A Narrative Review of Identity, Data, and Location Privacy Techniques in Edge Computing and Mobile Crowdsourcing
Toronto Metropolitan University（多伦多都会大学）
本文综述移动众包与边缘计算中的身份、数据和位置隐私保护技术，梳理文献趋势、技术进展及未来方向。
2024-10-28 cs.CL cs.CR
On (The Lack Of) Location Privacy in Crowdsourcing Applications
众包使应用程序开发人员能够以低成本从大型和多样化的数据集中受益。具体地，移动众包（MCS）利用用户的设备作为传感器来执行地理定位的数据汇集。收集地理定位数据会给用户带来严重的隐私问题。然而，尽管有大量关于位置隐私保护机制（LPPM）的研究机构，MCS开发人员对数据汇集或发布实施很少或根本没有保护。为了理解这种不匹配，我们研究了现有LPPM在两个移动众包项目的公开数据上的表现。我们的研究结果表明，完善的防御要么不适用，要么在MCS设置提供很少的保护。此外，它们对应用程序的效用的影响比文献中预见的要大得多。这是因为考虑到基于位置的服务（LBS）而设计的现有LPPM针对基于用户位置的效用函数进行了优化，而MCS效用函数取决于值（例如，测量）与这些位置相关联。最后，我们概述了可能的研究途径，以促进新的位置隐私解决方案，适合MCS的需求，使越来越多的这样的应用程序不会危及用户的隐私的发展。
2019-06-05 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
Secure Hot Path Crowdsourcing with Local Differential Privacy under Fog Computing Architecture
众包在物联网（IoT）中起着数据汇集的重要作用，其中一组工作人员配备有互联网连接的地理定位设备，以收集传感器数据用于营销或研究目的。在本文中，我们考虑众包这些工人的热行程路径，每个工人需要报告他的实时位置信息，这是敏感的，必须加以保护。基于加密的方法是保护位置的最直接方式，但不适合资源有限的设备。此外，局部差分隐私是一种强隐私概念，已经被部署在许多软件系统中。然而，局部差分隐私技术需要大量的参与者来保证估计的准确性，而众包并不总是这样。针对这一问题，提出了一种基于trie树的迭代统计方法，该方法结合了加性秘密共享和局部差分隐私技术。该方法具有良好的性能，即使在有限的参与者数量，而不需要复杂的计算。具体而言，所提出的方法包含三个主要组成部分：迭代统计，自适应采样和安全报告。我们从理论上分析了所提出的方法的有效性，并进行了大量的实验表明，所提出的方法不仅提供了严格的隐私保证，但也显着提高了以前现有的解决方案的性能。
2020-12-26 cs.CR
SecureFind: Secure and Privacy-Preserving Object Finding via Mobile Crowdsourcing
蓝牙标签的成本和移动设备的普及正在彻底改变传统的失物招领服务。本文介绍了SecureFind，通过移动众包的安全和隐私保护的对象查找系统。在SecureFind中，每个贵重物品都附有一个唯一的蓝牙标签，丢失物品的所有者通过SecureFind服务提供商向许多移动用户提交物品查找请求。每一个移动用户都代表失主在其附近搜索失物，失主可以根据移动用户的响应推断其失物的位置。SecureFind旨在确保强大的对象安全性，只有对象所有者才能发现其丢失对象的位置，并为相关移动用户提供强大的位置隐私。SecureFind的高效性和效率得到了大量模拟的证实。
2015-03-27 cs.CR
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
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
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
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
Collective Obfuscation and Crowdsourcing
College of Computing and Information Sciences, Cornell University（康奈尔大学计算与信息科学学院）
众包技术依靠一群人输入可能对决策至关重要的信息。这项工作研究了报告技术背景下的混淆。我们发现，报告平台的广泛使用带来了独特的安全和隐私影响，并引入了一个威胁模型和相应的分类，以概述在这个空间中的许多攻击向量。然后，我们对来自有争议的真实世界报告热线的呼叫日志数据集进行实证分析，并确定旨在阻碍平台合法性的协调混淆策略。我们提出了各种统计措施来量化这种混淆策略在我们的数据集中报告攻击的结构和语义特征方面的强度。
2022-08-12 cs.CR cs.CY cs.LG
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
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
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
Privacy-Preserving Vehicle Assignment for Mobility-on-Demand Systems
University of Pennsylvania（宾夕法尼亚大学）
