Identity Chain
针对现有加密货币隐私保护与监管合规难以兼顾的问题，提出基于公有区块链的KYC框架IdentityChain，借助密码学技术同时实现隐私保护与用户问责，适配监管要求以推动加密货币应用推广。
2024-07-14 cs.CR cs.GT
NSSIA: A New Self-Sovereign Identity Scheme with Accountability
自主权身份（SSI）是一种新的分布式身份管理方法，通常用于解决用户对自己的身份缺乏控制的问题。然而，在大多数现有的SSI方案中，过度追求自我主权阻碍了对攻击者的制裁。为了应对恶意行为，一些SSI方案引入了问责制机制，但他们牺牲了用户的隐私。此外，现有SSI方案中的数字身份（静态字符串或可更新链）是第三方可执行程序（移动应用程序，智能合约等）的输入。为了实现身份的读取、存储和证明，削弱了用户的自我主权。为了解决上述问题，我们提出了一种新的自我主权身份方案，以达到隐私和问责制之间的平衡，摆脱对第三方程序的依赖。在我们的方案中，一个和唯一的个人特定的可执行代码生成为一个数字化身，我为每个人在网络空间中与他人互动，没有第三方程序，其中嵌入的生物识别增强了独特性和用户控制自己的身份。此外，基于shamir（t，n）阈值算法和联盟区块链的联合问责机制旨在限制每个监管机构的权力并保护用户的隐私。最后，我们分析了安全性，SSI属性，并从计算，存储和区块链气体的成本方面进行了详细的实验。分析结果表明，我们的方案抵抗已知的攻击，并满足所有的六个SSI性质。与现有方案相比，大量实验结果表明，服务器存储、区块链存储和区块链gas的成本较大，但对于实际情况来说仍然足够低。
2022-06-10 cs.CR
Sandi: A System for Accountability
本研究提出名为Sandi的单向问责声誉系统，基于反对票与票据举报机制，保障多方隐私与评分完整性，无需长期密钥或注册账户，可在各类支持小二进制数据传输的通信系统上部署，激励良好行为并为通信双方建立初始信任。
2025-03-24 cs.CR
SpexPay: A Privacy-Preserving Pay-As-You-Go System for Dynamic Spectrum Sharing
Virginia Tech（弗吉尼亚理工大学）；University of Kentucky（肯塔基大学）
研究动态频谱共享中现有方案的隐私和问责问题，提出SpexPay框架，集成多种技术实现隐私保护即付即用频谱使用，通过原型展示其低延迟、低成本，适用于实际部署，还评估了对边缘硬件的适用性。
2026-07-21 cs.CR
Decentralized Threshold Signatures with Dynamically Private Accountability
本文提出 DeTAPS，通过结合动态门限公钥加密、非交互零知识证明和密钥聚合可搜索加密，实现去中心化、动态公证且隐私增强的门限签名，并在 SGX2 和以太坊上验证性能。
2023-08-10 cs.CR
A Blockchain-based Approach for Data Accountability and Provenance Tracking
最近批准的《通用数据保护条例》（GDPR）对数据控制者和处理者在处理欧盟（EU）居民数据方面提出了新的数据保护要求。这些要求包括一套具有约束力的法律地位的规则，应在所有欧盟成员国执行。鉴于这些要求，我们在本文中提出使用基于区块链的方法来支持数据问责制和来源跟踪。我们的方法依赖于使用部署在区块链中的可公开审计的合同，这些合同增加了数据访问和使用的透明度。我们确定并讨论了三种不同的模型，我们的方法具有不同的粒度和可扩展性的要求，合同可以用来编码数据使用策略和出处跟踪信息的隐私友好的方式。从这三个模型中，我们设计、实现和评估了一个模型，其中合约由数据主体为每个数据控制器部署，以及一个模型，其中主体在接受数据处理条件的情况下加入数据控制器部署的合约。我们的实现表明，在实践中的可行性和局限性的合同在本文中确定的目的。
2017-06-14 cs.CR
Security and Privacy Policy Languages: A Survey, Categorization and Gap Identification
出于安全和隐私管理和实施的目的，已经提出了各种策略语言。我们对27种安全和隐私策略语言进行了概述，并提出了策略语言的分类框架。我们展示了当前的政策语言是如何在框架中表示的，并总结了我们的解释。我们发现的差距和动机，通过政策语言的规范的隐私-公用事业权衡政策。
2015-12-01 cs.CR
A Game-Theoretic Analysis of Auditing Differentially Private Algorithms with Epistemically Disparate Herd
本文利用Stackelberg博弈方法构建系统性框架，分析群体审计对差分隐私算法开发者的影响，发现便捷获取信息和降低知识获取成本能提升审计可行性与问责效果。
2024-04-24 cs.CR cs.GT
Deanonymizable Scoped Linkable Ring Signatures
SAMOVAR, Télécom SudParis, Institut Polytechnique de Paris（SAMOVAR，巴黎理工学院电信南巴黎）
本文提出DSLRS，一种支持作用域可链接性和去中心化问责的环签名，通过嵌入ELGamal组件和去中心化deanonymization网络实现隐私保护与问责机制。
2026-07-03 cs.CR
AI Identification: An Integrated Framework for Sustainable Governance in Digital Enterprises
