Privacy in the Genomic Era
基因组测序技术发展迅速，现在可以廉价地生成高度详细的基因型。这些数据的收集和分析有可能支持各种应用，包括个性化医疗服务。虽然生物医学界大肆宣扬基因组学革命的好处，但这种数据的增加对个人隐私具有重大影响;特别是因为基因组具有某些基本特征，包括（但不限于）（i）与性状和某些疾病的关联，（ii）识别能力（例如，（三）家庭关系的揭示。此外，直接面向消费者的DNA测试增加了基因组数据在监管较少的环境中提供的可能性，例如互联网和营利性公司。因此，基因组数据隐私问题处于计算机科学、医学和公共政策的交叉点。虽然计算机科学家已经解决了各种数据类型的数据隐私问题，但对基因组数据的关注较少。因此，本文的目标是为计算机科学社区提供一个系统化的知识。在这样做的过程中，我们解决了这个领域的一些（有时是错误的）信念，我们报告了我们与生物医学专家进行的关于基因组数据隐私的调查。然后，在描述基因组隐私问题后，我们回顾了基因组数据隐私攻击的最新技术和减轻这种攻击的策略，以及从医学和公共政策的角度来分析这些攻击。本文最后列举了基因组数据隐私面临的挑战，并提出了一个框架，随着该领域的发展，系统化威胁分析和对策设计。
2015-06-17 cs.CR
A Codon Frequency Obfuscation Heuristic for Raw Genomic Data Privacy
基因组数据为临床研究人员提供了研究各种患者疾病的巨大机会。然而，同样的数据包含揭示信息，其中一些患者可能希望保持隐藏。于是问题就出现了：一个实体如何处理完整的DNA数据，同时隐藏基因组序列中的某些敏感信息，并保持DNA数据的效用？作为对这个问题的回答，我们提出了一个密码子频率混淆启发式，其中在相同的氨基酸组中完成具有高表达基因的密码子频率值的重新分配，生成混淆的DNA序列。我们的初步结果表明，它可能会发布一个混淆的DNA序列与原始DNA序列的相似性（效用）的期望水平。
2014-10-12 cs.CR
HySec-Flow: Privacy-Preserving Genomic Computing with SGX-based Big-Data Analytics Framework
可信执行环境（TEE）（如英特尔的软件防护扩展（SGX））已被广泛研究，以提高敏感数据（如人类基因组学）计算的安全性和隐私保护。然而，SGX通常会产生性能障碍，特别是来自小型安全区内存的性能障碍。在本文中，我们提出了一种新的混合安全流框架（称为“HySec-Flow”），用于使用SGX平台进行大规模基因组数据分析。在这里，数据密集型计算任务可以被划分为独立的子任务，以部署到不同的安全和非安全容器中，因此允许并行执行，同时减轻每个飞地中页面缓存（EPC）内存的有限大小。我们使用支持索引、对齐、分派和合并启用SGX的容器的执行的工作流来说明我们的贡献。我们提供了有关可信和不可信组件的架构以及底层Scorn和Graphene支持的详细信息，作为通用屏蔽执行框架来移植遗留代码。我们彻底评估我们的隐私保护读取映射算法使用真实的人类基因组测序数据的性能。结果表明，通过将耗时的基因组计算划分为子任务，与传统的在飞地中执行数据密集型读取映射算法相比，性能得到了增强。所提出的HySec-Flow框架作为开源提供，并适用于需要安全性和可扩展计算资源的其他大规模基因组任务的数据并行计算。
2021-07-26 cs.CR
Evaluating the Strength of Genomic Privacy Metrics
基因组是人类个体的唯一标识符。基因组还包含高度敏感信息，造成滥用基因组数据的高可能性（例如，基因歧视）。在本文中，我研究了如何在对手旨在通过构建遗传变异值的概率分布来推断一个人的基因组标记的情况下测量基因组隐私。我通过要求指标随着对手实力的增加而单调来测量隐私指标的强度，并发现了目前用于测量基因组隐私的几个现有指标的严重问题。我提供的指标选择，解释和可视化的建议，并说明工作流程使用的案例研究阿尔茨海默氏症。
2016-07-20 cs.CR cs.PF
Near-Optimal Privacy-Utility Tradeoff in Genomic Studies Using Selective SNP Hiding
动机：研究人员需要丰富的基因组数据集，他们可以利用这些数据集来更好地了解人类基因组的遗传基础，并确定表型与DNA特定部分之间的关联。然而，共享包含个人敏感遗传或医疗信息的基因组数据集，如果数据落入坏人之手，可能会导致严重的隐私相关后果。限制对基因组数据集的访问是一个解决方案，但这大大降低了它们对研究目的的有用性。为了在解决这些隐私问题的同时允许共享基因组数据集，一些研究提出了用于数据共享的隐私保护机制。差分隐私（DP）是这样的机制之一，其形式化严格的数学基础以提供隐私保证，同时共享关于数据集的聚合统计信息。然而，已经表明，当数据集中存在依赖元组时，基于DP的解决方案的原始隐私保证会降低，这是基因组数据集的常见情况（由于家庭成员的存在）。结果如下：在这项工作中，我们引入了一个接近最优的机制，以减轻从基因组数据集，包括依赖元组的差异私人查询结果的推理攻击的漏洞。我们提出了一种效用最大化和隐私保护的方法，通过隐藏家庭成员参与基因组数据集时的选择性SNP来共享统计数据。通过在真实世界的基因组数据集上评估我们的机制，我们根据经验证明，我们提出的机制可以实现比最先进的基于DP的解决方案高出40%的隐私，同时接近最佳地最大限度地减少效用损失。
2021-06-09 cs.CR cs.HC
GenShare: Sharing Accurate Differentially-Private Statistics for Genomic Datasets with Dependent Tuples
