A Survey on Privacy and Security in Online Social Networks
在线社交网络（OSN）是一个永久的存在，在今天的个人和职业生活的一个巨大的部分人口，直接影响到离线活动。建立在信任的基础上用户与其他有共同兴趣或重叠的个人兴趣的用户建立联系在线社交网络和相关的应用程序提取了前所未有的大量个人信息。不出所料，出现了严重的隐私和安全风险，将自己定位为两种主要类型的攻击：利用嵌入在公开的社交关系中的隐含信任的攻击;以及收集用户个人信息用于恶意用途的攻击。本文概述了迄今为止OSN中出现的隐私和安全问题。我们介绍了OSN中的隐私和安全攻击的分类，我们概述了现有的解决方案，以减轻这些攻击，并概述了仍然需要克服的挑战。
2015-01-27 cs.CR cs.SI
Message in a Sealed Bottle: Privacy Preserving Friending in Social Networks
许多基于接近度的移动社交网络被开发来促进任何两个人之间的连接，或者帮助用户在一定距离内找到具有匹配简档的人。在这些应用中，一个具有挑战性的任务是保护参与者的个人资料和个人利益的隐私。在本文中，我们设计了新的机制，当给定的偏好配置文件提交的用户，搜索一个人与匹配配置文件在分散的多跳移动社交网络。我们的机制是保护隐私的：没有参与者的个人资料和提交的偏好配置文件被暴露。我们的机制在发现匹配用户的同时，在发起者和匹配用户之间建立了一条安全的通信通道，严格的分析表明，我们的机制是安全的、隐私保护的、可验证的，并且在通信和计算上都是有效的。使用真实的社交网络数据进行的广泛评估和智能手机上的实际系统实现表明，我们的机制比现有的解决方案更有效。
2012-07-31 cs.CR cs.SI
Securing Social Media User Data - An Adversarial Approach
社交媒体用户产生了大量的数据。为了更好地服务用户，需要在研究人员、广告商和应用程序开发人员之间共享用户相关数据。公布这些数据将引发对用户隐私的更多担忧。为了鼓励数据共享并减轻用户隐私问题，已经开发了许多匿名化和去匿名化算法来帮助保护社交媒体用户的隐私。在这项工作中，我们提出了一个新的对抗攻击专门用于社会媒体数据。我们还提供了一种原则性的方法来评估匿名化社交媒体数据的不同方面的有效性。我们的工作揭示了社交媒体数据中新的隐私风险，这是由于用户生成数据的固有异质性，需要在共享用户数据和保护用户隐私之间取得平衡。
2018-05-01 cs.CR cs.SI
Preserving privacy enables "co-existence equilibrium" of competitive diffusion in social networks
随着社交媒体的出现，不同的公司经常同时推广竞争产品，以获得社交网络中用户的口碑传播和采用。对于这种竞争扩散的情况，先前的研究表明，较弱的产品将很快灭绝（即，“赢家通吃”）。然而，有趣的是，在实践中，竞争产品，如iPhone和Android手机，往往在市场上共存。这种差异可能是由许多因素造成的，例如现实世界中的用户可能由于对产品或隐私保护的不满意而不会传播其对产品的使用的现象。在本文中，我们将用户的隐私传播行为的竞争扩散的两种产品，并开发了一个问题的隐私意识的竞争扩散。然后，我们证明了隐私保护机制可以实现“共存均衡”（即，两种竞争产品在均衡中共存）在社交网络上的竞争扩散中。除了严格的分析，我们还证明了我们的结果与实验在真实的网络拓扑结构。
2019-11-02 cs.CR cs.SI
Trajectory Privacy Protection Mechanism based on Social Attributes
目前的轨迹隐私保护技术只考虑了轨迹数据的时空属性，而忽略了轨迹数据的社会属性。然而，社会属性与人类活动轨迹之间存在着内在联系，这给轨迹隐私保护带来了新的挑战，使得现有的轨迹隐私保护技术无法抵御基于社会属性的轨迹隐私攻击。为此，本文首先研究了轨迹数据中的社会隐私攻击，构建了基于“时空”特征融合的社会隐私攻击模型，揭示了轨迹数据中的时空特征对社会隐私泄露的内在影响。- 匿名算法和轨迹发布隐私保护提供理论支持。在此基础上，将社会属性融入轨迹隐私保护技术，设计基于“时空-社会”三维移动模型的轨迹k-匿名算法，构建基于“时空-社会-语义”多维关联的轨迹数据发布隐私保护模型。
2022-12-13 cs.CR
MPC meets SNA: A Privacy Preserving Analysis of Distributed Sensitive Social Networks
在本文中，我们正式的分布式敏感社交网络（DSSNs），其中包括网络，如敌意网络，金融交易网络，供应链网络和性关系网络的概念。与研究得很好的传统社交网络相比，考虑到网络所编织的个人的隐私问题，DSSN的研究往往更具挑战性。在目前的工作中，我们设想使用安全的多方工具和技术进行隐私保护社会网络分析在DSSNs。作为实现这一目标的一步，我们设计了有效的数据无关算法，用于计算给定DSSN的K壳分解和PageRank中心性度量。所设计的数据不经意算法可以转化为等价的安全计算协议。我们还列出了一系列需要解决的挑战，采用安全计算协议作为一个实际的解决方案，研究DSSNs。
2017-05-19 cs.CR cs.SI