城市交通正在被按需移动（MoD）系统所改变。MoD系统的目标之一是为乘客提供个性化的运输服务。这一过程由一个集中的运营商促进，该运营商根据位置数据协调车辆分配给各个乘客。然而，目前的方法假设乘客和车辆的准确定位信息是容易获得的。这种假设引起了隐私问题。在这项工作中，我们通过提出一种保护乘客下车位置的方法来解决这个问题（即，旅行目的地）。形式上，我们解决了一个批量分配问题，该问题将车辆从模糊的原点位置路由到乘客位置（因为原点位置对应于先前的下车位置），使得平均等待时间最小化。我们的主要贡献有两方面。首先，我们形式化的概念，隐私的连续车辆到乘客分配在国防部系统，并集成了一个隐私机制，提供正式的保证。其次，我们提出了一个可扩展的算法，利用多余的（空闲）车辆在系统中，结合多次迭代的匈牙利算法分配冗余数量的车辆给一个单一的乘客。因此，我们能够减少隐私机制引起的性能恶化。我们评估我们的方法在一个真实的，大规模的数据集，包括超过1100万辆出租车（指定车辆的可用性和乘客的要求），记录在一个月的时间，在纽约曼哈顿地区。我们的工作表明，隐私可以集成到国防部系统，而不会导致显着的性能损失，而且，这种损失可以进一步减少部署额外的（冗余）车辆到车队的成本。
2017-03-14 cs.CR cs.RO
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
Have it your way: Individualized Privacy Assignment for DP-SGD
CISPA Helmholtz Center for Information Security（CISPA亥姆霍兹信息安全中心）；Free University Berlin（柏林自由大学）；Columbia University（哥伦比亚大学）；University of Toronto（多伦多大学）；Vector Institute（向量研究所）
针对统一隐私预算难以匹配用户差异化偏好的问题，提出IDP-SGD，通过修改DP-SGD的数据采样与梯度加噪机制支持个体化预算，并改善隐私-效用权衡。
2024-01-19 cs.AI cs.CR cs.LG
PASTRAMI: Privacy-preserving, Auditable, Scalable & Trustworthy Auctions for Multiple Items
分散的云计算平台使个人能够以点对点的方式提供和租用资源。它们必须将资源从多个卖方分配给多个买方，并得出符合双方利益和能力的价格。转让过程必须分散，公平和透明，但也要保护买家的隐私。我们介绍了PASTRAMI，一个分散的平台，通过支持多项目拍卖，使大量卖家和投标人之间的项目和价格的可信分配。PASTRAMI使用阈值盲签名和承诺方案提供强大的隐私保证，同时使投标人负责。它利用以太坊区块链实现可验证性，将高效的链下计算与新颖的链上不当行为证明相结合。我们使用Filecoin工作负载对PASTRAMI进行的评估表明，它能够在数千名买家和卖家之间有效地产生值得信赖的分配。
2020-12-16 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
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
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
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
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
Privacy-Preserving Distributed Optimization Under Time Constraints Using Secure Multi-Party Computation and Evolutionary Algorithms
Johannes Kepler University Linz（林茨约翰内斯·开普勒大学）；AIT Austrian Institute of Technology（奥地利技术研究院）
本文提出了一种结合进化算法和安全多方计算的方法，用于在时间敏感的场景中实现隐私保护的分布式优化，通过减少隐私保护计算对运行时间的影响，确保在截止时间内返回解决方案，并探讨了隐私保护与解决方案质量之间的权衡。
2026-05-20 cs.CR cs.NE
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
G-Lox: Group-Adaptive, Privacy-Preserving Bridge Distribution with Two-Party Computation
University of Minnesota（明尼苏达大学）
提出G-Lox桥分发系统，通过两方安全计算实现隐藏的组级自适应分配，保护分发者盲性，支持阻塞报告、传输感知重分配和隐私保护组分裂。
2026-06-19 cs.CR
A Verifiable Multiparty Computation Solver for the Assignment Problem and Applications to Air Traffic Management
指派问题是许多应用领域中的基本问题，经常被用来优化资源的使用。这个问题是很好理解的，存在各种有效的算法来解决这个问题。然而，目前还不清楚什么样的实际性能可以实现基于多方计算（MPC）的隐私保护的实现，利用更有效的解决方案的策略比基于MPC的单纯形求解器的线性规划。我们通过实施和比较不同的优化MPC算法来解决这个问题，以解决合理的问题大小的分配问题。我们的经验方法揭示了对基于MPC的优化的各种见解，并且与已知的基于单纯形的方法相比，我们测量了显着的（50倍）加速。此外，我们还研究了通过非交互式的零知识证明的结果公开验证引入的开销。通过利用现代证明系统，我们还实现了显着的加速证明和验证时间相比，以前提出的方法，以及紧凑的证明大小。
2022-05-06 cs.CR
The Privacy Fallacy of Crowdsourced Fine-Tuning: Extracting Proprietary Data via Topic-Based Poisoning
