Privacy-preserving data outsourcing in the cloud via semantic data splitting
尽管云计算提供了许多内在的好处,但与对外包数据的存储和管理缺乏控制相关的隐私问题仍然阻止许多客户迁移到云。已经提出了几种基于要外包的数据的事先加密的隐私保护机制。数据加密提供了强大的安全性,但代价是妨碍了服务的效率,并限制了可以应用于存储在云场所的(加密)数据的功能。由于效率和功能都是云计算的关键优势,在本文中,我们的目标是通过提出一种隐私保护机制来保留它们,该机制依赖于拆分(清除)数据,以及日益流行的多云概念所提供的分布式存储。我们提出了一种基于语义的数据拆分机制,该机制能够自动检测可能导致隐私风险的数据片段,并将其在本地进行拆分,这样每个块就不会产生这些风险;然后,清晰的数据块被独立存储到多云的单独位置,这样外部实体就无法访问整个机密数据。由于部分数据以明文存储在云计算场所,因此只需将查询广播到不同的云位置,就可以无缝有效地支持外包功能。为了实施一个强大的隐私概念,我们的建议依赖于一个隐私模型,提供了先验的隐私保证;为了确保其可行性,我们设计了启发式算法,最大限度地减少我们需要的云存储位置的数量;为了显示其潜力和通用性,我们将其应用于结构最少,最具挑战性的数据类型:纯文本文档。
2017-07-03 cs.CR
Privacy-Assured Outsourcing of Compressed Sensing Reconstruction Service in Cloud
压缩感知技术突破了Shannon-Nyquist采样定理的限制,是多媒体大数据时代非常有前途的数据采集技术。然而,CS重建算法的高复杂度对于难以提供强大计算能力的终端用户来说是一个很大的麻烦。CS和云的结合有可能通过巧妙地将计算工作负载从本地客户端转换到云平台,从而将最终用户从资源约束中解放出来。因此,CS的低复杂度编码优点在资源受限的传感设备中得到充分利用,但其高复杂度解码问题在云中得到有效解决。它看起来很完美,但隐私和安全问题被忽视了。提出了一种CS重建服务的安全外包方案。实验结果和安全性分析表明,该方案能有效地限制恶意访问,验证恢复数据的完整性,并能抵抗蛮干攻击、纯密文攻击和明文攻击。
2021-03-28 cs.CR eess.SP
DPOAD: Differentially Private Outsourcing of Anomaly Detection through Iterative Sensitivity Learning
Data61, CSIRO(澳大利亚联邦科学与工业研究组织数据61研究所);Cyber Security CRC(网络安全合作研究中心);Illinois Institute of Technology(伊利诺伊理工学院);Concordia University(康考迪亚大学);Hong Kong Polytechnic University(香港理工大学);Ericsson Security Research, Ericsson Canada(加拿大爱立信公司爱立信安全研究院);University of Connecticut(康涅狄格大学)
将异常检测外包给第三方可以允许数据所有者克服资源约束(例如,在轻量级IoT设备中),促进协作分析(例如,在分布式或多方场景下),并受益于较低的成本和专业知识(例如,安全管理服务提供商)。尽管有这样的好处,但数据所有者可能不愿意在没有足够的隐私保护的情况下外包异常检测。为此,大多数现有的隐私解决方案将面临新的挑战,即,保护隐私通常需要消除或减少数据录入之间的差异,而异常检测关键地取决于该差异。这种冲突最近通过将差分隐私(DP)保证的焦点从“所有”条目移动到仅“良性”条目而在具有可信分析师(其中不涉及外包)的本地分析设置下得到解决。在本文中,我们观察到,这种方法是不直接适用于外包设置,因为数据所有者不知道哪些条目是“良性”外包之前,因此不能有选择地应用DP的数据录入。因此,我们提出了一种新的迭代解决方案,让数据所有者逐渐将异常条目与良性条目“分离”,以便第三方分析师能够在充分的DP保证下产生准确的异常结果。我们设计并实现了我们的差异化私有异常检测外包(DPOAD)框架,并通过来自不同应用领域的真实数据实验,证明了其优于基线拉普拉斯和PainFree机制的优势。
2022-06-27 cs.CR cs.LG
An Efficient Matrix Multiplication with Enhanced Privacy Protection in Cloud Computing and Its Applications
矩阵乘法运算(MMC)作为最重要的基本运算之一,在线性回归、k-近邻分类、生物识别等科学和工程领域有着广泛的应用。然而,处理这些任务与大规模的数据集将导致巨大的计算超出资源受限的客户端的计算能力。随着云计算的快速发展,将密集型任务外包给云服务器已经成为一种很有前途的方法。虽然云服务器通常不受客户端的控制,但仍然存在许多与客户端敏感数据的隐私安全有关的挑战。受此启发,Lei等人提出了一种基于随机置换的高效加密方案,以保护外包MMC任务中客户端数据的隐私。然而,他们的方案存在固有的安全缺陷,暴露了原始数据中零元素的统计信息,从而不满足计算不可验证性(IND-ZEA)。为了提高外包MMC任务的安全性,提出了一种新的加密方案,该方案基于巧妙设计的可逆矩阵,在乘法扰动的基础上引入了加法扰动。此外,我们表明,所提出的加密方案不仅可以适用于MMC任务,但也可以其他类型的外包任务,如线性回归和主成分分析。理论分析和实验表明,我们的方法是更安全的数据隐私方面,具有相当的性能,最先进的方案的基础上矩阵变换。
2021-05-12 cs.CR
Towards a Novel Privacy-Preserving Distributed Multiparty Data Outsourcing Scheme for Cloud Computing with Quantum Key Distribution