California State University Sacramento（萨克拉门托加州州立大学）；Mississippi State University（密西西比州立大学）；University of Alabama（阿拉巴马大学）
本文提出一个整合技术与治理机制的AI识别框架，通过模型指纹、加密哈希、区块链注册等五种组件，实现AI系统的生命周期可追溯与可验证，以支持可持续数字治理。
2026-04-12 cs.CR
Enhancing Privacy for Biometric Identification Cards
大多数发达国家已开始实施生物特征电子身份证，特别是护照。欧洲联盟和美利坚合众国正在努力引进这些电子文件并使之标准化。由于用于生成这些卡的生物特征元素的个人性质，大西洋两岸都提出了隐私问题，导致平民抗议和关切。负责实施此类识别系统的公共当局缺乏透明度，以及这些当局选择的技术方法不佳，是新识别方法不受欢迎的主要原因。下面的文章展示了一种方法，它提供了生物识别和密码学领域现代技术进步的所有好处，而不会牺牲新系统受益者的隐私。
2010-02-18 cs.CR
Security and Privacy Enhancement for Outsourced Biometric Identification
大量的研究集中在云计算背景下生物识别的安全外包上。在这种方案中，加密的生物特征数据库和识别过程都外包给了云。最终目标是保护生物特征数据库和查询模板的安全性和隐私性。安全性分析表明，以前的方案遭受注册攻击，不必要地暴露更多的信息比需要的。在本文中，我们提出了一个新的安全外包计划，旨在提高这两个方面的安全性。首先，除了在以前的计划中讨论的所有攻击，我们提出的计划也是安全的注册攻击。其次，我们将识别过程建模为固定半径的相似性查询问题，而不是kNN搜索问题。这种建模能够减少暴露的信息，从而增强生物特征数据库的隐私性。我们全面的安全性和复杂性分析表明，我们的计划是能够提高生物特征数据库和查询模板的安全性和隐私性，同时保持相同的计算节省外包。
2018-09-12 cs.CR
Toward Evaluating Re-identification Risks in the Local Privacy Model
LDP（Local差分隐私）作为一种数据隐私度量标准近年来引起了广泛关注，它可以防止从局部模型中的模糊数据推断出个人数据。然而，在某些情况下，对手希望执行重新识别攻击，以将混淆的数据链接到该模型中的用户。在这些情况下，LDP可能会导致过度混淆并破坏实用程序，因为它的设计目的不是直接防止重新识别。在本文中，我们提出了一种重新识别风险的措施，我们称之为PIE（个人信息熵）。PIE被设计为直接防止局部模型中的重新识别攻击。它降低了最低可能的重新识别错误概率（即，贝叶斯错误概率）。分析了LDP和PIE的关系，并对两种提供LDP的混淆机制的PIE和分布估计效用进行了分析。通过实验，我们表明，当我们考虑重新识别作为一个隐私风险，LDP可以导致过度混淆和破坏实用程序。然后，我们表明，PIE可以用来保证低的重新识别风险的本地混淆机制，同时保持高效用。
2021-12-19 cs.CR cs.DB
Privacy-Aware Adversarial Network in Human Mobility Prediction
Imperial College London（伦敦帝国理工学院）；University of Washington（华盛顿大学）
随着移动设备和基于位置的服务在不同的智慧城市场景和应用中的日益发展，由于地理定位的数据汇集和共享，出现了许多意想不到的隐私泄露。当地理定位数据与云辅助应用程序共享时，用户重新识别和其他敏感推断是主要的隐私威胁。值得注意的是，4个时空点足以唯一识别95%的个体，这加剧了个人信息泄露。为了解决诸如用户重新识别之类的恶意目的，我们提出了一种基于LSTM的对抗机制，该机制具有表示学习以获得原始地理定位数据的隐私保护特征表示（即，移动性数据）用于共享目的。这些表示旨在以最小的效用预算（即，损失）。我们训练的机制，通过量化隐私效用权衡的移动数据集的轨迹重建风险，用户重新识别风险，和移动的可预测性。我们报告了一个探索性的分析，使用户能够评估这种权衡与特定的损失函数及其权重参数。四个代表性的移动数据集上的广泛的比较结果表明，我们提出的架构在移动隐私保护和建议的隐私保护功能提取器的效率的优越性。我们表明，隐私的流动性痕迹达到体面的保护边际流动性效用的成本。我们的研究结果还表明，通过探索帕累托最优设置，我们可以同时提高隐私（45%）和效用（32%）。
2022-08-09 cs.CR cs.CY cs.LG
Identification, Amplification and Measurement: A bridge to Gaussian Differential Privacy
高斯差分隐私（GDP）是一个单参数的隐私概念，提供一致的保证，以避免暴露的敏感个人信息。尽管GDP组合提供了额外的可解释性和更严格的界限，但许多广泛使用的机制（例如，拉普拉斯机制）本质上提供了GDP保证，但往往未能利用这一新框架，因为它们隐私保证是在不同的背景下得出的。在本文中，我们研究了隐私配置文件的渐近性质，并制定了一个简单的标准来识别算法的GDP性质。我们提出了一种有效的方法GDP算法缩小可能的值的最佳隐私测量，$μ$与任意小的和可量化的误差幅度。对于非GDP算法，我们提供了一个后处理过程，可以放大现有的隐私保证，以满足GDP条件。作为应用，我们比较了两个单参数家庭的隐私概念，$ε$ -DP，和$μ$ -GDP，并表明，所有的$ε$ -DP算法本质上也是GDP。最后，我们表明，我们的测量过程和GDP的组成定理的组合是一个强大的和方便的工具来处理的组成相比，传统的标准和先进的组成定理。
