A Model for Privacy-enhanced Federated Identity Management
出于法律和商业原因,在业务或消费者上下文中运行的身份联合需要防止跨信任服务提供商收集用户数据。法律原因由数据保护立法给出。其他原因包括企业所有者越来越意识到超越传统信息安全的保密风险,例如,对电子数据交换服务的认证次数可以提供对发票数量的了解,从中可以得到内部信息。本文提出了支持三个隐私要求的扩展技术控制:a)限制可链接性:两个服务提供商在没有第三方帮助的情况下不能链接与用户相关的数据,既不使用标识符也不使用其他识别属性,如电子邮件地址或支付数据; b)有限的可观察性:身份提供商在没有第三方帮助的情况下无法跟踪用户正在使用哪些服务; c)不公开:由属性提供者提供给服务提供者的属性不向身份提供者或中间服务代理公开。这个参考体系结构使用遵循隐私设计原则的轴辐式联合风格,解决了上面提到的隐私控制。
2014-01-19 cs.CR
PRIMA: Privacy-Preserving Identity and Access Management at Internet-Scale
互联网上的身份管理已从传统的做法(每个服务提供商存储和管理身份)发展到联合身份管理系统(身份管理委托给一组身份提供商)。一方面,联合身份确保了可用性,并为服务提供商提供了经济利益。另一方面,它对用户和服务提供商构成严重的隐私威胁。目前的技术,这是预先部署在互联网上,允许身份提供商跟踪用户的行为在广泛的服务。在这项工作中,我们提出了PRIMA,一个通用的基于凭证的身份验证系统,支持联合身份管理的隐私保护的方式。基本上,PRIMA在认证过程中不需要服务提供商和身份提供商之间的任何交互,从而防止身份提供商分析用户的行为。此外,在整个认证过程中,PRIMA提供了一种机制,用于控制用户私人信息的披露。我们对该系统进行了全面评估,以证明我们的方法的可行性。我们的性能分析表明,当密钥大小从1024位到2048位变化时,身份提供者每秒可以处理1,426到3,332个请求。
2016-12-06 cs.CR
None Shall Pass: A blockchain-based federated identity management system
用户身份的认证和授权通常由服务提供商或身份提供商完成。然而,这些集中式系统限制了用户对自己身份的控制,并且由于其集中式特性,容易发生大量数据泄漏。我们提出了一个基于区块链的身份管理系统,使用基于属性的访问控制策略和隐私保护算法对用户进行身份验证和授权,并最终将用户身份的控制权返回给用户。我们提出的系统将使用私有区块链,它将以安全、可验证的方式存储重新认证事件以及用户身份的数据访问和授权请求,从而确保数据的完整性。本文提出了一种机制,以验证诸如护照、驾驶执照、电费单等文件,由任何政府机构或其他机构以不可变和安全的方式发布。数据所有者负责在需要时使用OpenID Connect协议验证和传播用户的身份,以实现单点登录。我们使用高级加密算法向用户提供昵称,从而确保他们的隐私。这些算法还确保了交易在需要时的可重复性。我们提出的系统有助于减轻最近的隐私辩论中的一些问题。该项目适用于公民转移、国家间服务提供、银行、所有权转移等。通用框架也可扩展到银行、医院等联合体。
2022-07-05 cs.CR
Cross-Vendor Sola ISPM Benchmark: Evaluating Agentic AI for Federated Identity Security Reasoning
Sola Security
针对多云和SaaS平台中跨厂商身份安全配置错误与权限提升路径的评估缺失,提出包含50个数据驱动任务的跨厂商Sola ISPM基准测试,并构建评估框架,实验表明结构化关系上下文将答案正确性相对提升约34%,探索查询减少约70%。
2026-06-01 cs.CR
Reference Service Model for Federated Identity Management
Universität der Bundeswehr München(慕尼黑联邦国防军大学)
随着COVID-19大流行,世界各地的人们越来越多地在家工作。每个自然人通常有几个数字身份与不同的相关信息。在过去的几年中,各种身份和访问管理方法已经获得了吸引力,例如帮助在信任边界内访问其他组织的服务。由此产生的异质性造成了区分这些方法和场景作为参与实体的高度复杂性;将它们组合起来就更难了。最后但并非最不重要的是,在这方面,各种行为者对“服务”等术语有不同的理解或看法。我们的论文描述了一个参考服务与通用的联邦身份管理的标准组件。这与使用框架ArchiMate的现代企业架构一起使用。提出的通用联合身份管理服务模型(FIMSM)被应用于描述各种联合身份管理方案在一个通用的面向服务的方式。所提出的参考设计在多个方面得到了认可,并且很容易适用于许多场景。