动机：降低DNA测序技术的成本导致了基因组数据可用性的飞跃。虽然在研究人员之间共享基因组数据是健康和生物医学研究进步的重要驱动力，但由于数据隐私问题，共享过程通常是不可行的。差异隐私是用于促进共享基因组数据集的汇总统计数据而不披露任何私人个人级别数据的严格机制之一。然而，由于数据集元组之间的相关性，差分隐私仍然可以泄露关于数据集参与者的敏感信息。结果如下：在这里，我们提出了建立在基于拉普拉斯扰动机制的DP上的GenShare模型，以引入用于统计基因组数据集的隐私保护查询应答共享模型，该统计基因组数据集包括由于个体基因组之间的固有相关性而导致的依赖性（即，家庭关系）。我们证明了我们的隐私改善国家的最先进的方法，为一系列的实际查询，包括队列发现，次要等位基因频率，和卡方2关联测试。通过对Laplace扰动机制中的敏感性进行细粒度分析并考虑联合分布，GenShare的结果接近于差分隐私理论所允许的形式隐私保证，因为查询是在独立元组上计算的（仅高达6%的差异）。GenShare确保查询结果与差分隐私理论上保证的一样准确。为了支持不同科学和医学研究领域的进步，GenShare提供了一条通往交互式基因组数据共享系统的道路，当数据集包括具有家庭关系的参与者时。
2021-12-30 cs.CR q-bio.GN
Privacy-Preserving Search for a Similar Genomic Makeup in the Cloud
在本文中，我们试图提供一个隐私保护和有效的解决方案，为“类似的病人搜索”问题之间的几个当事人（例如，医院），解决以前尝试的缺点。我们考虑一个场景，其中每个医院都有自己的基因组数据集，医生（或研究人员）的目标是在系统中的所有医院中搜索与给定患者相似的患者（基于基因组组成）。为了实现这种搜索，我们让每家医院用自己的密钥加密数据集，并将数据集的存储外包给公共云。医生可以从多家医院获得授权，并向云发送查询，云使用隐私保护索引结构在授权医院之间有效地执行搜索。我们提出了一个层次化的索引结构，索引每个医院的数据集，内存需求低。此外，我们开发了一种新的隐私保护索引合并机制，从每个医院的个人索引生成一个共同的搜索索引，以显着提高搜索效率。我们还考虑与患者的基因组数据相关联的医疗信息的存储（例如，诊断和治疗）。我们允许通过细粒度的访问控制策略访问这些信息，该策略是通过标准对称加密和密文策略基于属性的加密相结合开发的。使用这种机制，医生可以搜索类似的患者，并在访问策略保持不变的情况下获得关于匹配记录的医疗信息。我们进行了实验，大规模的基因组数据和所提出的计划的效率。值得注意的是，我们表明，在我们的实验设置下，所提出的计划是超过$60$倍比王等人。的协议和$95$倍快于Asharov等人。的解决方案。
2020-02-03 cs.CR
Privacy-preserving Edit Distance on Genomic Data
假设Alice拥有一个DNA序列，Bob拥有一个DNA序列数据库。他们想要确定在Bob的数据库中是否存在与Alice的输入相匹配的用于任何目的（诸如诊断Alice的疾病）的输入。然而，Alice不想向Bob透露她的DNA模式，因为这将使他能够了解关于她的私人信息。出于类似的原因，Bob不想向Alice透露关于他的数据库的任何信息。为了保护用户的隐私，这个问题已经引起了生物信息学界的关注，并提出了几种解决方案。效率一直是密码学领域的一个瓶颈。在本文中，我们提出了ESCOT协议，以解决隐私保护编辑距离不经意传输（OT）的第一次。我们评估我们的方法在LAN和WAN网络上的基因组数据集。实验结果证实了我们的方法在现实世界中的场景的可行性。
2018-09-22 cs.CR
Privacy-preserving collaborative machine learning on genomic data using TensorFlow
机器学习（ML）方法已广泛应用于基因组研究。然而，基因组数据通常由不同的利益相关者（例如医院、大学和医疗保健公司）持有，他们将数据视为敏感信息，即使他们希望合作。为了解决这个问题，最近的工作已经提出了使用安全多方计算（MPC）的解决方案，MPC对分散的数据进行训练，使得参与者除了最终训练的模型之外不能从彼此身上学到任何东西。我们设计并实现了几个MPC友好的ML原语，包括类权重调整和激活函数的并行化近似。此外，我们将该解决方案开发为TF Encrypted~ \citep{dahl2018private}的扩展，使我们能够快速试验机器学习技术和加密协议的增强功能，同时利用TensorFlow优化的优势。我们的实现与最先进的方法相比毫不逊色，在iDASH 2019安全基因组分析竞赛的Track IV中获得第一名。
2020-02-29 cs.CR
Protecting Genomic Privacy by a Sequence-Similarity Based Obfuscation Method
Princeton University（普林斯顿大学）；The Hong Kong Polytechnic University（香港理工大学）
在后基因组时代，大规模的个人DNA序列被生产和收集用于基因医学诊断和新药发现，然而，这同时对个人基因组隐私的保护提出了严峻的挑战。现有的基因组隐私保护方法要么耗时，要么准确性低。为了解决这些问题，本文提出了一种基于序列相似性的混淆方法，即IterMegaBLAST，用于快速可靠地保护个人基因组隐私。具体来说，给定从DNA序列数据集中随机选择的序列，我们首先使用MegaBLAST从数据集中找到其最相似的序列。这两个比对的序列形成一个簇，通过DNA泛化晶格方案为该簇生成混淆序列。这些过程被迭代地执行，直到数据集中的所有序列被聚类并且它们的混淆序列被生成。在两个基准数据集上的实验结果表明，在相同的匿名程度下，IterMegaBLAST在效用准确度和时间复杂度方面都明显优于现有的最先进的方法.
