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
SeDe: Balancing Blockchain Privacy and Regulatory Compliance by Selective De-Anonymization
本文提出SeDe框架,利用门限加密与ZKPs,以多方问责方式递归追踪关联交易子图,在保护区块链隐私的同时实现非法交易的选择性去匿名化和监管合规。
2025-06-09 cs.CR
Privacy as Permissible Operations: An ABAC Framework for Policy-Law Compliance
Indian Institute of Technology Kharagpur(印度理工学院卡拉格普尔分校);Rutgers University(罗格斯大学)
本文提出ABAC框架用于检查隐私政策与法律的合规性,通过将法律条款转化为ABAC规则和政策条款转化为访问请求,实现高效合规检查。
2026-04-12 cs.CR
Longitudinal Compliance Analysis of Android Applications with Privacy Policies
当代移动应用程序(app)被设计为跟踪、使用和共享用户的数据,通常未经他们的同意,这导致潜在的隐私和透明度问题。为了调查移动应用程序在收集用户信息方面是否一直是(不)透明的,我们对268个Android应用程序的历史版本进行了纵向分析。这些应用程序包括2008年至2016年期间的5,240个应用程序发布或版本。我们检测应用程序的行为与隐私政策中规定的数据汇集使用之间的不一致,以揭示合规性问题。我们利用机器学习技术对隐私政策文本进行分类,以识别收集和/或共享用户个人信息(如电话号码和电子邮件地址)的所谓做法。然后通过静态和动态分析揭示应用程序的数据泄漏。随着时间的推移,我们的结果显示,隐私政策中未披露的应用程序数据汇集做法的数量稳步增加。这种行为尤其令人不安,因为隐私政策是描述应用程序隐私保护做法的主要工具。我们发现,较新版本的应用程序可能比以前的版本更不兼容。据称与实际数据做法之间的差异表明,隐私政策往往与应用程序的行为不一致,从而违背了用户安装应用程序时的“通知和选择”原则。
2021-07-28 cs.CR
Privacy-Preserving Compliance on Public Ledgers via Selective Disclosure Authorization Schemes
George Mason University(乔治梅森大学)
针对公共账本透明性与数据最小化原则的矛盾,提出选择性披露授权方案(SDAS),通过零知识证明实现细粒度、可撤销的合规检查,并防范前置交易和证明重用攻击。
2026-06-23 cs.CR
Balancing Privacy and Compliance in DeFi: A Zero-Knowledge-Based Auditable Cross-Chain Framework
University of Warwick(华威大学);Guangdong University of Finance and Economics(广东财经大学);University College London(伦敦大学学院)
该研究针对DeFi跨链交易的隐私与合规冲突,提出整合零知识证明、轻客户端与阈值视图密钥机制的可审计跨链框架,助力合规互操作的DeFi发展。
2026-10-09 cs.CR
Identifying Practical Challenges in the Implementation of Technical Measures for Data Privacy Compliance
本文通过对16位隐私专业人员的访谈定性分析,提出了隐私合规技术措施实施中的33个挑战,并通过调查研究评估和讨论了这些挑战及其影响。
2023-06-27 cs.CR cs.CY
ACE: A Consent-Embedded privacy-preserving search on genomic database
针对基因组数据库隐私保护需求,提出嵌入同意的可搜索加密方案ACE,支持同意撤销时数据即时物理删除,定义新的前后向隐私概念与D-ACE困难问题并证明安全性,实验验证了其有效性。
2023-07-23 cs.CR
Balancing Compliance and Privacy in Offline CBDC Transactions Using a Secure Element-based System
University of Toronto(多伦多大学);University of Münster(明斯特大学)
针对离线 CBDC 支付中隐私保护与 AML/CFT 合规的冲突,提出基于安全元件和数字凭证的支付原型,可灵活适配监管环境并达到商用级延迟。
2025-09-29 cs.CR
PrivComp-KG : Leveraging Knowledge Graph and Large Language Models for Privacy Policy Compliance Verification
