Fourier domain asymmetric cryptosystem for privacy protected multimodal biometric security
提出了一种用于多模态生物特征安全的傅立叶域非对称密码系统。一种生物特征（如人脸）被用作明文，由另一种生物特征（如指纹）加密。通过复杂的空间傅立叶处理从加密的生物特征签名合成私钥。加密的生物特征签名进一步由其他生物特征模态加密，并且合成相应的私钥。由于加密密钥是由人提供的，因此所得到的生物特征签名是隐私保护的，并且这些是私钥。此外，使用这些私有加密密钥来合成解密密钥。使用合成的私钥和逆复数空间傅立叶处理来解密加密的签名。计算机模拟证明了该技术的可行性。
2018-10-16 cs.CR
Privacy Failures in Encrypted Messaging Services: Apple iMessage and Beyond
即时通讯服务正迅速成为世界各地消费者之间最主要的通信形式。例如，苹果iMessage每天处理超过20亿条信息，而WhatsApp声称来自4亿国际用户的160亿条信息。为了保护用户隐私，这些服务通常实现端到端和传输层加密，这意味着即使对于服务提供商本身也无法进行窃听。然而，在本文中，我们表明，窃听者可以通过观察加密数据包的大小来了解有关用户行为，消息语言，甚至这些消息的长度的信息，尽管使用了最先进的加密技术，但准确率超过96%。虽然我们的评估主要集中在Apple iMessage上，但这些攻击是完全通用的，我们展示了它们如何应用于许多流行的消息服务，包括WhatsApp，Viber和Telegram。
2014-03-08 cs.CR
A Smart Home is No Castle: Privacy Vulnerabilities of Encrypted IoT Traffic
被称为物联网（IoT）的专用互联网连接设备和电器的日益普及，带来了新的便利和新的隐私问题。与传统的Web浏览器不同，许多物联网设备都有始终在线的传感器，可以不断监控用户物理环境的细粒度细节，并影响设备的网络通信。被动网络观察者，如互联网服务提供商，可能会分析物联网网络流量，以推断有关用户的敏感细节。在这里，我们检查了四个物联网灵巧家庭设备（Sense睡眠监视器，Nest Cam室内安全摄像头，WeMo交换机和Amazon Echo），发现它们的网络流量率可以揭示潜在的敏感用户交互，即使流量被加密。这些结果表明，需要一种技术解决方案来保护物联网设备所有者的隐私，并且在围绕ISP数据汇集和使用的持续政策辩论中必须考虑物联网特定的问题。
2017-05-18 cs.CR
Cloud-Based Approximate Constrained Shortest Distance Queries Over Encrypted Graphs With Privacy Protection
约束最短距离（CSD）查询是基本的图查询原语之一，其在总成本不超过给定阈值的约束下找到图中从原点到目的地的最短距离。CSD查询具有广泛的应用，例如电信和运输中的路由。随着云计算范例的日益流行，图所有者希望将他们的图外包给云服务器。为了保护敏感信息，这些图在外包到云端之前通常会被加密。然而，这对加密图上的CSD查询提出了很大的挑战。由于执行约束过滤是一个棘手的任务，现有的工作主要集中在无约束的最短距离查询。加密图上的CSD查询是一个开放的研究问题。在本文中，我们提出了康纳，一种新的图形加密方案，使近似CSD查询。Connor是基于一个高效的、基于树的密文比较协议构建的，并利用了密钥原语和有点同态加密，使其在计算上高效。使用Connor，图所有者可以首先加密隐私敏感的图，然后将它们外包给云服务器，从而在不失去查询能力的情况下实现必要的隐私。在真实数据集上的大量实验证明了所提出的图加密方案的有效性和效率。
2018-09-21 cs.CR
Efficient Strong Privacy-Preserving Conjunctive Keyword Search Over Encrypted Cloud Data
可搜索对称加密（SSE）支持对外包对称加密数据的关键字搜索。动态可搜索对称加密（DSSE）是SSE的一种变体，它进一步支持数据更新。大多数DSSE工程与合取关键字搜索主要考虑前向和后向隐私。理想情况下，服务器应该只学习涉及合取中所有关键字的结果集。然而，现有的计划遭受关键字对结果模式（KPRP）泄漏，揭示了部分结果集包含两个查询关键字。我们提出了第一个DSSE计划，以解决上述问题，实现强大的隐私保护合取关键字搜索。具体来说，我们的方案可以保持前向和后向隐私，并消除KPRP泄漏，提供更高的安全性。在几个现有的方案中，搜索的复杂性与存储在数据库中的文档的数量成比例。然而，我们的方案的复杂性与连接中最不频繁的关键字的更新频率成比例，这比整个数据库的大小要小得多。此外，我们设计了一个最不频繁的关键字获取协议，以减少客户端之间的频繁交互。最后，我们分析了我们的方案的安全性和评估其性能的理论和实验。实验结果表明，该方案具有较强的隐私保护能力和效率.