2017-08-08 cs.CR cs.LG
Systematizing Genome Privacy Research: A Privacy-Enhancing Technologies Perspective
人类基因组学的快速发展使研究人员能够更好地了解基因组在我们的健康和福祉中的作用，激发了对更有效和更具成本效益的医疗保健的希望。然而，这也引发了一些来自基因组数据的独特特征的安全和隐私问题。为了解决这些问题，出现了一个新的研究界，并编制了大量出版物和倡议。在本文中，我们依靠结构化的方法，使用过去十年中发表的工作的代表性样本，对用于测试，存储和共享基因组数据的隐私增强技术的当前知识进行了背景化和批判性分析。我们确定并讨论社区面临的限制，技术挑战和问题，特别关注那些与问题的性质有内在联系并且仅凭社区难以解决的问题。最后，我们报告的重要性和困难的基础上确定的挑战的基因组数据隐私专家的在线调查
2018-08-17 cs.CR
Evaluating Differential Privacy Against Membership Inference in Federated Learning: Insights from the NIST Genomics Red Team Challenge
NIST（美国国家标准与技术研究院）
本文评估差分隐私在联邦学习中对抗成员推断攻击的效果，提出堆叠攻击策略，并在不同隐私配置下验证其性能。
2026-04-15 cs.CR cs.LG
On Utility and Privacy in Synthetic Genomic Data
UCL（伦敦大学学院）；Hazy；Alan Turing Institute（艾伦·图灵研究所）
基因组数据的可用性对于生物医学研究、个性化医疗等方面的进展至关重要。然而，基因组数据的极端敏感性使得发布或共享基因组数据成为问题，如果不是完全不可能的话。因此，已经启动了几项倡议来试验合成基因组数据，例如，使用生成模型来学习真实数据的底层分布，并生成保留其显着特征而不暴露它的人工数据集。本文首次评估了六种用于生成合成基因组数据的最新模型的实用性和隐私保护。我们评估了合成数据在几个常见任务上的性能，例如等位基因群体统计和连锁不平衡。然后，我们通过成员推断攻击的镜头来衡量隐私，即，推断记录是否是训练数据的一部分。我们的实验表明，没有一种生成合成基因组数据的方法可以同时产生高实用性和强隐私性。此外，训练数据集的大小和性质也很重要。此外，虽然数据集和模型的某些组合产生的合成数据具有接近真实数据的分布，但通常存在易受成员推断影响的目标数据点。展望未来，我们的技术可以被从业者用来评估在野外部署合成基因组数据的风险，并作为未来工作的基准。
2022-01-18 cs.AI cs.CR q-bio.GN
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
Biologically-Informed Hybrid Membership Inference Attacks on Generative Genomic Models
Asia Belfiore（第1机构）；Dmitrii Usynin（第2机构）
本文提出了一种结合生物信息学指标的混合成员推理攻击方法，用于评估生成式基因组模型的隐私保护效果。
2025-12-18 cs.AI cs.CR
Enabling Trade-offs in Privacy and Utility in Genomic Data Beacons and Summary Statistics
Washington University in St. Louis（华盛顿大学圣路易斯分校）；Vanderbilt University Medical Center（范德堡大学医学中心）
基因组数据的收集和共享在研究、临床和直接面向消费者的环境中变得越来越普遍。通常用于保护个人隐私的计算协议包括共享汇总统计数据，例如等位基因频率，或使用称为Bestrom的网络服务将查询响应限制为存在/不存在感兴趣的等位基因。然而，即使这样的有限发布也容易受到基于似然比的成员推断攻击的影响。已经提出了几种方法来保护隐私，这些方法或者抑制基因组变体的子集，或者修改针对特定变体的查询响应（例如，如在差分隐私中那样增加噪声）。然而，这些方法中的许多导致显著的效用损失，抑制许多变体或添加大量噪声。在本文中，我们引入了基于优化的方法来明确权衡总结数据或信标响应和隐私的效用相对于成员推断攻击的基础上似然比，结合变体抑制和修改。我们考虑两种攻击模型。在第一种情况下，攻击者应用似然比测试来做出成员推断声明。在第二个模型中，攻击者使用一个阈值，该阈值考虑了数据发布对数据集中的个体和非个体之间的分数分离的影响。我们进一步引入高度可扩展的方法，大约解决隐私效用权衡问题时，信息的形式是汇总统计或存在/不存在查询。最后，我们通过对公共数据集的广泛评估表明，所提出的方法在实用性和隐私性方面都优于最先进的方法。
2023-01-11 cs.AI cs.CR
Quantifying Memorization and Privacy Risks in Genomic Language Models
Case Western Reserve University（凯斯西储大学）；UTHealth（UT健康）；Rutgers University（罗格斯大学）
本文提出多向量隐私评估框架，量化基因组语言模型的记忆风险与隐私威胁，揭示不同架构和训练制度下的记忆差异。
2026-10-20 cs.CR cs.LG q-bio.GN
SAFETY: Secure gwAs in Federated Environment Through a hYbrid solution with Intel SGX and Homomorphic Encryption
