V-Cloak: Intelligibility-, Naturalness- & Timbre-Preserving Real-Time Voice Anonymization
Zhejiang University(浙江大学);Wuhan University(武汉大学)
在即时消息或社交媒体应用程序上生成的语音数据包含唯一的用户声纹,这些声纹可能会被恶意攻击者滥用,用于身份推断或身份盗窃。现有的语音匿名化技术,例如,信号处理和语音转换/合成遭受感知质量的降级。在本文中,我们开发了一个语音匿名化系统,命名为V-Cloak,它实现了实时的【形】语音匿名化,同时保持可懂度,自然度和音质的音频。我们设计的匿名器具有一个一次性生成模型,可以在不同的频率水平上调制原始音频的特征。我们用精心设计的损失函数来训练匿名者。除了匿名性损失,我们进一步纳入可懂度损失和基于心理声学的自然性损失。匿名器可以实现无目标和有目标的匿名,以达到不可识别和不可链接的匿名目标。我们在四个数据集上进行了广泛的实验,即,LibriSpeech(英语)、AISHELL(中文)、CommonVoice(法语)和CommonVoice(意大利语),五个自动说话人验证(ASV)系统(包括两个基于DNN的ASV、两个统计ASV和一个商业ASV),以及十一个自动语音识别(ASR)系统(针对不同语言)。实验结果表明,V-Cloak在匿名性能方面优于五个基线。我们还证明了仅在VoxCeleb 1数据集上训练的V-Cloak对ECAPA-TDNN ASV和DeepSpeech 2 ASR具有针对其他ASV的可转移匿名性和其他ASR的跨语言可理解性。此外,我们验证了V-Cloak对各种去噪技术和自适应攻击的…
2022-10-27 cs.AI cs.CR cs.SD
Statistical anonymity: Quantifying reidentification risks without reidentifying users
数据匿名化是一种保护隐私的数据发布方法,旨在防止参与者重新识别,并且在不能容忍噪声数据的应用中,它是差分隐私的重要替代方案。用于在发布的数据中实施$k$ -匿名的现有算法假设执行匿名化的管理者具有对原始数据的完全访问权。限制这种访问的原因从不可取到完全不可行。本文探讨的想法-目标,指标,协议和扩展-减少必须放在馆长的信任,同时仍然保持$k$ -匿名的统计概念。我们建议信任(提供给策展人的信息量)和隐私(参与者的匿名性)作为这样一个框架的主要目标。我们描述了一类协议,旨在实现这些目标,提出新的隐私指标的过程中,并证明相关的界限。最后,我们讨论了这项工作的自然延伸,完全消除了对中央策展人的需要。
2022-01-28 cs.CR cs.CY cs.DB
DeZent: Decentralized z-Anonymity with Privacy-Preserving Coordination
Dresden University of Technology (TU Dresden)(德累斯顿工业大学)
deZent是一种去中心化的z-匿名性方法,通过本地匿名化和轻量级协调在保护隐私的同时提升传感器网络效率。
2026-03-09 cs.CR cs.DC
Exposing Privacy Risks in Anonymizing Clinical Data: Combinatorial Refinement Attacks on k-Anonymity Without Auxiliary Information
本研究提出无需辅助信息的组合细化攻击CRA,针对ARX生成的局部重编码k-匿名临床数据,通过线性规划缩小敏感值范围,在真实临床数据上验证了现有k-匿名框架的隐私防护不足。
2025-09-03 cs.CR
The Role of Quasi-identifiers in k-Anonymity Revisited
最近的文献中使用的k-匿名的概念,正式评估发布表的隐私保护,引入准标识符(或简称QI)的概念的基础上。对于给定的私有表,获得k-匿名性的过程是首先识别表中的QI,然后匿名化QI值,后者被称为k-匿名化。虽然k-匿名化通常被作者严格验证,但QI的定义大多是非正式的,不同的作者似乎对QI的概念有不同的解释。本文的目的是提供一个正式的基础QI和检查的正确性和不正确的各种解释QI在我们的正式框架。我们注意到,在正确使用这一概念的情况下,其应用是保守的;本说明提供了对这种情况下保守性质的正式理解。
2006-11-08 cs.CR cs.DB
How To Break Anonymity of the Netflix Prize Dataset
提出了一种新的针对高维微观数据的统计去匿名化攻击方法,该方法对数据的扰动具有鲁棒性,并且能够容忍攻击者的背景知识中的某些错误.我们将我们的去匿名化方法应用于Netflix Prize数据集,该数据集包含世界上最大的在线电影租赁服务Netflix的50万订阅者的匿名电影评级。我们证明,对手谁知道只有一点点关于一个单独的订户可以很容易地识别该订户的记录在数据集中。使用互联网电影数据库作为背景知识的来源,我们成功地识别了已知用户的Netflix记录,揭示了他们明显的政治偏好和其他潜在的敏感信息。
2007-11-22 cs.CR cs.DB