2021-08-15 cs.CR cs.CV cs.NI
Risks to Zero Trust in a Federated Mission Partner Environment
本文针对联邦任务伙伴环境中部署零信任架构的安全挑战,分析多身份模型集成带来的风险,并提出两类缓解研究方向。
2022-11-30 cs.CR
On the Usage of Verifiable Credentials in Privacy-Preserving Federated Analytics
University of Bucharest(布加勒斯特大学);Research Institute of the University of Bucharest (ICUB)(布加勒斯特大学研究所)
本文探讨将可验证凭证与隐私保护联邦分析结合,以解决节点真实性和数据验证挑战,实现认证且保持完整性的数据模型。
2026-09-29 cs.CR cs.ET
PrivFedTalk: Privacy-Aware Federated Diffusion with Identity-Stable Adapters for Personalized Talking-Head Generation
Engineering Sciences, Homi Bhabha National Institute(霍米·巴巴国立研究所工程科学系)
本文提出PrivFedTalk框架,结合条件潜在扩散模型与参数高效的身份适应,解决个性化说话头生成中的隐私问题,通过身份稳定联邦聚合和时间去噪一致性正则化提升性能。
2026-04-09 cs.AI cs.CR cs.CV
IPFed: Identity protected federated learning for user authentication
Hitachi, Ltd.(日立公司)
针对用户认证中隐私保护与高准确率难以兼顾的问题,提出基于随机投影类别嵌入的联邦学习方法 IPFed,并证明其可达到最先进方法的等价性能。
2024-05-07 cs.CR cs.CV cs.LG
Integrating Identity-Based Identification against Adaptive Adversaries in Federated Learning
School of Engineering, Computing and Mathematics, University of Plymouth(工程、计算与数学学院,普利茅斯大学);Faculty of Engineering, Multimedia University(工程学院,多媒体大学)
本文提出在联邦学习中整合基于身份的识别技术,以有效防御自适应攻击者,提升系统鲁棒性。
2025-04-03 cs.AI cs.CR
A Logical Approach to Cloud Federation
联合云在管理身份、资源访问、命名、连接和对象访问控制方面提出了各种挑战。本文展示了如何使用以数据为中心的方法以全面统一的方式应对这些挑战。我们的方法的基础是一个信任的逻辑,参与者发出认证的声明,主体,对象,属性和关系的逻辑语言,推理声明性的政策规则的基础上。我们将展示如何使用该逻辑来实现云联合的信任基础设施,该基础设施扩展了NSF GENI(联合IaaS测试平台)的模型。它捕获共享身份管理,GENI授权服务,使用L2电路的跨站点互连,以及类似于AWS身份和访问管理(IAM)的命名和访问控制系统,但扩展到没有中央控制的联邦系统。
2017-08-10 cs.CR cs.DC
A Novel Blockchain-based Trust Model for Cloud Identity Management
安全可靠的身份管理已成为当今云计算面临的最大挑战之一,这主要是由于该模型生成的大量新的基于云的应用程序,这意味着需要提供、监控和保护更多的用户帐户、密码和个人信息。目前,身份联合是克服上述问题并通过允许有效的身份验证机制和使用来自跨多个域分布的数据的身份信息来简化用户体验的最有用的解决方案。然而,这种方法在管理云服务提供商及其客户端的信任关系方面产生了相当大的复杂性。联合身份管理系统中的信任管理不善带来了许多安全、隐私和互操作性问题,这导致组织不愿意将其关键身份数据迁移到云端。在本文中,我们的目标是通过引入一种基于区块链的新型信任和身份管理模型来解决这些问题,用于云身份管理,并提高安全性和隐私性。
2019-03-12 cs.CR