2022-10-17 cs.CR
EL PASSO: Privacy-preserving, Asynchronous Single Sign-On
我们介绍EL PASSO，一个隐私保护，异步单点登录（SSO）系统。它能够进行个人身份验证，同时保护用户的隐私不受身份提供者和依赖方的侵害，并允许有选择地披露属性。EL PASSO基于匿名凭证，但它支持用户的责任。选定的当局可以恢复涉嫌行为不端的用户的身份，用户可以证明其身份的属性，而不会公开披露。EL PASSO不需要特定的安全硬件或第三方（SSO中的现有参与者除外）。身份验证凭据的生成和使用是异步的，允许用户在身份提供程序暂时不可用时登录。我们在分布式环境中评估EL PASSO，并证明其计算成本低，从普通笔记本电脑上获得比OIDC更快的登录操作，从低功耗设备上获得1秒的用户感知延迟，并在依赖方使用云中的单个4核服务器扩展到每秒50次以上的登录操作。
2020-06-03 cs.CR
Who is the 'I' in AI? Establishing Decentralized Identity and Accountability for Autonomous Agents
BRAC University（BRAC大学）；Charles Sturt University（查尔斯史都华大学）
本文针对自主AI智能体的身份与问责问题，提出基于SSI原则的ABCD去中心化AI身份框架，通过四层机制区分人类与智能体身份，解决自主经济活动中的黑箱身份问题。
2026-10-14 cs.AI cs.CR
Privacy in Social Media: Identification, Mitigation and Applications
社交媒体的日益普及吸引了大量的人每天参加许多活动。这会产生大量丰富的用户生成数据。这些数据为研究人员和服务提供商提供了研究和更好地了解用户行为的机会，并进一步提高个性化服务的质量。发布用户生成的数据有暴露个人隐私的风险。社交媒体中的用户隐私是一个新兴的任务，近年来引起了越来越多的关注。这些作品从两个不同的角度研究了社交媒体中的隐私问题：识别漏洞和减轻隐私风险。最近的研究表明，用户生成的数据对两种一般类型的攻击，身份披露和属性披露的脆弱性。这些隐私问题要求社交媒体数据发布者在发布之前通过对用户生成的数据进行净化来保护用户的隐私。因此，已经提出了各种保护技术来匿名化用户生成的社交媒体数据。有大量的文献从许多角度对社交媒体中的用户隐私进行了研究。在本次调查中，我们回顾了社交媒体中用户隐私的主要成就。特别是，我们审查和比较国家的最先进的算法方面的隐私泄漏攻击和匿名化算法。我们从社交媒体的不同方面概述了隐私风险，并将相关工作分为五组：1）图形数据匿名化和去匿名化，2）作者身份识别，3）个人资料属性泄露，4）用户位置和隐私，以及5）推荐系统和隐私问题。我们还讨论了社会化媒体中用户隐私问题的开放问题和未来的研究方向。
2018-08-07 cs.CR cs.SI
Resilient Privacy Protection for Location-Based Services through Decentralization
基于位置的服务（LBS）提供了有价值的服务，为移动用户提供了方便的功能。然而，通过对LBS的每个查询所公开的位置和其他信息侵蚀了用户隐私。这是一个值得关注的问题，特别是因为LBS提供商可能诚实但好奇，收集查询和跟踪用户的行踪，并推断敏感的用户数据。这激发了LBS的集中式和分散式位置隐私保护方案：匿名化和模糊化LBS查询，以不披露确切信息，同时仍然获得有用的响应。分散式方案克服了集中式方案的缺点，消除了匿名者，并增强了用户对敏感信息的控制。然而，一个不安全的去中心化系统可能会造成严重的风险，而不仅仅是私人信息泄露。更重要的是，攻击一个设计不当的去中心化LBS隐私保护方案可能是一个有效且低成本的侵犯用户隐私的步骤。我们正是解决这个问题，提出了移动数据共享系统的安全增强。我们保护用户隐私，同时保留用户活动的问责制，利用主流加密技术的匿名身份验证。我们表明，我们的计划可以部署在一个静态的汽车测试平台的实施的实验评估的基础上，与现成的设备。
2020-01-22 cs.CR
A Fine-grained Chinese Software Privacy Policy Dataset for Sequence Labeling and Regulation Compliant Identification
The Hong Kong Polytechnic University（香港理工大学）
隐私保护在法律层面和用户意识层面都引起了极大的关注。为了保护用户隐私，各国都制定了法律法规，要求软件隐私政策来规范他们的行为。然而，隐私政策是用自然语言编写的，其中包含许多法律术语和软件术语，这些术语阻止用户理解甚至阅读它们。使用NLP技术来分析隐私策略以帮助用户理解它们是可取的。此外，现有的数据集忽略了法律要求，仅限于英语。在本文中，我们构建了第一个中国隐私政策数据集，即CA 4P-483，以促进序列标记任务和隐私政策和软件之间的法规遵从性识别。我们的数据集包括483个中文Android应用程序隐私策略，超过11 K的句子和52 K的细粒度注释。我们在我们的数据集上评估了稳健和代表性基线模型的家族。基于基线性能，我们提供了我们的数据集上的发现和潜在的研究方向。最后，结合法规要求和程序分析，探讨了CA 4P-483的潜在应用。
2022-12-04 cs.AI cs.CR
Resilient Collaborative Privacy for Location-Based Services