How Far Removed Are You? Scalable Privacy-Preserving Estimation of Social Path Length with Social PaL
社会关系是人类做出信任决策的自然基础。在线社交网络（OSN）越来越多地被用于让用户基于社交关系的存在和强度来做出信任决策。虽然大多数OSN允许用户发现到其他用户的社交路径的长度，但它们以集中的方式这样做，因此要求他们依赖于服务提供商并揭示他们对彼此的兴趣。本文介绍了社会PaL，系统支持的隐私保护发现任意长度的社会路径之间的任何两个社会网络用户。我们克服了在所有相关的先前工作中遇到的自举问题，证明了社交PaL允许其用户找到长度为2的所有路径，并发现更长路径的显著部分，即使只有一小部分OSN用户在社交PaL系统中-例如，发现70%的路径，只有40%的用户。我们使用可扩展的服务器端架构和模块化的Android客户端库来实现Social PaL，允许开发人员将其无缝集成到他们的应用程序中。
2015-06-23 cs.CR cs.SI
Shared data granularity: A latent dimension of privacy scoring over online social networks
隐私评分旨在衡量用户在在线社交网络（OSN）上的隐私侵犯风险。该领域现有的工作依赖于可能有偏见或情绪化的调查数据，并且只关注像Facebook这样的个人目的OSN。与现有的工作相比，在这篇论文中，我们使用从LinkedIn收集的真实世界的OSN数据，LinkedIn是最流行的专业用途的OSN（ProOSN）。为此，我们开发了一个广泛的爬虫程序来收集5，389个LinkedIn用户的所有相关个人资料数据，使用关系数据库和图形数据库对这些数据进行建模，并定量分析了文献中的所有隐私风险评分方法。此外，我们提出了一种新的评分方法，考虑粒度的数据OSN用户在她的个人资料页面上的份额。现有的和建议的评分方法进行了广泛的实验评估表明，所提出的解决方案的有效性。
2021-05-01 cs.CR cs.SI
Privacy-preserving schemes for Ad Hoc Social Networks: A survey
在本文中，我们回顾了自组织社交网络（包括移动社交网络（MSN）和车载社交网络（VSN））的隐私保护方案的最新进展。具体而言，我们选择并详细研究了33个隐私保护计划的开发或应用的背景下，特设社交网络。这些计划于2008年至2016年期间公布。在此基础上，本文综述了隐私保护模型，包括位置隐私、身份隐私、匿名性、可追踪性、兴趣隐私、后向隐私和面向内容的隐私。以表格的形式总结了VSN和MSNs中最近发生的重要的隐私泄露攻击、对策和博弈论方法。此外，还概述了进一步研究的建议。通过本调查，读者可以更全面地了解ad hoc社交网络隐私保护方案的研究趋势
2016-10-19 cs.CR
SoK: Privacy-Enhancing Technologies in Artificial Intelligence
该SoK研究针对AI普及下的数据隐私保护问题，梳理了隐私增强技术（PETs）与AI系统的整合现状，评估了相关进展与现存挑战，为AI隐私保护领域的研究与应用提供了全景参考。
2025-06-17 cs.CR
Social Distancing 2.0 with Privacy-Preserving Contact Tracing to Avoid a Second Wave of COVID-19
如何在重新开放经济后避免第二波COVID-19疫情是一个紧迫的问题。SARS-CoV-2极高的基本繁殖数$R_0$（新研究显示为5.7至6.4）使挑战进一步复杂化。在这里，我们评估了社交距离2.0的影响，即接近警报（保持人际距离）加上隐私保护的联系人追踪。为了解决这一双重任务，我们开发了一个开源移动应用程序。该应用程序使用基于蓝牙的分散式联系人跟踪平台，政府或第三方无法通过该平台链接匿名用户ID。模拟结果显示，50%的社交距离2.0采用率，加上隐私保护的接触者追踪，将足以将$R_0$降低到小于1，并防止COVID-19疫情的死灰复燃。
2020-08-06 cs.CR cs.SI
Exploring the Integration of Differential Privacy in Cybersecurity Analytics: Balancing Data Utility and Privacy in Threat Intelligence
University of Chadli Bendjedid, Faculty of Sciences & Technology（查德利·本杰迪德大学，科学与技术学院）
本文探讨了差分隐私在网络安全分析中的应用，通过平衡数据效用与隐私保护，提升威胁情报的安全共享能力。
2026-01-01 cs.CR
Privacy-Enhancing Technologies for Artificial Intelligence-Enabled Systems
本文针对AI模型在开发、部署和推理阶段面临的内外部隐私威胁，提出采用多种PETs进行防护，并给出PETs评估框架以分析其对系统级变量的影响。
2024-04-04 cs.CR
Personalized Social Recommendations - Accurate or Private?