最近的研究表明，有效的医疗保健可以受益于使用人类基因组信息。例如，对肿瘤基因组的分析揭示了140个基因的突变导致癌症。因此，许多机构正在使用基因组数据的统计分析，这些数据主要基于全基因组关联研究（GWAS）。GWAS分析基因组序列变异，以确定疾病的遗传风险因素。这些研究通常需要汇集来自不同来源的数据，以揭示遗传变异和疾病之间的统计模式或关系。在这种情况下，主要的挑战是实现一个主要目标：以隐私保护的方式访问多个基因组数据库进行合作研究。由于基因组数据的敏感性和隐私问题，世界不同地区之间实施了跨境基因组数据共享的多管辖区法律和政策。在本文中，我们介绍了一个混合框架SAFETY，它可以使用同态加密在联邦基因组数据集上安全地执行GWAS，并在最近引入了英特尔软件保护扩展（Intel SGX）的安全硬件组件，以确保高效率和隐私。不同的实验设置显示了这种混合框架在GWAS安全传导中的有效性和适用性。据我们所知，这种同态加密与英特尔SGX的混合使用迄今尚未提出或试验。我们提出的框架，安全是最快的4.82倍，比现有的最好的安全计算技术。
2017-03-07 cs.CR
Preprint: Privacy-preserving IoT Data Sharing Scheme
数据共享可以使用不同的因素来授权，其中之一是用户或物联网设备环境中的东西，在本文中是广播信号。使用广播信号测量接收信号强度指标值和机器学习模型，本文实现了基于物联网设备环境中的东西的物联网数据共享方案。使用不同的ML模型对所提出的方案进行了实验测试，结果显示其最高准确率为97.78%。
2022-09-26 cs.CR
Secure Count Query on Encrypted Genomic Data
捕捉人类基因组中编码的大量有意义的信息是一个迷人的研究问题。这些研究的结果在许多健康相关领域都有重大影响-个性化医疗、亲子鉴定和疾病易感性测试等。为了促进这些类型的大规模生物医学研究项目，通常需要共享由不同组织收集的基因组和临床数据。在这种情况下，确保数据的共享、管理和分析不会泄露贡献基因组样本的个人的身份至关重要。对共享数据的存储和计算任务可以委托给配备有大存储和高性能计算资源的第三方云基础设施。将这些敏感的基因组数据外包给第三方云存储与数据的潜在丢失、盗窃或滥用的挑战相关联，因为服务器管理员不能完全信任，并且不能保证服务器的安全性不会被破坏。在本文中，我们提供了一个模型，在半诚实的第三方云服务器上的基因组数据的安全共享和计算。通过加密保证了共享数据的安全性，同时使整体计算速度快且可扩展性足以满足现实生活中的大规模生物医学应用。我们评估了我们所提出的模型的单核苷酸多态性（SNP）序列的数据库的效率和实验结果表明，在50000条记录的数据库中，每条记录包含300个SNP的50个SNP的查询，需要大约6秒。
2017-03-04 cs.CR
BPDS: A Blockchain based Privacy-Preserving Data Sharing for Electronic Medical Records
电子病历（EMR）是医疗数据的重要形式，目前引起了很多关注。共享健康数据被认为是提高医疗服务质量和降低医疗成本的关键方法。然而，电子病历在分散的医院中是分散的，这阻碍了数据共享，并使患者的隐私处于危险之中。为了解决这些问题，我们提出了一种基于区块链的EMR隐私保护数据共享，称为BPDS。在BPDS中，原始EMR安全地存储在云中，索引保留在防篡改的联盟区块链中。通过这种方式，可以大大降低医疗数据泄露的风险，同时，区块链中的索引确保了电子病历不能被任意修改。通过区块链的智能合约，可以根据患者预定义的访问权限自动完成安全的数据共享。此外，基于CP-ABE的访问控制机制和内容抽取签名方案的联合设计为数据共享提供了强隐私保护。安全性分析表明，BPDS是实现电子病历数据共享的一种安全有效的方法。
2018-11-08 cs.CR
Understanding the Relationship Between Personal Data Privacy Literacy and Data Privacy Information Sharing by University Students
本研究通过调查美国大学生，发现高隐私素养者采用更多样化的隐私保护措施并更积极参与隐私讨论，建议加强大学教育以提升数据隐私意识。
2025-05-24 cs.CR
Securing Genomic Data Against Inference Attacks in Federated Learning Environments
Independent Researcher（独立研究者）
本研究在合成基因组数据上模拟联邦学习，评估MIA、基于梯度的MIA和LIA三类推理攻击，发现基于梯度的MIA效果最强（精确率0.79、F1为0.87），揭示梯度泄漏风险并呼吁更强的基因组隐私保护机制。
2025-05-12 cs.CL cs.CR
I-GWAS: Privacy-Preserving Interdependent Genome-Wide Association Studies
全基因组关联研究（GWASes）鉴定在一组个体中与性状（例如疾病）统计学相关的基因组变异。不幸的是，不小心共享GWAS统计数据可能会导致隐私攻击。一些作品试图调和安全处理与隐私保护版本的GWAS。然而，我们强调，如果GWASes利用重叠的个体和基因组变异，这些方法仍然很脆弱。在这种情况下，我们表明，即使依靠最先进的技术来保护发布，攻击者也可以重建高达28.6%的参与者的基因组变异，并且高达92.3%的基因组变异的发布统计数据将使成员推断攻击成为可能。我们介绍I-GWAS，一个新的框架，安全地计算和发布多个可能相互依赖的GWAS的结果。随着新的基因组的出现，I-GWAS不断发布隐私保护和无噪声的GWAS结果。
2022-09-20 cs.CR cs.DC cs.IR
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
3LSAA: A Secure And Privacy-preserving Zero-knowledge-based Data-sharing Approach Under An Untrusted Environment