2022-09-22 cs.CR
BRASP: Hiding Where You Look in Encrypted Spatial Keyword Search
Lancaster University（兰卡斯特大学）；Beijing Jiaotong University（北京交通大学）
BRASP是一种支持加密空间数据布尔范围查询的可搜索加密方案，通过结合希尔伯特曲线前缀编码和加密前缀-ID与关键词-ID倒排索引，实现高效的空范围过滤和关键词匹配，同时保护搜索和访问模式隐私。
2026-11-01 cs.CR
A Jigsaw Puzzle Solver-based Attack on Block-wise Image Encryption for Privacy-preserving DNNs
隐私保护深度神经网络（DNN）已经被提出用于保护云服务器中的数据隐私。虽然已经提出了几种用于保护隐私的DNN的视觉保护加密方案，但一些攻击可以从加密图像中恢复视觉信息。另一方面，它已被证实，分块的图像加密方案，利用块和像素洗牌是强大的对几种攻击。在本文中，我们提出了一个拼图解决方案为基础的攻击，以恢复从加密图像，包括块和像素洗牌的视觉信息。在实验中，图像加密使用分块图像加密大多是通过使用所提出的攻击恢复。
2022-11-10 cs.CR
Privacy-Preserving Covert Communication Using Encrypted Wearable Gesture Recognition
University of Dayton（代顿大学）
本文提出了一种基于加密的隐私保护隐秘通信系统，利用加密的手势识别技术在可穿戴设备上实现安全、低努力的非语言交互，通过多方同态学习管道提高系统准确率并确保数据安全。
2026-02-08 cs.CR
Spying on the Smart Home: Privacy Attacks and Defenses on Encrypted IoT Traffic
不断增长的灵巧家庭物联网设备市场为消费者带来了新的便利，同时也为保护家庭隐私带来了新的挑战。许多灵巧家庭设备具有始终开启的传感器，该传感器捕获用户在其生活空间中的离线活动并在互联网上传输关于这些活动的信息。在本文中，我们证明了ISP或其他网络观察者可以通过分析包含商用物联网设备的灵巧家庭的互联网流量来推断隐私敏感的家庭活动，即使这些设备使用加密。我们评估了几种策略，以减轻与灵巧家庭设备流量，包括阻塞，隧道和速率整形的隐私风险。我们的实验表明，流量整形可以有效地和实际地减轻许多与灵巧家庭物联网设备相关的隐私风险。我们发现40 KB/s的额外带宽使用足以保护用户活动免受被动网络对手的攻击。对于许多灵巧家庭来说，这种带宽成本完全在互联网速度限制和数据上限之内。
2017-08-16 cs.CR
K-Nearest Neighbor Classification over Semantically Secure Encrypted Relational Data
针对公有云中加密数据无法直接挖掘且服务商掌握密钥的隐私风险，本文提出面向加密外包关系数据的安全 k 近邻分类方法，以同时保护查询、数据与访问模式。
2024-07-05 cs.CR
HADES: Privacy-Preserving Federated Learning via Selective Feature Encryption and Hybrid Model Fusion
Bilkent University（比尔肯特大学）
提出HADES框架，通过PCA识别并仅加密最隐私敏感的特征，结合多方同态加密和明文训练，利用融合机制实现高效隐私保护的联邦学习。
2026-06-23 cs.CR
Secure Computation over Encrypted Databases
本文揭示了对安全k-近邻计算方案中密钥机密性的攻击，证明查询用户可提取密钥并恢复明文数据，进而提出增强加密方案以抵御此类攻击。
2023-08-05 cs.CR
Hidden in Plain Sight: Exploring Encrypted Channels in Android apps
随着Android操作系统中隐私功能的改进，侵犯隐私的应用程序可能会逐渐将重点转移到非标准和隐蔽的渠道，以泄露私人用户/设备信息。这种泄漏在很大程度上也不会被最先进的隐私分析工具检测到，这些工具在通过常规HTTP和HTTPS渠道发现隐私暴露方面非常有效。在这项研究中，我们设计和实现了ThirdEye，以显着扩展当前隐私分析工具的可见性，就各种非标准和隐蔽渠道发生的暴露而言，即，通过TCP/UDP（HTTP/S以外）上的任何协议，以及通过HTTP/S和非HTTP协议使用多层自定义加密。除了网络暴露之外，我们还考虑了通过存储介质的隐蔽通道，这些存储介质也利用了自定义加密层。使用ThirdEye，我们分析了Androidrank中各种类别的12，598个顶级应用程序，发现2887/12，598（22.92%）应用程序使用自定义加密/解密进行网络传输并将内容存储在共享设备存储中，其中2465/2887（85.38%）应用程序发送设备信息（例如，广告ID，已安装应用程序的列表）通过网络，可以指纹用户。此外，299个应用程序通过HTTP/非HTTP协议传输不安全的加密内容; 22个应用程序通过HTTPS使用身份验证令牌，碰巧通过不安全的（尽管是自定义加密的）HTTP/非HTTP通道暴露它们。我们发现了具有多级模糊的非标准和隐蔽通道（例如，通过HTTPS加密的数据，嵌套级别的加密），以及使用易受…
2022-09-29 cs.CR
Privacy-Preserving Logistic Regression Training on Large Datasets