Practical Hash-based Anonymity for MAC Addresses
由于MAC地址可以唯一地识别一个人或一辆车,在大的地理范围内的连续跟踪已经引起了政府和公众对隐私的严重关注。先前的工作已经表明,简单的基于哈希的匿名化方法可以很容易地被逆转,由于小的搜索空间的MAC地址。具体地,可以用39位表示整个分配的MAC地址空间,并且基于频率的攻击允许用31位枚举50%的MAC地址。我们提出了一个实用的方法,MAC地址匿名化使用计算昂贵的哈希函数和截断产生的哈希,以允许k-匿名。我们提供了一个表达式来计算预期冲突的百分比,表明对于24位的MAC地址,可以存储多达168,617个MAC地址,冲突率小于1%。我们通过实验证明,通过存储13位中的100个MAC地址、17位中的1,000个MAC地址和20位中的10,000个MAC地址的数据集,可以实现1%或更低的冲突率。
2020-06-18 cs.CR
Fair Play for Individuals, Foul Play for Groups? Auditing Anonymization's Impact on ML Fairness
Inria Centre at the University Grenoble Alpes, France(法国格勒诺布尔阿尔卑斯大学Inria研究中心);Open Universiteit(开放大学)
该研究系统审计了匿名化技术对机器学习公平性的影响,发现匿名化会使群体公平性指标下降高达四倍,但能通过增加输入同质性改善个体公平性,为隐私、公平与效用间的权衡提供了实用指南。
2025-10-31 cs.AI cs.CR cs.LG
An Effective Clustering Approach to Web Query Log Anonymization
Web查询日志数据包含对研究有用的信息;然而,此类数据的发布可以重新识别发出查询的搜索引擎用户。这些隐私问题远远超出了删除姓名和地址等明确识别信息的范围,因为非识别个人数据可以与公开信息相结合,以确定个人。在这项工作中,我们的Web查询日志建模为非结构化的交易数据,并提出了一种新的交易匿名技术的基础上聚类和泛化技术,以实现k-匿名隐私。我们对AOL查询日志数据进行了广泛的实验。我们的研究结果表明,这种方法导致更高的数据效用相比,最先进的交易匿名化方法。
2010-12-03 cs.CR cs.DB
rx-anon -- A Novel Approach on the De-Identification of Heterogeneous Data based on a Modified Mondrian Algorithm
University of Ulm(乌尔姆大学);University(大学)
传统的数据匿名化方法分别考虑关系数据和文本数据。我们提出了rx-anon,一种匿名化方法的异构半结构化的文件组成的关系和文本属性。我们将从文本中提取的敏感术语映射到结构化数据。这允许我们使用k-匿名等概念来生成异构数据输入的连接的、隐私保护的版本。我们引入了冗余敏感信息的概念来一致地匿名化异构数据。为了控制匿名化对非结构化文本数据和结构化数据属性的影响,我们引入了一种改进的参数化Mondrian算法。参数$λ$允许在匿名化过程中对关系和文本属性赋予不同的权重。我们评估我们的方法与两个现实世界的数据集使用归一化的匿名惩罚分数,适应联合匿名化的关系和文本数据的问题。结果表明,我们的方法是能够减少信息损失,通过使用调整参数来控制蒙德里安分区,同时保证k-匿名的关系属性以及敏感条款。由于rx-anon是一种框架方法,它可以被其他匿名算法,隐私模型和文本相似性度量重用和扩展。
2022-12-06 cs.CR cs.DB cs.LG
Collaborative Deanonymization
寻求隐私的加密货币用户依赖于CoinJoin和戒指交易等匿名技术。通过使用这些技术,良性用户可能会为不良行为者提供匿名性。我们提出覆盖协议,以解决匿名性和问责制之间的紧张关系,在对等的方式。加密货币可以采用这种方法来起诉公众公认的犯罪。我们说明了这些协议如何应用于比特币中的Monero环和CoinJoin交易。
2021-02-26 cs.CR cs.CY
Towards more accurate and useful data anonymity vulnerability measures
本文针对现有匿名化攻击研究普遍高估风险的问题,提出非成员框架以优化统计推断基线,并建议成员推断研究采用代表性先验概率范围报告精确率/召回率,提升数据匿名性脆弱性度量的准确性与实用性。
2024-03-11 cs.CR
Secure k-Anonymization over Encrypted Databases
数据保护算法对于支持促进数据共享和数据货币化的现代业务需求正变得越来越重要。摘要数据共享是实现数据共享的重要步骤。一些组织利用第三方来存储和管理数据。然而,第三方通常不被信任来存储明文个人和敏感数据;数据加密被广泛采用,以防止有意和无意地读取个人/敏感数据。传统的加密方案不支持对密文的操作,因此对加密数据集进行匿名化对于当前的方法是不可行的。本文探讨了利用同态加密在加密数据集上实现隐私保护数据发布工作流的可行性和深度。我们演示了如何实现唯一性发现,数据屏蔽,差分隐私和K-匿名加密数据需要零知识的原始值。我们证明了我们的方法所遵循的安全协议提供了强有力的保证,对推理攻击。最后,我们通过实验证明了我们的数据发布工作流组件的性能。
