但实际可用于用户画像与去匿名化，会给元宇宙的安全隐私带来重大威胁。
2023-06-10 cs.CR cs.HC
Differential Privacy-Based Online Allocations towards Integrating Blockchain and Edge Computing
本文针对区块链物联网中边缘服务器分配问题，提出基于差分隐私的在线多物品双向拍卖机制，在保证在线性、诚实性和隐私安全的同时适应复杂现实场景，并通过理论与仿真验证其有效性。
2021-01-08 cs.CR cs.GT
Truth Serum: Poisoning Machine Learning Models to Reveal Their Secrets
ETH Zürich（苏黎世联邦理工学院）；Google（谷歌）；National University of Singapore（新加坡国立大学）；Yale-NUS College（耶鲁-新加坡国立大学学院）；Oregon State University（俄勒冈州立大学）
我们介绍了一类新的攻击机器学习模型。我们证明，可以毒害训练数据集的对手可能会导致在此数据集上训练的模型泄露属于其他方的训练点的重要私人细节。我们的主动推理攻击连接了两条独立的工作线，目标是机器学习训练数据的完整性和隐私。我们的攻击是有效的成员推理，属性推理和数据提取。例如，我们的目标攻击可以毒害<0.1%的训练数据集，从而将推理攻击的性能提高1到2个数量级。此外，控制训练数据的很大一部分（例如，50%）可以发起无针对性的攻击，对所有其他用户的隐私数据点进行8倍更精确的推断。如果各方可以任意选择他们的训练数据份额，我们的研究结果对机器学习多方计算协议中的密码隐私保证的相关性产生了怀疑。
2022-10-06 cs.CR cs.LG stat.ML