University of Texas at El Paso(德克萨斯大学埃尔帕索分校);Texas A&M University Central Texas(德克萨斯农工大学中央德克萨斯分校);University of Maryland Baltimore County(马里兰大学巴尔的摩县分校)
本文提出PrivComp-KG,一种结合知识图谱与大语言模型的方法,通过检索增强生成将隐私政策与监管规则关联并填充至知识图谱,以查询验证供应商隐私政策的合规性。
2024-04-30 cs.AI cs.CR
Technocracy, pseudoscience and performative compliance: the risks of privacy risk assessments. Lessons from NIST's Privacy Risk Assessment Methodology
本文批判性分析NIST隐私风险评估方法,揭示其自由裁量点导致表演性合规,前提不成立,指出功利主义和技术官僚方法的局限,并探讨替代方案与政策调整。
2023-08-24 cs.CR cs.CY
PRECISE: Private Regulatory Compliance for Cyberattack Detection on Critical Infrastructure Systems
Oklahoma State University(俄克拉荷马州立大学)
提出PRECISE框架,利用差分隐私假设检验在保护利益相关者隐私的同时增强监管信心,通过两阶段隐私方案实现与无差分隐私方法相当的检测性能。
2026-07-01 cs.CR
Poster: Privacy-Preserving Compliance Checks on Ethereum via Selective Disclosure
Coventry University(考文垂大学);George Mason University(乔治梅森大学)
本文提出了一种基于以太坊的选择性披露框架,通过客户端侧zk-SNARKs实现隐私保护的合规检查,有效减少敏感信息泄露风险。
2026-02-20 cs.CR cs.HC
Synthetic Data, Similarity-based Privacy Metrics, and Regulatory (Non-)Compliance
University College London(伦敦大学学院);Hazy
本文论证基于相似度的隐私度量无法确保合成数据的监管合规性,指出其无法防范 singled out 和 linkability,并忽视了 motivated intruder test。
2024-07-26 cs.AI cs.CR cs.CY
Assessing Privacy Compliance of Android Third-Party SDKs
本研究针对Android第三方SDK隐私保护空白,利用污点分析与大语言模型检测158款常用SDK的数据外泄与隐私合规情况,发现隐私问题普遍且长期未改善,并提出可行建议以保护用户隐私、为监管提供参考。
2025-06-18 cs.CR cs.SE
ML Privacy Meter: Aiding Regulatory Compliance by Quantifying the Privacy Risks of Machine Learning
National University of Singapore(新加坡国立大学)
当使用敏感数据构建机器学习模型时,组织应确保在此类系统中处理的数据得到充分保护。对于涉及个人数据机器学习的项目,GDPR第35条要求其执行数据保护影响评估(DPIA)。除了通过安全漏洞非法访问数据的威胁外,机器学习模型还通过模型预测和参数间接揭示数据,从而对数据构成额外的隐私风险。信息专员办公室(英国)和国家标准与技术研究所(美国)发布的指南强调了模型数据面临的威胁,并建议组织考虑和估计这些风险,以遵守数据保护法规。因此,迫切需要一种可以量化模型数据隐私风险的工具。在本文中,我们专注于这种间接泄漏的训练数据从机器学习模型。我们提出了ML Privacy Meter,这是一个可以通过最先进的成员推断攻击技术量化模型数据隐私风险的工具。我们讨论了该工具如何帮助从业者在部署机器学习模型时遵守数据保护法规。
2020-07-18 cs.CR cs.LG
A BERT-based Empirical Study of Privacy Policies' Compliance with GDPR
Warwick Manufacturing Group, University of Warwick(华威大学华威制造集团)
本研究针对5G网络隐私政策的GDPR合规性与可读性问题,收集近70家5G MNO的隐私政策,用基于BERT的模型分类发现51%企业高度合规,同时通过可读性分析证实多数政策可读性不足,为5G提供商优化隐私政策提供实证依据。
2024-07-09 cs.AI cs.CR