2021-08-10 cs.CR
Extending the Anonymity of Zcash
尽管比特币在其最初的白皮书中表示它提供匿名交易,但去匿名化技术却发现了其他情况。因此,开发了替代加密货币,如Dash,Monero和Zcash,以提供更好的隐私。正如爱德华·斯诺登所说,“Zcash的隐私技术使其成为最有趣的比特币替代品。因为它的隐私属性是真正独特的”。Zcash的隐私是基于同行评审的加密结构,因此它被认为是提供最佳匿名性的基础。然而,即使是Zcash也做出了一些隐私让步。它不保护用户的隐私,在存在一个全球对手谁能够观察到整个网络,因此相关的各方交换金钱,通过使用他们的网络地址。最近对Zcash的实证分析表明,用户在执行协议操作时经常选择幼稚的方式,没有意识到这会降低他们的匿名性。在这次演讲中,我们将讨论Zcash使用混合网络的扩展,通过解决两个主要的安全挑战来增强选择保持匿名的用户的隐私保证:一个在方案的应用层,一个在其网络层。
2019-02-19 cs.CR
Fingerprint Attack: Client De-Anonymization in Federated Learning
The University of Melbourne(墨尔本大学)
本文提出一种针对联邦学习梯度的新型指纹攻击,证明梯度聚类可轻易打破洗牌匿名化,并验证差分隐私训练可有效防御该攻击。
2023-09-12 cs.AI cs.CL cs.CR
On the k-Anonymization of Time-varying and Multi-layer Social Graphs
在线社交媒体平台的普及为研究现实世界的复杂互动网络提供了前所未有的机会。然而,向研究人员和公众发布这些数据的代价是可能暴露隐私和敏感的用户信息。已经表明,通过移除节点的身份来对网络进行朴素的匿名化不足以保护用户的隐私。为了应对恶意攻击,已经提出了k-匿名解决方案来部分混淆可用于推断节点身份的拓扑信息。在本文中,我们研究了在时变图中确保k-匿名的问题,即,具有随时间变化的结构的图,以及多层图,即,具有多种类型链接的图表。更具体地说,我们研究的情况下,攻击者可以访问的程度的节点。目标是生成一个新的图,其中给定图的每个(时间)层中的节点的度,这样的节点与图中的其他k-1个节点保持不可区分。为了实现这一点,我们找到了图节点的最佳划分,使得每个组内的匿名化度信息的成本最小。我们表明,这减少到一个特殊的情况下,广义分配问题,我们提出了一个简单而有效的算法来解决它。最后,我们引入了一个迭代线性规划方法,以加强匿名度序列的可实现性。该方法的有效性进行评估,通过一组广泛的实验合成和现实世界的图形。
2015-03-22 cs.CR cs.SI
Diffix Elm: Simple Diffix
从历史上看,强大的数据匿名化需要大量的领域专业知识和针对给定数据集和用例的自定义设计。Diffix是一个匿名化框架,旨在为非专家提供强大的数据匿名化。本文介绍了Difix Elm,一个非常容易使用的Difix版本,但牺牲了查询功能。我们描述了Diffix Elm,并表明它提供了基于通用数据保护条例(GDPR)标准的强大匿名性。本文档是Difix Elm的第三个版本。第二个版本添加了ceiling、round和bucket\_width函数(除了floor)。本文档增加了保护多个不同类型的受保护实体的能力(这是Difix早期版本中没有的功能)。它还为任何列(而不仅仅是AID列)添加计数非重复值。
2022-06-20 cs.CR
Prink: $k_s$-Anonymization for Streaming Data in Apache Flink
本研究提出流数据匿名化方案Prink,基于CASTLE方案实现非数值流数据的语义感知$k_s$-匿名化,原生集成Apache Flink,在低集成成本下保持可接受的性能开销与信息损失,适用于企业级流处理场景。
2025-05-19 cs.CR cs.DC cs.SE
Comparison of machine learning models applied on anonymized data with different techniques
Instituto de Física de Cantabria (IFCA), CSIC-UC(坎塔布里亚物理研究所(IFCA),西班牙国家研究委员会-坎塔布里亚大学)
本研究比较四种经典机器学习模型在不同匿名化技术(如k-匿名性、ℓ-多样性等)处理后的adult数据集上的分类性能,分析匿名化参数对模型效用的影响。
2023-05-12 cs.CR cs.DB cs.LG
Rethinking Anonymity Claims in Synthetic Data Generation: A Model-Centric Privacy Attack Perspective
UCL(伦敦大学学院);SAS(SAS公司);UC Riverside(加州大学河滨分校)