本研究提出集成量子密钥分发、CRYSTALS Kyber与零知识证明的框架,旨在解决云计算区块链系统面临的量子安全威胁,性能评估证实其在真实云环境中的效率与可扩展性。
2024-07-09 cs.CR
Outsourcing SAT-based Verification Computations in Network Security
本文针对云计算外包SAT验证计算中的隐私泄露问题,提出多种SAT实例随机化方法(包括变量随机化、解集随机化及Mincost SAT和MAX3SAT随机化),经分析评估验证了其正确性与可行性,具备可扩展性和通用性。
2025-05-22 cs.CR
Optimizing Secure Decision Tree Inference Outsourcing
将决策树推理服务外包给云是非常有益的,但会引起对模型提供者的专有决策树和客户端的私有输入数据的严重隐私问题。在本文中,我们设计,实现和评估一个新的系统,允许高效外包的决策树推理。我们的系统显著改善了云端整体在线端到端安全推理服务延迟以及模型提供商的本地端性能。我们首先提出了一个新的方案,安全地转移到云的模型提供者的大部分处理,从而大大降低模型提供者的性能复杂性。我们进一步设计了一种方案,该方案大大优化了云上加密决策树推理的性能,特别是通信轮的复杂性。这些技术的协同作用使我们的新系统能够在实际WAN环境中在云端实现高达$8 \times$的更好的整体在线端到端安全推理延迟,并使模型提供商节省$19 \times$通信和$18 \times$计算。
2021-10-31 cs.CR
Securely Outsourcing Large Scale Eigen Value Problem to Public Cloud
云计算使计算能力有限的客户能够经济地将其大规模计算外包给具有巨大计算能力的公共云。云计算具有大量的存储,计算能力和软件,可供客户端使用,以减少计算开销和存储限制。但在外包的情况下,客户的机密数据的隐私必须得到维护。我们设计了一个协议,用于将大规模特征值问题外包给恶意云,该协议提供了输入/输出数据的安全性,结果的可验证性和客户端的效率。由于直接求特征向量的方法在维数很大时计算量很大,所以我们采用幂迭代法来求矩阵的最大特征值和相应的特征向量。为了保护隐私,对输入矩阵进行变换得到加密矩阵,并将加密矩阵发送到云端,然后对云端返回的结果进行解密,得到特征值问题的正确解。我们还提出了检测鲁棒作弊的结果验证机制,并提供了理论分析和实验结果,描述了所提出的协议的高效性,正确性,安全性和鲁棒的抗作弊性。
2016-09-06 cs.CR cs.DC
Privacy-Preserving Content-Based Image Retrieval in the Cloud
近年来,随着许多新的用于个人和公司使用的高度交互的多媒体服务和应用的出现,对视觉数据的存储要求一直在增加。这是采用基于云的数据外包解决方案的关键驱动因素。然而,将数据存储外包到云端也带来了新的挑战,必须仔细解决,特别是在隐私方面。在本文中,我们提出了一个安全的框架,外包的隐私保护存储和检索大型图像库。我们的建议是基于一种新的加密方案,名为IES-CBIR,专门设计的媒体图像数据。我们的解决方案支持使用基于内容的图像检索(CBIR)进行加密存储和查询,同时保护隐私。我们已经建立了一个原型所提出的框架,正式分析和证明其安全属性,并通过实验评估其性能和精度。我们的研究结果表明,IES-CBIR是可证明安全的,允许更有效的操作比现有的建议,无论是在时间和空间复杂度,并使更真实,有趣和实际的应用场景。
2015-07-17 cs.CR
Private Processing of Outsourced Network Functions: Feasibility and Constructions
为了降低维护网络基础设施的成本和复杂性,组织越来越多地外包其网络功能(例如,防火墙、流量整形器和入侵检测系统)到云,许多工业参与者已经开始提供基于网络功能虚拟化(NFV)的解决方案。遗憾的是,在当前的设置中,外包网络功能意味着敏感的网络策略,如防火墙规则,会被泄露给云提供商。在本文中,我们调查使用加密原语处理外包网络功能,使供应商不学习任何敏感信息。更具体地说,我们提出了一个加密处理的隐私保护外包的网络功能,引入安全的定义,以及通用网络功能的抽象模型,然后提出了一些实例,使用部分同态加密和公钥加密与关键字搜索。我们包括一个概念验证的实现我们的建设,并表明网络功能可以在几毫秒内由一个不受信任的云提供商私下处理。
2016-01-25 cs.CR
The SensorCloud Protocol: Securely Outsourcing Sensor Data to the Cloud
从家庭网络到工业自动化,传感器网络的部署越来越多,导致对存储和处理所收集的传感器数据的需求也同样不断增长。为了满足这一需求,迄今为止最有前途的方法是利用通过云计算范例提供的可动态扩展的按需资源。然而,普遍存在的安全和隐私问题是将传感器数据外包到云端的巨大障碍。因此,在将传感器数据外包给云之前,需要对其进行适当的保护。当安全外包的传感器数据到云,一个重要的挑战在于传感器数据的表示和应用到它的安全措施的选择。在本文中,我们提出了SensorCloud协议,它使传感器数据的表示和执行器命令使用JSON以及编码的对象安全机制应用到一个给定的传感器数据项。值得注意的是,我们只利用已经或目前正在IETF标准化的机制,以帮助我们的方法的广泛适用性。
2016-07-12 cs.CR cs.DC cs.NI
Enforcing Privacy in Cloud Databases
外包数据库,即,由于云计算的弹性、可用性、可扩展性和即用即付的特征,诉诸数据库即服务(DBaaS)是当今流行的选择。然而,大多数数据在某种程度上是敏感的,数据隐私仍然是DBaaS用户最关心的问题之一,明显的法律和竞争的原因。在本文中,我们调查的机制,旨在使数据库在云环境中的安全,并讨论当前的陷阱和相关的研究挑战。