AudAgent: Automated Auditing of Privacy Policy Compliance in AI Agents
Rochester Institute of Technology(罗切斯特技术学院);University of Massachusetts Lowell(马萨诸塞大学洛厄尔分校)
AudAgent通过自动化隐私审计工具,实时监控AI代理的数据实践,确保其符合声明的隐私政策,并可视化检测到的隐私违规行为。
2026-03-04 cs.AI cs.CR
Detecting Compliance of Privacy Policies with Data Protection Laws
National University of Computer and Emerging Sciences(国家计算机与新兴科学大学)
隐私政策是描述组织或公司在处理其用户个人数据时所采取的做法的法律文件。但由于政策是一份法律文件,它们往往是用大量难以理解的法律术语写成的。虽然已经在隐私政策方面做了工作,但没有一项工作能够满足验证给定隐私政策是否符合给定国家或州的数据保护法律的问题。我们的目标是通过提供一个根据各种数据保护法律(如《通用数据保护条例》(GDPR))分析隐私政策的框架来弥合这一差距。为了实现这一目标,我们首先标记了隐私政策和法律。然后,一个相关的计划,制定映射的隐私政策的内容,以适当的法律部分,政策必须符合。然后,我们使用NLP技术检查隐私政策的文本与相应的法律文本的一致性。通过使用这样的工具,用户将更好地了解他们的个人数据是如何管理的。目前,我们已经为GDPR和PDPA提供了一个映射,但其他法律可以很容易地纳入已经建立的管道中。
2021-02-21 cs.CL cs.CR
Privacy Artifact ConnecTor (PACT): Embedding Enterprise Artifacts for Compliance AI Agents
Meta
针对企业制品分散导致隐私合规评估困难的问题,提出基于DRAGON嵌入模型、轻量微调对比学习的PACT图结构,连接多类型制品,显著提升检索匹配等多项性能。
2025-07-23 cs.AI cs.CR
Confidential Attestation: Efficient in-Enclave Verification of Privacy Policy Compliance
可信执行环境(TEE)(如英特尔软件防护扩展(SGX))运行远程证明,以向数据所有者证明安全区初始状态的完整性,包括对其数据进行操作的程序。为此,数据处理程序应该对所有者开放,因此在建立信任之前可以评估其功能。然而,越来越多的应用场景需要保护程序本身。因此,应该在不暴露其代码的情况下验证它是否符合数据所有者所期望的隐私策略。为此,本文提出了CAT,一个新的模型,基于TEE的机密证明。我们的模型受到Proof-Carrying Code的启发,其中代码生成器与代码一起生成证明,代码消费者验证代码是否符合安全策略。鉴于传统的解决方案在资源有限和TCB节俭的TEE下不能很好地工作,我们提出了一种新的设计,该设计允许不可信的外部飞地生成器在将程序编译成二进制文件时分析程序的源代码,并且可信的内部飞地消费者在运行二进制文件之前有效地验证仪器的正确性和其他保护的存在。我们的设计策略性地将大部分工作量转移到了代码生成器,它负责生成格式良好且易于检查的代码,同时保持用户的简单性。此外,整个消费者可以公开,并通过传统的证明进行验证。我们在英特尔SGX上实现了该模型,并证明它引入了TCB的一小部分。我们还彻底评估了它在微观和宏观基准测试以及实际应用中的性能,表明新设计在执行几类安全策略时只会产生很小的开销。
2020-07-20 cs.CR
Deontic Knowledge Graphs for Privacy Compliance in Multimodal Disaster Data Sharing
University of Maryland, Baltimore County(马里兰大学巴尔的摩分校)
本文提出基于德性知识图谱的框架,用于多模态灾难数据共享中的隐私合规,通过整合灾难管理知识图谱和政策知识图谱,实现更灵活的访问控制和合规验证。
2026-01-07 cs.AI cs.CR cs.DB
GDPRShield: AI-Powered GDPR Support for Software Developers in Small and Medium-Sized Enterprises
针对中小企业软件开发者因身兼多职导致GDPR隐私意识不足、合规困难的问题,本文提出AI驱动框架GDPRShield,通过用户故事匹配隐私说明并展示不合规后果,同时提升开发者的合规意识与积极性,助力企业构建隐私文化。
2025-05-21 cs.CR
Forgetting the Forgotten with Letheia, Concealing Content Deletion from Persistent Observers