Trustworthy Blockchain-based Federated Learning for Electronic Health Records: Identity-Gated Participation against Sybil Attacks
Federal Institute of Education, Science, and Technology of Rio Grande do Norte (IFRN)(里约格兰德北教育科学和技术联邦学院)
本文提出基于区块链的可信联邦学习框架,利用去中心化标识符和可验证凭证保障医疗数据安全,有效抵御Sybil攻击,提升模型预测性能。
2026-11-03 cs.AI cs.CR cs.LG
PQBFL: A Post-Quantum Blockchain-based Protocol for Federated Learning
针对联邦学习中的模型、隐私及量子安全威胁,本文提出PQBFL协议,融合后量子密码、区块链、混合通信与棘轮机制,保障全轮次安全、身份隐私和声誉认证。
2025-02-20 cs.CR
Privacy Leakage in Federated Learning: Gradient-Based Client Identity Inference and Defenses for Inertial Sensing in Vehicular Edge Networks
King Fahd University of Petroleum and Minerals(法赫德国王石油与矿产大学)
该研究针对车载边缘网络联邦学习,发现服务器可通过梯度近乎完美推断客户端身份,提出轻量级防御与集成联邦学习方案,实现隐私-效用平衡并验证了方法有效性。
2026-09-09 cs.CR cs.LG cs.NI
Zero Trust Security Model Implementation in Microservices Architectures Using Identity Federation
Unisys Corporation(Unisys公司);IBM Corporation(IBM公司);Synechron
本文提出在微服务架构中结合 OIDC、OAuth 2.0 和 SPIFFE/SPIRE 等身份联邦技术实现零信任安全模型,以缩小攻击面、统一策略执行并满足 DevSecOps 要求。
2025-11-07 cs.CR
PPBFL: A Privacy Protected Blockchain-based Federated Learning Model
Beihang University(北京航空航天大学);Guangxi Normal University(广西师范大学)
提出基于区块链的隐私保护联邦学习模型PPBFL,结合训练工作量证明共识、自适应差分隐私和环签名技术,在保障数据与身份隐私的同时提升了模型性能与安全性。
2024-01-08 cs.AI cs.CR
Privacy attacks for automatic speech recognition acoustic models in a federated learning framework
Avignon Université(阿维尼翁大学);Université de Lille(里尔大学);CNRS(法国国家科学研究中心);Inria(法国国家信息与自动化研究所);Centrale Lille(里尔中央理工学院)
本文研究了在自动语音识别(ASR)中从个性化说话人自适应神经网络声学模型(AM)中有效提取说话人信息的方法。这个问题在ASR声学模型的联邦学习的上下文中尤其重要,其中基于从多个客户端接收的更新在服务器上学习全局模型。我们提出了一种方法来分析信息的神经网络AM的基础上的神经网络足迹的所谓的指标数据集。使用这种方法,我们开发了两种攻击模型,旨在从更新的个性化模型中推断说话人身份,而无需访问实际用户的语音数据。在TED-LIUM 3语料库上的实验表明,本文提出的方法是非常有效的,可以提供1- 2%的等出错率(EER)。
2022-01-14 cs.CL cs.CR cs.SD
Starlit: Privacy-Preserving Federated Learning to Enhance Financial Fraud Detection
University College London(伦敦大学学院);Privitar;Flower Labs;Cardiff University(卡迪夫大学)
Starlit提出一种可扩展的隐私保护联邦学习机制,通过解决现有方案在安全证明、账户冻结假设、计算开销、身份对齐和客户端退出等方面的局限,提升金融欺诈检测性能。
2024-01-22 cs.CR cs.LG