随着最近像Facebook这样的社交网络的兴起，新形式的推荐已经成为可能--个性化的广告推荐、内容推荐，甚至是基于一个人的社交互动的新朋友和产品联系。由于推荐可能使用敏感的社交信息，因此推测这些推荐与隐私风险相关。这项工作的主要贡献是在正规化这些预期的权衡之间的准确性和隐私的个性化社会建议。在本文中，我们研究是否“社会建议”，或建议，完全基于用户的社交网络，可以在不披露敏感的链接在社交图。更准确地说，我们量化的效用损失时，现有的推荐算法进行修改，以满足一个强有力的隐私概念，称为差分隐私。我们证明了任何推荐算法的最小效用损失的下界是差异私人。我们适应两个隐私保护算法的差分隐私文献的社会建议的问题，并分析其性能的下限相比，分析和实验。我们表明，良好的私人社交推荐仅适用于社交网络中的一小部分用户或宽松的隐私参数设置。
2011-05-21 cs.CR cs.DB cs.SI
User's Privacy in Recommendation Systems Applying Online Social Network Data, A Survey and Taxonomy
推荐系统已经成为许多社交网络的组成部分，并且利用用户的知识显式地和隐式地从用户的个人和敏感数据中提取知识。这一趋势引发了重大的隐私问题，因为用户大多不知道使用了哪些数据、多少数据以及使用的安全性如何。在这种情况下，已经做了一些工作来解决在线社交网络数据和推荐系统中使用的隐私问题。本文综述了大规模在线社交网络和推荐系统中的主要隐私问题、度量方法和隐私保护技术。它是基于安全，隐私保护，统计建模和数据集的历史作品，提供了一个概述的技术难点和问题，在网上社交网络的隐私保护。
2018-06-20 cs.CR
Empowering Evolving Social Network Users with Privacy Rights
在社交网络上存在着对隐私的相当大的关注，并且关于如何扩展用户需要的构件以有效地保护他们的隐私权的巨大争论持续存在。虽然已经提出了许多有趣的想法，但似乎没有一种方法足够全面，可以成为领跑者。在本文中，我们提出了一个全面的和新颖的参考概念模型的隐私在不断发展的社交网络，并建立其新颖性，通过简要对比它与当代的研究。我们还提出了一个可能的查询语言，我们可以开发的参考模型的理想功能的轮廓，并参考一个新的查询语言，{ \em PiQL}，开发的基础上，这个模型的目的是支持用户驱动的隐私政策的创作和执行。我们的模型的优势在于，通过开发适当的语言结构作为查询语言（如SQL）的一部分，这种扩展现在是可能的，正如PiQL中所展示的那样。
2013-12-01 cs.CR cs.DB cs.SI
Graph Analysis in Decentralized Online Social Networks with Fine-Grained Privacy Protection
图分析师不能直接获得分散的社交网络中的全局结构，并且分析这样的网络需要从个体用户收集社交图的局部视图。由于用户之间的边缘可能会在局部视图中揭示敏感的社交交互，因此通常期望在数据汇集过程中应用差分隐私，这提供了强大且严格的隐私保证。在实际的去中心化社交图中，由于不同的敏感度水平，不同的边具有不同的隐私要求。然而，现有的社交图谱的差异私有分析为所有边缘提供了相同的保护。为了解决这个问题，这项工作提出了细粒度的隐私概念以及用于私有图分析的新颖算法。首先，我们设计了一个细粒度的关系差分隐私（FGR-DP）的概念，社会图分析，强制执行不同的隐私要求的边缘不同的保护。然后，我们设计算法的三角形计数和k-星级计数，分别，可以准确地估计子图计数给定细粒度的保护社会边缘。我们还分析了估计误差的上限，包括k星和三角形计数，并显示其优越的性能相比，国家的最先进的。最后，我们在两个真实的社交图数据集上进行了大量的实验，并证明了所提出的机制满足FGR-DP具有更好的实用性比国家的最先进的机制，由于更细粒度的保护。
2022-12-10 cs.CR
YOURPRIVACYPROTECTOR, A recommender system for privacy settings in social networks
确保社交网络用户的隐私可能是一个无法解决的难题。同时，社交网络参与者对现有隐私选项的知情使用可以减轻-甚至防止-一些更严重的隐私厌恶事件。不幸的是，最近的调查显示，普通用户要么不知道这些选项，要么不使用它们，可能是由于它们的复杂性。因此，有理由相信，帮助用户完成两项任务的工具：1）根据他们的隐私设置和广泛的隐私类别了解他们的社交网络行为，以及2）推荐合理的隐私选项，将是社交网络环境中日常隐私实践的有价值的工具。本文介绍了YourPrivacyProtector，一个推荐系统，显示如何简单的机器学习技术可以提供有用的帮助，在这两个任务的Facebook用户。我们支持我们的主张与经验的结果YourPrivacyProtector应用到两组Facebook用户。