本文从模型为中心的视角重新审视合成数据生成中的匿名性主张,强调需考虑生成模型能力和隐私攻击,指出合成数据技术不足以保证匿名性,并比较差分隐私与相似性隐私度量的优劣。
2026-10-02 cs.CR cs.CY cs.LG
The effect of constraints on information loss and risk for clustering and modification based graph anonymization methods
在本文中,我们提出了一种新的方法匿名在线社交网络图,可以与现有的扰动方法,如聚类和修改。本文的主要观点是,通过施加额外的约束,可以选择哪些节点,我们可以减少信息损失的关键结构指标,同时保持可接受的风险。我们提出并评估了两个约束条件,“本地1”和“本地2”,选择最相似的子图在同一个社区,而不包括一些关键的结构节点。为此,我们引入了一种新的距离度量的基础上,局部子图的特点,并使用同构匹配器进行校准。实证测试进行了三个真正的OSN数据集,六个信息损失的措施,五个对手的查询作为风险措施,和不同水平的k-匿名。结果表明,总体而言,有约束的方法给出了最好的结果,信息损失和披露风险。
2014-07-01 cs.CR
Privacy Preserving Count Statistics
保护用户隐私和匿名的能力非常重要。维护隐私的最安全方法之一是避免存储个人身份信息(PII),这对维护有用的用户统计数据构成了挑战。当精确计数太耗费资源时,概率计数被用来寻找多集的基数。在本文中,概率计数被用作匿名化技术,提供了一个可靠的估计的唯一用户的数量。我们扩展了以前的工作,概率计数考虑其用于保持用户匿名,开发应用程序的指导方针,包括哈希冲突的估计。我们的工作补充了以前的方法,试图探索的原因,未校正的估计偏离实际价值。实验结果表明,如果使用适当的寄存器大小,碰撞补偿提供的估计是一样好,如果不是更好,原来的概率计数。我们开发了一个新的匿名度量精确量化的匿名程度的算法提供。
2019-10-15 cs.CR
A False Sense of Privacy: Towards a Reliable Evaluation Methodology for the Anonymization of Biometric Data
本文指出现有面部与步态生物特征匿名化评估因假设弱对手而高估隐私效果,提出知晓匿名化的强对手及改进的数据集选择方法,通过最坏情况性能度量实现可靠评估。
2024-07-09 cs.CR
Deep Motion Masking for Secure, Usable, and Scalable Real-Time Anonymization of Virtual Reality Motion Data
针对VR运动遥测数据易被唯一识别的隐私问题,研究提出可突破现有防御的先进VR识别模型,并设计深度运动掩码方法实现VR数据实时可扩展匿名化,经182人用户研究验证其可用性与隐私性均优于现有系统。
2023-11-09 cs.CR cs.HC
Compromising Tor Anonymity Exploiting P2P Information Leakage
在P2P网络中,用户的隐私远远超出了他们目前的使用,并且是采用P2P协议进行合法使用的基本要求。在这些用户和反盗版组织之间的冷战气氛中,越来越多的用户转向匿名网络,试图隐藏自己的身份。然而,当P2P协议没有设计成保护用户信息时,它会泄漏可能危及其用户身份的信息。在本文中,我们首先介绍了三种针对Tor上的BitTorrent用户的攻击,这些攻击揭示了他们的真实IP地址。在第二步中,我们分析BitTorrent用户对Tor的使用情况,并将其与Tor之外的使用情况进行比较。最后,我们描述了这种去匿名化所引起的风险,并表明用户的隐私侵犯超出了BitTorrent流量,并污染了其他协议,如HTTP。
2010-04-09 cs.CR cs.NI
New Directions in Anonymization: Permutation Paradigm, Verifiability by Subjects and Intruders, Transparency to Users
目前有两种匿名化方法:“效用优先”(使用具有合适效用特征的匿名化方法,然后根据经验评估披露风险,并且如果必要,通过可能牺牲一些效用来降低风险)或“隐私优先”(通过隐私模型强制执行目标隐私级别,例如,k-匿名或k-差分隐私,而不考虑效用)。为了获得正式的隐私保证,必须遵循第二种方法,但随后获得的数据发布没有效用保证。此外,一般来说,不清楚数据主体的匿名化如何验证(她贡献的记录的安全性如何?),什么类型的入侵者被认为是(他知道什么,想要什么?)以及匿名化对数据使用者的透明度如何(用户被告知使用的方法和参数是什么?)。我们表明,使用一个普遍适用的反向映射变换,微数据的任何匿名化可以被视为一个置换加上(也许)少量的噪音;因此,置换被证明是任何匿名化的微数据,它允许简单的实用程序和隐私指标的基本原则。从这个置换范式,一个新的隐私模型自然遵循,我们称之为(d,v)-置换隐私。通过这种方法确保的隐私可以通过贡献原始记录的每个受试者(受试者可验证性)来验证,并且还可以通过数据保护器在数据集级别进行验证。然后,我们继续定义一个最大知识入侵者模型,我们认为应该是一个考虑匿名化。最后,我们让匿名化对数据用户透明,也就是说,符合Kerckhoff的假设(只有使用的随机性,如果有的话,必须保密)。