2017-08-30 cs.CR cs.DB
PrivaLog: a privacy-aware logic programming language
逻辑编程(LP)是声明式编程的一个子类别,被认为对非程序员来说相对简单。LP开发人员专注于描述逻辑推导的事实和规则,而不需要考虑实际实现推导的算法。安全多方计算(MPC)是一种加密技术,它允许在不实际看到数据的情况下对私有数据执行计算。在本文中,我们汇集了MPC和LP的概念,允许用户编写的逻辑程序设计语言的隐私保护应用程序。
2021-05-17 cs.CR
Image Obfuscation for Privacy-Preserving Machine Learning
当将机器学习(ML)模型的训练外包给提供机器学习服务的基于云的平台时,隐私成为一个至关重要的问题。虽然已经开发了基于加密原语的解决方案,但它们在准确性或训练效率方面会造成重大损失,并且需要对后端架构进行修改。我们在本文中解决的一个关键挑战是设计图像混淆方案,这些方案提供足够的隐私,而不会显着降低ML模型的准确性和训练过程的效率。在这项工作中,我们解决了另一个挑战,一直持续到目前为止:量化的程度提供的隐私视觉模糊机制。我们比较了最先进的全参考质量指标的能力,以符合人类受试者的混淆程度引入了一系列的技术。通过依赖用户调查和两个图像数据集,我们表明,两个现有的图像质量指标也非常适合根据人类主体以及基于AI的识别来衡量隐私水平,因此可以用于量化混淆导致的隐私。随着量化隐私的能力,我们表明,我们可以提供足够的隐私保护的训练图像集的成本只有几个百分点的准确性损失。
2020-10-20 cs.CR
Privacy-Preserving Secret Shared Computations using MapReduce
数据外包允许数据所有者将其数据保存在\emph{untrusted}云中,而这些云无法确保数据和/或计算的隐私。MapReduce是一个用于分布式容错数据处理的有用框架,它是为\emph{trusted}私有云开发的。本文提出了基于Shamir的秘密共享方案的数据外包算法,以及在使用MapReduce作为底层编程模型的同时执行隐私保护SQL查询的算法,例如计数,选择(包括范围选择),投影和连接。我们提出的算法防止对手知道数据库或查询,同时也防止输出大小和访问模式的攻击。有趣的是,我们的算法不涉及数据库所有者,它只创建和分发秘密共享一次,在回答任何查询,因此,数据库所有者也不能学习查询。逻辑和实验,我们评估以下参数的算法的效率:(\textit{i})的通信轮数(用户和服务器之间),(\textit{ii})的比特流的总量(用户和服务器之间),和(\textit{iii})在用户和服务器的计算负载。\B
2019-08-06 cs.CR cs.DB cs.DC
Security and Privacy in Big Data Sharing: State-of-the-Art and Research Directions
大数据共享(Big Data Sharing,BDS)是指数据所有者共享数据,使用户能够根据协议查找、访问和使用数据的行为。近年来,由于其广泛的应用,例如大数据交易和跨域数据分析,BDS已经成为一个新兴的话题。然而,由于BDS平台涉及多方,因此出现了安全和隐私侵犯问题。已经有许多解决方案用于在不同的大数据操作中增强安全性和保护隐私(例如,数据操作、数据检索、数据共享和数据外包)。据我们所知,目前还没有专门针对这些安全和隐私解决方案的广泛和系统性发展的调查。在这项研究中,我们对为解决BDS中的安全和隐私问题而引入的最先进的解决方案进行了全面调查。为了更好地理解,我们首先介绍了BDS的一般模型,并确定了安全和隐私要求。我们根据确定的要求讨论和分类最先进的BDS安全和隐私解决方案。最后,基于所获得的见解,我们提出并讨论了新的有前途的研究方向。
2022-10-17 cs.CR
Secure Linear Programming Using Privacy-Preserving Simplex
该版本的论文因错误而被撤回。请联系其中一位作者获取更新的副本。
2010-01-18 cs.CR
Privacy Assured Recovery of Compressively Sensed ECG signals
用于存储数据和运行复杂算法的云计算一直在稳步增长。由于可穿戴心电图记录仪等连接的物联网设备通常存储和计算能力较低,因此采集的信号会发送到远程中心进行存储和可能的分析。最近,压缩感测(CS)已被用作此类记录器中的信号采样的安全、节能的方法。在本文中,我们提出了一个安全的程序外包的CS测量的总恢复到云,并介绍了一个隐私保证的信号恢复技术在云中。我们提出了一种快速,轻量级的加密安全CS恢复外包,可用于可穿戴设备,如心电图动态心电图监视器。在所提出的技术中,而不是在云中完全恢复CS压缩的ECG信号,以保护隐私,通过使用随机双极置换测量矩阵恢复ECG信号的加密版本。用户使用密钥从云端解密加密的ECG以获得原始ECG信号。我们证明了我们提出的方法使用的心电图信号在MITBIH心律失常数据库。我们还证明了所提出的方法对部分暴露的关键的强度。
2021-01-23 cs.CR
Privacy Preserving Linear Programming
随着计算、存储和网络资源的快速增长,数据不仅要被收集和存储,还要被分析。这造成了严重的隐私问题,往往会阻碍这些数据的使用。在这一章中,我们调查和解决的隐私问题的基本优化问题-线性规划(LP),这是制定从不同的各方收集的数据。我们首先考虑的情况下,线性规划问题的目标函数和约束不划分在两方之间,其中一方私人持有的目标函数,而另一方私人持有的约束。其次,我们提出了一个隐私保护技术的情况下,目标函数和约束是任意划分的两方之间的每一方私人持有的目标函数和约束的份额。最后,我们扩展的技术,安全地解决两方任意分区线性规划问题的多方方案。总之,我们提出了一套有效和安全的转换为基础的技术,创造显着的增值效益是独立的特定算法用于解决线性规划问题。
2016-10-07 cs.CR