基于位置的服务（LBS）提供有价值的服务，为用户提供方便的功能。但是，通过每个请求披露的信息会损害用户隐私。这对于诚实但好奇的LBS服务器来说尤其令人担忧，它们可以通过收集请求来跟踪用户并推断出额外的敏感用户数据。这是LBS的集中式和分散式位置隐私保护方案的动机：匿名化和模糊化LBS查询以不披露确切信息，同时仍然获得有用的响应。分散式方案克服了集中式方案的缺点，消除了匿名者，增强了用户对敏感信息的控制。然而，一个不安全的去中心化系统可能会带来比隐私泄露更严重的安全威胁。我们正是解决这个问题，提出了移动数据共享系统的安全增强。我们保护用户隐私，同时保留用户活动的问责制，利用主流加密技术的匿名身份验证。我们的设计利用了为大规模移动系统提出的架构，同时它对LBS服务器的更改最小，因为它可以与LBS服务器并行部署。这进一步推动了我们的设计的采用，以满足隐私敏感用户的需求。我们提供了安全和隐私问题和对策的分析，以及基本协议操作的性能评估显示我们的设计的实用性。
2020-01-21 cs.CR
NLP Privacy Risk Identification in Social Media (NLP-PRISM): A Survey
George Mason University（乔治·马歇尔大学）
本文提出NLP-PRISM框架，系统评估社交媒体中NLP处理的隐私风险，揭示模型隐私保护与效用之间的权衡，并呼吁加强隐私保护措施。
2026-01-26 cs.AI cs.CL cs.CR
Privacy Preserving Identification Using Sparse Approximation with Ambiguization
University of Geneva（日内瓦大学）
在本文中，我们考虑了一个隐私保护编码框架，用于识别应用，包括生物识别，物理对象安全和物联网（IoT）。所提出的框架是基于稀疏化变换，其中包括一个训练有素的线性映射，一个元素明智的非线性，和隐私放大。稀疏化变换和隐私放大对于数据所有者和数据使用者是不对称的。我们证明，所提出的方法是紧密相关的稀疏三进制码（STC），最近提出的信息理论概念，在高维特征空间，是机器学习在本质上也提供了显着的好处，稀疏近似和二进制嵌入方法相比，快速近似最近邻（ANN）搜索。我们证明了外包给服务器的数据库的隐私以及数据用户的隐私以较低的计算成本、存储和通信负担得到保护。
2017-09-29 cs.CR cs.LG stat.ML
Building a Privacy Web with SPIDEr -- Secure Pipeline for Information De-Identification with End-to-End Encryption
本研究提出端到端加密的安全信息去标识化流水线SPIDEr，支持经典匿名化与差分隐私等技术，通过TEE内批处理和远程证明实现安全高效的隐私数据处理。
2024-12-12 cs.CR cs.IT math.IT
Statistical-Based Privacy-Preserving Scheme with Malicious Consumers Identification for Smart Grid
随着智能电网的普及和广泛实施，保护消费者的隐私变得越来越重要。智能电网中的发电和定价依赖于从消费者那里不断收集的信息。然而，查阅与每名个别用户的用电量有关的数据，与其隐私权有恩怨。保护隐私的一种常见方法是汇总不同消费者的数据，并使用他们的智能电表计算账单。但在这种方法中，无法识别发送错误数据以利用或破坏智能电网的恶意消费者。在本文中，我们提出了一个新的基于数据的数据收集和计费方案，其中消费者的隐私得到保护，并在同一时间，如果任何消费者与错误的数据可以被检测到。我们的模拟结果验证了这些问题。
2019-05-15 cs.CR eess.SP
Differential Privacy of Network Parameters from a System Identification Perspective
本文从系统辨识视角研究网络参数差分隐私问题，通过对输入施加差分隐私机制保护图移位算子免受隐私系统辨识攻击，揭示了隐私边界与图滤波器谱特性、噪声协方差的关联规律。
2025-10-01 cs.CR eess.SP
Privacy-Aware, Public-Aligned: Embedding Risk Detection and Public Values into Scalable Clinical Text De-Identification for Trusted Research Environments
本文基于苏格兰NHS多文档类型研究，揭示临床自由文本隐私风险的情境依赖与累积特性，并通过公众参与设计隐私风险管理工具原型，提出结合规则精度与语境理解的混合去标识化方法，以支持可信研究环境中的安全复用。
2025-06-01 cs.CR
Gait-Based Privacy Protection for Smart Wearable Devices
本文针对智能可穿戴设备的安全与隐私问题，提出ABLSTM步态识别网络和SOT特征保护方案，并设计基于步态特征的加密机制，在提升识别准确率的同时实现安全消息交互。
2024-02-24 cs.CR
Calibrate: Frequency Estimation and Heavy Hitter Identification with Local Differential Privacy via Incorporating Prior Knowledge
