A Variational Formula for Infinity-Rényi Divergence with Applications to Information Leakage
给出了无穷阶Rényi发散的一个变分刻画.我们的特征是猜测：目标功能是一个比率的最大期望值的增益函数适用于正确猜测一个未知的随机变量的概率。我们的变分表征的一个重要方面是，它仍然不可知的特定的增益函数考虑，只要它满足一些正则性条件。此外，我们定义了两个变量的可调措施的信息泄漏，最大的$α$泄漏，并获得这些信息的措施，利用我们的变分表征的封闭形式的表达式。
2022-05-02 cs.IT math.IT
Information Leakage in Zero-Error Source Coding: A Graph-Theoretic Perspective
研究了零差错信源编码中对猜测对手的信息泄漏问题。信源编码问题是由一个混淆图来定义的，该图描述了信源符号之间的可混淆性。信息泄漏是衡量的比率的对手的成功猜测概率窃听前和窃听后的码字，最大化所有可能的源分布。在基本对抗模型下，对手进行单一猜测并且不允许其估计量与真实序列之间的失真，这种测量在文献中被称为最大最小熵泄漏或最大泄漏。我们开发了一个单字母的基本对抗模型下的最佳归一化泄漏的表征，以及最佳实现标量随机映射方案。一个有趣的观察是，最佳归一化泄漏等于固定长度源代码的最佳压缩率，这两者可以通过一些确定性编码方案同时实现。然后，我们将泄漏测量扩展到广义对抗模型，其中对手进行多次猜测，并允许一定程度的失真，我们推导出单字母的下限和上限。
2021-02-03 cs.CR cs.IT math.IT
Maximal Information Leakage from Quantum Encoding of Classical Data
本文定义了经典数据量子编码的最大量子泄漏度量，表示观察量子态测量后正确猜测数据函数概率的乘法增加，并证明其满足后处理不等式与独立性属性，同时界定了可访问信息及去极化噪声的影响。
2024-01-02 cs.CR cs.IT math.IT
An Operational Approach to Information Leakage via Generalized Gain Functions
本文提出最大 g-泄露这一操作性信息泄露度量，证明其与最大泄露、α-损失及多次猜测的关系，并给出闭式表达和无穷阶 Rényi 散度变分刻画。
2023-12-07 cs.IT math.IT
Privacy-Utility Tradeoff in a Guessing Framework Inspired by Index Coding
本文研究了隐私和实用性的权衡在一个单一的试验多终端猜测（估计）框架使用的系统模型，启发索引编码。在数据管理者处存在$n$独立的离散源。有$m$合法用户和一个对手，每个对手都有一些关于源的辅助信息。数据管理者向合法用户广播源的扭曲函数，这也被对手偷听到。在效用方面，每个合法用户希望完美地重建一些未知源，并在剩余未知源的估计正确性方面获得一定的增益。在隐私方面，数据管理者希望最大限度地减少最大泄漏：在接收到广播数据后，对手在估计其未知源的任何目标函数时的最坏情况猜测增益。给定的系统设置，我们得到基本的性能下限的最大泄漏的对手，这是由混淆图的概念和性能界限的索引编码问题的启发。我们还详细介绍了一个贪婪的隐私增强机制，它的灵感来自凝聚聚类算法的信息瓶颈和隐私漏斗问题。
2020-06-18 cs.IT math.IT
Information Leakage in Index Coding
研究了一般消息分布下索引编码对猜测对手的信息泄漏问题。在这两个消失的错误和零错误解码的假设下，我们开发的最佳泄漏率，这是基于由对手试图猜测的消息集引起的子问题的广播速率的上下限。当消息独立且均匀分布时，下限和上限匹配，从而在两个速率之间建立等效。
2022-05-22 cs.CR cs.IT math.IT
An Operational Approach to Information Leakage