Privacy-Preserving Cloud-Aided Broad Learning System
随着人工智能的快速发展和5G时代的到来,深度学习受到了研究者的广泛关注。广义学习系统(Broad Learning System,BLS)是近年来提出的一种新的深度学习模型,在图像识别、故障检测等领域显示了其有效性。然而,训练过程仍然需要大量的计算,因此不能由一些资源受限的设备来完成。为了解决这个问题,资源受限设备可以将BLS算法外包给云服务器。然而,使用云计算也带来了一些安全挑战,包括数据的隐私和返回结果的正确性。在本文中,我们提出了一个安全,高效,可验证的外包算法BLS。该算法不仅提高了算法在客户端的执行效率,而且保证了客户端的敏感信息不泄露到云服务器。此外,在我们的算法中,客户端可以以几乎1的概率验证返回结果的正确性。最后,从理论上分析了算法的安全性和效率,并通过实验证明了算法的可行性。
2021-01-08 cs.CR
Chorus: a Programming Framework for Building Scalable Differential Privacy Mechanisms
差分隐私正迅速成为支持数据统计分析同时保护个人隐私的黄金标准。然而,差分隐私的实际应用仍然落后于研究进展,因为研究原型不能满足生产部署的可扩展性要求。为了解决这一挑战,我们提出了合唱团,一个框架,用于建立可扩展的差分隐私机制,这是基于机制本身和高性能的生产数据库管理系统(DBMS)之间的合作。我们展示了使用合唱团建立第一个高度可扩展的复杂机制,如加权PINQ,MWEM,矩阵机制的实现。我们报告了我们在Uber部署Chorus的经验,并评估了它在现实世界查询中的可扩展性。
2021-05-04 cs.CR
Combining Usability and Privacy Protection in Free-Access Public Cloud Storage Servers: Review of the Main Threats and Challenges
21世纪属于计算的世界,特别是由于所谓的云计算。这项技术可以实现无处不在的信息管理,因此人们可以在任何地方和任何时间访问他们的所有数据。在这种情况下,云存储的出现在过去五年中发挥了重要作用。如今,一些免费访问的公共云存储服务使用户可以免费备份其资产并管理和共享它们,这对中小企业(SME)来说是一个低成本的机会。然而,云存储的采用涉及数据外包,因此用户无法保证其数据的处理和保护方式。因此,似乎有必要赋予公共云存储一套手段,以保护用户的机密性和隐私,评估数据完整性,并保证信息资产的适当备份。在本文中,我们讨论了实现这一目标的主要挑战,并强调了最受欢迎的公共云存储服务中已经实现的一组功能。
2016-10-27 cs.CR
OnePath: Efficient and Privacy-Preserving Decision Tree Inference in the Cloud
University of Electronic Science and Technology of China(电子科技大学)
研究云环境下决策树推理隐私与效率问题,提出OnePath框架,通过仅处理预测路径节点及采用功能加密优化,提升推理效率并保护隐私,经分析和实验验证其有效性。
2026-07-07 cs.CR
Privacy-preserving formal concept analysis: A homomorphic encryption-based concept construction
Kunming University of Science and Technology(昆明理工大学);Data Science Research Center, Kunming University of Science and Technology(昆明理工大学数据科学研究中心)
本文提出一种基于同态加密的隐私保护形式概念分析框架,用于在不泄露私人数据的情况下实现安全高效的概念构建。
2025-11-27 cs.CC cs.CR
Exploring Privacy Preservation in Outsourced K-Nearest Neighbors with Multiple Data Owners
k-最近邻(k-NN)算法是一种流行而有效的分类算法。由于其庞大的存储和计算需求,它适合云外包。然而,k-NN通常运行在敏感数据上,如医疗记录、用户图像或个人信息。在外包的k-NN系统中,保护数据的隐私是很重要的。以前的工作都假设数据所有者(将数据提交给外包的k-NN系统)是一个单一的可信方。然而,我们观察到,在许多实际场景中,可能存在多个相互不信任的数据所有者。在这项工作中,我们提出了第一个框架和探索的隐私保护在一个外包的k-NN系统与多个数据所有者。我们认为,这种修改引入的各种威胁模型。我们发现,在一个涵盖多种场景的特别实用的威胁模型下,存在一组自适应攻击,这些攻击会破坏任何精确的k-NN系统的数据隐私。该漏洞是k-NN及其输出的数学属性的结果。因此,我们提出了一个隐私保护的替代系统,支持核密度估计使用高斯核,分类算法从同一个家庭的k-NN。在许多应用中,这种类似的算法作为一个很好的替代k-NN。我们还研究了其他威胁模型的解决方案,通常是通过对以前的单一数据所有者系统进行扩展。
2015-07-29 cs.CR
Privug: Using Probabilistic Programming for Quantifying Leakage in Privacy Risk Analysis
披露数据分析结果具有重要的科学和商业理由。但是,未经认真调查受试者隐私风险,不得披露任何数据。Privug是一种工具支持的方法,用于探索数据分析和匿名化程序的信息泄漏特性。在Privug中,我们重新解释了一个程序的概率,使用现成的贝叶斯推理工具来执行信息流的信息理论分析。对于隐私研究人员来说,Privug提供了一种快速、轻量级的方式来试验隐私保护措施和机制。我们表明,Privug是准确的,可扩展的,并适用于一系列泄漏分析方案。