本文提出一种基于同态加密的大型加密数据逻辑回归训练算法，利用quadratic gradient实现mini-batch和full-batch版本，在真实金融数据上验证了其在大规模加密数据集上训练的实际可行性。
2025-04-04 cs.CR
Privacy-Preserving Credit Card Approval Using Homomorphic SVM: Toward Secure Inference in FinTech Applications
本文提出PP-FinTech方案，利用CKKS同态加密SVM、混合核和自适应阈值机制，在信用卡审批中实现隐私保护且性能接近明文模型的安全金融机器学习推理。
2025-05-09 cs.CR
Privacy-Preserving Deep Neural Networks with Pixel-based Image Encryption Considering Data Augmentation in the Encrypted Domain
我们为深度神经网络（DNN）提出了一种新的隐私保护方案，使我们不仅能够将没有视觉信息的图像应用于DNN进行训练和测试，而且还首次考虑了加密域中的数据增强。在本文中，一种新的基于像素的图像加密方法首次提出了隐私保护DNN。此外，一种新的自适应网络被认为是减少图像加密的影响。在实验中，所提出的方法被应用到一个众所周知的网络，ResNet-18，图像分类。实验结果表明，传统的隐私保护机器学习方法，包括国家的最先进的不能应用于数据增强在加密域中，所提出的方法优于他们的分类精度。
2019-05-06 cs.CR eess.IV
Blind Faith: Privacy-Preserving Machine Learning using Function Approximation
在过去的几年里，机器学习的巨大增长是由基于云的服务的采用的显着增加带来的。因此，已经提出了各种解决方案，其中机器学习模型在远程云提供商上运行。然而，当这样的模型部署在不受信任的云上时，保护用户的隐私至关重要。为此，我们提出了盲信-一种机器学习模型，其中训练阶段发生在明文数据中，但用户输入的分类是在同态加密的密文上进行的。为了使我们的构造与同态加密兼容，我们使用切比雪夫多项式来近似激活函数。这使我们能够构建一个隐私保护的机器学习模型，可以对加密图像进行分类。Blind Faith保护了用户的隐私，因为它可以通过直接对加密数据进行计算来执行高精度预测。
2021-07-29 cs.CR
Temporal fingerprints: Identity matching across fully encrypted domain
本文提出利用个体事件间隔时间分布作为时间指纹，在以太坊全加密交易平台中实现跨域身份匹配，并证明其优于已有模型，揭示了仅凭活跃时间即可威胁用户隐私的风险。
2024-07-05 cs.CR
Encrypted Semantic Communication Using Adversarial Training for Privacy Preserving
语义通信是基于共享的背景知识来实现的，但是共享机制存在隐私泄露的风险。在这封信中，我们提出了一个加密的语义通信系统（ESCS）的隐私保护，它结合了通用性和机密性。通用性体现在所提出的ESCS的所有网络模块都基于共享数据库进行训练，这适合于实际场景中的大规模部署。同时，通过对称加密来实现机密性。在对抗训练的基础上，设计了一种对抗加密训练方案，以保证加密和非加密模式下语义通信的准确性。实验结果表明，无论语义信息是否加密，采用对抗加密训练方案的ESCS都能表现良好。攻击者很难从被窃听的消息中重建出原始的语义信息。
2022-09-19 cs.CR cs.IT math.IT
Toward an Attribute-Based Digital Identity Modeling for Privacy Preservation
数字身份是一个多维度、多学科、复杂的概念。因此，很难逮捕。许多贡献提出了数字身份的定义和表示。然而，其中许多要么非常通用，难以实现，要么不考虑隐私问题。鉴于隐私大师的重要性，有必要重新考虑数字身份，以考虑隐私问题。因此，本文旨在提出一个基于属性的数字身份的隐私保护的目的。该模型考虑了身份盗窃、安全和隐私。
2019-09-13 cs.CR
Privacy Preserving Anomaly Detection on Homomorphic Encrypted Data from IoT Sensors
Technical University of Cluj-Napoca（克卢日-纳波卡理工大学）
本文提出一种在同态加密数据上高效检测异常值的隐私保护异常检测方法，通过改进TFHE方案中的直方图异常检测技术，克服输入大小和计算深度限制，实现无需解密的异常检测，具有鲁棒性和高效性。
2024-03-14 cs.CR
Secure k-NN as a Service Over Encrypted Data in Multi-User Setting
为了安全地利用云计算的优势，近年来在“加密数据上的安全查询处理”领域进行了大量的研究。作为一个具体的用例，已经提出了许多加密方案，用于在外包设置中安全地处理加密数据上的k最近邻（SkNN）。最近Zhu et al[25].提出了一种SkNN解决方案，声称满足以下四个属性：（1）数据隐私，（2）密钥机密性，（3）查询隐私性和（4）查询可控性。然而，在本文中，我们提出了一种攻击，打破了他们的计划的查询可控性索赔。此外，我们提出了一个新的SkNN解决方案，它满足所有现有的四个属性以及查询检查验证的附加基本属性。我们分析了我们提出的方案的安全性，并给出了详细的实验结果，以展示在现实世界中的效率。
2018-01-15 cs.CR