给定两个随机变量$X$和$Y$，采取一种操作方法来量化从$X$到$Y$的信息“泄漏”。所得到的测量值$\mathcal{L}(X \!\! \to \!\! Y)$被称为\emph{maximal leakage}，并且被定义为在观察$Y$时正确猜测$X$的随机化函数的概率的乘法增加，在所有这样的随机化函数上最大化。对于离散的$X$和$Y$给出了$\mathcal{L}(X \!\! \to \!\! Y)$的一个封闭形式的表达式，并将其推广到处理一大类随机变量.由此产生的属性被证明是一致的泄漏测量的公理视图，和定义被证明是强大的设置中的变化。此外，一个变体的香农密码系统进行了研究，其中的加密方案的性能进行测量，使用最大泄漏。（归一化）最大泄漏的最佳极限的单字母特征推导和渐近最优加密方案的证明。此外，从数据估计最大泄漏的样本复杂性的特点是次多项式的因素。最后，\emph{guessing}框架用于定义最大泄漏是用来给常用的泄漏措施，如香农容量，最大相关性，和本地差分隐私的操作解释。
2018-07-20 cs.IT math.IT
Why Botnets Work: Distributed Brute-Force Attacks Need No Synchronization
2017年9月，Mcaffee Labs的季度报告估计，蛮干攻击占网络攻击总数的20%，使其成为最普遍的攻击类型，除了基于浏览器的漏洞。这些攻击有时会带来灾难性的后果，了解它们的基本限制可能会在密码安全系统的风险评估和设计更好的安全协议中发挥重要作用。虽然存在一些解决方案来防止来自单个IP地址的在线蛮干攻击，但僵尸网络执行的攻击更具挑战性。在本文中，我们分析这些分布式攻击，通过使用一个简化的模型。我们的目标是了解分布式和分布式对破坏系统所需的整体计算工作量的影响。我们的结果是基于猜测，一个正确的序列，如密码，发现在一个最佳的攻击之前，对手所需的查询（猜测）的数量的措施。猜测是从一组具有相关似然性的序列中猜测序列的时间和计算工作量的直接替代。我们通过最坏情况下的优化来模拟缺乏同步，在最坏情况下，多个对抗代理的查询以最差的顺序接收，从而得到最小-最大公式。我们表明，即使没有同步，和序列的增长长度，渐近最优性能是通过使用随机猜测从一个适当的分布。因此，随机化是分布式异步攻击的关键。换句话说，异步猜测者可以像同步猜测者一样有效地渐进地执行蛮干攻击。
2019-07-01 cs.CR cs.IT math.IT
Information Leakage in Index Coding With Sensitive and Non-Sensitive Messages
研究了索引编码中部分消息敏感而部分消息不敏感的情况下，对猜测对手的信息泄漏问题。非敏感消息可以由服务器像密钥一样使用，以减轻敏感消息向对手的泄漏。我们构建了一个确定性线性编码方案，该方案是从基于拟合矩阵的秩最小化方法（Bar-Yossef et al. 2011）发展而来的。线性方案导致了一个新的上界的最佳信息泄漏率，这是证明了紧的所有确定性标量线性码。我们还得到了一个相反的结果，从图论的角度来看，这在一般情况下，所有的确定性和随机编码方案。
2022-05-22 cs.CR cs.IT math.IT
An Alphabet of Leakage Measures
我们引入了一个家庭的信息泄漏措施，称为最大$α,β$泄漏，参数化的实数$α$和$β$。该措施是正式通过一个操作的定义，涉及一个对手猜测一个未知的功能的数据给定的发布数据。我们得到了一个简单的，可计算的表达式的措施，并表明，它满足几个基本性质，如单调性$β$为固定的$α$，非负性，数据处理不等式，和添加剂在独立的版本。最后，我们强调了这个家庭的相关性，它桥接了几个已知的泄漏措施，包括最大$α$ -泄漏$(β=1)$，最大泄漏$(α=\infty,β=1)$，局部差分隐私$(α=\infty,β=\infty)$和局部Renyi差分隐私$(α=β)$。
2022-11-28 cs.IT math.IT
Tail exponents of conditional guesswork via the method of types