Khoury College of Computer Sciences, Northeastern University（东北大学胡里计算机科学学院）
本研究揭示众包微调中恶意用户可通过少量投毒样本大幅放大对其他用户专有指令的提取，且现有数据过滤难以有效防御。
2026-09-29 cs.CR cs.LG
Privacy Preserving Analytics on Distributed Medical Data
目的：从分布式电子健康记录中实现高质量生成和区分机器学习模型的隐私保护学习。方法和结果：我们描述了一般和可扩展的策略，以可证明的隐私保护方式构建机器学习模型。与标准方法相比，差分隐私，我们的方法不需要改变输入的生物医学数据，与完全或部分分布式数据集，只要参与数据处理的大多数网站是可信的，不串通，是有弹性的。我们展示了如何将所提出的策略应用于分布式医疗记录，以解决变量分配问题，准确的特征选择和贝叶斯网络学习的关键任务。结论：我们提出的架构可用于医疗保健组织，跨提供商，保险公司，研究人员和计算服务提供商，以建立强大的和高质量的预测模型的情况下，分布式数据必须结合在一起，而不会被披露，更改或以其他方式损害。
2018-06-18 cs.CR
Privacy-preserving methods for smart-meter-based network simulations
智能电表是能源转型的关键组成部分。近实时收集的大量数据使电网运营商能够观察和模拟网络状态。然而，隐私保护规则禁止将此类数据用于网络运营和计费以外的任何应用。智能电表测量必须匿名，才能将这些敏感数据传输给第三方，以执行网络模拟和分析。这项工作提出了两种数据匿名化的方法，使网络仿真和分析的原始有功功率测量的使用。第一种是基于外部来源的负载数据库的分配。第二种方法是对具有相似电气特性的智能电表数据进行分组，然后对网络负载母线分配进行随机排列。这两种方法的基准突出显示，都提供了类似的结果，在总线电压幅值估计接地电压。
2021-10-07 cs.CR
The Price of Privacy For Approximating Max-CSP
Rutgers University（罗格斯大学）；Nanjing University（南京大学）；Google Research（谷歌研究院）；New York University（纽约大学）；University of Wrocław（弗罗茨瓦夫大学）
本文研究了在差分隐私下近似最大约束满足问题的隐私成本，证明了高隐私下算法的近似比率上限，并提出了在有限度和三角形自由条件下达到该上限的多项式时间算法。
2026-09-15 cs.CR cs.DS
Privacy Preserving and Cost Optimal Mobile Crowdsensing using Smart Contracts on Blockchain
由于移动设备及其传感和处理能力的广泛应用，移动人群感知应用的普及性和适用性不断增加。然而，我们需要为贡献资源并保护隐私的移动用户提供适当的激励。区块链技术实现了半匿名的多方交互，并可用于众测应用程序，以维护移动用户的隐私，同时确保一流的众测数据。在这项工作中，我们建议使用区块链技术和智能合约来协调移动众测提供商和移动用户之间的互动，以实现空间众测，其中移动用户需要在特定位置执行任务。智能合约作为在区块链上执行的流程运行，用于保护用户的隐私并进行支付。此外，为分配的人群感知任务的移动用户，我们设计了一个真实的，成本最优的拍卖，最大限度地减少支付从人群感知提供商的移动用户。大量的实验结果表明，建议的隐私保护拍卖优于国家的最先进的建议，成本高的移动用户和任务数的10倍。
2018-08-20 cs.CR cs.GT cs.NI
Target Privacy Preserving for Social Networks
本文将密钥保护的现实场景融入到链接隐私保护中，提出了目标链接隐私保护（TPP）模型：目标链接是最重要和最敏感的目标，会被攻击者故意攻击，因此需要隐私保护，而其他隐私关注度较低的链接则被适当释放以维护图的效用。TPP的目标是通过删除一组预算有限的替代非目标链接（称为保护器）来限制目标披露，以保护所有目标的对抗性链接预测。传统的链路隐私保护以所有链路为目标，侧重于结构级保护，链路泄露严重、图效用损失大的问题仍然是当前图发布的瓶颈; TPP则侧重于目标级保护，对极小部分关键目标实施密钥保护，以实现更好的隐私保护和更低的图效用损失。目前，缺乏明确的TPP问题定义，可证明的最佳或接近最佳的保护器选择算法和可扩展的大规模社会图的实现。首先，我们介绍了TPP模型，并提出了一个相异度函数用于衡量防御能力的隐私分析的目标。通过预算分配的设置，我们考虑了两个不同的问题：1）保护所有目标，用一个预算来优化所有目标的相异性; 2）除了保护所有目标外，我们还考虑每个目标的保护，为每个目标分配一个局部预算，考虑两个局部保护器的选择。我们还实现了可扩展的实现和实验，以证明所提出的算法的有效性和效率。
2020-02-09 cs.CR cs.SI
A Distributed Differentially Private Algorithm for Resource Allocation in Unboundedly Large Settings
École Polytechnique Fédérale de Lausanne (EPFL)（洛桑联邦理工学院）
我们介绍了一个实用的和可扩展的算法（PALMA），用于解决多代理系统的基本问题之一-找到匹配和分配-在无限大的设置（例如，城市环境中的资源分配、按需移动系统等），同时提供强有力的最坏情况隐私保证。PALMA是去中心化的，在设备上运行，不需要智能体通信，并且在合理的假设下在恒定的时间内收敛。我们评估PALMA在移动按需和纸张分配的情况下，使用真实的数据，并证明它提供了一个强大的隐私级别（$\varepsilon \leq 1$和中位数低至$\varepsilon = 0.5$跨代理）和高质量的匹配（高达$86\%$的非私人最佳，甚至优于隐私保护的集中式最大权重匹配基线）。
2022-03-13 cs.AI cs.CR cs.MA