2016-02-05 cs.CR cs.CY cs.IR
A Random Matrix Approach to Differential Privacy and Structure Preserved Social Network Graph Publishing
在线社交网络正越来越多地用于分析各种社会现象，例如流行病学、信息传播、营销和情感流动。流行的分析技术，如聚类和有影响力的节点分析，需要计算实图的邻接矩阵的特征向量。最近对Netflix和AOL数据集的去匿名化攻击表明，对此类图表的开放获取会造成隐私威胁。在各种隐私保护模型中，差分隐私提供了最强的隐私保护。结合随机矩阵理论和差分隐私理论，提出了一种满足差分隐私保证的社交网络图数据发布隐私保护机制.其核心思想是利用随机投影方法将邻接矩阵的每一行投影到一个低维空间，然后用随机噪声扰动投影矩阵。我们表明，与现有的方法相比，差分私人近似的特征向量，我们的方法是计算效率高，保持效用和满足差分隐私。我们评估我们的方法在Facebook，Live Journal和Pokec的社交网络图。结果表明，即使对于高值的噪声方差σ = 1的归一化互信息增益给出的聚类质量是低至0.74。对于有影响力的节点发现，所提出的方法是能够正确地恢复80个最有影响力的节点。我们还将我们的结果与[43]中提出的方法进行了比较，该方法通过拉普拉斯噪声直接扰动原始数据的特征向量。结果表明，该方法需要较大的随机扰动才能保持差分隐私，从而导致对大型社交网络的特征向量估计不佳。
2013-07-01 cs.CR cs.SI physics.soc-ph
Privacy-Preserving Analytics on Decentralized Social Graphs: The Case of Eigendecomposition
通过社交图谱进行分析，可以为社区发现、欺诈检测和兴趣挖掘等许多领域提取有价值的知识和见解。在实践中，分散的社交图谱经常出现，其中社交图谱不可用于单个实体，而是分散在大量用户中，每个用户仅持有关于整个图谱的有限局部视图。收集本地视图以分析去中心化的社交图谱会引发严重的隐私问题，因为它们会对个人之间社交互动的私人信息进行编码。在本文中，我们设计，实现和评估PrivGED，一个新的系统，旨在通过分散的社交图谱进行隐私保护分析。PrivGED专注于支持特征分解，这是一个流行的基本图形分析任务，在社交图的邻接矩阵上生成特征值/特征向量，并有利于各种实际应用。PrivGED是基于对图分析、轻量级加密和差分隐私的微妙协同作用而构建的，允许用户在基于云的特征分解分析服务的去中心化社交图上安全地贡献他们的本地视图，同时获得强大的隐私保护。在真实世界社交图谱数据集上的大量实验表明，PrivGED实现了与明文域相当的准确性，并且实际上具有优于现有技术的可负担得起的性能。
2022-06-19 cs.CR
Release Connection Fingerprints in Social Networks Using Personalized Differential Privacy
在社交网络中，不同的用户可能具有不同的隐私偏好，并且存在许多具有公共身份的用户。大多数关于差异化私人社交网络数据发布的工作都忽略了这一事实。我们的目标是在用户级个性化隐私偏好下，发布私人用户在n跳内连接的公共用户数量，称为n范围连接指纹（CFPs）。针对基于个性化差分隐私（PDP）的CFPs的隐私保护发布，提出了基于距离的指数预算吸收（DEBA）和基于距离的阶梯函数均匀预算吸收（DUBA-LF）两种方案，并对这两种方案的隐私保护性能进行了理论分析.在真实数据集上的实验结果表明，该方案在发布错误方面具有较好的性能。
2017-11-24 cs.CR
DECENT: A Decentralized Architecture for Enforcing Privacy in Online Social Networks
大量的隐私泄露，无论是意外的还是恶意的，都促使用户不信任在线社交网络（OSN）的集中式提供商，并调查分散式解决方案。我们研究了一个完全分散的（点对点）OSN的设计，特别关注隐私和安全。特别是，我们希望保护用户内容的机密性、完整性和可用性以及用户关系的隐私。我们提出DECENT，OSN的架构，使用分布式哈希表存储用户数据，并具有加密保护的机密性和完整性，以及支持灵活的属性策略和快速撤销。DECENT确保数据和社交关系对未授权用户不可见，并通过更新的复制和身份验证提供可用性。我们评估DECENT通过模拟和实验的PlanetLab网络，并表明DECENT是能够复制当前集中式OSN的主要功能与可管理的开销。
2011-12-16 cs.CR cs.NI cs.SI