2015-01-17 cs.CR cs.DB
Time Distortion Anonymization for the Publication of Mobility Data with High Utility
每天都有越来越多的移动数据通过不同的方式收集,例如移动应用程序或人群感知活动。这些数据有时会在应用简单的匿名化技术(例如,将标识符而不是用户的名称),这可能导致对参与用户的隐私的严重威胁。文献包含更复杂的匿名化技术,通常基于向空间数据添加噪声。然而,这些技术或者在所添加的噪声太少的情况下损害隐私,或者在所添加的噪声太强的情况下损害数据的效用。我们在本文中调查的另一种解决方案,它建立在时间失真,而不是空间失真。具体而言,我们的贡献在于(1)引入时间失真的概念来匿名化移动数据集(2)Promesse,实现这一概念的保护机制(3)Promesse的实际研究相比,两个代表性的空间失真机制,即等待我,强制执行k-匿名,和地理不可侵犯性,强制执行差分隐私。我们实际上使用三个现实生活中的数据集来评估我们的机制。我们的研究结果表明,时间失真减少了可以被对手检索到的兴趣点的数量到3%以下,而引入的空间误差几乎为零,范围查询结果的失真平均保持在13%以下。
2015-07-02 cs.CR
pyCANON: A Python library to check the level of anonymity of a dataset
pyCANON是一个Python库和CLI,通过多种匿名化技术(如k-匿名性、ℓ-多样性等)评估数据集匿名级别,仅需准标识符和敏感属性即可生成完整参数报告。
2022-08-16 cs.CR cs.DB
Utility-Preserving Differentially Private Data Releases Via Individual Ranking Microaggregation
能够发布和利用信息系统中收集的开放数据对研究人员、企业和整个社会至关重要。然而,这些数据在发布之前必须匿名,以保护与记录相关的受试者的隐私。差分隐私是一种用于匿名化的隐私模型,它提供了比以前的模型(例如$k$ -匿名及其扩展)更强大的隐私保证。然而,经常被忽视的是,差分私有输出的效用是非常有限的,这是因为需要添加噪声以获得它们的量,或者因为效用仅针对受限类型和/或有限数量的查询而被保留。相反,$k$ -类似匿名的数据发布对受保护数据的使用没有任何假设,因此不会限制可行分析的数量和类型。最近,一些作者提出了机制,提供通用的不同的私人数据发布。本文扩展了这样的作品,特别注重保护数据的实用程序的保存。我们的建议建立在基于微聚合的匿名化,这是更灵活和实用性保护比文献中使用的替代匿名化方法,以减少噪音量需要满足差分隐私。通过这种方式,我们提高了差异化私有数据发布的实用性。此外,我们实现的降噪不依赖于数据集的大小,而只是取决于要保护的属性的数量,这对于大数据集来说是更可取的行为。我们的建议所带来的效用效益进行了实证评估,并与相关的工作几个数据集和指标进行比较。
2015-12-16 cs.CR
De-anonymizing Social Networks
在线社交网络的运营商越来越多地共享关于用户及其与广告商、应用程序开发人员和数据挖掘研究人员的关系的潜在敏感信息。隐私通常通过匿名化来保护,即,删除姓名,地址等,我们提出了一个框架,用于分析隐私和匿名的社交网络,并开发了一个新的重新识别算法,针对匿名的社交网络图。为了证明其在现实世界的网络中的有效性,我们表明,三分之一的用户谁可以被验证有帐户的Twitter,一个流行的微博服务,和Flickr,一个在线照片共享网站,可以重新识别在匿名的Twitter图只有12%的出错率。我们的去匿名化算法纯粹基于网络拓扑结构,不需要创建大量的虚拟“女巫”节点,对噪声和所有现有的防御都是鲁棒的,即使目标网络和对手的辅助信息之间的重叠很小。
2009-03-19 cs.CR cs.DS
Real-world K-Anonymity Applications: the \textsc{KGen} approach and its evaluation in Fraudulent Transactions
Tilburg University(蒂尔堡大学);Eindhoven University of Technology(埃因霍温理工大学)
研究针对大数据集K-匿名处理难题,引入KGen方法,该方法基于遗传算法,能在合理时间内找到伪最优解,可保证高匿名级别,在真实世界大数据集上评估结果显示其运行高效。
2026-07-22 cs.CR cs.DB
How Tough Is Location Anonymization? Re-identifying 100K Real-User Trajectories in Japan
Inria(法国国家信息与自动化研究所);INSA-Lyon(里昂国立应用科学学院);ÉTS Montréal(蒙特利尔高等技术学院)
研究通过测试YJMob100K数据集,揭示现有匿名化方法在空间和时间结构上的不足,并指出隐私保护与数据效用之间的矛盾。