School of Computer and Communication Sciences, EPFL（洛桑联邦理工学院计算机与通信科学学院）；Federal Department of Foreign Affairs（瑞士联邦外交部）
该研究针对带逐元素相关边信息的独立同分布随机序列猜测问题，用类型计数法推导无边信息时的猜测次数尾概率，扩展至条件场景得到猜测指数显式表达式，并将其应用于带边信息的暴力密码猜测。
2026-08-19 cs.CR cs.IT math.IT
Evaluating Multiple Guesses by an Adversary via a Tunable Loss Function
我们考虑一个问题的猜测，其中对手是有兴趣知道的值的实现离散随机变量$X$观察另一个相关的随机变量$Y$。对手可以进行多次（比如说，$k$）猜测。假设对手的猜测策略最小化$α$ -损失，一类可调损失函数参数化的$α$。之前已经示出，该损失函数捕获公知的损失函数，包括指数损失（$α=1/2$）、对数损失（$α=1$）和$0$损失（$α=\infty$）。我们完全描述了最优对抗策略和由此产生的预期$α$损失，从而恢复了$α=\infty$的已知结果。我们定义了一个信息泄漏措施，从$k$猜测设置，并推导出一个条件下，泄漏是不变的，从一个单一的猜测。
2021-08-19 cs.IT math.IT
Robustness of Maximal $α$-Leakage to Side Information
最大$α$ -泄漏是基于基于公共数据猜测私有数据的任意函数的准确性的信息泄漏的可调度量。参数$α$确定用于测量置信度准确性的损失函数，范围从$α=1$处的对数损失到$α=\infty$处的错误概率。为了研究边信息对该测度的影响，我们引入并定义了条件最大$α$ -泄漏。我们表明，对于一个选定的映射（通道）从实际（视为私人）的数据发布（公共）的数据和一些边信息，条件最大$α$泄漏是上确界（在所有边信息）的条件Arimoto信道容量的条件是在边信息。我们证明了，如果边信息是有条件地独立于公共数据给定的私人数据，边信息不会增加信息泄漏。
2019-04-05 cs.IT math.IT
A Tunable Measure for Information Leakage
介绍了一种可调的信息泄漏度量\textit{maximal $α$-leakage}。该度量量化了对手在改进其对以所公开的数据集为条件的数据集的任何（潜在随机）函数的先验信念的倾斜版本时的最大增益。$α$的选择决定了具体的对抗行为，从精炼$α=1$的信念到猜测$α= \infty$的最佳后验，对于这些极值，该度量分别简化为互信息（MI）和最大泄漏（MaxL）。对于所有其他$α$，该测量被示出为Arimoto信道容量。证明了该度量的几个性质，包括：（i）原始数据集和公开数据集之间的映射中的准凸性;（ii）数据处理不等式;以及（iii）组合性质。
2018-06-08 cs.IT math.IT
Maximal $α$-Leakage for Quantum Privacy Mechanisms
本文提出最大 $α$-泄漏以量化量子 adversary 在量子隐私机制下获取敏感信息的能力，证明其由 measured Rényi entropy 和 capacity 决定，并建立了数据处理不等式、组合性质及正则化形式。
2024-03-21 cs.CR cs.IT math.IT
Multi-user guesswork and brute force security
Guesswork问题最初的动机是希望量化单用户系统的计算安全性。利用最近的结果，从它的分析，我们扩展的职权范围和实用程序的框架，以量化的计算安全的多用户系统。特别地，假设$V$用户独立地从有限但可能很大的列表中随机选择字符串。不知道哪些字符串已被选择的查询者希望识别其中的$U$。查询器知道每个用户的选择概率，并且配备有一种方法，该方法能够一次一个地测试每个（用户，字符串）对，以确定该字符串是否已被该用户选择。在这里，我们建立，除非$U=V$，有没有一般的战略，最大限度地减少分布的猜测数，但在渐近线作为字符串变得很长，我们证明了以下内容：通过建设，有一个渐近最优类的战略;渐近最优策略中所需的猜测次数满足具有速率函数的大偏差原理，该速率函数不一定是凸的，如果所有用户的选择统计都是相同的，则平均猜测随着字符串长度增加的指数增长率由具有参数$(V-U+1)/(V-U+2)$的字符串源的特定Rényi熵确定，推广了已知的$V=U=1$情况;并且源的Shannon熵是所有$U$和$V$的平均猜测增长率的下界，从而为多用户系统提供了计算安全性的界限。例子来说明这些结果和系统设计的影响。