估计群体中某些项目的频率是数据分析中的基本步骤，这使得能够进行更高级的数据分析（例如，重攻击者识别、频繁模式挖掘）、客户端软件优化以及检测浏览器中用户设置的不必要或恶意劫持。频率估计和具有局部差分隐私（LDP）的重打击者识别保护用户隐私以及数据收集器。现有的LDP算法不能利用1）关于估计的项目频率中的噪声的先验知识和2）关于真实项目频率的先验知识。因此，它们在实践中实现了次优性能。在这项工作中，我们的目标是设计LDP算法，可以利用这种先验知识。具体来说，我们设计${Calibrate}$，通过统计推断，将先验知识。可以将${Calibrate}$附加到现有的LDP算法以减少其估计误差。我们将噪声和真实项目频率的先验知识分别建模为两个概率分布。给定两个概率分布和一个估计的频率的一个项目产生的现有的LDP算法，我们的${Calibrate}$计算的条件概率分布的项目的频率，并使用的平均值的条件概率分布的校准频率的项目。由于数据的稀疏性，估计这两个概率分布是具有挑战性的。我们通过整合统计学和机器学习的技术来应对挑战。我们在两个真实数据集上的实验结果表明，${Calibrate}$在频率估计和重打击识别方面明显优于最先进的LDP算法。
2018-12-11 cs.CR
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
Secret key-based Identification and Authentication with a Privacy Constraint
我们考虑基于从一些用户生成秘密密钥源数据（例如，生物测定源）。目标是可靠地识别预先登记在数据库中的用户，以及基于估计的秘密密钥来认证他们，同时保护登记数据和生成的密钥的隐私。我们刻画了身份识别率、用户源数据压缩率、信息泄漏率和秘密密钥率之间的最优折衷。特别是，我们提供了一个编码策略的基础上分层随机装箱，这是最佳的。此外，我们研究了一个相关的安全识别/认证问题，对手试图欺骗系统使用自己的数据。这里提供了识别率、压缩率、泄漏率和最大错误接受概率的指数之间的最佳折衷。结果表明，最优秘密密钥速率与身份认证系统的错误接受指数之间存在着密切的联系。
2015-08-06 cs.CR cs.IT math.IT
Privacy in RFID and mobile objects
射频识别（RFID）是一种旨在有效识别和跟踪货物和资产的技术。可以在不需要RFID标签和RFID读取器之间的视线对准或物理接触的情况下执行这种识别，同时由于RFID读取器的短询问场而自然实现跟踪。这就是为什么RFID标签价格的降低伴随着对该技术的日益关注。然而，由于标签是无线发送识别数据的资源受限设备，因此设计安全和私有的RFID识别协议是一项具有挑战性的任务。当这些协议必须满足可伸缩性时，这种情况甚至更加复杂。假设存在轻量级、安全、私有和可扩展的RFID识别协议，则存在围绕RFID技术的其他问题。其中一些来自技术本身，例如距离检查，但其他则与RFID系统收集大量跟踪数据的潜力有关。发布和挖掘这些移动对象数据对于提高监督控制、资产管理和定位、运输等的效率至关重要。然而，如果个人可以与其中一些发布的轨迹相关联，则会出现明显的隐私威胁。本论文有助于设计的算法和协议，旨在处理上述问题。首先，我们提出了一套基于分布式体系结构的协议和算法，在不影响隐私或安全的情况下提高了识别过程的效率。此外，我们提出了一种新的距离绑定协议的基础上的图形，是非常低的资源消耗。最后，我们提出了两种轨迹匿名方法，旨在保护个人的隐私时，他们的轨迹被释放。
2013-10-21 cs.CR
Privacy-Preserving Identification via Layered Sparse Code Design: Distributed Servers and Multiple Access Authorization
我们提出了一种新的计算效率的隐私保护的身份识别框架的基础上分层稀疏编码。该框架的核心思想是一个具有模糊性的稀疏化变换学习，它由一个训练好的线性映射、一个分量非线性和一个隐私放大组成。我们介绍了一个实用的识别框架，它包括两个阶段：公共和私人识别。公共不可信服务器基于存储在其侧的稀疏隐私保护码本提供快速搜索服务。私有可信服务器或本地客户端应用使用公共搜索的结果和存储在其一侧的分层稀疏码本来执行细化的精确相似性搜索。在解码域中执行私有搜索，并且基于客户端的授权级别来选择私有搜索的准确性。所提出的方法的效率在于编码、解码、“加密”（模糊化）和“解密”（净化）的计算复杂性以及码本的存储复杂性。
2018-06-07 cs.CR cs.DB cs.DC
A Public Comment on NCCoE's White Paper on Privacy-Enhancing Identity Brokers
美国国家网络安全卓越中心（NCCoE）于2015年10月19日发布了一份关于“隐私增强身份代理”的白皮书。“我们在此对他们征求公众意见的要求作出答复。我们列举的问题，我们认为最重要的是设计一个隐私增强身份中介解决方案，识别和身份验证的公民到无数的在线服务，我们建议如何将它们纳入修订后的白皮书。我们的观察主要集中在隐私，安全性，可验证性和取证方面，主要基于最近发表的关于两个国家级代理身份识别系统的研究论文（PETS 2015）。
2016-11-09 cs.CR
Hide-and-Seek Privacy Challenge
University of Oxford（牛津大学）；University of Cambridge（剑桥大学）；University of California, Los Angeles（加利福尼亚大学洛杉矶分校）；University of Waterloo（滑铁卢大学）；Amsterdam UMC（阿姆斯特丹大学医学中心）；Cambridge University Hospitals NHS Foundation Trust（剑桥大学医院NHS基金会信托）；Microsoft Research（微软研究院）；Alan Turing Institute（艾伦·图灵研究所）