The Illusion of Anonymity: Uncovering the Impact of User Actions on Privacy in Web3 Social Ecosystems
本研究揭示Web3社交生态中伪造活动、高参与度用户行为等会放大隐私风险，指出需更严格的隐私措施与伦理规范以应对相关挑战。
2024-05-22 cs.CR
Privacy Technologies for Financial Intelligence
School of Information Technology, Deakin University（迪肯大学信息技术学院）；Data61, CSIRO（CSIRO数据61）；School of Computing, Australian National University（澳大利亚国立大学计算机学院）
本文探讨了隐私技术在金融犯罪检测中的应用，旨在提升金融智能领域的检测能力。
2026-02-15 cs.CR
An Economic Analysis of Privacy Protection and Statistical Accuracy as Social Choices
统计机构面临着发布准确统计数据和保护答卷人隐私的双重任务。增加隐私保护需要降低准确性。认识到这是一个资源分配问题，我们提出了一个经济的解决方案：在增加隐私的边际成本等于边际收益的地方运营。我们的生产模型来自计算机科学，假设数据是使用有效的差分私有算法发布的。最优选择权衡了对准确统计数据的需求和对隐私的需求。美国的例子统计程序显示了我们的框架如何指导决策。进一步的进展需要更好地理解为隐私和统计准确性付费的意愿。
2018-08-20 cs.CR
A Logical Framework for Verifying Privacy Breaches of Social Networks
我们提出了一种新的方法来处理传递性权限委托的威胁时，出现在社交网络的内容被授予权限的第三方用户，从而打破了内容所有者的隐私政策。这些类型的隐私泄露在像Facebook这样的社交网络中通常是无意的，因此，需要（更多）适当的机制来使社交网络用户意识到改变其隐私政策的后果。我们的方法是独特的，在其使用正式的方法，工具和技术。它建立在社交网络的谓词逻辑定义之上，该定义满足现有社交网络的常见方面，例如用户、社交网络内容、友谊、内容许可和内容传输。我们的方法在Yices中实现。对于谓词逻辑模型，我们制定了一个安全策略，验证社交网络用户拥有的内容的权限流，并演示了如何验证这个安全策略。
2018-06-09 cs.CR cs.SE
Publishing Community-Preserving Attributed Social Graphs with a Differential Privacy Guarantee
我们提出了一种新的方法发布差异私人合成属性图。与以前的方法不同，我们的方法能够保留原始图的社区结构，而不牺牲捕获全局结构属性的能力。我们的建议依赖于C-AGM，一个新的社区保持属性图的生成模型。我们配备C-AGM与有效的方法，属性图采样和参数估计。对于后者，我们引入差分私有计算方法，这使我们能够发布具有强大的正式隐私保证的社区保护合成属性社交图。通过全面的实验，我们表明，我们的新模型优于其最相关的同行在合成差异私人属性的社会图，保留社区结构的原始图，以及度序列和聚类系数。
2019-08-31 cs.CR cs.SI physics.soc-ph
Architecture for Protecting Data Privacy in Decentralized Social Networks
本文针对中心化社交网络的隐私问题，提出一种结合区块链、去中心化存储和访问控制智能合约的新型去中心化社交网络架构，以保护用户隐私并确保用户对数据的所有权。
2024-09-27 cs.CR
Privacy Preserving Social Network Publication Against Mutual Friend Attacks
出于研究目的发布社交网络数据引起了对个人隐私的严重关注。针对不同的攻击模式，有许多隐私保护方案。在本文中，我们介绍了一种新的隐私攻击模型，并称之为一个共同的朋友攻击。在这个模型中，对手可以通过使用他们共同的朋友数量来重新识别一对朋友。为了解决这个问题，我们提出了一个新的匿名概念，称为k-NMF匿名，即，k-匿名的共同朋友的数量，这确保存在至少k-1个其他朋友对在图中共享相同数量的共同朋友。我们设计算法来实现的k-NMF匿名性，同时保持原始的顶点集的意义上，我们允许偶尔添加，但没有删除的顶点。此外，我们给出了一个算法，以确保除了k-NMF匿名的k-度匿名。在真实数据集上的实验结果表明，该方法能够有效地保护社交网络的隐私和实用性，抵御共同好友攻击.