大多数社交平台都提供允许用户删除帖子的机制,很大一部分用户行使了被遗忘的权利。然而,具有讽刺意味的是,用户试图通过删除来减少对敏感帖子的关注,在实践中,吸引了专门针对这些帖子的跟踪者的不必要的关注。因此,删除可能使用户更容易受到对其隐私的攻击。希望让自己的帖子被遗忘的用户面临着一个“该死的,如果我这样做,该死的,如果我不”的困境。许多人正在转向像Snapchat这样短暂的社交平台,这将剥夺我们重要的用户数据存档。在间歇性的撤退的形式,我们提出,忘忧,一个新的解决方案,这个问题的遗忘被遗忘的。如果下一代社交平台愿意放弃一小部分未删除帖子的不间断可用性,Lethe会在很长一段时间内为已删除帖子提供隐私。在Lethe存在的情况下,敌对观察者变得不确定一些帖子是否被Lethe永久删除或只是暂时撤回;同时,敌对观察者被大量错误标记的未删除帖子淹没。为了证明Lethe的可行性和性能,我们分析了Twitter上用户删除的大规模真实数据,并深入研究了如何选择持续时间分布,以便在临时撤回和未删除帖子的复活之间交替。我们发现,在不同的设置,用户行使他们的删除权的隐私,可用性和对抗性开销之间的一个有利的权衡。我们发现,即使面对能够不间断地访问整个平台的最终对手,Lethe也可以从删除时起提供长达3个月的删除隐私,同时保持高达95%的内容可用性,并将对抗精度保持在20%。
2018-09-25 cs.CR cs.SI
Beyond Private Training: The New Landscape of AI Privacy
Atlassian(Atlassian公司)
本文提出TSD-AUDIT框架,审计并强制基于图的向量检索中的遍历安全删除,解决仅输出安全可能遗漏过程级暴露的问题,显著提升区域删除下的召回率。
2026-10-06 cs.AI cs.CR cs.IR
Static Analysis for Android GDPR Compliance Assurance
许多Android应用程序收集用户的数据。当他们这样做时,他们必须根据当前的法律框架保护这些收集的数据。自欧盟推出《通用数据保护条例》(GDPR)以来,这种数据保护变得更加重要。应用程序开发人员在整个应用程序开发过程中对数据保护的推理工具支持有限。虽然许多Android应用程序都声明了隐私策略,但隐私策略合规性检查目前是手动的,成本高昂,并且容易出错。隐私审计的主要挑战之一是法律隐私声明(英文文本)与Android应用程序用于保护用户隐私的技术措施之间存在巨大差距。在这篇论文中,我们将探讨在多大程度上我们可以使用静态分析来回答有关数据保护的重要问题。我们的主要目标是设计一种基于工具的方法,帮助应用程序开发人员和审计人员确保基于自动静态程序分析的Android应用程序中的数据保护。
2023-03-16 cs.CR cs.SE
LLM Access Shield: Domain-Specific LLM Framework for Privacy Policy Compliance
Hong Kong Applied Science and Technology Research Institute (ASTRI)(香港应用科学和技术研究院)
提出一个领域专用LLM安全框架,通过基于LLM的政策执行、动态政策定制和保留格式加密的敏感数据匿名化,确保隐私政策合规并降低数据泄露风险,同时保持任务功能准确性。
2025-05-22 cs.AI cs.CR
Zero-Knowledge Proof-of-Location Protocols for Vehicle Subsidies and Taxation Compliance
本文提出基于零知识证明(ZKPs)的零知识位置证明(ZK-PoL)系统,在不披露车辆具体位置数据的前提下验证其是否符合区域行驶要求,为车辆税收与补贴合规性提供隐私保护方案,可应用于大规模政府项目。
2025-06-20 cs.CR
An Empirical Evaluation of GDPR Compliance Violations in Android mHealth Apps
《通用数据保护条例》(GDPR)旨在提供更好的隐私保护。如果应用程序控制用户的个人数据,则需要符合GDPR。然而,GDPR列出了一般规则,而不是关于如何开发满足要求的应用程序的确切分步指南。因此,现有应用程序中可能存在违反GDPR合规的情况,这将对应用程序用户构成严重的隐私威胁。在本文中,我们以移动健康应用程序(mHealth应用程序)为窥视孔,检查Android应用程序中GDPR合规性的现状。我们首先提出了一个名为\mytool的自动化系统,通过识别应用程序隐私政策中声明的数据实践和应用程序代码中的数据相关行为,弥合GDPR的一般规则和应用程序实现之间的语义差距。然后,基于\mytool,检测了隐私策略不完整、数据汇集不一致、数据传输不安全等三类GDPR合规违规行为。我们对796个移动健康应用程序进行了实证评估。结果显示,有189家(23.7%)没有提供完整的隐私政策。此外,59个应用程序通过不同的措施收集敏感数据,但其中46个(77.9%)包含至少一种不一致的收集行为。更糟糕的是,在59个应用程序中,只有8个应用程序试图确保收集数据的传输安全性。但是,它们都包含至少一个加密或SSL误用。我们的工作暴露了严重的隐私问题,以提高应用用户和开发人员的隐私保护意识。