临床时间序列设置对数据建模和共享提出了独特的挑战组合。由于临床时间序列的高维性，使用普通的去身份化技术难以实现充分的去身份化以在保留数据效用的同时保护隐私。解决这个问题的一种创新方法是生成合成数据。从技术的角度来看，一个好的时间序列数据生成模型应该保持时间动态，在这个意义上，新的序列尊重高维变量之间的原始关系。从隐私的角度来看，该模型应通过限制成员推断攻击的脆弱性来防止患者重新识别。NeurIPS 2020捉迷藏隐私挑战赛是一项新颖的双轨竞赛，旨在同时加快解决这两个问题的进展。在我们的头对头格式中，合成数据生成轨道（即“隐藏者”）和患者重新识别轨道（即“寻求者”）中的参与者通过新的高质量重症监护时间序列数据集（阿姆斯特丹UMCdb数据集）直接相互竞争。最终，我们寻求推进密集和高维时间数据流的生成技术，这些技术（1）在保真度和预测性方面具有临床意义，以及（2）能够在患者重新识别的具体概念方面最大限度地减少会员隐私风险。
2020-07-24 cs.CR cs.CY cs.LG
Unifying Re-Identification, Attribute Inference, and Data Reconstruction Risks in Differential Privacy
Lausanne University Hospital（洛桑大学医院）；Harvard University（哈佛大学）；Google DeepMind（谷歌DeepMind）；University of Lausanne（洛桑大学）
本文提出统一差分隐私中重识别、属性推断和数据重建风险的框架，通过f-DP理论提供更精确的风险界限，减少噪声需求并提升任务准确性。
2026-02-04 cs.AI cs.CR cs.CY
Privacy Re-identification Attacks on Tabular GANs
Norwegian University of Science and Technology（挪威科技大学）
本文研究表格型 GAN 合成数据的隐私重识别攻击，分析不同攻击者知识水平下的风险，并发现黑盒访问生成模型及进化多目标优化重构攻击会显著加剧隐私泄露。
2024-03-31 cs.CR cs.LG
Analysing Fairness of Privacy-Utility Mobility Models
Imperial College London（伦敦帝国理工学院）；University of Washington（华盛顿大学）
本文定义了一组基于轨迹结构相似性和熵的人类移动性公平性指标，并据此评估两个基于GAN和表示学习的隐私保护模型，发现它们在群体公平上达标但违反个人公平性，揭示了重识别任务与个人公平性之间的张力。
2023-04-10 cs.AI cs.CR cs.CY
Privacy-Utility Balanced Voice De-Identification Using Adversarial Examples
Zhejiang University（浙江大学）；Shanghai Jiao Tong University（上海交通大学）；Rutgers University（罗格斯大学）
面对语音数据发布过程中身份泄露的威胁，用户在享受便捷语音服务的同时，陷入了隐私-效用的两难境地。现有的研究采用直接修改或基于文本的重新合成来去识别用户的声音，但在人类参与者在场的情况下导致不一致的可听度。在本文中，我们提出了一个语音去识别系统，它使用对抗性的例子来平衡语音服务的隐私性和实用性。我们设计了一个新的卷积对抗性例子，将扰动调制成现实世界的房间脉冲响应，而不是典型的诱导可感知失真的加法例子。受益于此，我们的系统可以通过自动说话人辨识（ASI）保护用户身份不被暴露，同时保持语音感知质量以用于非侵入式去识别。此外，我们的系统通过条件变分自动编码器学习紧凑的扬声器分布，以根据需要对不同的目标嵌入进行采样。结合不同的目标生成和特定于输入的扰动构造，我们的系统使任何到任何识别转换的自适应去识别。实验结果表明，我们的系统可以达到98%和79%的成功去识别主流的ASI和商业系统的客观梅尔倒谱失真为4.31 dB和主观平均意见得分为4.48。
2022-11-10 cs.CR cs.LG cs.SD
Differentially Private De-identification of Dutch Clinical Notes: A Comparative Evaluation
Sapienza University of Rome（罗马大学）；Translated；Amsterdam UMC（阿姆斯特丹大学医学中心）；University of Amsterdam（阿姆斯特丹大学）
研究比较了差分隐私、命名实体识别和大型语言模型在荷兰临床文本去标识化中的性能，发现结合语言预处理可显著提升隐私与效用的平衡。
2026-04-23 cs.AI cs.CL cs.CR
AnonymousNet: Natural Face De-Identification with Measurable Privacy
Purdue University（普渡大学）；University of Rochester（罗切斯特大学）
每天从社交媒体和各种相机中生成数十亿张个人图像，安全和隐私受到前所未有的挑战。尽管已经进行了广泛的尝试，但是现有的人脸图像去识别技术要么在照片真实性方面不足，要么不能定性和定量地平衡隐私性和可用性，即，他们没有回答反事实的问题，如“现在是私人的吗？”，“有多私密？”，以及“能不能更私密一点？“在本文中，我们提出了一个名为AnciliousNet的新框架，旨在系统地解决这些问题，平衡可用性，并以自然和可衡量的方式增强隐私。该框架包括四个阶段：面部属性估计，面向隐私度量的面部混淆，定向自然图像合成，和对抗性扰动。我们不仅在图像质量和属性预测准确性方面达到了最先进的水平，而且还首次证明了面部隐私是可测量的，可以分解，并相应地以照片般逼真的方式进行操作，以满足不同的要求和应用场景。实验进一步证明了该框架的有效性。