Noisy Networks, Nosy Neighbors: Inferring Privacy Invasive Information from Encrypted Wireless Traffic
本研究通过模拟邻居被动观察智能家居加密无线流量，识别设备、推断活动状态和位置，证明隐私风险可超越数据泄露，仅凭加密流量即可获取生活洞察。
2025-09-27 cs.CR cs.NI
Encrypted DNS --> Privacy? A Traffic Analysis Perspective
实际上，每一个与互联网服务的连接都是在没有任何流量级保护的情况下进行DNS查找，从而实现操纵、重定向、监视和审查。为了解决这些问题，Google和Cloudflare等大型组织正在部署最近标准化的协议，这些协议可以加密最终用户和递归解析器（如DNS-over-TLS（DoT）和DNS-over-HTTPS（DoH））之间的DNS流量。在本文中，我们研究加密DNS流量是否可以保护用户免受基于流量分析的监控和审查。我们提出了一个新的功能集来执行攻击，因为那些用于攻击HTTPS或Tor流量不适合DNS的特性。我们表明，流量分析可以在封闭和开放世界设置中高精度地识别域，使用的数据比HTTPS流攻击少124倍。我们发现，位置、解析器、平台或客户端等因素确实会降低攻击性能，但它们远不能完全阻止攻击。我们的研究结果表明，基于DNS的审查仍然是可能的加密DNS流量。事实上，我们证明了标准化的填充方案是无效的。然而，Tor --它不能有效地减轻对Web流量的流量分析攻击--是对DoH流量分析的一个很好的防御。
2019-10-06 cs.CR
Training Natural Language Processing Models on Encrypted Text for Enhanced Privacy
Karabuk University（卡拉布克大学）
针对云环境下NLP模型训练的数据隐私问题，提出在加密文本上训练模型的方法，经Doc2Vec+XGBoost、Doc2Vec+LSTM两种架构在20 Newsgroups数据集上验证，可在不损失准确率的同时保障隐私，并提供复现用Colab notebook。
2023-05-03 cs.AI cs.CL cs.CR
Privacy Preservation Techniques (PPTs) in IoT Systems: A Scoping Review and Future Directions
School of Information Technology, Carleton University（卡尔顿大学信息技术学院）
本文通过综述物联网系统中隐私保护技术的发展，探讨其隐私目标、技术整合及未来研究方向。
2026-02-09 cs.CR
Encrypted Federated Search Using Homomorphic Encryption
本文提出一种基于同态加密的隐私保护联邦搜索系统，使执法机构能在不解密数据的情况下跨分布式加密犯罪数据库执行查询，并集成CKKS与BFV方案以兼顾实时性、安全性和可扩展性。
2025-05-05 cs.CR
Encrypted statistical machine learning: new privacy preserving methods
University of Oxford（牛津大学）
我们提出了两种新的统计机器学习方法，旨在学习全同态加密（FHE）数据。继Gentry（2009）之后，FHE方案的引入开辟了隐私保护统计机器学习分析和加密数据建模的前景，而不会损害安全约束。我们提出了量身定制的算法，用于应用极端随机森林，涉及一个新的加密随机分数估计器，以及朴素贝叶斯，涉及类决策边界的半参数模型，并展示了它们如何用于从加密数据中学习和预测。我们证明了这些技术在各种分类数据集上具有竞争力，并提供了有关这些和其他FHE方法的计算实用性的详细信息。
2015-08-27 cs.CR cs.LG stat.ME
On the Security of Pixel-Based Image Encryption for Privacy-Preserving Deep Neural Networks
本文旨在评估一种基于像素的图像加密方法的安全性，该方法已被提出用于将没有视觉信息的图像应用于深度神经网络（DNN），以对抗仅密文攻击（COA）。此外，我们提出了一种新的基于DNN的COA，旨在重建加密图像的视觉信息。在两种加密密钥条件下评估了该攻击的有效性：相同的加密密钥和不同的加密密钥。实验结果表明，在相同的密钥下，该攻击可以恢复加密图像的视觉信息。另外，基于像素的图像加密方法对COA具有鲁棒性。
2019-12-09 cs.CR
Privacy-Preserving Cyberattack Detection in Blockchain-Based IoT Systems Using AI and Homomorphic Encryption
提出一种结合AI与同态加密的隐私保护攻击检测框架，部署于区块链节点，通过SIMD打包和FedAvg分布式学习实现高效加密训练，检测精度损失仅0.01%。
2024-12-18 cs.CR
Enabling Efficient Privacy-Assured Outlier Detection over Encrypted Incremental Datasets
Monash University（莫纳什大学）；Data61, CSIRO（联邦科学与工业研究组织数据61研究所）