2026-05-10 cs.CR
AI-Driven Anonymization: Protecting Personal Data Privacy While Leveraging Machine Learning
Sam Houston State University(山姆休斯顿州立大学);San Fransisco Bay University(旧金山湾大学);Sun Yat-Sen University(中山大学);University of Chicago(芝加哥大学);Guangdong University of Technology(广东工业大学)
本文面向AI应用中的个人数据泄露风险,研究利用机器学习差分隐私算法进行数据加密、匿名化、检测与保护,并分析隐私保护挑战及数据集影响因素。
2024-02-27 cs.AI cs.CR cs.LG
Source Anonymity for Private Random Walk Decentralized Learning
German Aerospace Center, Germany(德国航空航天中心)
针对随机游走去中心化学习中的源身份泄露问题,提出结合公钥加密与网络相关目的地概率分布的匿名化方案,并在随机正则图上给出理论匿名保证。
2025-05-11 cs.CR cs.DC cs.IT
A Trajectory K-Anonymity Model Based on Point Density and Partition
University of Glasgow(格拉斯哥大学);South China University of Technology(华南理工大学);Case Western Reserve University(凯斯西储大学)
本文提出一种基于点密度与划分的轨迹K-匿名模型,通过改进轨迹集划分预处理和聚类算法,在抵御重识别攻击的同时有效降低数据效用损失并缩短执行时间。
2023-07-31 cs.CR cs.LG
Conformidade com os Requisitos Legais de Privacidade de Dados: Um Estudo sobre Técnicas de Anonimização
本文针对LGPD与GDPR合规要求,分析并应用聚合、泛化、扰动和k-匿名等数据匿名化技术,评估其隐私保护效果与数据效用,指出需在二者间平衡。
2025-07-24 cs.CR
Augmenting Anonymized Data with AI: Exploring the Feasibility and Limitations of Large Language Models in Data Enrichment
本研究探索利用大语言模型和特定提示模板策略在不影响匿名性的前提下增强匿名化数据,并通过pyCanon库验证,实验表明该方法有效。
2025-04-03 cs.CR cs.ET
Hybrid Microaggregation for Privacy-Preserving Data Mining
微聚合的k-匿名是最常用的匿名技术之一。这种成功是由于在信息损失和身份泄露风险之间实现了利益权衡。然而,该方法可能具有一些缺点。在披露限制方面,缺乏对属性披露的保护。在数据实用程序方面,处理真实的数据集是一项具有挑战性的任务。事实上,后者的特点是其大量的属性和噪声数据的存在,这样的离群值,甚至,数据与缺失值。生成对数据采掘任务有用的匿名个体数据,同时减少噪声数据的影响是一项迫切需要实现的任务。在本文中,我们介绍了一种新的微聚集方法,称为HM-PFSOM,基于模糊可能性聚类。我们提出的方法通过混合方式操作。这意味着匿名化过程是按相似数据块应用的。因此,我们可以帮助减少匿名化过程中的信息丢失。HMPFSOM方法提出研究每个子数据集内机密属性的分布。然后,根据后一种分布,以保持匿名化微数据内的机密属性的多样性的方式确定隐私参数k。这允许降低机密信息的泄露风险。
2018-12-04 cs.CR cs.DB cs.IR
An Open Source Python Library for Anonymizing Sensitive Data
本文介绍了一个开源Python库,用于敏感表格数据的匿名化,提供多种匿名化方法,支持标识符、准标识符、泛化层次和抑制级别配置,并遵循最佳开发实践。
2024-08-20 cs.CR cs.DB cs.SE
Improving Privacy in Graphs Through Node Addition
生成图形数据的计算机系统的快速增长需要采用隐私保护机制来保护用户的身份。由于基于结构的去匿名化攻击可以暴露用户的身份,即使当图是简单的匿名通过使用朴素ID删除,最近,$k-$匿名被提出来保护用户的隐私免受基于结构的攻击。大多数工作使用假边来确保图的隐私,然而,在某些应用中,边的添加或删除可能会导致图的密钥属性发生重大变化。出于这一事实的动机,本文介绍了一种通过向图中添加假节点来确保隐私的新方法。首先,我们提出了一种新颖的模型,该模型提供$k-$匿名性,以对抗最强大的攻击之一:基于种子的攻击。在这种攻击中,对手知道主图和使用隐私保护机制生成的图之间的部分映射。我们表明,即使对手知道所有的节点,除了一个映射,最后一个节点仍然可以有$k-$匿名隐私。然后,我们把我们的注意力转向隐私的图生成的域间路由对度攻击,其中的度序列的图是已知的对手。为了确保网络的隐私免受这种攻击,我们提出了一种新的方法,该方法试图以所有节点的度具有相同的期望值的方式添加假节点。
