Survey on Privacy-Preserving Techniques for Data Publishing
收集、处理和共享的微数据呈指数级增长,引起了人们对个人隐私的担忧。因此,出现了控制组织如何处理微数据以及如何保护微数据的法律和法规。统计披露控制旨在通过取消识别来降低机密信息披露的风险。这种去身份化通过隐私保护技术来保证。然而,去识别数据通常会导致信息丢失,可能会影响数据分析精度和模型预测性能。主要目标是保护个人隐私,同时保持数据的可解释性,即其有用性。统计披露控制是一个正在扩大和需要探索的领域,因为仍然没有保证最佳隐私和效用的解决方案。这项调查的重点是去除身份进程的所有步骤。我们提出了现有的隐私保护技术中使用的微数据去识别,隐私措施适用于几种披露类型,信息丢失和预测性能的措施。在这次调查中,我们讨论了隐私限制所带来的主要挑战,描述了处理这些障碍的主要方法,回顾了隐私保护技术的分类,对现有的比较研究进行了理论分析,并提出了多个开放问题。
2022-01-20 cs.CR
A-COMPASS: Formal Foundations for Anonymity Analysis in Microdata
Mathematical Institute of the Serbian Academy of Sciences and Arts(塞尔维亚科学院数学研究所);Faculty of Technical Sciences, University of Novi Sad(诺维萨德大学技术科学学院)
本文修改COMPASS语言为A-COMPASS,使其适用于微观数据表,支持匿名条件检查与匿名化操作,并证明其语义的确定性和组合性,可用于验证k-匿名和l-多样性等属性。
2026-06-19 cs.CR cs.LO
An Examination of the Alleged Privacy Threats of Confidence-Ranked Reconstruction of Census Microdata
Universitat Rovira i Virgili(罗维拉-维尔吉利大学);University of Oklahoma(俄克拉荷马大学)
本研究检验了置信度排序的人口普查微观数据重建的所谓隐私威胁,通过实证证明该方法无法有效实现重建或披露攻击,不足以支撑使用差分隐私导致的统计数据准确性牺牲。
2024-09-17 cs.CR cs.LG
Agentic AI-Powered Re-Identification: An Emerging, Scalable Threat to Mobility Microdata Privacy
University of Applied Sciences and Arts Northwestern Switzerland (FHNW)(西北瑞士应用科学和艺术大学(FHNW))
研究利用智能体AI自动从公开网络搜索并交叉引用数据,实现从时空轨迹中重识别个体,实验成功率达72%,揭示了大规模重识别威胁。
2026-06-29 cs.AI cs.CR stat.AP
A Summary of Privacy-Preserving Data Publishing in the Local Setting
本综述聚焦本地场景下隐私保护数据发布,梳理微数据去标识化的隐私技术、场景化隐私度量及效用评估指标,分析隐私约束挑战与缓解策略,指出领域未决问题。
2023-12-19 cs.CR
Spatial Privacy Pricing: The Interplay between Privacy, Utility and Price in Geo-Marketplaces
University of Southern California(南加州大学);Microsoft Research AI(微软研究院人工智能)
地理市场允许用户为他们的位置数据付费。关心隐私的用户可能希望对准确定位他们位置的数据收取更多费用,但可能对更模糊的数据收取更少费用。买家更愿意将数据成本降至最低,但可能不得不花费更多来获得必要的准确性。我们将隐私、效用和价格之间的这种相互作用称为\emph{spatial privacy pricing}。我们形式化的问题,数学与买方决定是否要打开一个餐厅,通过购买位置数据,以确定潜在的客户数量是否足以打开一个示例问题。这个问题被表达为一个顺序决策问题,其中买方首先做出一系列关于购买哪些数据的决定,并最终决定是否开设餐厅。我们提出了两种算法来解决这个问题,包括实验表明,它们的性能优于基线。
2020-09-04 cs.AI cs.CR