离群点检测被广泛应用于跟踪网络流量和系统日志等增量数据集上的异常。然而，这些数据集通常涉及敏感信息，并且将数据共享给第三方用于异常检测会引起隐私问题。在本文中，我们提出了一个隐私保护离群检测协议（PPOD）的增量数据集。该协议将异常值检测算法分解为几个阶段，并在每个阶段识别必要的密码操作。它通过高效和可互换的协议实现了几个加密模块，以支持上述加密操作，并将它们组合在整个协议中，以实现对加密数据集的离群值检测。为了支持有效的更新，它集成了滑动窗口模型，以定期驱逐过期的数据，以保持恒定的更新时间。我们建立了一个PPOD的原型，并系统地评估了各种参数设置下的密码模块和整体协议。我们的研究结果表明，PPOD可以处理加密的增量数据集与适度的计算和通信成本。
2019-11-14 cs.CR cs.LG
Privacy-Preserving Hierarchical Anonymization Framework over Encrypted Data
针对智慧城市中云环境下依赖不可信第三方导致的数据隐私泄露问题，提出基于同态加密与秘密共享的分层k-匿名化框架，通过分层连接两种计算域实现高效且安全的匿名化处理。
2023-10-19 cs.CR
Privacy-preserving Medical Treatment System through Nondeterministic Finite Automata
在本文中，我们提出了一个隐私保护的医疗系统，使用非确定性有限自动机（NFA），以下简称为P-Med，专为远程医疗环境。P-Med利用NFA的非确定性转换特性，灵活地表示医学模型，包括疾病状态、治疗方法以及应用不同治疗方法引起的状态转换。医疗模型被加密并外包到云端以提供远程医疗服务。使用P-Med，可以即时进行以患者为中心的诊断和治疗，同时保护患者病情和治疗建议结果的机密性。此外，在P-Med中给出了一种新的隐私保护NFA评估方法，使加密NFA和加密数据集的评估结果具有保密性，避免了繁琐的内部状态转移判定。我们证明了P-Med实现了治疗程序的建议，而不会向未经授权的各方泄露隐私。我们进行了大量的实验和分析，以评估效率。
2020-05-26 cs.CR
Secured histories: computing group statistics on encrypted data while preserving individual privacy
随着传感器变得越来越普遍，越来越多的关于我们每个人的信息将被收集。一个长期的研究问题是如何最好地支持有益的使用，同时保护个人隐私。在线状态系统是支持协作的新兴应用类别。这些系统利用无处不在的传感器来估计最终用户的位置、活动和可用的通信渠道。由于这些在线数据是敏感的，为了实现广泛的采用，共享模型必须反映用户的隐私和共享偏好。为了反映用户的协作关系和共享需求，我们引入了CollaPSE安全性，其中个人可以完全访问自己的数据，第三方处理数据而无需了解任何有关数据值的信息，并且层次结构中较高的用户仅了解有关其下属员工的统计信息。我们描述了简单的计划，有效地实现CollaPSE安全的时间序列数据。我们使用现成的加密函数实现了这些协议，并将这些协议与FXPAL的myUnity呈现系统集成。
2011-05-02 cs.CR
k-Nearest Neighbor Classification over Semantically Secure Encrypted Relational Data
数据采掘在银行、医学、科研和政府机构等领域有着广泛的应用。分类是数据采掘应用中常用的任务之一。在过去的十年中，由于各种隐私问题的兴起，许多理论和实践的分类问题的解决方案已经提出了不同的安全模型下。然而，随着最近云计算的流行，用户现在有机会以加密的形式将他们的数据以及数据采掘任务外包给云。由于云上的数据是加密形式的，现有的隐私保护分类技术是不适用的。在本文中，我们专注于解决加密数据的分类问题。特别是，我们提出了一个安全的k-NN分类器在云中的加密数据。建议的k-NN协议保护数据的机密性，用户的输入查询，和数据访问模式。据我们所知，我们的工作是第一个开发一个安全的k-NN分类器在加密数据下的半诚实模型。此外，我们通过各种实验实证分析我们的解决方案的效率。
2014-08-06 cs.CR
PC4PM: A Tool for Privacy/Confidentiality Preservation in Process Mining
流程挖掘使业务所有者能够使用信息系统中广泛可用的事件数据来发现和分析他们的实际流程。事件数据包含详细的信息，这对于提供见解非常有价值。然而，这种详细的数据往往包括高度机密和私人信息。因此，进程挖掘中的隐私和机密性问题变得越来越重要，新技术也在不断引入。为了使这些技术易于使用，需要开发新的工具，以整合所引进的技术，并根据用户的需要指导他们找到适当的解决办法。在本文中，我们提出了一个基于Python的基础设施，实现和集成国家的最先进的隐私/机密性保护技术的进程挖掘。我们的工具提供了一个易于使用的基于Web的用户界面，用于隐私保护数据发布、风险分析和数据效用分析。该工具还提供了一组匿名化操作，可用于支持隐私/机密性保护。该工具管理标准XES事件日志和非标准事件数据。我们还存储和管理隐私元数据，以跟踪隐私/机密性保护技术所做的更改。
2021-07-30 cs.CR
Fast and Accurate Likelihood Ratio Based Biometric Comparison in the Encrypted Domain
随着生物特征验证应用的激增，用户变得更容易受到隐私侵犯。生物识别数据对隐私非常敏感，因为它可能包含性别，种族和健康状况等信息，在验证过程中不应与第三方共享。此外，生物识别数据落入坏人之手往往会导致身份盗窃。安全的生物特征验证方案试图克服这种隐私威胁。不幸的是，现有的安全解决方案要么引入了沉重的计算或通信开销，要么必须接受准确性的高损失;这两者都使它们在现实世界中不切实际。本文提出了一种新的方法来安全的生物特征验证，旨在效率和准确性之间的实际权衡，同时保证对诚实，但好奇的对手完全安全。该系统使用基于椭圆曲线的同态ElGamal加密在加密域中执行验证，以提高效率。分类是基于对数似然比分类器，已被证明是非常准确的。在使用双方安全协议的验证过程中不会泄露任何私人信息。初步测试表明，在毫秒范围内计算出的结果非常准确。