随着数据汇集和分析成为许多云应用程序的关键功能，需要与批准方进行适当的数据共享。然而，传统的数据共享方案通过集中的数据托管服务器可能会牺牲所有者的隐私，并且安全性较弱。主要是，服务器物理上拥有所有数据，而原始数据所有者只有虚拟所有权，并失去实际的访问控制。因此，我们提出了一个3层的SSE-ABE-AES（3LSAA）密码为基础的隐私保护的数据共享协议的基础上，假设服务器是诚实的，但好奇。3LSAA协议实现了在服务器不可信的情况下自动访问控制管理和方便的文件搜索。除了实现数据的自我主权，我们的方法还提高了系统的可用性，消除了传统的SSE和ABE方法的缺陷，并提供了一个本地的AES密钥恢复方法，用户的可用性。
2021-10-13 cs.CR
MOSAIC-FL, a micro-service based privacy-preserving framework with application to genomics
Université Paris-Saclay（巴黎-萨克雷大学）；CEA（法国原子能和替代能源委员会）；CNRGH（国家人类基因组研究中心）
该研究针对联邦学习在医疗保健和基因组学等领域的安全隐私挑战，提出MOSAIC-FL框架，集成gRPC通信层等，用CKKS同态加密系统变体实现盲模型聚合，经多种用例验证其有效性，能确保安全并减轻密钥恢复攻击。
2026-07-29 cs.CR cs.LG
Guarding Multiple Secrets: Enhanced Summary Statistic Privacy for Data Sharing
针对数据共享中多个敏感汇总统计量可能泄露的问题，提出多秘密隐私框架，设计隐私指标、隐私-失真权衡分析及适配不同分布和秘密类型的发布机制，并通过真实数据验证有效性。
2024-06-12 cs.CR
Privacy Preserving and Collusion Resistant Energy Sharing
能量已经越来越多地由电网上的不同实体（例如，在过去十年中，通过太阳能电池板、风力涡轮机或当地发电机，利用当地能源，这些电力消费者可以被视为“微电网”，可以同时产生和消耗能源。一些微电网可能具有过多的能量，这些能量可以共享给电网上的其他电力消费者。为此，所有实体必须共享它们的本地私有信息（例如，它们的本地需求、本地供应和电力质量数据）彼此或第三方共享，以找到并实现最佳的能量共享解决方案。然而，这样的过程受到微电网引起的隐私问题的限制。在本文中，我们提出了一个隐私保护计划的所有微电网，可以安全地实现他们的能量共享对半诚实和勾结的对手。所提出的方法包括两个安全的通信协议，可以确保量化的隐私泄漏和处理共谋。
2017-11-01 cs.CR
Outsource Photo Sharing and Searching for Mobile Devices With Privacy Protection
随着移动设备的激增，基于云的照片共享和搜索服务由于移动设备的资源约束而变得普遍。与此同时，人们也越来越关注照片中的隐私。在这项工作中，我们提出了一个框架\ourprotocolNSP，它使云服务器提供隐私保护的照片共享和搜索作为一项服务，移动终端用户。寻求隐私的用户可以通过我们的框架分享他们的照片，只允许他们授权的朋友使用资源有限的移动设备浏览和搜索他们的照片。这是通过我们精心设计的架构和新颖的外包隐私保护计算协议实现的，通过这些协议，有关外包照片甚至搜索内容（包括结果）的信息都不会透露给云服务器。我们的框架与大多数现有的图像搜索技术兼容，并且只需对现有的云系统进行很少的更改。我们的原型系统与31，772现实生活中的图像的评估表明，我们的系统的通信和计算效率。
2014-10-24 cs.CR
Blockchain for Genomics: A Systematic Literature Review
人类基因组数据携带着关于个体的独特信息，为医疗保健提供了前所未有的机会。来自大型基因组数据集的临床解释可以大大改善医疗保健，并为个性化医疗铺平道路。然而，共享基因组数据集带来了重大挑战，因为基因组数据不同于传统的医疗数据，间接揭示了有关数据所有者后代和亲属的信息，即使在所有者去世后也能携带有效信息。因此，在处理基因组数据时，需要采取严格的数据所有权和控制措施。为了提供安全和负责任的基础设施，区块链技术为传统的分布式系统提供了一个有前途的替代方案。事实上，针对基因组学的基于区块链的基础设施的研究正在兴起。然而，缺乏全面的文献综述来总结区块链在基因组学中应用的当前最先进的方法。在本文中，我们系统地研究了现有的工作，商业和学术，并讨论了主要的机遇和挑战。我们的研究是由五个研究问题驱动的，我们的目标是在我们的审查中回答。我们还提出了我们对未来研究方向的预测，我们希望对该领域感兴趣的研究人员可以从中受益。
2022-09-16 cs.CR
Privacy-preserving Health Data Sharing for Medical Cyber-Physical Systems
最近的一系列网络安全攻击已经损害了医疗网络物理系统（MCPS）中最终用户的数据安全和隐私。传统的用于数据保护的标准加密算法是基于系统架构的观点而不是最终用户的观点来设计的。由于这种加密算法将对数据的保护转移到对密钥的保护，一旦密钥暴露，数据安全和隐私将受到损害。在本文中，我们提出了一种安全的数据存储和共享方法，包括选择性加密算法结合碎片和分散，以保护数据的安全性和隐私，即使在传输介质（如云服务器）和密钥都受到损害。该方法基于以用户为中心的设计，该设计保护诸如终端用户的智能手机的可信设备上的数据，并且允许终端用户控制用于数据共享的访问。我们还评估了智能手机平台上的算法的性能，以证明效率。
2019-04-17 cs.CR
Protecting User Privacy Based on Secret Sharing with Error Tolerance for Big Data in Smart Grid