Slicing: A New Approach to Privacy Preserving Data Publishing
已经设计了几种匿名化技术,例如泛化和桶化,用于隐私保护微数据发布。最近的研究表明,泛化丢失了大量的信息,特别是对于高维数据。另一方面,桶化并不阻止成员身份泄露,也不适用于在准识别属性和敏感属性之间没有明确区分的数据。在本文中,我们提出了一种新的技术,称为切片,分区的数据水平和垂直。我们表明,切片保存更好的数据实用性比泛化,可用于成员披露保护。切片的另一个重要优点是它可以处理高维数据。我们展示了如何切片可以用于属性披露保护,并开发了一个有效的算法来计算切片数据,遵守l-多样性的要求。我们的工作负载实验证实,切片保留更好的实用性比泛化,是更有效的比桶化的工作负载涉及敏感属性。我们的实验还表明,切片可以用来防止成员披露。
2009-09-12 cs.CR cs.DB
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
Synthetic Census Data Generation via Multidimensional Multiset Sum
Harvard University(哈佛大学);MIT-IBM Watson AI Lab(MIT-IBM沃森人工智能实验室;IBM研究剑桥分部);IBM Research, Cambridge, MA, USA(麻省理工学院斯隆管理学院和电气工程与计算机科学系);MIT Sloan School of Management and Department of EECS
针对普查微观数据保密导致披露规避方法研究受限的问题,将合成数据生成建模为背包型组合优化问题,提出基于多维多重集求和的采样算法,经验证生成数据接近真实数据,可用于披露规避算法的评估与对比。
2025-10-01 cs.CR cs.CY cs.DS
Quantum Privacy-Preserving Price E-Negotiation
针对电子商务中的隐私保护价格电子谈判问题,提出一种利用oracle、量子比特比较器和量子计数的量子方案,可保证正确性与隐私性,并降低通信复杂度。
2023-09-24 cs.CR cs.ET quant-ph
Fingerprinting Codes and the Price of Approximate Differential Privacy
我们展示了新的下限样本的复杂性$(\varepsilon, δ)$ -差分私人算法,准确地回答大型计数查询。对数据库$D \in (\{0,1\}^d)^n$的计数查询具有以下形式:“数据库中的各个记录的哪一部分满足属性$q$?“我们表明,为了回答$D$上的$\gg nd$计数查询的任意集合$\mathcal{Q}$到误差$\pm α$内,有必要$$ n \geq \tildeΩ\Bigg(\frac{\sqrt{d} \log |\mathcal{Q}|}{α^2 \varepsilon} \Bigg). $$这个界限对于多对数因子是最优的,正如私有乘法权重算法所证明的那样(Hardt和Rothblum,FOCS'10)。特别是,我们的下界是第一个表明,所需的准确性和$(\varepsilon, δ)$ -差分隐私的样本复杂度是渐近大于所需的仅仅是准确性,这是$O(\log |\mathcal{Q}| / α^2)$。此外,我们表明,我们的下界持有$k$方式边际查询(其中$|\mathcal{Q}| = 2^k \binom{d}{k}$)的特定情况下,$α$是不是太小相比,$d$(例如,当$α$是任何固定常数)。我们的结果依赖于短\emph{fingerprinting codes}(Boneh和Shaw,CRYPTO'95,Tardos,STOC'03)的存在,我们表明这与差…
2018-10-23 cs.CR
Differentially Private Combinatorial Cloud Auction
云服务提供商通常向具有各种需求的云用户提供不同类型的虚拟机(VM)。由于其有效性和公平性,拍卖在这种异构资源分配中得到了广泛的应用。最近,已经提出了几种防策略的组合云拍卖机制。然而,它们未能保护用户的出价隐私不被从拍卖结果推断。在本文中,我们设计了一个差分私有组合云拍卖机制(DPCA)来解决这个隐私问题。从技术上讲,我们采用指数机制来计算结算单位价格向量,其概率与相应的收入成正比。我们进一步改进的机制,以减少运行时间,同时保持高收入,通过计算一个单一的结算单位价格,或一个子组的结算单位价格在同一时间,分别在改进后的机制DPCA-S和它的广义版本DPCA-M。从理论上证明了该机制能够保证差分隐私、近似真实性和高收益。大量的实验结果表明,DPCA可以以相对较高的时间复杂度为代价获得接近最优的拍卖收益,而改进的机制实现了拍卖收益和运行时间之间的可调权衡。