2017-05-28 cs.CR
GraphSE$^2$: An Encrypted Graph Database for Privacy-Preserving Social Search
在本文中，我们提出了GraphSE $^2$，一个加密的图形数据库，用于在线社交网络服务，以解决大规模的数据泄露。GraphSE $^2$保留了社交搜索的功能，这是高质量社交网络服务的关键推动因素，其中社交搜索查询在大规模社交图上进行，同时对用户生成的内容执行集合和计算操作。为了实现高效的隐私保护社交搜索，GraphSE $^2$提供了一个加密的结构化数据模型，以促进并行和加密的图形数据访问。它还旨在将复杂的社交搜索查询分解为原子操作，并通过可互换的协议以快速和可扩展的方式实现它们。我们使用Facebook图搜索引擎中支持的各种查询构建GraphSE $^2$，并实现了一个成熟的原型。对Azure Cloud的广泛评估表明，GraphSE $^2$对于查询具有百万用户的社交图是实用的。
2019-05-15 cs.CR cs.DC
Training Machine Learning Models on Encrypted Data: A Privacy-Preserving Framework using Homomorphic Encryption
ISEP, School of Engineering, Polytechnic of Porto（ISEP工程学院，波尔图理工学院）；GECAD, Research Group on Intelligent Engineering and Computing for Advanced Innovation and Development（GECAD，智能工程与计算高级创新与发展研究组）
本文提出一种隐私保护框架，利用CKKS实现加密数据上的近似实数运算，展示KNN、线性回归和加密推理的可行性，验证了同态加密在保持准确性的同时的有效性。
2026-04-25 cs.AI cs.CR
Split Ways: Privacy-Preserving Training of Encrypted Data Using Split Learning
分裂学习（SL）是一种新的协作学习技术，其允许参与者（例如，客户端和服务器）在客户端不共享原始数据的情况下训练机器学习模型。在此设置中，客户端首先将其部分机器学习模型应用于原始数据以生成激活图，然后将其发送到服务器以继续训练过程。该领域的先前工作表明，重构激活图可能导致客户端数据的隐私泄露。除此之外，克服SL隐私泄露的现有缓解技术证明在准确性方面明显更差。在本文中，我们通过构建一个基于U形SL的协议来改进以前的工作，该协议可以对同态加密数据进行操作。更准确地说，在我们的方法中，客户端在将激活映射发送到服务器之前对其应用同态加密（HE），从而保护用户隐私。与其他基于SL的作品相比，这是减少隐私泄露的重要改进。最后，我们的结果表明，在最佳参数集下，与在明文上训练相比，在U形SL设置中使用HE数据进行训练仅使准确率降低2.65%。此外，原始训练数据隐私被保留。
2023-01-20 cs.CR cs.LG
Understanding User Awareness and Behaviors Concerning Encrypted DNS Settings
加密域名系统（DNS）的最新发展已导致主要浏览器和操作系统供应商部署加密的DNS功能，通常默认启用各种配置和设置。在许多情况下，默认的加密DNS设置会影响性能和隐私;例如，Firefox的默认DNS设置会将用户的所有DNS查询发送到Cloudflare，这可能会引入新的隐私漏洞。在本文中，我们确认大多数用户都不知道这些发展-关于这些新技术的推出，默认设置的更改以及自定义加密DNS配置以平衡隐私和性能之间的用户偏好的能力。我们的研究结果表明，在浏览器和操作系统中的加密DNS功能的接口的设计者的几个重要的影响，以帮助提高用户对这些设置的认识，并确保用户保留的选择，使他们能够平衡DNS隐私和性能的权衡能力。
2023-02-21 cs.CR cs.HC cs.NI
Privacy-Preserving AI for Encrypted Medical Imaging: A Framework for Secure Diagnosis and Learning
Daffodil International University（达福国际大学）
针对医疗AI应用中的患者隐私问题，提出结合AES-CBC加密、JPEG2000压缩与Masked-CNN的加密医学影像隐私保护诊断框架，在公开数据集上验证其性能接近未加密模型，兼具实用性与可扩展性。
2025-05-17 cs.AI cs.CR eess.IV
PrivGenDB: Efficient and privacy-preserving query executions over encrypted SNP-Phenotype database