2019-04-19 cs.CR cs.CV cs.IR
Privacy-preserving Optics for Enhancing Protection in Face De-identification
Universidad Industrial de Santander（桑坦德工业大学）；King Abdullah University of Science and Technology (KAUST)（阿卜杜拉国王科技大学）
本文针对软件级人脸去标识易受嗅探攻击的问题，提出硬件级隐私保护光学方法，通过学习光学编码器和回归模型获取人脸热图，并结合参考人脸生成匿名化人脸，经仿真与硬件实验验证其有效性。
2024-03-31 cs.AI cs.CR cs.CV
Sponsored Group Signature and its Application to Privacy-preserving Guest Access in Smart Environments
University of Calgary（卡尔加里大学）
提出一种双层成员加入的群签名方案SPGS，允许一级成员赞助二级成员加入，并引入赞助者责任和签名可链接性，用于智能建筑中的匿名访客令牌。
2026-06-25 cs.CR cs.NI
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
Privacy Distillation: Reducing Re-identification Risk of Multimodal Diffusion Models
King’s College London（伦敦国王学院）；The University of Edinburgh（爱丁堡大学）
针对多模态扩散模型可能泄露患者可识别信息的问题，提出 Privacy Distillation 框架，通过真实数据训练、合成数据过滤和二次模型训练，在保持下游性能的同时降低再识别风险。
2023-06-02 cs.CR cs.CV cs.LG
Hide and Seek -- Preserving Location Privacy and Utility in the Remote Identification of Unmanned Aerial Vehicles
由于商用无人机经常未经授权访问机场和炼油厂等关键基础设施（CI），美国联邦航空电子管理局（FAA）最近发布了一项新规范，即RemoteID。上述规则要求所有无人机（UAV）必须无线广播有关其身份和位置的信息，以便立即进行入侵归属。然而，执行这样的规则对无人机操作员造成了严重的担忧，特别是在位置隐私和跟踪威胁方面，仅举几例。事实上，通过简单地窃听无线信道，对手可以知道UAV的精确位置并对其进行跟踪，以及获得关于UAV的路径源和目的地的敏感信息。在本文中，我们研究了位置隐私和数据效用之间的权衡，可以提供给无人机时，通过差分隐私技术混淆广播的位置。利用地理不可侵犯性（Geo-Ind）的概念，已经通过了基于位置的服务（LBS）的背景下，我们表明，它是可能的，以提高无人机的隐私，而不阻止CI运营商及时检测未经授权的入侵。特别是，我们的实验表明，当无人机的位置被混淆时，平均距离为1.959公里，精心设计的无人机检测系统可以检测到97.9%的入侵，平均检测延迟为303.97毫秒。UAV必须在这种增强的位置隐私与不可忽略的误报概率之间进行权衡，即，被探测到入侵，但实际上并没有入侵禁飞区。无人机和CI运营商可以通过FAA的帮助解决这种模糊的情况，因为后者是唯一可以揭示无人机实际位置的机构。
2022-05-27 cs.CR
Privacy-Preserving Identification of Target Patients from Outsourced Patient Data
随着患者数据的可负担性和可用性不断提高，医院倾向于将其数据外包给云服务提供商（CSP）以进行存储和分析。然而，对数据隐私的关注极大地限制了数据所有者的选择。在这项工作中，我们提出了第一个解决方案，据我们所知，它允许CSP执行目标患者的有效识别（例如，用于全基因组关联研究（GWAS）的预处理）。我们首先提出了一种加密机制的表型数据，其中每个数据所有者被允许加密其数据与一个唯一的秘密密钥。此外，密文支持隐私保护搜索，并且因此使得能够选择目标患者组（例如，病例组和对照组）。此外，我们提供了一个基于查询的授权机制，客户端访问和操作存储在CSP的数据。基于所识别的患者，所提出的方案可以（i）直接进行GWAS（即，计算关于基因组变体的统计数据），或者（ii）将所识别的组提供给客户端以直接查询对应的数据所有者并使用现有的分布式解决方案进行GWAS。我们实现了所提出的方案，并在现实生活中的基因组数据集上运行实验，以显示其有效性。实验结果表明，该方法能够在保护隐私的前提下有效地识别出案例/控制组。
2021-08-28 cs.CR q-bio.GN
A Privacy Preserving Improvement for SRTA in Telecare Systems
射频识别（RFID）是一种通过非物理接触提供身份认证和识别的现代通信技术。最近，这项技术的使用几乎在医疗保健环境中得到了发展。虽然RFID技术可以在系统中准备智能，但隐私和安全问题应该在此之前考虑。最近，在2015年，Li等人提出了SRTA，这是一种基于哈希的RFID认证协议，用于医疗保健的药物验证。在本文中，我们研究了该协议，并表明SRTA协议是脆弱的可追溯性，假冒和Dos攻击。因此，它不提供RFID最终用户的隐私和安全。因此，我们提出了一种改进的安全和高效的RFID认证协议，以提高李等人的方法的性能。分析表明，该协议克服了SRTA协议存在的不足。