2020-01-03 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
Together or Alone: The Price of Privacy in Collaborative Learning
机器学习算法已经达到主流地位,并被广泛部署在许多应用中。这种算法的准确性在很大程度上取决于底层训练数据集的大小;实际上,中小型组织通常没有必要的数据来训练合理准确的模型。对于这样的组织,一个现实的解决方案是基于它们的联合数据集(这是单个数据集的联合)来训练它们的机器学习模型。不幸的是,隐私问题阻止他们直截了当地这样做。虽然有许多隐私保护解决方案可供合作组织在训练模型的过程中安全地聚合参数,但我们不知道有任何工作为参与者提供了一个合理的框架,以精确地平衡他们合作中的隐私损失和准确性增益。在本文中,通过关注两个玩家的设置,我们将协作训练过程建模为两个玩家的游戏,每个玩家的目标是在保持自己数据集隐私的同时实现更高的准确性。我们引入了隐私价格的概念,一种新的方法来衡量隐私保护的准确性在拟议的框架的影响。此外,我们开发了一个博弈理论模型,不同的球员类型,然后找到或证明存在的纳什均衡的强度方面的隐私保护为每个球员。使用推荐系统作为我们的主要用例,我们演示了两个玩家如何实际使用所提出的理论框架,包括设置参数和近似非平凡的纳什均衡。
2018-08-24 cs.CR cs.GT
On the Price of Differential Privacy for Spectral Clustering over Stochastic Block Models
Nokia Bell Labs(诺基亚贝尔实验室);Princeton University(普林斯顿大学)
本文研究随机块模型下社区检测的边差分隐私谱聚类方法,提出隐私算法并刻画隐私预算与恢复准确性之间的权衡,同时给出信息论保证。
2025-05-09 cs.CR cs.IT cs.LG
Privacy Preserving Distributed Energy Trading
智能电网激励具有本地发电的分布式代理(例如,灵巧家庭和微电网)来建立多代理系统,以增强可靠性和能源消耗效率。分布式能源交易已经成为电网上最重要的多代理系统之一,它使代理能够将其多余的本地能源相互出售或出售给电网。但是,它要求所有代理披露其敏感数据(例如,每个代理的细粒度本地生成和需求负载)。在本文中,据我们所知,我们提出了第一个隐私保护的分布式能源交易框架,私人能源市场(PEM),其中所有的代理人私下计算他们的交易的最佳价格(由纳什均衡保证),并分配成对的能源交易量,而不披露敏感数据(通过新的加密协议)。具体来说,我们将交易问题建模为所有代理的非合作Stackelberg博弈(即,买方和卖方)来确定最优价格,然后导出成对交易量。我们的PEM框架可以在没有可信第三方的情况下私下执行所有代理之间的所有计算。我们证明了隐私,个人的理性,和激励相容性的PEM框架。最后,我们在真实数据集上进行了实验,以验证PEM的有效性和效率。
2020-04-25 cs.CR
YourAdvalue: Measuring Advertising Price Dynamics without Bankrupting User Privacy
实时的竞价(RTB)协议到现在已经有十多年的历史了。在此期间,一些测量论文研究了投标策略,个人信息流和通过RTB显示广告的成本。在本文中,我们提出了YourAdvalue,一个隐私保护工具,以简单直观的方式向最终用户显示通过RTB看到的广告价值。使用YourAdvalue,我们测量了桌面RTB的价格,并将其与过去工作报告的桌面和移动RTB价格进行了比较。我们介绍了它如何估计加密的广告价格,以及它如何在将结果报告给数据服务器进行分析的同时保护用户隐私。我们部署了我们的系统,传播了它的浏览器扩展,并收集了200个用户的数据,包括11个月内的12000次广告展示。通过分析这个数据集,我们发现桌面RTB价格比2013年的桌面RTB价格增长了4.6倍,比2015年的移动RTB价格增长了3.8倍。我们还研究了用户人口统计数据如何与RTB生态系统跟踪的强度相关联,从而导致更高的广告价格。我们发现,通过Cookie同步在广告商和/或数据经纪人之间交换数据,可以使显示广告的中值增加19%。我们还发现,女性和年轻用户更有针对性,比男性或老年用户遭受更多跟踪(通过cookie同步)。由于我们数据集中的这种定位,女性的广告价值(i)比男性高2.4倍,(ii)25-34岁的人比35-44岁的人高2.5倍,(iii)在周末和清晨最昂贵。