2013-10-11 cs.CR cs.DB cs.SI
LGBTQ Privacy Concerns on Social Media
我们对LGBTQ社区的成员进行了半结构化访谈，了解他们在社交网站上的隐私做法和担忧。参与者使用不同的社交媒体网站满足不同的需求，并适应不完全在每个网站上。我们将珍惜与研讨会参与者讨论这一人群独特的隐私和安全需求的机会，并从在这些社区工作的研究人员那里了解更多关于其他边缘化用户组的隐私需求。
2021-11-30 cs.CR cs.CY cs.HC
On Achieving Privacy-Preserving State-of-the-Art Edge Intelligence
University of Amsterdam（阿姆斯特丹大学）
边缘计算中的深度神经网络（DNN）推理（通常称为边缘智能）需要解决方案来确保敏感数据的机密性和知识产权在此过程中不会泄露。保护隐私的边缘智能才刚刚出现，尽管边缘计算作为机器学习即服务的背景越来越流行。解决方案尚未应用于最先进的DNN，并可能进行调整。该立场文件提供了对现有隐私保护DNN推理技术与边缘计算设置特征的兼容性的原始评估，强调了在这种情况下秘密共享的适当性。然后，我们解决了未来的作用，模型压缩方法的研究对秘密共享的DNN与国家的最先进的性能。
2023-02-17 cs.AI cs.CR cs.DC
More Than Privacy: Applying Differential Privacy in Key Areas of Artificial Intelligence
China University of Geosciences（中国地质大学）；University of Technology, Sydney（悉尼科技大学）；University of Illinois at Chicago（伊利诺伊大学芝加哥分校）
近年来，人工智能（AI）引起了人们的极大关注。然而，在取得这些进步的同时，也出现了一些问题，如侵犯隐私、安全问题和模型公平性问题。差分隐私作为一种有前途的数学模型，具有一些吸引人的性质，可以帮助解决这些问题，使它成为一个相当有价值的工具。出于这个原因，差分隐私已被广泛应用于人工智能，但到目前为止，还没有研究记录哪些差分隐私机制可以或已经被用来克服其问题或使其成为可能的属性。在本文中，我们表明，差分隐私可以做的不仅仅是隐私保护。它还可以用于提高安全性，稳定学习，构建公平模型，并在人工智能的选定领域中实施组合。本文的重点是常规机器学习、分布式机器学习、深度学习和多代理系统，其目的是提供一个新的视角，探讨利用差分隐私技术提高AI性能的多种可能性。
2020-08-05 cs.CR cs.LG stat.ML
Differential Privacy May Have a Potential Optimization Effect on Some Swarm Intelligence Algorithms besides Privacy-preserving
Huazhong University of Science and Technology（华中科技大学）
本文首次提出差分隐私群体智能算法框架（DPSIAF），基于指数机制将DP与SI结合，发现DP不仅保护隐私，在某些情况下还能提升算法性能，为DP研究提供新视角。
2023-06-30 cs.AI cs.CR cs.NE
Evaluating Apple Intelligence's Writing Tools for Privacy Against Large Language Model-Based Inference Attacks: Insights from Early Datasets
School of Computing（计算学院）；Southern Illinois University Carbondale（南伊利诺伊大学卡罗拉多分校）
本文首次实证评估 Apple Intelligence 写作工具通过重写和语气调整抵御基于大语言模型的情绪推理攻击的隐私保护潜力，为端侧自适应隐私保护机制奠定基础。
2025-06-04 cs.CR cs.LG
Measuring Privacy vs. Fidelity in Synthetic Social Media Datasets
Maastricht University（马斯特里赫特大学）
本文研究了合成Instagram帖子的隐私与保真度之间的平衡，通过作者归属攻击评估隐私风险，并发现保真度越高隐私泄露越严重。
2026-03-05 cs.CR
Applying l-Diversity in anonymizing collaborative social network
到目前为止，由不同方联合发布一个巨大的社交网络是一种更容易的协作方法。收集这些社交网络数据的机构和研究人员通常对允许他人分析数据有着强烈的兴趣。在许多情况下，数据描述的关系是私人的，完全共享数据可能会导致不可接受的披露。因此，保护隐私而不泄露社交网络中的敏感信息是一个严重的问题。使用匿名化技术保护隐私的最新发展仅集中在关系数据上。在社交网络中保护隐私以防止邻居攻击是一个新的尝试，它使用了称为k-匿名的隐私定义。k-匿名社交网络在同质性和背景知识攻击的情况下仍然可能泄露隐私。为了克服这个问题，我们找到了一个地方，使用一个新的实用和有效的定义隐私称为ldiversity。在本文中，我们采取了进一步的保护隐私的协同社会网络数据的算法和分析的效用的数据的社会网络分析的影响。
2010-07-02 cs.CR cs.CY
Privacy-preserving and Trusted Threat Intelligence Sharing using Distributed Ledgers
威胁信息共享被认为是增强可信合作伙伴整体安全的主动防御方法之一。值得信赖的合作伙伴组织可以提供对过去和当前网络安全威胁的访问，以降低潜在网络攻击的风险-威胁信息共享的要求范围从简单的文档共享到威胁情报共享。因此，高度敏感的威胁信息的存储和共享引起了关于构建安全、可信的威胁信息交换基础设施的相当大的关注。建立一个可信的威胁共享生态系统将促进存储信息的有效性、安全性、匿名性、可扩展性、延迟效率和可追溯性，从而保护其免受未经授权的泄露。本文提出了一种系统，通过利用分布式账本技术来确保上述安全原则，该技术通过智能合约提供安全的分散操作，并为MITRE ATT\& CK框架的威胁信息存储和共享提供隐私保护生态系统。