可搜索对称加密（SSE）已被用于保护基因组数据的机密性，同时提供对基因组数据序列的子串搜索和范围查询，但尚未研究用于保护单核苷酸多态性（SNP）-表型数据。在这篇文章中，我们提出了一个新的模型，PrivGenDB，用于安全地存储和有效地进行不同的查询基因组数据外包给一个诚实但好奇的云服务器。为了实例化PrivGenDB，我们使用SSE来确保机密性，同时对加密的基因组数据、表型和个人的其他信息进行不同类型的查询，以帮助分析师/临床医生进行分析/护理。据我们所知，PrivGenDB构建是第一个基于SSE的方法，通过加密确保共享SNP表型数据的机密性，同时使计算/查询过程高效且可扩展，用于生物医学研究和护理。此外，它支持对基因组数据的各种查询类型，包括计数查询，布尔查询和k '-out-k匹配查询。最后，PrivGenDB模型处理包含基因型和表型的数据集，它还支持存储和管理其他元数据，如性别和种族。在具有5，000条记录和1，000个SNP的数据集上的计算机评估表明，计数/布尔查询和超过40个SNP的k中取k匹配查询分别花费约4.3s和86.4μs，优于现有方案。
2021-06-30 cs.CR
Robust Machine Learning for Encrypted Traffic Classification
桌面和笔记本电脑可能被恶意利用来侵犯隐私。在本文中，我们考虑了针对特定用户的被动攻击者与可能是敌对对手的用户之间的日常战斗。在这种情况下，攻击者试图通过暗中监视受害者加密的网络流量来选择最佳矢量攻击，以识别用户参数，如操作系统（OS），浏览器和应用程序。用户可以使用诸如虚拟专用网络（VPN）之类的工具或者甚至改变协议参数来保护他/她的隐私。我们为此任务提供了一个包含20，000多个示例的大型数据集。我们运行了一套全面的实验，实现了高（85以上）的分类准确率，鲁棒性和弹性的变化功能作为一个功能的不同的网络条件在测试时。我们还显示了一个小的训练集的准确性的影响。
2020-07-20 cs.CR
Towards Explainable Privacy Preservation in Federated Learning via Shapley Value-Guided Noise Injection
School of Computer Science, Shanghai Jiao Tong University（上海交通大学计算机学院）
本文提出FedSVA，一种基于Shapley值动态校准噪声注入的可解释差分隐私机制，通过量化属性对模型训练的影响，提供严格隐私保障并最小化效用损失。
2026-04-01 cs.CR
Towards Deep Encrypted Training: Low-Latency, Memory-Efficient, and High-Throughput Inference for Privacy-Preserving Neural Networks
STAM Center, Ira A. Fulton Schools of Engineering（STAM中心，伊拉·A·福克森工程学院）；Arizona State University（亚利桑那州立大学）
本文提出优化算法和流水线架构，提升加密神经网络的批量处理效率，实现低延迟、内存高效和高吞吐量的隐私保护推理。
2026-04-18 cs.CR cs.LG
A Survey of Privacy-Preserving Techniques for Encrypted Traffic Inspection over Network Middleboxes
计算机网络系统中的中间盒检查和分析网络流量以检测恶意通信、监视系统性能并提供操作服务。然而，加密流量阻碍了中间盒执行此类服务的能力。解决这个问题的常见做法是采用“中间人”（MitM）方法，其中两个端点之间的加密业务流被中间盒中断、解密和分析。MitM方法很简单，被许多组织使用，但存在实际和隐私问题。由于MitM设备的成本和在解密过程中产生的延迟，企业继续寻求成本更低的解决方案。与会者讨论了配置MitM所需的许多工作。此外，MitM违反了端到端的隐私保证，引发了隐私问题和合规问题，特别是随着用户隐私意识的提高。此外，一些MitM的实现被发现有缺陷。因此，新的实用和隐私保护技术的加密流量的检查提出。我们研究它们，比较它们的优势，局限性和挑战。我们通过定义一个由系统架构、用例、信任和威胁模型组成的框架，将它们分为四个主要类别。它们是可搜索加密、访问控制、机器学习和可信硬件。我们首先讨论了中间人的方法作为一个基线，然后详细讨论了每一个，并提供了一个深入的比较，他们的优点和局限性。通过这样做，我们描述了实际的限制，优点和陷阱对采用的技术。我们还对研究工作和工业部署之间的差距提出了见解，这导致我们对挑战和研究方向进行了讨论。
2021-01-12 cs.CR cs.NI
Continual Pretraining on Encrypted Synthetic Data for Privacy-Preserving LLMs
The PII shown in the figure is synthetic and not real（合成的PII）；International Digital Economy Academy（国际数字经济学院）；The Hong Kong University of Science and Technology (Guangzhou)（香港科学与技术大学（广州））；The Hong Kong University of Science and Technology（香港科学与技术大学）；DataArc Tech Ltd（DataArc科技有限公司）
本文提出了一种基于实体的加密合成数据预训练框架，通过加密保护PII，实现隐私保护的大语言模型预训练，同时保持模型的指令遵循能力。
2026-01-12 cs.CL cs.CR
SEEK: Secure and Efficient Encrypted Keyword Search For Privacy-Preserving Messaging Protocols
New York University Abu Dhabi（纽约大学阿布扎比分校）