2021-11-04 cs.CR cs.GT cs.NI
The Price of Selection in Differential Privacy
在差异私有top- $k$选择问题中,我们给出一个数据集$X \in \{\pm 1\}^{n \times d}$,其中每一行属于一个个体,每一列对应于某个二进制属性,我们的目标是找到一组平均值近似尽可能大的$k \ll d$列。差分隐私要求我们对这些$k$列的选择不太依赖于任何个人的数据集。这个问题可以使用公知的指数机制和差分隐私的组合特性来解决。在高精度的制度中,我们要求选择过程的误差小于所谓的采样误差$α\approx \sqrt{\ln(d)/n}$,这个过程成功给定大小为$n \gtrsim k \ln(d)$的数据集。我们证明了一个匹配的下限,显示大小为$n \gtrsim k \ln(d)$的数据集是必要的私人顶部$k$选择在这个高精度的制度。我们的下限首次表明,选择$k$最大列需要比简单地估计这些$k$列的值更多的数据,这可以使用大小仅为$n \gtrsim k$的数据集来完成。
2017-02-09 cs.CR cs.DS
The Price of Differential Privacy under Continual Observation
在连续发布模型中,我们研究了差分私有机制的准确性。连续释放机制接收敏感数据集作为$T$输入流,并且在接收到每个输入之后产生关于所获得的输入的准确输出。相比之下,批处理算法将数据作为一个批次接收,并产生单个输出。我们提供了第一个强大的连续释放机制的错误的下限。特别是,对于两个基本问题,广泛研究和使用的批处理模型,我们表明,最坏情况下的错误的每一个连续释放算法是$\tilde Ω(T^{1/3})$倍大于最好的批处理算法。先前的工作仅示出了在这两个模型中可实现的最坏情况误差之间的多对数(在$T$中)间隙;此外,对于许多问题,包括二进制属性的求和,多对数间隙是紧密的(Dwork等人,2010; Chan等人,2010年)。我们的研究结果表明,与求和密切相关的问题-特别是那些需要选择一组总和中最大的问题-在连续释放模型中比在批处理模型中更难。我们的下限仅假设隐私适用于预先固定的流(“非自适应”设置)。然而,我们提供了匹配的上限,保持在一个模型中的隐私是必要的,即使是自适应选择的流。这个模型可能是独立的兴趣。
2022-01-11 cs.CR cs.DS
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
Privacy at a Price: Exploring its Dual Impact on AI Fairness
Commonwealth Scientific and Industrial Research Organisation(英联邦科学与工业研究组织)
该研究探究差分隐私对AI公平性的非单调影响,发现隐私增强初期准确性差异增大、高隐私水平更高时差异减小,且梯度裁剪可缓解DP噪声对公平性的负面影响。
2024-04-15 cs.AI cs.CR cs.CY
The Price of Privacy: Randomness Complexity of Graph-Based Multi-Secret Sharing
Institute of Science and Technology Austria(奥地利科学技术研究所);University of Warsaw(华沙大学)
本文研究基于图的多秘密共享中最小随机性需求,将三秘密结果推广至四秘密及任意数量秘密,并完全刻画了完全图上四参与者的最小随机状态数及任意图中单随机比特的充分条件。
2026-10-08 cs.CR cs.IT math.IT
Two and Three-Party Digital Goods Auctions: Scalable Privacy Analysis
数字商品拍卖是一种拍卖类型,潜在买家出价他们愿意为某个物品支付的最高价格,卖家可以以微不足道的成本和无限数量生产。为了使自己的利益最大化,卖方的目标是找到最佳销售价格,每个出价不低于此价格的买方都将支付该价格。出于公平和隐私的目的,买家可能会担心保护其出价的机密性。安全多方计算是密码学的一个领域,它允许卖方计算最佳销售价格,同时保证投标保持秘密。奇怪的是,作为买方出价的函数,销售价格不可避免地揭示了一些私人信息。为了量化和限制这些泄漏,已经开发了基于量化信息流的通用框架和熵技术。由于它们的组合性质,这些技术不能扩展到大的输入空间。在这项工作中,我们的目标是在数字商品拍卖的特定情况下,将这些隐私分析扩展到大型输入空间。我们推导出封闭形式的公式,私人输入的后验最小熵在两个和三方拍卖,这使我们能够有效地量化任意大的输入空间的信息泄漏。我们还提供了支持性的实验证据,使我们能够制定一个猜想,这将使我们能够将我们的结果扩展到任何数量的缔约方。