2021-08-11 cs.CR
Stream on the Sky: Outsourcing Access Control Enforcement for Stream Data to the Cloud
School of Computer Engineering, Nanyang Technological University(南洋理工大学计算机工程学院)
针对云环境下实时流数据的访问控制问题,提出一种基于代理的属性加密方案,实现云端对加密流数据的细粒度访问控制执行,同时保证数据机密性和不可授权访问。
2012-10-02 cs.CR cs.DB cs.SY
ThermoCAPTCHA: Privacy-Preserving Human Verification with Farm-Resistant Traceable Tokens
School of Computing & Informatics, University of Louisiana at Lafayette(路易斯安那大学拉斐特分校计算与信息学院);University of Tennessee at Chattanooga(田纳西大学查塔努加分校)
ThermoCAPTCHA通过实时热成像检测活人,无需用户解谜,提升隐私保护和验证效率
2026-03-06 cs.CR
Streamforce: outsourcing access control enforcement for stream data to the clouds
随着人类活动和配备传感功能的设备每天产生大量数据,云计算成为存储和管理数据的可扩展且具有成本效益的平台。虽然云计算的好处很多,但当数据和计算外包给第三方时产生的安全问题仍然阻碍了向云的完全迁移。在本文中,我们专注于云上的数据隐私问题,特别是对流数据的访问控制。流数据的性质和共享数据的复杂性使得访问控制比传统的档案数据库更具挑战性。我们提出了Streamforce-一个允许数据所有者安全地将其数据外包到云的系统。所有者指定由云执行的细粒度策略。后者执行大部分繁重的计算,而对数据一无所知。为此,我们采用了一些加密方案,包括确定性加密,基于代理的属性为基础的加密和滑动窗口加密。在Streamforce中,访问控制策略被建模为安全的连续查询,这需要对现有流处理引擎进行最小的更改,并允许轻松表达各种策略。特别是,Streamforce附带了许多安全的查询操作符,包括Map,Filter,Join和Aggregate。最后,我们实现了Streamforce在一个开源的流处理引擎(ESTO),并评估其在云平台上的性能。结果证明了许多实际应用程序的实际性能,尽管安全开销是可见的,但Streamforce具有高度可扩展性。
2013-05-28 cs.CR cs.DB
Preserving Both Privacy and Utility in Network Trace Anonymization
随着网络安全监控变得越来越复杂,越来越需要将这些任务外包给第三方分析师。然而,由于对敏感信息的隐私问题,组织通常不愿意共享其网络跟踪,网络和系统配置,可能被利用进行攻击。在数据所有者被说服共享其网络跟踪的情况下,数据通常会受到某些匿名化技术的影响,例如,CryptoPAn,它用前缀保留的前缀替换真实的IP地址。然而,大多数这样的技术或者容易受到对手的攻击,对手事先知道跟踪中的一些网络流,或者需要大量的数据清理或扰动,这两者都可能导致数据效用的显著损失。在本文中,我们的目标是保护隐私和效用之间的权衡转移到隐私和计算成本之间。其关键思想是让分析人员生成和分析原始网络轨迹的多个匿名视图;这些视图被设计为即使对拥有先验知识的对手也足够难以区分,这保护了隐私,而其中一个视图将产生由数据所有者私下检索的真实分析结果,这保留了效用。我们提出了一般的方法,并实例化它的基础上CryptoPAn。我们正式分析我们的解决方案的隐私和实验评估它使用真实的网络跟踪提供的主要ISP。结果表明,我们的方法可以显着降低信息泄漏的水平(例如,不到CryptoPAn泄露的信息的1%),具有可比的实用性。
2018-10-24 cs.CR
Dataset Obfuscation: Its Applications to and Impacts on Edge Machine Learning
本文通过 MNIST、CIFAR-10 在 IID 与非 IID 设置下的实验,分析随机噪声混淆对模型准确率、F-norm 距离和隐私的影响,并提出 PUD 三角图刻画权衡。
2023-08-18 cs.CR
CryptGraph: Privacy Preserving Graph Analytics on Encrypted Graph
许多图挖掘和分析服务已经部署在云上,这可以减轻用户实现和维护图算法的负担。然而,将图形分析放在云端可能会侵犯用户的隐私。为了解决这个问题,我们提出了CryptGraph,它在加密的图上运行图分析,以保护用户的图数据和分析结果的隐私。在CryptGraph中,用户在将其上传到云端之前对其图形进行加密。云在加密的图上运行图分析,并获得云无法解密的加密形式的结果。在计算过程中,加密的图永远不会在云端解密。加密后的结果返回给用户,由用户解密得到明文结果。在这个过程中,用户的图表和分析结果都是加密的,云计算不知道它们。因此,用户的隐私可以得到很好的保护。同时,借助同态加密,保证了加密图分析结果的正确性。本文介绍了如何使用同态加密对图进行加密,以及如何通过计算多项式来查询加密图的结构。为了解决某些操作在加密图上无法执行的问题,我们提出了硬计算外包来寻求用户的帮助。使用两个图算法作为例子,我们展示了如何应用我们的方法来执行加密图的分析。在两个数据集上的实验证明了该方法的正确性和可行性。
2015-03-18 cs.CR
$\mathcal{E}\text{psolute}$: Efficiently Querying Databases While Providing Differential Privacy