2020-08-14 cs.CR cs.SE
Measuring Compliance with the California Consumer Privacy Act Over Space and Time
本研究纵向追踪CPRA生效后多州网站对CCPA退出链接的提供情况,发现大量受CCPA约束的网站仍未合规,揭示了阻碍消费者行使退出权利的设计缺陷。
2024-03-25 cs.CR cs.CY cs.HC
Compliance Checking with NLI: Privacy Policies vs. Regulations
University of Maine(缅因大学)
隐私政策是一份说明公司打算如何处理和管理客户个人数据的文件。这些隐私政策产生的问题之一是,它们的内容可能违反数据隐私法规。由于存在大量的隐私政策,检查所有这些政策中法律不一致的唯一现实方法是通过自动化方法。在这项工作中,我们使用自然语言推理(NLI)技术来比较隐私法规对部分的隐私政策,从大公司的选择。我们的NLI模型在其注意力机制中使用预训练的嵌入以及BiLSTM。我们尝试了两个版本的模型:一个是在斯坦福自然语言推理(SNLI)上训练的,另一个是在多类型自然语言推理(MNLI)数据集上训练的。我们发现,在SNLI上训练的模型的测试准确率更高,但在实际执行真实世界隐私策略的NLI任务时,在MNLI上训练的模型泛化并表现得更好。
2022-03-01 cs.CL cs.CR cs.LG
AUTOPSY: A Framework for Tackling Privacy Challenges in the Automotive Industry
AUTOPSY项目针对汽车领域GDPR合规不等于隐私友好的问题,提出系统模型、隐私管理器、PET选择方法和架构框架,并通过位置服务演示器验证其有效性。
2025-07-22 cs.CR
SynthGuard: Redefining Synthetic Data Generation with a Scalable and Privacy-Preserving Workflow Framework
针对合成数据生成(SDG)中集中式处理引发的数据主权、合规性等问题,提出SynthGuard框架,支持模块化、隐私保护的工作流,让数据所有者掌控SDG流程,实现安全、可审计、可重现执行,经实际用例验证有效。
2025-07-14 cs.CR
Protocol-Embedded Compliance for Privacy-Preserving, Non-Custodial Digital Payments
University College London(伦敦大学学院);University of Greenwich(格林尼治大学)
本文提出一种嵌入协议的合规性方案,基于USO资产模型将合规数据嵌入数字资产状态,实现非托管、隐私保护的合规数字支付,可与传统金融基础设施对接。
2026-08-19 cs.CR cs.CY
Modelling Technique for GDPR-compliance: Toward a Comprehensive Solution
本文提出一种GDPR合规建模的全面解决方案,通过将GDPR原则与STRIDE和LINDDUN技术结合,构建新型数据流图与知识库并利用推理引擎识别不合规威胁,在远程医疗系统中验证了其有效性。
2024-04-22 cs.CR
Consumer Beware! Exploring Data Brokers' CCPA Compliance
University of California, Irvine(加州大学尔湾分校)
本文首次对加州官方登记的543家数据经纪人进行大规模系统性CCPA合规性研究,发现超40%未响应数据访问请求,响应者存在额外信息索取问题,揭示合规缺失与流程不规范,强调需加强执法与标准化检查。
2025-11-14 cs.CR cs.CY
Assured Data Deletion with Fine-grained Access Control for Fog-based Industrial Applications
云计算、雾计算和物联网(IoT)的发展使这些行业比以往任何时候都更加繁荣。通过成功集成云计算、雾计算和物联网,开发了交通系统和制造系统等广泛的工业系统。安全和隐私问题是阻碍这些新技术广泛采用的主要问题。在本文中,我们专注于确保数据删除,这是一个重要的问题,但在学术界和工业界关注较少。我们首先提出了一个框架,将云,雾和事物集成在一起,以管理来自行业或个人的存储数据。然后,我们专注于在这个框架中的安全数据删除,提出了一个有保证的数据删除方案,实现细粒度的访问控制敏感数据和可验证的数据删除。在删除数据密钥和验证数据删除时,只有数据所有者和雾设备参与,由于雾计算的低延迟和实时交互的特点,使得该协议具有实用性。该协议利用了基于属性的加密技术,在标准模型下是可证明安全的。理论分析表明,良好的性能和功能的要求,而实现结果证明了我们的建议的可行性。
2018-04-09 cs.CR