2020-09-20 cs.CR cs.IT math.IT
SePEnTra: A secure and privacy-preserving energy trading mechanisms in transactive energy market
本文提出SePEnTra模型,利用加法秘密共享和Pedersen承诺,在交易能源市场中实现安全隐私的能源数据共享与恶意活动检测,同时保持低计算复杂度和通信开销。
2023-04-12 cs.CR
A Privacy-Preserving Electronic Payment System for DRM
在线业务的主要考虑因素之一是客户隐私。消费者对被卖家监视和识别不感兴趣。一些解决方案被提出来隐藏客户的选择,但在支付阶段,将有一个泄漏的信息,因为在线购物者可以推断一些信息,客户的偏好,由于价格,这是由客户支付。这是对客户隐私的巨大威胁。我们解决这个问题的方案包括一些一个单位的支付步骤,不能相互联系或客户的身份。在购买结束时,内容提供方将收到适当数量的钱,而客户将匿名获得有效的许可证。内容提供方将无法获得有关客户或所购买内容的任何信息。此外,一个纠纷解决方案的情况下,客户和内容提供方之间的冲突。对方案的安全性、复杂性和DRM要求进行了一系列的分析,表明了方案的安全性和实用性。
2014-08-29 cs.CR
On the Price of Privacy for Language Identification and Generation
University of New South Wales(新南威尔士大学);University of Sydney(悉尼大学)
本文研究了在统计无偏设定下,差分隐私在语言学习中的隐私成本,建立了算法和下界,证明了在近似差分隐私下,隐私成本可忽略,纯差分隐私下隐私成本与指数因子相关。
2026-04-08 cs.CL cs.CR cs.DS
Privacy-Preserving Electronic Ticket Scheme with Attribute-based Credentials
电子票证是纸质票证的电子版本,它使用户能够获得预期的服务并提高服务效率。然而,隐私可能是电子机票用户关心的问题。本文提出了一种基于属性证书的隐私保护电子客票方案,以保护用户的隐私,并促进基于用户属性的票务。我们提出的方案有以下贡献:(1)用户可以从售票员那里购买不同的票,而不需要公布它们的确切属性;(2)同一用户的两张票不能链接;(3)一张票不能转让给另一个用户;(4)一张票不能重复消费;(5)对方案的安全性进行了形式化证明,并将其简化为已知的(q-强Diffie-Hellman)复杂性假设;(6)实现了方案,并对其性能进行了经验评估。据我们所知,我们的隐私保护的基于属性的电子客票计划是第一个提供这五个功能。我们方案的应用领域包括活动或交通门票,用户必须说服售票员他们的属性(例如年龄,职业,位置)满足票价政策以购买折扣票。更一般地说,我们的计划可以用在任何系统中的访问服务只依赖于用户的属性(或权利),但不是他们的身份。
2018-06-26 cs.CR
Make Up Your Mind: The Price of Online Queries in Differential Privacy
Harvard University John A. Paulson School of Engineering and Applied Sciences(哈佛大学约翰·A·保尔森工程与应用科学学院);Yale University(耶鲁大学);Northeastern University College of Computer and Information Science(东北大学计算机与信息科学学院)
我们考虑的问题,回答查询的敏感数据集受到差分隐私。查询可以以三种方式之一从更大的可允许查询集合Q中进行对抗性选择,我们按照从最容易到最难回答的顺序列出:离线:查询一次全部被选择,并且差分私有机制在单个批次中回答查询。缐上:查询是一次选择的,但是该机制只以流式方式接收查询,并且必须在看到下一个查询之前回答每个查询。自适应:每次选择一个查询,并且该机制必须在选择下一个查询之前回答每个查询。特别地,每个查询可以取决于对先前查询给出的答案。许多差异私有机制在自适应模型中与在离线模型中一样有效。同时,差分隐私的大多数下限在离线设置中保持不变。这表明这三种模式可能是等效的。我们证明了这些模型实际上都是不同的。具体来说,我们表明,有一个家庭的统计查询,指数更多的查询,从这个家庭可以回答离线模型比在线模型。我们还展示了一个家庭的搜索查询,指数更多的查询,从这个家庭可以回答在线模型比自适应模型。我们还调查是否这样的分离可能会举行简单的查询,如阈值查询在真正的线。