随着组织努力处理大量信息,将敏感数据外包给第三方成为必要。为了保护数据,外包数据库系统中使用了各种加密技术,以确保数据隐私,同时允许高效查询。出现了大量针对此类系统的攻击。即使有强大的加密技术,仅仅是通信量或访问模式就足以让对手成功。在这项工作中,我们提出了一个模型的差异私人外包数据库系统和具体的建设,$\mathcal{E}\text{psolute}$,可证明隐藏上述泄漏,同时保持高效和可扩展性。在我们的解决方案中,差分隐私被保留在记录级别,即使是针对控制数据和查询的不受信任的服务器。$\mathcal{E}\text{psolute}$结合了不经意的RAM和不同的私有消毒器,以创建通用和高效的构造。我们更进一步,提出了一系列改进,使解决方案的效率和实用性,为现实世界的采用。我们描述了并行化操作的方法,最大限度地减少噪音量,减少网络请求的数量,同时保持隐私保证。我们已经运行了一组广泛的实验,数十台服务器处理多达1000万条记录,并编写了详细的结果分析,证明了我们解决方案的效率和可扩展性。在提供强大的安全性和隐私保证的同时,我们比MySQL和PostgreSQL等非安全纯文本优化的RDBMS的范围查询执行慢不到一个数量级。
2021-09-27 cs.CR
PrivLoc: Preventing Location Tracking in Geofencing Services
基于位置的服务越来越多地用于我们的日常活动。然而,在目前的服务中,用户必须放弃他们的位置隐私,以获得服务。文献的特点是大量的贡献,旨在提高用户的隐私,基于位置的服务。这些贡献中的大多数使用空间和/或时间伪装来混淆用户的位置,以提供k-匿名性。尽管这样的方案确实可以加强用户的位置隐私,但是它们经常降低服务质量并且不一定防止对用户移动的可能跟踪(即,方向、轨迹、速度)。随着地理围栏应用的兴起,对移动的跟踪变得更加明显,因为在这些设置中,服务提供商不仅请求用户的单个位置,而且需要用户的移动矢量来确定用户是否已经进入/退出感兴趣的地理围栏。在本文中,我们提出了一种新的解决方案,PrivLoc,它使隐私保护外包的地理围栏和基于位置的服务到云,而不会泄露任何有意义的信息的位置,轨迹和速度的用户。值得注意的是,PrivLoc能够利用现有地理围栏服务或空间数据库的功能,实现移动矢量与任何感兴趣的多边形的高效和隐私保护交叉。我们分析了PrivLoc的安全和隐私条款,并通过实现来评估我们的方案的性能。我们的研究结果表明,PrivLoc引入的性能开销在很大程度上可以容忍在现实的部署设置。
2014-04-18 cs.CR
An Experiment Study on Federated LearningTestbed
虽然物联网(IoT)可以通过将模型训练外包到云上来从机器学习中受益,但用户数据暴露给不受信任的云服务提供商可能会对用户隐私构成威胁。最近,联邦学习被提出作为用于物联网的隐私保护机器学习(PPML)的方法,但其实用性仍不清楚。本文对一个基于PySyft的联邦学习框架的效率和隐私性能进行了评估,PySyft是一个用于分布式深度学习的Python库。据观察,由于通信开销,该框架的训练速度明显慢于集中式方法。同时,该框架在网络层面上对潜在的中间人攻击具有一定的脆弱性。该报告作为PPML性能分析的起点,并为PPML框架的发展提出了未来的方向。
2021-03-19 cs.CR cs.NI
A Practical Searchable Symmetric Encryption Scheme for Smart Grid Data
将数据存储外包给远程云是增强智能电网生态系统中数据管理的经济解决方案。为了保护数据的隐私,公用事业公司可以选择在将数据上传到云端之前对其进行加密。然而,虽然加密为数据提供了机密性,但它也牺牲了数据所有者查询其数据中特殊段的能力。可搜索对称加密是一种使用户能够以密文形式存储文档,同时保留在文档中搜索关键字的功能的技术。然而,大多数最先进的SSE算法仅关注一般文档存储,这可能不适合智能电网应用。在本文中,我们提出了一个简单,实用的SSE计划,旨在保护在智能电网中产生的数据的隐私。我们的方案实现了高空间复杂度与小的信息披露,是可以接受的实际智能电网应用。我们还实现了一个原型的统计数据的先进的仪表基础设施,以显示我们的方法的有效性。
2018-10-30 cs.CR
Outsourced Analysis of Encrypted Graphs in the Cloud with Privacy Protection
针对云外包图分析的隐私风险,提出基于 ASHE 与 SDHE 的 Eigen 衰减安全计算方案,并支持稀疏网络权衡,实验显示其在信息缩减、计算时间和存储成本上各有优势。
2023-04-21 cs.CR
Privacy Preserving Set-Based Estimation Using Partially Homomorphic Encryption
Constructor University(康斯特大学);Technical University of Munich(慕尼黑工业大学);KTH Royal Institute of Technology(瑞典皇家理工学院);Ain Shams University(艾因夏姆斯大学)
基于集合的估计由于其能够保证安全关键系统的状态封闭性而获得了很多关注。然而,从分布式传感器收集测量结果通常需要将基于集合的操作外包给聚合器节点,这引起了许多隐私问题。为了解决这个问题,我们提出了基于集合的估计协议,使用部分同态加密,保护隐私的测量和集合边界的估计。考虑了一类具有有界建模和测量不确定性的线性离散动力系统。集合可以用带域和约束带域来表示,因为它们可以紧表示高维集合,并且在线性映射和Minkowski加法下是封闭的。通过选择性地加密集合表示的参数,我们建立了加密域中的加密集合和相交集合的概念,这使得在确保隐私的同时能够保证状态估计。特别是,我们表明,我们的协议实现计算隐私使用的加密概念的计算不可篡改性。我们展示了我们的方法的效率,通过本地化一个真正的移动四轴飞行器使用超宽带无线设备。