2019-10-19 cs.CR cs.IT math.IT
PAS-MC: Privacy-preserving Analytics Stream for the Mobile Cloud
在当今的数字世界中,个人数据正在不断被收集和分析,而无需数据所有者的同意和选择。随着数据所有者不断在其个人设备上生成数据,将私人数据存储在其自己的设备上但允许第三方分析师执行聚合分析的紧张局势产生了一个有趣的困境。本文介绍了PAS-MC,第一个实用的隐私保护和匿名流分析系统。PAS-MC确保每个数据所有者在响应分析师的查询之前在本地私有化其敏感数据。PAS-MC还可以防止交通分析攻击,最小的信任漏洞。我们评估了该计划在加州交通数据集,并表明,我们可以私下和匿名流车辆位置更新,但保持高准确性。
2016-04-17 cs.CR
The Users' Perspective on the Privacy-Utility Trade-offs in Health Recommender Systems
该研究通过两项 n=521 的联合决策实验,考察用户在健康推荐系统中对 k-匿名与差分隐私等保护机制及数据分享场景的偏好,并据此提出开发建议。
2018-04-13 cs.CR cs.CY cs.HC
Composition Attacks and Auxiliary Information in Data Privacy
隐私是数据发布的一个越来越重要的方面。然而,关于隐私的推理充满了陷阱。其中最重要的是辅助信息(也称为外部知识、背景知识或辅助信息),对手从其他渠道(如网络、公共记录或领域知识)收集这些信息。本文探讨了如何在面对丰富的,现实的辅助信息来源的原因隐私。具体来说,我们调查了当前匿名化方案在保护隐私方面的有效性,当多个组织独立发布重叠人群的匿名数据时。1.我们调查组合攻击,其中对手使用独立的匿名发布违反隐私。我们解释了为什么最近提出的模型有限的辅助信息无法捕捉组合攻击。我们的实验表明,即使是一个简单的组合攻击的实例可以在实践中侵犯隐私,目前提出的技术的一大类。这个类包括k-匿名和几个最近的变体。2.从更积极的方面来看,某些基于随机化的隐私概念(如差分隐私)可证明可以抵抗组合攻击,事实上,可以抵抗任意边信息的使用。这种阻力使匿名方案的独立设计成为可能,而不需要显式地跟踪其他版本。我们给出了这一性质的精确表达式,并证明了一类重要的差分隐私松弛也满足这一性质。这显著地扩大了已知的能够实现模块化设计的协议的类别。
2008-03-31 cs.CR cs.DB
De-Health: All Your Online Health Information Are Belong to Us
在本文中,我们研究了在线健康数据的隐私。我们提出了一种新的在线健康数据去Anchorization(DA)框架,命名为De-Health。De-Health由两个阶段组成:Top-K DA,它为每个匿名用户识别候选集,以及精炼DA,它将匿名用户去匿名化为其候选集中的用户。通过采用候选人选择和DA验证方案,De-Health显著地将DA空间减少了几个数量级,同时实现了有希望的DA准确性。利用两个真实世界的在线健康数据集WebMD(89,393用户,506 K帖子)和HealthBoards(388,398用户,470万帖子),我们验证了De-Health的有效性。此外,当训练数据不足时,De-Health仍然可以成功地对大部分匿名用户进行去匿名化。我们开发了第一个关于在线健康数据DA的可靠性和有效性的分析框架。通过分析各种数据特征对匿名性的影响,我们推导出在精确DA和Top中成功地对一个用户或一组用户进行去匿名化的条件和概率,我们的分析对研究人员和政策制定者都有意义,可以促进更有效的匿名技术的发展,隐私政策。我们提出了一个链接攻击框架,可以将在线健康/医疗信息链接到现实世界的人。通过概念验证攻击,我们将2805名WebMD用户中的347名与真实世界的人联系起来,并找到了大多数重新识别的用户的全名、医疗/健康信息、生日、电话号码和其他敏感信息。这清楚地说明了那些使用在线健康论坛的人的隐…
2019-06-03 cs.CR
Review of Different Privacy Preserving Techniques in PPDP
大数据是一个用于非常大的数据集的术语,这些数据集在存储和处理数据方面存在许多困难。分析如此大量的数据将导致信息丢失。本文的主要目标是以一种保护隐私的方式共享数据,同时至少保持信息丢失。包括政府机构、大学详情和病史等的数据,对于组织进行分析和预测趋势和模式是非常必要的,但由于隐私法规,它可能会阻止数据所有者共享数据。通过对k-匿名、l-多样性和t-封闭性等几种匿名化算法的分析,可以在最小的损失下实现隐私保护。承认这些技术有一定的局限性。我们需要在隐私和信息丢失之间保持平衡。我们介绍了一种新的方法称为差分隐私。
2018-08-13 cs.CR cs.DB
Bistochastically private release of data streams with zero delay