2016-04-15 cs.CR cs.DS cs.LG
On the Price of Differential Privacy for Hierarchical Clustering
Rutgers University(罗格斯大学);Texas A&M University(德克萨斯农工大学)
针对层次聚类的差分隐私问题,提出权重隐私模型下的新算法,实现O(log^{1.5}n/ε)乘法误差,优于边级DP下界,并证明无单位权重约束时下界等同,实验验证有效性和可扩展性。
2025-04-22 cs.CR cs.DS cs.LG
EPIC: Efficient Privacy-Preserving Scheme with E2E Data Integrity and Authenticity for AMI Networks
在高级计量基础设施(AMI)网络中,智能电表应向电力公司发送细粒度的功耗读数,以执行实时监控和能源管理。然而,这些读数可能泄露关于消费者活动的敏感信息。已经为AMI网络提出了用于收集细粒度读数的各种隐私保护方案。这些方案聚合各个读数并将聚合读数发送到实用程序,但它们广泛使用涉及大量计算/通信开销的非对称密钥加密。此外,它们没有解决端到端(E2 E)数据完整性,真实性和基于动态价格计算电费的问题。在本文中,我们提出了EPIC,一个有效的和隐私保护的数据汇集计划与E2 E数据完整性验证的AMI网络。使用有效的加密操作,每个仪表应该向公用事业发送屏蔽读数,使得在聚合所有仪表的屏蔽读数之后取消所有屏蔽,并且因此公用事业只能获得聚合读数以保护消费者的隐私。该实用程序可以在不访问单个读数的情况下验证聚合读数的完整性,以保护隐私。它还可以通过使用细粒度的读数来识别攻击者并有效地计算电费,而不会侵犯隐私。此外,EPIC可以抵抗共谋攻击,其中公用事业公司与中继节点共谋以提取仪表的读数。采用形式化证明、概率分析等方法对EPIC的安全性进行了评估,并使用ns-3实现了EPIC,对网络性能进行了评估。此外,我们比较EPIC现有的数据汇集计划的开销和安全/隐私功能。
2018-10-03 cs.CR
Privacy-Preserving Dynamic Personalized Pricing with Demand Learning
New York University(纽约大学);Massachusetts Institute of Technology(麻省理工学院);University of Florida(佛罗里达大学)
电子商务的普及使零售商能够随时获得详细的客户个人信息,这些信息已被广泛用于定价决策。当涉及到个性化信息时,如何保护这些信息的隐私权成为实践中的一个关键问题。在本文中,我们考虑一个动态定价问题的$T$时间段与\emph{unknown}需求函数的价格和个性化的信息。在每次$t$,零售商观察到达的顾客的个人信息并提供价格。然后,顾客做出购买决策,零售商将利用该决策来学习潜在的需求函数。在此过程中可能存在严重的隐私问题:第三方代理可能会从定价系统的价格变化中推断出个性化信息和购买决策。利用计算机科学中的差分隐私的基本理论框架,提出了一种隐私保护的动态定价策略,该策略在保证零售商收益最大化的同时,避免了个体消费者信息和购买决策信息的泄露。为此,我们首先介绍了\emph{anticipating} $(\varepsilon, δ)$的概念-差分隐私,是专为动态定价问题。我们的政策实现了隐私保证和遗憾方面的性能保证。粗略地说,对于$d$维的个性化信息,当客户信息被逆向选择时,我们的算法达到了$\tilde{O}(\varepsilon^{-1} \sqrt{d^3 T})$量级的期望遗憾。对于随机的个性化信息,遗憾界可以进一步改进为$\tilde{O}(\sqrt{d^2T} + \varepsilon^{-2} d^2)$
2021-07-25 cs.CR cs.GT cs.LG
The Privacy Subsidy in Market Microstructure
The Open University of Japan(日本开放大学)
本文证明做市商在粗化信号上定价必然产生隐私补贴,并刻画其在三个经典模型中的闭式形式,表明隐私在主导阶上福利中性且可内生化选择最优噪声规模。