在智能电网中，从各种应用收集大量数据，例如智能计量变电站状态监测、电能数据采集和灵巧家庭。在智能电网应用中获取的大数据通常是敏感的。例如，为了准确地调度和支持动态价格，在用户家中安装了大量的智能电表来收集实时数据，但所有这些收集的数据都涉及用户隐私。本文提出了一种智能电网中基于秘密共享的容错数据聚合方案，保证控制中心在不泄露用户隐私的情况下获得整合后的数据。同时，我们还考虑了数据聚合过程中的差分隐私和容错问题。最后，我们分析了该方案的安全性，并进行了实验验证。
2018-10-25 cs.CR
Efficient Privacy-Preserving Computation Based on Additive Secret Sharing
云计算的出现为用户提供了一种新的计算范式--海量复杂的计算任务可以外包给云服务器。但隐私问题也随之而来。全同态加密在隐私保护计算中显示出巨大的潜力，但它还没有准备好用于实践。目前，安全多方计算（MPC）仍然是处理敏感数据的主要方法.在本文中，基于秘密共享的MPC范式，我们提出了一个安全的两方计算方案，在云服务器可以安全地评估功能与高效率。首先在典型的加性秘密共享（ASS）的基础上提出了乘性秘密共享（MSS）。在此基础上，设计了MSS和ASS之间的共享秘密交换协议，并给出了一系列的比较协议和基本函数。我们证明了所有的协议是普遍可组合安全的诚实但好奇的模型。最后，我们将展示我们的协议在通信效率和功能完整性方面的显着进步。
2021-03-31 cs.CR
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
Data Security and Privacy in Cloud Computing: Concepts and Emerging Trends
全球数百万用户利用云环境进行数据处理和共享。数据安全和隐私是云环境的必然要求。用户之间的大量使用和数据共享为安全漏洞打开了大门。本文设想讨论云环境，其效用，挑战和新兴的研究趋势局限于安全处理和数据共享。
2021-08-21 cs.CR
Privacy-Optimized Randomized Response for Sharing Multi-Attribute Data
针对多属性数据共享隐私保护不足的问题，提出隐私优化的随机响应方法及高效启发式算法，在保证最强隐私的同时显著降低输出误差。
2024-02-12 cs.CR
Sharing in a Trustless World: Privacy-Preserving Data Analytics with Potentially Cheating Participants
组织之间缺乏信任以及对其数据的隐私担忧阻碍了潜在的共生联合数据分析。我们提出DataRing，一个数据共享系统，允许相互不信任的参与者查询彼此的数据集在隐私保护的方式，同时确保输入数据集和查询答案的正确性，即使在存在（欺骗）参与者偏离他们的真实数据集。通过依赖于这样的假设，即如果只有真实数据集的一小部分行是已知的，则参与者不能提交与其真实数据集显著偏离的查询的答案。我们采用差分隐私和一套加密工具来确保每个参与者的数据集的个人隐私和系统的数据机密性。我们的结果表明，在具有10个属性和500，000条记录的数据集上评估10个查询在90.63秒内实现。DataRing可以在很少的查询中检测出偏离其真实数据集的作弊参与者，具有很高的准确性。
2021-06-18 cs.CR
Differential Privacy-based Permissioned Blockchain for Private Data Sharing in Industrial IoT
Hyperledger fabric等许可区块链通过多渠道和私有数据汇集机制在工业物联网（IIoT）中实现安全的供应链模型。共享工业数据，包括供应链合作伙伴之间每个阶段的私有数据交换，有助于提高产品质量，实现未来预测，并加强管理活动。然而，Hyperledger fabric中现有的数据共享和查询机制不适合IIoT中的供应链环境，因为查询是对存储在分类账上的实际数据进行评估的，其中包括敏感信息，例如商业秘密以及提供给零售商和个人的特殊折扣。为了解决这个问题，我们提出了一个基于差分隐私的许可区块链，使用Hyperledger fabric来实现IIoT供应链中的私有数据共享（DH-IIoT）。我们将差分隐私集成到Hyperledger fabric的chaindcode（智能合约）中，以实现隐私保护。因此，查询响应由保护分类账中的敏感信息的扰动数据组成。拟议的工作（DH-IIoT）通过使用Hyperledger结构模拟许可的区块链进行评估。我们将我们的Hyperledger fabric的差分隐私集成链码与供应链场景的Hyperledger fabric的默认链码设置进行比较。实验结果表明，该方法在保证敏感账本数据安全的同时，保持了共享数据96.15%的准确性。
2021-03-30 cs.CR
Albatross: a Privacy-Preserving Location Sharing System
越来越多的人通过移动设备访问社交网络服务。这一趋势促使Facebook和Google+等服务将位置作为用户交互的事实特征。与此同时，随着智能手机市场渗透率的提高，Foursquare和Shopkick等基于位置的服务也在增长。事实上，尽管人们对安全和第三方使用私人位置信息（例如，广告）。然而，服务提供商一直不愿意建立真正的私有系统，在该系统中他们不能访问位置信息。在本文中，我们描述了一个隐私保护的位置共享系统称为信天翁的体系结构和试用实现。该系统保护来自服务提供商的位置信息，并且还实现细粒度的位置共享。该系统的一个主要特点是保护个人的社会网络结构。对联系人的位置共享偏好的模式可以在不了解位置本身的情况下揭示这种结构。信天翁通过协议统一和屏蔽来保护共享偏好的位置。信天翁已经作为一个独立的解决方案实现，但该技术也可以集成到基于位置的服务中，以增强隐私。