2021-12-19 cs.CR
Social-Aware Clustered Federated Learning with Customized Privacy Preservation
School of Cyber Science and Engineering, Xi’an Jiaotong University（西安交通大学网络空间安全学院）；Institute of Science and Engineering, Kanazawa University（金泽大学科学与工程学院）；School of Computer Science, University of Technology Sydney（悉尼科技大学计算机科学学院）
针对联邦学习中的隐私泄露与性能权衡问题，提出社交感知聚类联邦学习SCFL，利用用户社交信任形成聚类内部聚合以隐藏个体更新，并通过博弈论与匹配算法实现稳定聚类和定制化隐私保护，实验验证其提升效用与收益。
2024-03-19 cs.CR cs.LG
BinaryShield: Cross-Service Threat Intelligence in LLM Services using Privacy-Preserving Fingerprints
Microsoft Redmond, USA（微软红mond分校）；Microsoft New York, USA（微软纽约分校）
BinaryShield通过隐私保护技术实现跨服务威胁情报共享，提升LLM安全防护能力。
2026-02-28 cs.AI cs.CL cs.CR
Privacy Risks and Preservation Methods in Explainable Artificial Intelligence: A Scoping Review
本文通过综述现有文献，探讨了可解释人工智能中隐私风险与保护方法，分析了隐私与可解释性之间的冲突及平衡策略。
2025-12-02 cs.AI cs.CR
OPPO: An Ontology for Describing Fine-Grained Data Practices in Privacy Policies of Online Social Networks
本文提出 OWL 本体 OPPO，基于 BFO、IAO、OMRSE 和 OBI 形式化在线社交网络隐私政策中的细粒度数据实践，以支持自动推理和透明度评估。
2023-09-27 cs.CR
SocialGenPod: Privacy-Friendly Generative AI Social Web Applications with Decentralised Personal Data Stores
University of Edinburgh（爱丁堡大学）；University of Oxford（牛津大学）
SocialGenPod利用Solid去中心化规范，将用户数据与生成式AI应用解耦，实现隐私友好的Web应用，支持用户控制数据访问并实现跨服务可移植性。
2024-03-15 cs.CR cs.CY cs.IR
Privacy-preserving Fuzzy Name Matching for Sharing Financial Intelligence
针对金融机构间数据共享受限的问题，提出基于全同态加密和MinHash签名的隐私保护模糊姓名匹配方案，利用聚类提升效率，仅揭示潜在匹配可能性，搜索性能满足需求且通信开销大幅降低。
2024-11-08 cs.CR
Privacy preserving distributed profile matching in mobile social network
在该文献中，在称为\emph{mobile social network}的特定网络上下文中提出了隐私保护分布式简档匹配协议。这些网络通常部署在或多或少敌对的环境中，需要严格的安全机制。与此同时，由于这些异构网络通常由平板电脑或手机等无线组件构成，因此能源和计算资源有限。这就是为什么本文提出了一种新的加密算法，具有较高的安全性，同时保留资源。该方法是基于椭圆曲线密码学，更具体地说，在一个几乎完全同态密码系统的超奇异椭圆曲线，导致一个安全和有效的保护隐私的分布式配置文件匹配。
2015-02-24 cs.CR cs.IT math.IT
PPLS: A Privacy-Preserving Location-Sharing Scheme in Vehicular Social Networks
社会感知网络（SAN）的最新进展使其能够在许多领域中使用，其中社交车辆互联网（SIOV）至关重要。SAN可以通过使用基于兴趣的通信为SIOV提供有前途的路由和转发范例。现有的基于兴趣的方案虽然能够提高转发性能，但没有考虑保护用户兴趣信息这一重要问题。在本文中，我们提出了一个PRIVACY-Preserving的SIOV基于代理的转发方案（PRIF），它不仅保护了利益的信息，但也提高了转发性能。我们提出了一个隐私保护的认证协议，以识别移动节点之间的社区。在数据路由和转发过程中，只有当节点隶属于同一个社区时，它们才能知道其他节点的兴趣。此外，为了提高转发性能，引入新的度量{ \em社区能量}来指示车辆社交接近度。当两个节点彼此相遇并共享信息时，就会产生社区能量。PRIF考虑该能量度量以选择朝向目的地节点或目的地社区的转发器。安全性分析表明PRIF可以保护节点的兴趣信息。此外，广泛的模拟已经进行了证明，PRIF优于现有的算法，包括BEEINFO，流行病，和PRoPHET。
2018-04-06 cs.CR
The Security and Privacy of Mobile Edge Computing: An Artificial Intelligence Perspective
本文从人工智能视角全面综述移动边缘计算的安全与隐私问题，以ETSI架构融合SDN与NFV为基础，探讨新安全挑战的AI解决方案及未来研究方向。
2024-01-03 cs.CR
PRIF: A Privacy-Preserving Interest-Based Forwarding Scheme for Social Internet of Vehicles