2017-08-03 cs.IT math.IT
Optimal Rate-Distortion-Leakage Tradeoff for Single-Server Information Retrieval
私有信息检索协议保证用户可以从存储在多个服务器上的数据库中私有地、丢失地检索单个文件。在这项工作中，我们建议同时放宽条件的完美检索和隐私，以获得更好的下载速率时，所有文件存储在一个单一的服务器上未编码。信息泄漏是根据服务器正确猜测所需文件的身份的平均成功概率来衡量的。主要调查结果如下：i）当文件大小为无限时，下载速率、失真和信息泄漏之间的最佳折衷的推导。对于“无泄漏”和“无隐私”的特殊情况，给出了最优折衷的封闭表达式。ii）一种基于线性规划（LP）的新方法，用于构建有限文件大小和任意数量文件的方案。所提出的LP方法可以被用来找到可证明的最佳方案与相应的封闭形式的表达式的速率失真泄漏的权衡时，数据库中包含最多4位。最后，对于一个包含320位的数据库，我们比较了两种建设方法的基础上的LP方法与非建设性计划下载的文件子集使用有限长度的有损压缩机的基础上随机编码。
2022-01-06 cs.IT math.IT
Tunable Measures for Information Leakage and Applications to Privacy-Utility Tradeoffs
我们引入了一个可调的信息泄漏措施，称为最大α泄漏。该度量量化了对手从数据的发布中推断数据集的任何（潜在随机）函数的最大收益。对手的推理能力，反过来，量化的一类对抗损失函数，我们引入$α$ -损失，$α\in[1,\infty]$。$α$的选择决定了具体的对抗行动，范围从细化$α=1$的信念（关于数据的任何函数）到猜测$α=\infty$的最可能值，同时细化介于两者之间的$α$的信念的$α^{th}$矩。最大α泄漏然后量化在数据的所有可能函数上的$α$损失下的对抗增益。特别地，对于$α=1$和$α=\infty$的极值，最大α泄漏分别简化为互信息和最大泄漏。对于$α\in(1,\infty)$，该测量被示出为阶为$α$的Arimoto信道容量。我们表明，最大的α-泄漏满足数据处理不等式和次加性属性，从而允许一个弱的组合物的结果。在这些属性的基础上，我们使用最大α泄漏作为隐私措施和研究的问题，数据发布的隐私保证，其中发布的数据的效用是通过一个硬失真约束确保。与平均失真不同，硬失真提供了保真度的确定性保证。我们表明，在硬失真约束下，对于$α>1$的最佳机制是独立的$α$，因此，得到的最佳折衷是相同的所有值的$α>1$。最后，最大阿尔法泄漏作为隐私措施的可调性也说明了平均汉明失真作为实用措施的二进制数据。
2019-08-19 cs.IT math.IT
Unifying Privacy Measures via Maximal $(α,β)$-Leakage (M$α$beL)
本文提出由 $α,β$ 参数化的最大 $(α,β)$-泄露（M$α$beL），给出可计算表达式与隐私性质，并统一最大泄露、LDP、LRDP及差分隐私等度量。
2024-04-05 cs.IT math.IT
Information Density Bounds for Privacy
KTH Royal Institute of Technology（皇家理工学院）；Inria Saclay（巴黎萨克雷国家研究院）；University of New South Wales, Canberra（新南威尔士大学堪培拉分校）
本文通过引入点wise最大成本（PMC）隐私度量，探讨了隐私保护中信息密度下限的设定，并揭示了PMC与LDP等隐私机制之间的关系，填补了隐私度量分类学中的空白。
2026-03-13 cs.CR cs.IT math.IT