2015-10-14 cs.CR
Person Re-identification Attack on Wearable Sensing
根据健康保险可携带性和责任法案（HIPAA）隐私规则，人员重新识别是公共共享医疗保健数据中的关键隐私攻击。在本文中，我们研究了一种新型的隐私攻击的可能性，个人重新识别攻击（PRI-attack）公开共享的隐私不敏感的可穿戴数据。我们调查用户的特定的生物特征签名方面的两个上下文的生物特征，生理（photoplethysmography和皮肤电活动）和物理（加速度计）的背景。在这方面，我们开发了一个多模态连体卷积神经网络（mmSNN）模型。该框架单独学习空间和时间信息，并将它们组合在一起，以预测一个人的身份为目标的修改后的加权成本。我们使用来自3个收集的数据集和一个公开数据集的实时收集数据来评估我们提出的模型。我们提出的框架表明，基于PPG的呼吸率和心率结合手势上下文可以被攻击者用来重新识别用户的身份（最大。71%）来自符合HIPAA的可穿戴数据。鉴于公共放置的摄像头可以远程估计心率和呼吸率以及手势，使用它们进行人员重新识别对未来的HIPAA兼容服务器构成了重大威胁，该服务器需要更好的加密方法来存储可穿戴医疗保健数据。
2021-06-22 cs.CR cs.HC
Face De-identification: State-of-the-art Methods and Comparative Studies
The Institute of Image Communication and Network Engineering, Shanghai Jiao Tong University（上海交通大学图像通信与网络工程研究所）；Australian Artificial Intelligence Institute（澳大利亚人工智能研究所）；University of Technology Sydney（悉尼科技大学）；Data61, CSIRO（联邦科学与工业研究组织Data61研究院）；University of Missouri-Kansas City（密苏里大学堪萨斯城分校）
本综述全面回顾了像素级、表示级和语义级的最先进人脸去标识化方法，基于隐私保护与图像效用评估其优劣，指出基于GANs和扩散模型的深度学习方法在平衡隐私与效用上取得显著进展，并总结了当前挑战与未来方向。
2024-11-15 cs.CR cs.CV
Authentication Without Identification using Anonymous Credential System
隐私和安全往往是交织在一起的。例如，身份盗窃之所以猖獗，是因为我们已经习惯了通过身份识别进行身份验证。为了获得某些服务，我们提供了足够的身份信息，让不法之徒窃取（例如，我们将信用卡号码提供给Amazon.com）。其中一个后果是，许多人完全出于隐私和安全考虑而避免电子商务。解决方案是执行身份验证而不识别。事实上，所有的在线操作都应该尽可能匿名，因为这是保证整个系统安全的唯一方法。凭证系统是用户可以从组织获得凭证并证明拥有这些凭证的系统。当同一用户进行的交易无法链接时，这种系统是匿名的。匿名证书系统具有重要的实际意义，因为它是为用户提供隐私的最佳手段。
2009-08-07 cs.CR
Generative Adversarial Networks Applied for Privacy Preservation in Biometric-Based Authentication and Identification
Brno University of Technology, Faculty of Information Technology（布拉格技术大学信息科技学院）
本文提出一种基于生成对抗网络（GAN）的身份验证方法，将人脸图像转换为视觉私有域（如花朵或鞋子）以保护隐私，实验表明该方法对攻击鲁棒且保持效用。
2025-09-24 cs.AI cs.CR cs.CV
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 Preselection for Face Identification Based on Packing
College of Electronics and Information Engineering（电子信息工程学院）；the Provincial Key Laboratory of Intelligent Communication and Digital Society Governance（智能通信与数字社会治理省级重点实验室）；Shenzhen University（深圳大学）；Sanya Institute of Hunan University of Science and Technology（湖南科技大学三亚学院）；School of Computer Science and Cyber Engineering（计算机科学与网络工程学院）；Guangzhou University（广州大学）；School of Computer Science and Technology（计算机科学与技术学院）；Changsha University of Science and Technology（长沙理工大学）；School of Civil and Environmental Engineering（土木与环境工程学院）
本文提出 PFIP 方案，通过预筛选机制和打包模块提升密文域人脸检索效率，在 LFW 和 CASIA 数据集上保持原模型准确率，检索 1000 个密文模板仅需 300 毫秒，效率提升近 50 倍。
2025-07-03 cs.CR cs.CV