X-rated Compliance Theater: An Empirical Evaluation of European Age Verification Systems in Adult Websites
Politecnico di Milano(米兰理工大学)
本文首次实证评估欧洲成人网站强制部署的年龄验证机制,发现其在低成本攻击下存在系统性安全漏洞,并提出了缓解隐私与安全风险的设计方向。
2026-07-17 cs.CR
PriEval-Protect: A Unified Framework for Privacy Evaluation and Protection in Healthcare Systems
National Institute of Applied Science and Technology INSAT(国立应用科学与技术学院);Efrei Research Lab, Efrei, Paris-Panthéon-Assas University(巴黎-潘特翁-阿萨斯大学埃弗雷伊研究实验室);LARIA Research Lab, National School Of Computer Science ENSI(国立计算机科学学院拉里亚研究实验室)
针对医疗系统隐私问题,PriEval-Protect框架分两阶段统一评估与缓解隐私风险。评估阶段结合法规评分与技术分析得出综合风险评分,保护阶段依风险推荐对策,实现法规与数据级风险分析的衔接,结果具合规性与可解释性。
2026-07-16 cs.CR
TRUCE: TRUsted Compliance Enforcement Service for Secure Health Data Exchange
University of Maryland, Baltimore County(马里兰大学巴尔的摩县分校)
TRUCE框架通过自动化合规流程和增强可信数据管理,旨在安全高效地处理健康数据交换中的合规问题。
2025-12-09 cs.CR
Are cookie banners indeed compliant with the law? Deciphering EU legal requirements on consent and technical means to verify compliance of cookie banners
在这项工作中,我们分析了如何实现cookie横幅的法律要求,以完全符合电子隐私指令和一般数据保护条例。我们的贡献在于定义了17个合法合规的cookie横幅设计的操作和细粒度要求,此外,我们定义了每个要求的合规性验证是否以及何时在技术上可行。需求的定义来自于由网络跟踪技术领域的律师和计算机科学家组成的联合跨学科分析。因此,虽然一些需求是由明确编纂的法律来源提供的,但其他需求则来自计算机科学家的领域专业知识。在我们的工作中,我们将每个要求与网站现有的cookie横幅设计相匹配。对于每一项要求,我们都会使用合规和不合规的Cookie横幅进行验证。作为技术评估的结果,我们根据要求进行验证,如果需要技术(使用计算机科学工具)或手动(使用任何人工操作员)验证来评估同意的合规性,我们还展示了在当前Web架构中无法确定验证的要求。例如,我们解释了如何在实践中实施可撤销同意的要求:当同意被撤销时,发布者应该删除同意cookie,并将撤销通知给之前收到同意的所有第三方。通过这种方法,我们的目标是支持务实的各方(合规官员,监管机构,研究人员和计算机科学家)评估合规性并检测Cookie横幅设计和实施中的违规行为,特别是在欧盟电子隐私框架的当前修订版下。
2020-09-24 cs.CR
Grant, Verify, Revoke: A User-Centric Pattern for Blockchain Compliance
George Mason University(乔治梅森大学)
本文提出ZK-Compliance框架,通过浏览器零知识证明实现用户隐私与合规性的平衡,允许用户本地证明属性而不泄露数据,提供可撤销的授权流程。
2026-03-16 cs.CR cs.HC
Evaluating Privacy Measures in Healthcare Apps Predominantly Used by Older Adults
本研究针对老年人常用医疗保健应用隐私政策有效性研究不足的问题,构建PRAF框架评估28款应用的隐私状况,发现其合规性差、多数缺乏泄露应对方案,存在较高隐私风险。
2024-10-18 cs.CR cs.CY
GDPR Compliance for Blockchain Applications in Healthcare
与区块链相关的透明和分散的特征在应用于医疗保健用例时既有吸引力又有问题。由于健康数据高度敏感,因此也受到高度监管,以确保患者的隐私。与此同时,对卫生数据的获取和互操作性的要求很高。除其他目标外,GDPR和HIPAA等监管框架旨在帮助减轻健康数据中侵犯隐私的风险。区块链功能可能会改善对健康数据的互操作性和访问控制,同时保护甚至增加患者的隐私。区块链应用程序应满足当前监管框架的合规性,以提高现实世界的可行性。这一探索性工作表明,已发表的卫生领域概念验证在一定程度上符合GDRP。区块链开发人员需要做出设计选择以符合GDPR,因为目前没有可用的区块链平台可以显示开箱即用的合规性。