SEEK提出结合同态加密与安全两方计算的加密关键词搜索协议，实现高效隐私保护消息检测，显著降低开销并提升速度。
2026-09-17 cs.CR cs.IR
PassBio: Privacy-Preserving User-Centric Biometric Authentication
在线生物特征认证的扩散使得生物特征模板的安全要求成为必要。现有的安全生物特征认证方案以服务器为中心的模型为特征，其中服务提供商维护生物特征数据库并完全负责模板的安全性。最终用户必须完全信任服务器来存储、处理和管理他们的私有模板。因此，最终用户的模板可能会受到外部攻击者甚至服务提供商本身的攻击。在本文中，我们提出了一个以用户为中心的生物认证方案（PassBio），使最终用户能够加密自己的模板与我们提出的轻量级加密方案。在身份验证期间，所有模板都保持加密状态，因此服务器永远不会直接看到它们。然而，服务器能够确定两个加密模板的距离是否在预定义阈值内。我们的安全性分析表明，没有关键信息的模板可以透露下被动和主动攻击。PassBio遵循加密数据的“计算然后比较”计算模型。更具体地说，我们提出的阈值谓词加密（TPE）方案可以加密两个向量x和y的方式，可以评估x和y的内积，并与预定义的阈值进行比较。TPE保证只显示比较结果，而不会获知关于x和y的关键信息。此外，我们表明，TPE可以作为一个灵活的积木，以评估不同的距离度量，如汉明距离和欧几里得距离加密数据。TPE支持的这种先计算后比较的计算模型可以广泛应用于许多有趣的应用中，例如在确保数据安全性和隐私的同时搜索加密数据。
2017-11-14 cs.CR
Encrypted Data-driven Predictive Cloud Control with Disturbance Observer
在数据驱动的预测云控制任务中，云服务中存储和使用的数据的隐私可能会泄露给恶意攻击者或好奇的窃听者。同态加密技术可以在允许计算的同时保护数据隐私。然而，同态加密扩展引入了额外的错误，以确保隐私保护性能，实数截断也带来了不确定性。同时，系统输入输出中存在的过程噪声和测量噪声也会对系统产生干扰。在这项工作中，一个数据驱动的预测云控制器的基础上同态加密，以保护云数据隐私。此外，引入干扰观测器对云中计算的加密控制信号序列进行估计和补偿。通过加密保证了数据的隐私性，实验结果表明了云边缘协同设计的效果。
2023-02-06 cs.CR cs.SY eess.SY
SecSkyline: Fast Privacy-Preserving Skyline Queries over Encrypted Cloud Databases
众所周知的云计算的好处刺激了数据库服务外包的流行，人们可以求助于云来方便地存储和查询数据库。随着这种流行趋势的到来，数据隐私受到了威胁，因为云可以访问可能包含敏感信息（如医疗或金融数据）的数据库和查询。已经提出了大量用于查询加密数据库的工作，其中主要集中在安全关键字搜索上。在本文中，我们而是专注于支持安全的天际线查询处理加密外包数据库，在那里做了很少的工作。天际线查询是一种高级数据库查询，对于多准则决策系统和应用程序非常重要。我们提出了SecSkyline，一个新的系统框架，建立在轻量级密码学的快速隐私保护天际线查询。SecSkyline不仅为外包数据库、查询和结果的内容机密性提供了强有力的保护，而且还为可能导致间接数据泄漏的数据模式提供了强有力的保护，例如数据点之间的支配关系和搜索访问模式。大量的实验表明，SecSkyline是大大优于国家的最先进的查询延迟，高达813 $\times$的改善。
2022-11-03 cs.CR cs.DB
Privacy-preserving Similarity Calculation of Speaker Features Using Fully Homomorphic Encryption
机器学习技术的最新进展使自动语音识别（ASR）更加准确和实用。这一点的证据可以从越来越多的具有语音处理功能的智能设备中看出。我们身边越来越多的设备都内置了ASR技术。这构成了严重的隐私威胁，因为语音包含独特的生物特征和个人数据。然而，如果在加密域中处理语音特征，则可以减轻隐私问题。在此背景下，本文提出了一种算法，重新设计的后端说话人确认系统使用全同态加密技术。该解决方案利用全同态加密方案来获得实时和非交互式的解决方案。所提出的解决方案包含一种基于Newton Raphson方法的新方法，以克服CKKS方案的局限性（即，计算加密数的平方根倒数）。这提供了一种有效的解决方案，具有较少的乘法深度，精度损失可忽略不计。使用一个著名的语音数据集验证所提出的算法。该算法进行了验证在实时（小于1.3秒的延迟）为2.8%的等错误率损失相比，平面域验证。
2022-03-14 cs.CR
AutoGAN-based Dimension Reduction for Privacy Preservation
保护敏感信息不受数据挖掘攻击是数据采掘中一个新兴的研究领域。在过去，已经引入了几种不同的方法来保护个人隐私免受此类攻击，同时最大限度地提高应用程序的数据效用。然而，这些现有技术不足以有效地保护数据所有者隐私，特别是在利用可可视化数据（例如，图像、视频）的场景中或需要大量计算来实现的应用中。为了解决这些问题，我们提出了一种新的降维为基础的隐私保护方法。我们的方法生成用于执行机器学习任务的降维数据，并防止强大的对手重建原始数据。我们首先介绍了一种理论方法来评估降维为基础的隐私保护机制，然后提出了一个非线性降维框架的最先进的神经网络结构的隐私保护。我们在三个不同的人脸图像数据集（AT&T，YaleB和CelebA）上进行了实验，结果表明，当维数减少到7时，我们可以分别达到79%，80%和73%的准确率，并且重建的图像是不可识别的。
2021-07-27 cs.CR