Warmup and Transfer Knowledge-Based Federated Learning Approach for IoT Continuous Authentication
École de Technologie Supérieure (ÉTS)(高等技术学院(ÉTS));Universite de Quebec a Trois-Rivieres (UQTR)(魁北克大学三河分校(UQTR));Lebanese American University(黎巴嫩美国大学);New York University(纽约大学);Mohammad Bin Zayed University of Artificial Intelligence(穆罕默德·本·扎耶德人工智能大学)
连续行为身份验证方法通过允许个人在访问设备时验证其唯一身份来添加独特的安全层。通过在与移动或物联网(IoT)设备交互时监控用户的行为,保持会话真实性现在是可行的,从而使凭据盗窃和会话劫持无效。这种技术通过集成人工智能和机器学习(ML)的力量而成为可能。大多数文献都集中在通过将用户数据传输到外部服务器来训练用户的机器学习,这会使私人用户数据暴露于威胁。在本文中,我们提出了一种新的联邦学习(FL)的方法,保护匿名的用户数据和维护他的数据的安全性。我们提出了一个热身的方法,提供了一个显着的准确性增加。此外,我们利用基于特征提取的迁移学习技术来提高模型的性能。我们基于四个数据集:MNIST,FEMNIST,CIFAR-10和UMDAA-02-FD进行了广泛的实验,结果显示用户身份验证的准确性显著提高,同时维护了用户隐私和数据安全。
2022-11-10 cs.AI cs.CR cs.DC
EBS-CFL: Efficient and Byzantine-robust Secure Clustered Federated Learning
针对聚类联邦学习中用户聚类身份隐私泄露与投毒攻击问题,提出兼具隐私保护、拜占庭鲁棒性的高效安全聚合方案EBS-CFL,经理论与实验验证其安全与性能优势。
2025-06-16 cs.AI cs.CR cs.DC
A Control-Driven Framework for Secure SaaS Onboarding in Regulated Enterprises
Virginia Tech(弗吉尼亚理工大学)
针对受管制企业SaaS引入难题,提出控制驱动的端到端框架,集成多领域到统一生命周期模型,采用阶段式方法,有结构化生命周期、跨域控制映射和实用设计模式等贡献,可助企业减少引入摩擦、提升安全性。
2026-09-21 cs.CR cs.CY cs.SE
Combined Hyper-Extensible Extremely-Secured Zero-Trust CIAM-PAM architecture
Quantum Dynamics SAS(量子动力SAS公司)
本文提出面向大型企业的 CHEZ CIAM-PAM 零信任架构,通过联邦身份、无密码认证、自适应 MFA、微服务 PEP、多层 RBAC 与多级信任系统及 AI 威胁检测集成,解决关键安全缺口。
2025-01-03 cs.AI cs.CR cs.NI
Digital Privacy in IoT: Exploring Challenges, Approaches and Open Issues
Birla Institute of Technology and Science, Pilani(比拉理工学院)
本文探讨物联网中数字隐私的风险与挑战,提出IEEE隐私模型分类框架,分析加密、区块链等隐私增强技术,并介绍AURA-IoT框架以应对AI驱动的隐私风险。
2026-04-06 cs.CR
TempCharBERT: Keystroke Dynamics for Continuous Access Control Based on Pre-trained Language Models
Institut national de la recherche scientifique (INRS-EMT)(国家科学研究院(INRS-EMT));Université du Québec(魁北克大学);INRS-UQO Mixed Research Unit on Cybersecurity(INRS-UQO网络安全混合研究单元);Polytechnique Montréal(蒙特利尔理工学院);São Paulo State Technological College(圣保罗州立技术学院)
本文提出TempCharBERT,在CharBERT嵌入层融合时间字符信息以建模击键动态,实现用户身份识别与连续访问控制,实验显示显著提升,并验证了联邦学习训练的可行性。
2024-11-11 cs.CL cs.CR