本文针对连续数据流提出一种基于双随机随机化回答的匿名化协议,通过基本合理否认性实现零延迟的个体原子化处理,并提供形式化隐私保证。
2024-02-25 cs.CR
QADR: A Scalable, Quantum-Resistant Protocol for Anonymous Data Reporting
Airbus Central R&T(空中客车中央研发与技术);Hochschule München für angewandte Wissenschaften(慕尼黑应用科学大学)
针对物联网网络受HNDL攻击威胁且现有协议不足的问题,提出混合框架QADR协议,结合QKD与QS-PRF实现抗量子匿名性,通过时隙预留权衡提升性能,通信成本O(n²)优于量子原生方案,为量子安全匿名系统提供基准。
2025-11-19 cs.CR cs.NI quant-ph
Man vs the machine: The Struggle for Effective Text Anonymisation in the Age of Large Language Models
在当今数据驱动的文化中,个人数据的收集和使用变得越来越普遍。虽然这样做有许多好处,包括更好的决策和服务提供,但它也带来了有关保密和隐私的重大道德问题。文本匿名化尝试从文本中删除和/或屏蔽可识别信息,同时保持其余内容不变,以减轻隐私问题。文本匿名化在医疗保健、法律和研究等行业尤其重要,这些行业在严格的法律和道德标准下收集、处理和交换敏感和个人信息。虽然文本匿名化在实践中被广泛采用,但它仍然面临着相当大的挑战。最重要的挑战是在删除信息以保护个人隐私与保持文本的可用性以供未来使用之间取得平衡。问题是这些匿名化方法是否足以降低重新识别的风险,其中可以根据文本中的剩余信息识别个人。在这项工作中,我们挑战这些方法的有效性以及我们如何看待标识符。我们评估了这些方法对房间里的大象的有效性,即人工智能对大数据的使用。虽然大多数研究都集中在识别和删除个人信息上,但关于剩余信息是否足以对个人进行匿名化的讨论有限,更确切地说,谁可以做到这一点。为此,我们使用GPT对名人的匿名文本进行了一项实验,以确定这种经过训练的网络是否可以对他们进行匿名化。后者允许我们修改这些方法,并引入一种新的方法,采用大语言模型,以提高匿名的文本。
2023-03-22 cs.CR
PrivGen: Preserving Privacy of Sequences Through Data Generation
Ben-Gurion University of the Negev(本-古里安大学)
顺序数据无处不在,它可以作为研究的基础,从而改进流程。例如,可以通过识别GPS数据中的瓶颈来改善道路基础设施,或者通过分析医疗数据中的疾病进展模式来改善早期诊断。主要障碍是,由于担心侵犯用户隐私,访问和使用这些数据通常受到限制或根本不允许,这是正确的。分析序列数据不是一项简单的任务,因为用户随着时间的推移创建了几乎唯一的签名。现有的匿名化方法降低了信息的质量,以保持所需的匿名水平。对质量的损害可能会破坏原始数据中出现的模式,并损害各种特征的保存。由于在许多情况下,研究人员不需要的数据,而是只感兴趣的模式存在于数据中,我们提出PrivGen,一种创新的方法,用于生成数据,保持模式和特性的源数据。我们证明,数据生成机制显着限制隐私侵权的风险。使用真实数据集评估我们的方法表明,其生成的数据保留了数据的许多特征,包括基于源数据训练的序列模型。这表明,我们的方法生成的数据可以代替实际数据用于各种类型的分析,同时维护用户隐私和数据的完整性。
2020-02-23 cs.CR cs.LG
PrivateFetch: Scalable Catalog Delivery in Privacy-Preserving Advertising
为了保持互联网在使用时免费的可能性,人们的注意力转向了新的解决方案,这些解决方案将允许基于用户偏好等行为信息进行有针对性的广告投放,而不会损害用户隐私。最近,设计这种系统的探索要么采取依赖于语义保证的方法,如$k$ -匿名性-当与替代信息结合时很容易被颠覆,并且没有考虑到甚至这些集群的知识本身也是侵犯隐私的可能性。其他方法通过将所有数据和处理逻辑移动到客户端来提供完全的隐私,但这对于客户端和服务器来说都是非常昂贵的。在这项工作中,我们设计了一个名为PrivateFetch的新框架,用于构建依赖于加密硬度和最佳情况隐私的实用广告交付管道,而不是语法隐私保证或依赖于真实世界的匿名化工具。PrivateFetch利用本地首选项计算,然后是高性能的单服务器专用信息检索(PIR),以确保客户端可以从服务器预取广告内容,而不会向内容提供方泄露其任何固有特征。当考虑一个数据库的$>1,000,000$广告,我们表明,我们可以提供$30$广告的客户端在40秒内,总通信成本为192 KB。我们还证明了PrivateFetch的可行性,运行它的货币成本不到平均广告收入的1%。因此,我们的系统能够基于行为和上下文用户信息为客户端预取广告,然后在典型的浏览会话期间显示它们。此外,虽然我们将PrivateFetch作为私人广告交付进行测试,但我们方法的通用性意味着它也可以用于其他内容类型。
2021-09-16 cs.CR