2023-02-25 cs.CR cs.RO
Solving the Kidney Exchange Problem Using Privacy-Preserving Integer Programming (Updated and Extended Version)
针对肾脏交换问题(KEP)的隐私保护求解,提出一种基于整数规划的新颖协议,通过扩展理想功能输出包含算法终止决策,在MP-SPDZ框架中实现了精确解计算,显著提升了性能,并评估了扩展输出的信息泄露风险。
2023-10-23 cs.CR
PP-STAT: An Efficient Privacy-Preserving Statistical Analysis Framework using Homomorphic Encryption
NAVER Cloud \& Sungkyunkwan University Seongnam South Korea;NAVER Cloud \& Sungkyunkwan University
本文提出基于同态加密的 PP-STAT 框架,通过 Chebyshev 近似和预归一化缩放优化,在加密数据上安全高效地完成多项统计分析并保持高精度。
2025-10-04 cs.CR
Symmetries and isomorphisms for privacy in control over the cloud
云计算平台正越来越多地用于闭合反馈控制回路,特别是当使用诸如模型预测控制之类的计算昂贵的算法来优化性能时。控制算法的外包需要在控制系统和云之间交换数据,并且自然地引起对控制系统的数据的隐私的关注(例如,状态轨迹、控制目标)。此外,任何强制隐私的尝试都需要增加最小的计算开销,以避免降低控制性能。在本文中,我们提出了几种基于转换的方法来加强数据隐私。我们还量化了所提供的隐私量,并讨论了当对手可以访问侧知识时会丢失多少隐私。我们解决了三种不同的情况:a)云不知道被控制的系统; b)云知道系统使用什么传感器和执行器,但不知道系统动态; c)云知道系统动态,它的传感器和执行器。在所有这三种情况下,所提出的方法允许在不损害私有信息的情况下控制云(哪些信息被认为是私有的取决于所考虑的情况)。
2019-06-18 cs.CR cs.SY eess.SY
Privacy-Aware Randomized Quantization via Linear Programming
Ohio State University(俄亥俄州立大学);Yahoo Research(雅虎研究院)
本文针对差分隐私下离散输出存在偏差或权衡不佳的问题,提出一类无偏且具高度自由度的量化机制,并通过线性规划求解最优配置,实现更优的隐私-准确率权衡。
2024-06-01 cs.AI cs.CR
A Quantum-based Database Query Scheme for Privacy Preservation in Cloud Environment
针对云数据库查询中的双方隐私与通信开销问题,提出结合不经意传输、oracle、改进Grover迭代和偏移加密的量子查询方案,并验证其正确性、隐私性与效率。
2020-02-01 cs.CR quant-ph
PRI: Privacy Preserving Inspection of Encrypted Network Traffic
流量检测是当今许多安全解决方案的基本组成部分。例如,为了防止机密内部信息的泄漏或泄露,以及阻止恶意流量进入网络,当今大多数企业都运行检查流量的入侵检测和防御系统。然而,国家的最先进的检查系统并没有很好地反映不同的参与自主角色的利益。例如,企业中的员工或将其网络管理外包给专业第三方的公司可能要求其流量保持机密,甚至对系统管理员也是如此。此外,入侵检测系统使用的规则,或者更一般地,在线或离线异常检测引擎的配置,可以由第三方提供,例如,一家安全研究公司,因此可能构成一项重要的商业资产,应予以保密。今天,人们往往认为,不可能对这些额外所需资源进行核算,因为它们与效率和效力相矛盾。我们在本文中探索了一种新的方法,称为隐私保护检查(PRI),它提供了一个解决这个问题的方法,通过保护流量检查的隐私和检查规则和配置的机密性,例如,还支持灵活安装特定于公司的其他数据泄漏防护(DLP)规则。
2016-04-15 cs.CR cs.NI
A Programming Framework for Differential Privacy with Accuracy Concentration Bounds
差分隐私提供了一个正式的框架,推理的隐私和准确性的计算私人数据。它还为构建数据分析提供了丰富的构建块。当仔细校准时,这些分析同时保证了贡献数据的个人的隐私,以及推断人口有用属性的结果的准确性。差分隐私的组成性质已经激发了旨在帮助数据分析师对差异隐私分析进行编程的几种程序设计语言的设计和实现。然而,迄今为止提出的大多数差分隐私的程序设计语言提供了对隐私推理的支持,但不支持对数据分析准确性的推理。为了克服这一局限性,在这项工作中,我们提出了DPella,一个编程框架,为数据分析师提供支持,用于推理隐私,准确性及其权衡。DPella的显著特点是一个新的组件,可以静态跟踪不同数据分析的准确性。为了进行更严格的准确性估计,该组件利用污点分析来自动推断为保证隐私而添加的不同噪声量的统计独立性。我们展示了我们方法的灵活性,不仅实现了经典的计数查询(例如,CDF),但也可以通过分析分层计数查询(如人口普查局所做的查询),其中每个级别的准确性有不同的限制,数据分析师应该找出校准隐私的最佳方式,以满足准确性要求。
2019-09-10 cs.CR cs.DB cs.PL
An Effective Private Data storage and Retrieval System using Secret sharing scheme based on Secure Multi-party Computation