2015-02-11 cs.CR
Balancing Patient Privacy and Health Data Security: The Role of Compliance in Protected Health Information (PHI) Sharing
本文提出一种集成智能合约的区块链技术，用于部分自动化患者同意管理流程，在确保PHI真实性和完整性的同时，使PHI访问与共享符合患者偏好及HIPAA等法律合规要求。
2024-07-03 cs.CR
Answering Count Queries for Genomic Data with Perfect Privacy
本文研究在完美隐私约束下回答基因组数据计数查询的问题，提出了本地和中心两种机制，在实现敏感基因型零信息泄露的同时最小化查询误差，并推导出错误概率下界且机制性能接近该下界。
2023-07-03 cs.CR cs.IT math.IT
Efficient User-Centric Privacy-Friendly and Flexible Wearable Data Aggregation and Sharing
针对可穿戴数据共享中的隐私风险，提出SAMA方案，结合多密钥部分同态加密和属性加密，实现高效、用户中心的灵活数据聚合与细粒度共享。
2024-03-03 cs.CR
PriFFT: Privacy-preserving Federated Fine-tuning of Large Language Models via Hybrid Secret Sharing
针对联邦微调中的用户数据与模型参数泄露风险，本文提出 PriFFT，利用 ASS 与 FSS 混合秘密共享及多项优化协议实现高效安全的 LLM 微调，显著降低时间与通信开销且无精度损失。
2025-05-14 cs.CR
Practical Two-party Privacy-preserving Neural Network Based on Secret Sharing
神经网络具有提供高效预测模型的能力，已被广泛应用于医疗、金融等领域，给我们的生活带来了极大的便利。然而，该模型的高精度需要多方提供大量数据，引发了公众对隐私的担忧。基于多方计算的隐私保护神经网络是当前用来在解决数据隐私的前提下提供模型训练和推理的方法之一。在这项研究中，我们提出了一个新的两方隐私保护神经网络的训练和推理框架中，隐私数据被分发到两个非合谋服务器。我们构造了一个用于掩码生成的预处理协议，在2 PC上支持并实现了秘密共享比较，并提出了一种新的方法来进一步减少通信轮数。在比较协议的基础上，构造了除法、指数等构造块，实现了训练和推理过程不再需要在不同类型的秘密共享之间进行转换，完全基于算术秘密共享。与以往的工作相比，我们的工作获得了更高的准确性，这是非常接近的明文训练。虽然准确性得到了提高，但运行时间却减少了，考虑到在线阶段，我们的工作比SecureML快5倍，比SecureNN快4.32- 5.75倍，并且非常接近当前最佳的3 PC实现，JSPCON。对于安全推理，就已知知识而言，我们应该是目前最优的2 PC实现，比其他作品快4- 358倍。
2021-04-10 cs.CR
A Privacy-Preserving Information-Sharing Protocol for Federated Authentication
University Mediterranea of Reggio Calabria（雷焦卡拉布里亚地中海大学）
本文提出了一种基于OPRFs的隐私保护协议，用于联邦认证中身份注册和信息共享，通过伪匿名标识符实现隐私保护和欺诈检测。
2025-12-01 cs.CR
Genomic Encryption of Biometric Information for Privacy-Preserving Forensics
DNA指纹是法医学中人类识别的基石，其中来自个体的高度多态性短串联重复序列（STR）与DNA数据库进行比较。这对数据库中具有DNA图谱的个人带来了重大的隐私风险，因为恶意攻击者可能会访问数据并将其滥用于次要目的。在本文中，我们提出了一种新的加密框架，用于联合加密基于DNA的指纹（STR）与其他生物特征数据，例如，面部图像，这样的STR和生物特征信息的个人透露，只有当一个积极的匹配被发现，即STR作为解密密钥。具体地，当使用数据库中的个体的STR序列对加密数据库执行搜索时，完美匹配生成个体的面部图像和/或其他生物特征，而缺乏匹配返回空结果。通过使用唯一的STR生成的密钥联合加密DNA指纹和其他生物特征，我们的方法确保了加密信息的完美隐私，仅解密与查询匹配的STR的记录。这保护了同一数据库中其他个人的信息。所提出的方法还可以用于在法医学之外的场景中安全地认证个人或生物材料的身份，包括跟踪用于临床遗传学和细胞疗法的样本的身份。
2021-03-26 cs.CR q-bio.GN
Privacy-Enhancing Encryption in Data Sharing: A Survey on Security, Performance and Functionality
Tianjin University（天津大学）；Southern Cross University（南十字星大学）；Zhongguancun Laboratory（中关村实验室）；City University of Hong Kong（香港城市大学）；Griffith University（格里菲斯大学）；Singapore Management University（新加坡管理大学）；University of Wollongong（伍伦贡大学）
本文综述了数据共享中隐私增强加密技术的安全性、性能及功能，分析了ABE、PRE和SE等技术的应用与挑战，提出数据共享框架及20种潜在攻击，探讨了多种增强技术对数据共享方案的影响。