2026-09-11 cs.CR cs.GT q-fin.TR
A Theory of Pricing Private Data
个人数据对所有者和想要分析它的机构都有价值。隐私机制保护所有者的数据,同时向分析师发布聚合查询结果的噪声版本。但这种对个人数据的严格保护在实践中尚未得到广泛应用。相反,例如,互联网公司通常提供免费服务,以换取来自用户的有价值的敏感信息,他们利用这些信息,有时出售给第三方。随着人们对个人数据价值的认识不断提高,对最终用户的私人信息进行补偿的动力也在增加。将私人数据货币化的想法可以改善隐藏私人数据的狭隘观点,因为它使个人能够通过金融手段控制他们的数据。在本文中,我们提出了一个理论框架,分配价格嘈杂的查询答案,作为其准确性的函数,并划分价格之间的数据所有者谁应该赔偿他们的隐私损失。我们的框架采用并扩展了数据市场中的差分隐私和查询定价的关键原则。我们确定的价格函数和微支付的基本属性,并有效的解决方案的特点。
2012-12-17 cs.CR cs.DB
Privacy-Preserving Data Sharing for Genome-Wide Association Studies
传统的统计数据库的保密性保护的统计方法不能很好地扩展到处理GWAS(全基因组关联研究)数据库,特别是在保护与外部信息的联系方面。由加密社区引入的最近的差分隐私概念是一种在任意外部信息存在的情况下提供严格的隐私定义和有意义的隐私保证的方法,尽管这些保证在数据效用方面付出了沉重的代价。基于这样的概念,我们提出了新的方法来释放聚合GWAS数据,而不损害个人的隐私。我们提出了释放差异私人次要等位基因频率,卡方统计和p值的方法。我们比较这些方法的模拟数据和GWAS研究犬毛长度涉及685只狗。我们还提出了一个隐私保护的方法,发现全基因组协会的基础上,一个差异私人的方法惩罚逻辑斯谛回归。
2012-05-03 cs.CR stat.ME
Privacy-Preserving Data Linkage Across Private and Public Datasets for Collaborative Agriculture Research
Case Western Reserve University(凯斯西储大学);Georgia Institute of Technology(佐治亚理工学院);University of Wisconsin–Madison(威斯康星大学麦迪逊分校)
本文提出隐私保护框架,在保护农场数据的同时联动私有农业数据与公共政策数据,并基于真实 Farmer's Market 数据验证其可支持定价与粮食不安全分析。
2024-09-09 cs.CR cs.CY cs.LG
Pricing Private Data with Personalized Differential Privacy and Partial Arbitrage Freeness
将个人数据视为商品的趋势越来越明显。现有的研究已经建立了框架和理论,如何确定一个给定的查询的无仲裁的价格,根据隐私损失量化的差分隐私。然而,这些研究假设数据购买者可以购买查询答案,而数据所有者的任意隐私损失,这在严格的隐私法规和数据所有者日益增加的隐私问题下可能是无效的。在本文中,我们研究了如何授权数据所有者控制数据交易中的隐私损失。首先,我们提出了一个交易个人数据的框架,使数据所有者能够限制他们的个性化隐私损失。其次,由于有界隐私损失表明查询答案的效用有界,因此我们提出了一种合理的无套利放松,称为部分无套利,即,仅对有限范围的公用事业保证无仲裁定价,这为我们的市场设计提供了更多的可能性。第三,为了避免套利,我们提出了一种通用的方法,以确保在个性化差分隐私的套利自由。第四,为了充分利用数据所有者的个性化隐私损失范围,我们提出了隐私预算分配技术来分配隐私损失的查询下套利自由。最后,我们进行实验来验证我们提出的交易协议的有效性。
2021-11-23 cs.CR cs.DB
Privacy-Preserving Decentralized Exchange Marketplaces
最近有人提出利用区块链的去中心化交易市场,为交易者提供开放和平等的机会,提高透明度,降低中心化交易所的系统性风险。然而,它们损害了交易者在资产所有权、账户余额、订单细节和身份方面的隐私。在本文中,我们介绍了Rialto,这是一个完全去中心化的隐私保护交易市场,支持匹配交易订单,链上结算和市场价格发现。Rialto提供了订单费率和账户余额的保密性,以及交易者与其交易订单之间的不可链接性,同时保留了传统市场的理想属性,如前期弹性和市场公平性。我们定义了正式的安全概念,并提出了市场的安全分析。我们对我们的解决方案进行了详细的评估,证明它具有良好的可扩展性,适用于现代交易所市场中交易的大量商品和金融工具。