社会感知网络（SAN）的最新进展使其能够在许多领域中使用，其中社交车辆互联网（SIOV）至关重要。SAN可以通过使用基于兴趣的通信为SIOV提供有前途的路由和转发范例。现有的基于兴趣的方案虽然能够提高转发性能，但没有考虑保护用户兴趣信息这一重要问题。在本文中，我们提出了一个PRIVACY-Preserving的SIOV基于代理的转发方案（PRIF），它不仅保护了利益的信息，但也提高了转发性能。我们提出了一个隐私保护的认证协议，以识别移动节点之间的社区。在数据路由和转发过程中，只有当节点隶属于同一个社区时，它们才能知道其他节点的兴趣。此外，为了提高转发性能，引入新的度量{ \em社区能量}来指示车辆社交接近度。当两个节点彼此相遇并共享信息时，就会产生社区能量。PRIF考虑该能量度量以选择朝向目的地节点或目的地社区的转发器。安全性分析表明PRIF可以保护节点的兴趣信息。此外，广泛的模拟已经进行了证明，PRIF优于现有的算法，包括BEEINFO，流行病，和PRoPHET。
2018-04-06 cs.CR
Privacy-Preserving Social Distancing Bracelet
此演示展示了智能手环的功能性概念验证原型，该智能手环利用物联网和机器学习来帮助遏制COVID-19等流行病。设计的智能手环通过监测健康信号来帮助人们安全地导航生活;并在人们违反社交距离规定时检测和提醒他们。此外，该手环还与类似的手环进行通信，以跟踪最近的联系人。使用RFID技术，手镯有助于自动化访问控制的处所，如工作场所。所有这些都是在保护用户隐私的同时实现的。
2021-09-24 cs.CR cs.CY cs.NI
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
Attack Trees for Security and Privacy in Social Virtual Reality Learning Environments
社会性虚拟现实学习环境（VRLE）是一种面向分布式用户协作的新型边缘计算平台。考虑到VRLE用于关键应用（例如，特殊教育、公共安全培训），重要的是要确保安全和隐私问题。在本文中，我们提出了一种新的框架，以获得定量评估的威胁和脆弱性VRLEs。基于实际社交VRLE的用例，即，在vSocial中，我们首先使用攻击树对安全和隐私进行建模。随后，这些攻击树被转换成随机时间自动机表示，允许严格的统计模型检验。这样的分析有助于我们采取相关的设计原则，如硬化，多样性和最小特权原则，以提高社会VRLE的弹性。通过vSocial案例研究中的实验，我们证明了我们的攻击树建模的有效性，在与采用设计原则有关的前后场景中，完整性（安全性）损失的概率减少了26%，隐私泄露（隐私）减少了80%。
2019-11-08 cs.CR cs.CY cs.DC
PP-MARL: Efficient Privacy-Preserving Multi-Agent Reinforcement Learning for Cooperative Intelligence in Communications
Georg-August-University of Göttingen（哥廷根大学）；NOOT Tech. Co., Ltd.（NOOT科技有限公司）
针对通信场景下多智能体强化学习隐私保护难度大、现有技术开销高的问题，提出结合同态加密、差分隐私与拆分学习的PP-MARL方案，在两个通信用例中实现更优隐私保护与更低开销。
2025-02-21 cs.AI cs.CR cs.MA
On Content-Based Recommendation and User Privacy in Social-Tagging Systems
基于注释和评级的推荐系统和内容过滤方法基本上依赖于用户通过他们的动作表达他们的偏好和兴趣，以便提供个性化内容。这种用户集体参与的活动被称为社会标签。虽然它为语义Web上的应用程序互操作性开辟了无数新的可能性，但它也带来了新的隐私威胁。社交标签包括通过使用自由文本标签（即标签）来描述在线或在线资源，因此将用户的个人资料和活动暴露给隐私攻击。标签伪造是一种隐私增强技术，包括为不反映用户实际偏好的类别或资源生成标签。标签伪造通过修改用户的个人资料，可能会对推荐系统的质量产生负面影响，从而在一定程度上保护用户隐私，但代价是效用损失。因此，标签伪造对基于内容的推荐的影响，在现实世界中的应用场景中，不同的伪造策略进行评估，并测量和比较随之而来的效用损失。
2016-05-20 cs.CR cs.CY cs.IR
Faceless Person Recognition; Privacy Implications in Social Media
Max-Planck Institute for Informatics（马克斯·普朗克信息学研究所）
随着我们将更多的生活转移到虚拟领域，网络上共享的数据量不断增加，并对我们的隐私构成威胁。这项工作有助于通过分析人们在社交媒体数据中的识别程度来理解这种数据共享对隐私的影响。为了便于系统的研究，我们定义了一些场景，考虑到一些因素，如一个人有多少个头被标记，以及这些头是否被混淆。我们提出了一个强大的人识别系统，可以处理姿势和服装的大变化，可以用很少的训练样本进行训练。我们的研究结果表明，即使存在模糊处理，少量图像也足以威胁用户的隐私。我们展示了详细的实验结果，并讨论了它们的影响。
2016-07-28 cs.AI cs.CR cs.CV
Privacy Information Classification: A Hybrid Approach
Auckland University of Technology（奥克兰理工大学）；University of Tasmania（塔斯马尼亚大学）；Nagoya Institute of Technology（名古屋工业大学）
每天都有大量的信息发布到在线社交网络上。个人隐私相关信息也可能在最终用户无意识中泄露。识别与隐私相关的数据并保护在线社交网络用户免受隐私泄露的影响是非常重要的。在此背景下，本研究旨在提出并发展一种混合隐私分类方法，以检测并分类来自OSN的隐私信息。所提出的混合方法采用深度学习模型和基于本体的模型来进行隐私相关的信息抽取。大量的实验进行了验证所提出的混合方法，和实证结果表明，其优越性，在协助在线社交网络用户的隐私泄漏。
2021-01-27 cs.AI cs.CR