2026-03-27 cs.CR
Enable Portrait Privacy Protection in Photo Capturing and Sharing
带有内置摄像头的可穿戴智能设备的广泛采用大大增加了人们对侵犯隐私的关注。在这里，我们探讨了根据人们的隐私保护要求，使人们从智能设备捕获的照片中轻松获取的可能性。要做到这一点，我们需要解决两个挑战：1）如何让用户明确表达他们的隐私保护意图，以及2）如何准确有效地将隐私要求与拍摄照片中的人相关联。此外，关联过程本身不应导致肖像信息泄漏，并应以保护隐私的方式完成。在这项工作中，我们设计，开发，并评估一个协议，使用户能够灵活地表达她的隐私要求，并授权照片服务提供商（或图像拍摄者），以发挥隐私保护政策。利用视觉的人在视场和维数无关的属性向量相似性度量，我们实现了高精度和低开销。我们实现了一个原型系统，踪迹驱动实验和现实实验的评估结果证实了我们系统的可行性和效率。
2014-10-24 cs.CR
Security and Privacy for Healthcare Blockchains
医疗区块链提供了一种创新的方式来存储医疗信息，执行医疗交易，并在分散的开放医疗网络环境中建立医疗数据共享和数据集成的信任。尽管医疗区块链技术已经引起了工业界、政府和学术界的广泛兴趣和关注，但在医疗行业从业务运营到研究合作的信息共享中部署区块链时，安全和隐私问题仍然是争论的焦点。本文重点介绍了区块链技术在医疗数据共享中的安全和隐私需求，全面分析了安全和隐私风险和需求，并给出了技术解决方案和策略。首先，我们讨论了通过部署医疗保健区块链实现电子医疗数据共享所需的安全和隐私要求以及属性。其次，我们将现有的努力分为三个参考区块链使用场景，用于电子医疗数据共享，并讨论在医疗区块链的三种使用场景中实现这些安全和隐私属性的技术，例如匿名签名，基于属性的加密，零知识证明，智能合约安全验证技术。最后，我们讨论了区块链在医疗保健领域的其他潜在应用场景。我们推测，这项调查将帮助医疗保健专业人员、决策者和医疗保健服务开发人员从概念、风险、需求、开发和部署技术和系统方面获得对医疗保健区块链安全性和隐私性的技术和直观见解。
2021-06-11 cs.CR
Privacy-Enhancing Technologies for Financial Data Sharing
本文调研了隐私增强技术在金融机构数据共享中的优劣势，以CBDC为案例研究其架构集成方式，成果可推广至跨境支付等多种代币化存款金融场景，助力平衡金融交易的隐私与合规要求。
2023-06-16 cs.CR
Using Illustrations to Communicate Differential Privacy Trust Models: An Investigation of Users' Comprehension, Perception, and Data Sharing Decision
适当的通信是采用和实施差分隐私（DP）的关键。然而，之前的一项研究发现，外行人不了解DP的数据扰动过程以及DP噪声如何保护他们的敏感个人信息。因此，他们不信任这些技术，并选择退出参与。在这个项目中，我们设计了三个DP模型（中央DP，本地DP，洗牌DP）的示意图，以帮助外行概念化如何添加随机噪声，以保护个人的隐私和维护群体的效用。在试点调查和访谈研究之后，我们进行了两个在线实验（N = 595），研究参与者的理解，隐私和效用感知，以及三个DP模型的数据共享决策。除了三个模型之间的比较之外，我们还改变了每个模型的噪声水平。我们发现，插图可以有效地沟通DP的参与者。考虑到对DP的充分理解，参与者更喜欢对某种类型的数据使用场景（即，商业利益）在模型水平和噪声水平上。我们还获得了经验证据，表明参与者接受Shuffler DP模型的数据隐私保护。我们的研究结果对以用户为中心的差分隐私部署的多个利益相关者具有影响，包括应用程序开发人员，DP模型开发人员，数据管理员和在线用户。
2022-02-21 cs.CR
Privacy-preserving Data Mining, Sharing and Publishing
本文的目标是提出不同的方法来保护隐私的数据共享和电子医疗保健系统的背景下发布。特别是，在隐私保障和当前的现实生活中的高复杂性的医疗系统，假设适当的数据共享机制的实现的技术问题的文献综述。
2013-04-06 cs.CR cs.DB
Efficient and Privacy-Preserving Ride Sharing Organization for Transferable and Non-Transferable Services
共乘允许多个人在一辆车中共享他们的行程，而不是使用多辆车。这可以减少街道上的车辆数量，从而减少空气污染，交通拥堵和运输成本。然而，乘车共享组织要求乘客向旅行组织服务器（TOS）报告有关其旅行的敏感位置信息，这产生了严重的隐私问题。此外，现有的共乘方案是不灵活的，即，它们要求驾驶员和乘坐者具有完全相同的行程以共享乘坐。此外，它们是不可扩展的，即，如果应用于大的地理区域，效率低下。在本文中，我们提出了两个有效的隐私保护乘车共享组织方案的不可转让乘车共享服务（NRS）和可转让乘车共享服务（TRS）。在NRS方案中，乘客可以只与一名司机共享从其源到目的地的旅程，而在TRS方案中，乘客可以在途中在多名司机之间换乘，直到他到达目的地。在这两种方案中，共乘区域被划分为多个小的地理区域，称为小区，每个小区都有唯一的标识符。每位司机/乘客应加密其行程数据，并向TOS发送加密的拼车要约/请求。在NRS方案中，在加密之前使用Bloom滤波器来压缩表示行程信息。然后，TOS可以测量加密的行程数据之间的相似性，以在不泄露用户身份或位置信息的情况下组织共享乘车。在TRS方案中，驾驶员报告他们的加密路线，然后TOS构建一个加密的有向图，该图被传递到Dijkstra最短路径算法的修改版本，以搜索可以实现由乘客定义的一组偏好的最佳乘坐路径。
2019-05-24 cs.CR