2020-09-27 cs.CR cs.CY cs.SI
A Private Smart Wallet with Probabilistic Compliance
Politecnico di Milano(米兰理工大学)
提出一种隐私保护智能钱包,结合基于邀请的隐私接入机制、无辜证明与基于 bloom filters 的祖先承诺追踪系统,在 Base layer 2 网络上实现高效、低成本的合规性隐私数字支付。
2025-06-05 cs.CE cs.CR
Lessons in VCR Repair: Compliance of Android App Developers with the California Consumer Privacy Act (CCPA)
本研究通过对比Android应用实际网络流量与隐私政策及VCR回复,调查开发者对CCPA的合规情况,发现大量应用存在未披露收集用户数据的问题,并提出改进建议。
2023-04-03 cs.CR cs.CY
Privacy-Preserving On-chain Permissioning for KYC-Compliant Decentralized Applications
TU Berlin(柏林工业大学)
本文融合自主身份、零知识证明和基于属性的访问控制,提出隐私保护链上权限管理框架,支持多种证明类型并优化生成效率,实验显示性能优于基线,兼顾KYC合规与去中心化。
2025-10-07 cs.CR
PrivSTRUCT: Untangling Data Purpose Compliance of Privacy Policies in Google Play Store
The University of Sydney, Australia(悉尼大学,澳大利亚);University of New South Wales, Australia(新南威尔士大学,澳大利亚)
本文提出PrivSTRUCT框架,通过解构隐私政策结构化信息,提升数据用途提取的准确性,发现开发者在使用全局定义用途时,第一方数据用途虚报概率更高。
2026-04-24 cs.AI cs.CR
Proving Erasure
似乎不可能证明远程托管服务不泄露用户的数据-或者量子力学使之成为可能?我们调查,如果一个服务器托管数据可以信息理论上证明其明确删除使用“BB84样”协议。为此,我们首先严格引入加密隐私的替代方案:隐私委托。然后,我们将这个新的概念应用于可证明删除和远程数据存储。对于这两个任务,我们提出了一个协议,勾勒出它的部分安全性,并显示其脆弱性窃听攻击的目标只有几个比特。
2019-05-03 cs.CR quant-ph
Privacy Protection Cache Policy on Hybrid Main Memory
我们首先建议隐私保护缓存政策适用于删除个人信息的责任在混合主存储器系统。该缓存策略包括生成随机数据并将随机数据缓存到个人信息中。提出的缓存策略在数据完全删除方面更经济有效。
2017-07-29 cs.CR cs.CY
RADS-Checker: Measuring Compliance with Right of Access by the Data Subject in Android Markets
本研究提出RADS-Checker框架,通过隐私政策分析、访问请求测试和数据完整性比对,系统衡量安卓应用的数据主体访问权合规性,发现中美两大市场应用的RADS落实率普遍偏低。
2024-12-10 cs.CR
Semi-Quantum Cryptography with Certified Deletion
MIT(麻省理工学院);NTT Research(NTT研究所)
本工作提出一个通用编译器,在LWE后量子假设下,通过纯经典通信实现公开可验证的认证删除,支持多种加密原语,并允许经典客户端审计和检索数据。
2026-10-01 cs.CR quant-ph
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
Approximate Data Deletion in Generative Models
University of California San Diego(加州大学圣地亚哥分校);Amherst College(阿默斯特学院)
用户有权让第三方学习系统删除其数据,这是由最近的立法(如《通用数据保护条例》(GDPR)和《加州消费者隐私法》(CCPA))规定的。这种数据删除可以通过完全重新训练来完成,但这会导致现代机器学习模型的高计算成本。为了避免这种代价,许多近似数据删除方法已经被开发用于监督学习。相比之下,无监督学习在(近似或精确)高效数据删除方面仍然是一个悬而未决的问题。在本文中,我们提出了一个基于密度比的框架生成模型。使用这个框架,我们介绍了一个快速的近似数据删除方法和统计测试估计是否训练点已被删除。我们在各种学习者假设下提供理论保证,并在各种生成方法中实证展示我们的方法。
2022-06-29 cs.CR cs.LG stat.ML