2021-12-20 cs.CR cs.DC
PINPOINT: Efficient and Effective Resource Isolation for Mobile Security and Privacy
虚拟化经常用于隔离不受信任的进程并控制它们对敏感资源的访问。但是,隔离通常会带来资源共享减少和进程间通信减少的代价。在Android这样的开放架构中,必须仔细考虑这个价格及其对性能、可用性和透明度的影响。虽然以前在开发通用隔离解决方案方面的努力表明,这些负面影响中的一些可以减轻,但这样做需要通过整合许多与提高安全性没有直接关系的额外平台复杂性来克服重大的设计挑战。因此,如果最终用户只有特定的安全目标,通用解决方案就会变得低效和繁琐。在本文中,我们提出了PINPOINT,一种资源隔离策略,放弃了通用的解决方案,支持“构建块”的方法,解决特定的最终用户的安全目标。PINPOINT体现了Linux跨空间轻量级隔离的概念,但在Android框架中,它通过引导安全设计人员实现与需要隔离的资源上下文接近的隔离点来实现。这一战略使框架的其余部分能够完全透明地按预期运作。我们展示了我们的策略与Android系统服务的案例研究,并显示四个应用程序的PINPOINTED系统服务与未修改的市场应用程序的功能。我们的评估结果表明,使用我们的方法可以获得实际的安全和隐私优势,而不会引起其他通用设计必须解决的问题的副作用。
2019-01-23 cs.CR cs.OS
General Privacy-Preserving Verifiable Incentive Mechanism for Crowdsourcing Markets
在众包市场中,有两种不同类型的工作,即同质工作和异质工作,需要分配给工人。激励机制是吸引用户广泛参与以实现良好服务质量的必要条件,特别是在给定的预算约束条件下。为此,最近,Singer等人提出了一类新的拍卖机制,用于确定受给定预算约束的众包市场的任务的近最优价格。他们的机制是非常有用的,以激励广泛的用户真实地参与众包市场。尽管它们如此重要,但在现实生活环境中仍然存在许多安全和隐私挑战。本文提出了一种具有预算约束的众包市场隐私保护的可验证激励机制,不仅研究了在同质和异质工作的众包市场中如何保护投标和任务的隐私、中标者的隐私以及用户的身份隐私,而且研究了众包应用平台和用户之间的可验证支付。结果表明,我们的一般隐私保护的可验证的激励机制实现了相同的结果,一般的一个没有隐私保护。
2014-07-22 cs.CR cs.GT
"Healthy surveillance": Designing a concept for privacy-preserving mask recognition AI in the age of pandemics
在流行病期间戴口罩的义务降低了病毒传播的风险。在二零二零年COVID-19大流行的情况下,许多政府建议甚至强制其公民佩戴口罩作为有效的应对措施。为了持续监测公共当局在公共场所(如餐馆或电车站)对该政策措施的遵守情况,一种可扩展和自动化的选项描述了监控系统的应用,即,央视然而,对口罩识别的大规模监控不仅需要性能良好的人工智能,还需要确保不会引入隐私问题,因为监控对公民来说是一种威慑,而《通用数据保护条例》(GDPR)等法规要求对此类个人数据进行严格监管。在这项工作中,我们展示了如何保护隐私的掩模识别工件可能看起来像,演示了不同的实施方案和评估性能。我们基于概念深度学习的人工智能能够在隐私友好的环境中实现95%至99%的检测性能。在此基础上,我们详细阐述了隐私保护水平与人工智能性能之间的权衡,即“隐私的代价”。
2020-10-20 cs.CR cs.CY
Privacy Preserving Billing in Local Energy Markets with Imperfect Bid-Offer Fulfillment (Long Version)
针对本地P2P能源交易市场的报价履约不完全及细粒度计量数据隐私问题,提出基于同态加密的隐私保护计费结算协议PPBSP,支持多种公平成本分摊机制,经评估具备高效性与可行性。
2023-07-13 cs.CR cs.GT
Prime Match: A Privacy-Preserving Inventory Matching System
针对金融库存匹配中订单信息泄露风险,提出隐私保护系统Prime Match,采用两轮安全线性比较协议实现高效匹配,已由摩根大通生产部署,为首个传统金融领域实时运行的安全多方计算方案。
2023-10-14 cs.CR econ.GN q-fin.EC