外包数据的隐私是一个主要的挑战。网络环境的不安全和服务提供商的不可信是使数据库成为服务的障碍。个人身份信息的收集和存储是一个主要的隐私问题。在线公共数据库和资源对用户隐私构成重大风险,因为恶意数据库所有者可能会监视用户查询并推断出有关客户的有用信息。数据隐私方面的挑战是与第三方共享数据,一个私有的信息检索(PIR),它是一种基于网络的信息检索技术,它可以在保证信息安全的同时,防止有价值的信息被第三方未经授权的访问和使用。方案允许用户在查询数据库的同时隐藏检索到的数据的身份。保密性的简单解决方案是在外包之前加密数据。查询执行,密钥管理和统计推断是这种情况下的主要挑战。所提出的系统提出了一种使用秘密共享技术来安全存储和检索私有数据的机制。其思想是开发一种机制来存储私有信息,该机制具有高度可用的存储提供者,可以从任何地方使用查询访问,同时隐藏实际的数据值私有信息检索系统采用基于秘密共享的安全多方计算(SMC)技术实现。多方计算允许多方在各自的私有输入上计算联合函数,通过对不同服务器所拥有的份额进行安全计算来获得查询结果。
2015-02-26 cs.CR
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
Blind Evaluation Framework for Fully Homomorphic Encryption and Privacy-Preserving Machine Learning
针对全同态加密下隐私保护机器学习因交互式解密轮次导致加密训练停滞的问题,提出盲评框架,通过将程序逻辑解构为二进制电路与算术,首次实现无需解密轮次的FHE安全训练与推理。
2024-08-27 cs.CR
MedBlindTuner: Towards Privacy-preserving Fine-tuning on Biomedical Images with Transformers and Fully Homomorphic Encryption
Georgia State University(佐治亚州立大学);Old Dominion University(老道明大学)
本文提出 MedBlindTuner 框架,结合 FHE 与 DEiT,在加密生物医学图像上完成模型训练,并在保持与非加密训练相当准确率的同时保护患者隐私。
2024-01-17 cs.CR cs.CV cs.LG
Your Inference Request Will Become a Black Box: Confidential Inference for Cloud-based Large Language Models
Key Lab of High Confidence Software Technologies (Peking University), Ministry of Education, China(高可信软件技术重点实验室(北京大学));School of Computer Science, Peking University, Beijing, China(北京大学计算机学院);Tencent, Shenzhen, China(腾讯(深圳));Macau university, China(澳门大学)
Talaria通过在客户端控制的CVM中执行敏感操作并使用ReMO协议保护隐私,实现云上LLM的保密推理,同时保持性能和效率。
2026-02-27 cs.AI cs.CL cs.CR
Programming Frameworks for Differential Privacy
本文调查了差分隐私编程框架的概念基础,为从业者选择框架提供指导,并为研究人员统一组织现有工作及理解未来新功能提供背景。
2024-03-17 cs.CR cs.DB cs.PL
GTree: GPU-Friendly Privacy-preserving Decision Tree Training and Inference
本文提出 GTree,首个利用 GPU 加速 MPC 保护的安全决策树训练与推理方案,设计了 GPU 友好的协议,在提升训练和推理效率的同时实现了更强的安全保证。
2025-04-01 cs.CR
Outsourced Privacy-Preserving Feature Selection Based on Fully Homomorphic Encryption
Kyushu Institute of Technology(九州工业大学)
针对现有隐私特征选择算法需多计算方、无完全可信外部方时安全性不足的问题,提出首个基于全同态加密的特征选择外包算法,优化了时空复杂度,实验验证其在小数据集上也具高效性。
2025-05-19 cs.AI cs.CR
Privacy-Preserving and Outsourced Multi-User k-Means Clustering
隐私保护数据采掘(PPDM)技术在过去的十年中得到了广泛的研究。通常,数据采掘过程中涉及的实体是具有有限计算和存储资源的最终用户或组织。因此,此类实体可能想要避免参与PPDM过程。为了克服这个问题并利用云计算的许多其他好处,将PPDM任务外包到云环境最近受到了特别的关注。我们考虑的情况下,n个实体外包他们的数据库(加密格式)到云,并要求云执行集群任务的组合数据在隐私保护的方式。我们把这样的过程称为隐私保护和外包分布式集群(PPODC)。在本文中,我们提出了一种新的和有效的解决方案的PPODC问题的基础上,k-means聚类算法。我们的解决方案的主要新颖之处在于,通过一个有效的转换技术,完全避免了计算集群中心所需的安全划分操作。我们的解决方案以迭代方式安全地构建集群,并在预定的终止条件成立时将最终集群中心返回给所有实体。该方案在标准半诚实模型下保护了所有参与实体的数据机密性。据我们所知,我们的工作是第一次讨论和提出一个全面的解决方案,以PPODC问题,对参与实体产生微不足道的成本。我们从理论上估计了该协议的计算和通信成本,并通过在真实数据集上的实验证明了其实用价值。
2014-12-14 cs.CR cs.DB