Community Preserved Social Graph Publishing with Node Differential Privacy
隐私保护社交图发布的目标是在保护数据效用的同时保护个人隐私。社区结构是一种重要的全局节点模式,是一种重要的数据实用程序,因为它是许多图分析任务的基本操作。然而,大多数具有差分隐私(DP)的现有方法通常落入边缘DP以牺牲安全性来换取效用。此外,他们从节点的局部特征提取中重建图,导致社区保护不佳。出于这一动机,我们提出了PrivCom,一个严格的节点DP图发布算法,以最大限度地利用社区结构,同时保持更高水平的隐私。具体来说,为了降低敏感度,本文提出了一种基于Katz指数的私有图特征提取方法,该方法在获取全局图结构特征的同时,通过敏感度调节策略大大降低了全局敏感度。然而,在固定的敏感度下,以矩阵形式呈现的Katz指数所捕获的特征需要隐私预算分割。结果,大量的噪音被注入,从而降低了整体结构效用。为此,我们设计了一个私人Oja算法近似特征分解,产生噪声Katz矩阵通过私人估计特征向量和特征值提取的低维向量。实验结果证实了我们的理论研究结果和PrivCom的有效性。
2021-01-05 cs.CR
Practical Aspect of Privacy-Preserving Data Publishing in Process Mining
诸如流程发现和一致性检查的流程挖掘技术通过分析信息系统中广泛可用的事件数据来提供对实际流程的洞察。这些数据非常有价值,但通常包含敏感信息,流程分析师需要平衡机密性和实用性。过程挖掘中的隐私问题最近受到了研究人员的更多关注,应该通过一个工具来集成解决方案并使其在现实世界中可用。在本文中,我们介绍了一个基于Python的基础设施,实现了最先进的隐私保护技术的进程挖掘。基础设施提供了一个层次结构的使用从单一的技术,以收集技术,集成为基于网络的工具。我们的基础设施管理来自隐私保护技术的标准和非标准事件数据。它还存储显式隐私元数据,以跟踪为保护敏感数据而应用的修改。
2020-09-24 cs.CR
Privacy-preserving Data Mining, Sharing and Publishing
本文的目标是提出不同的方法来保护隐私的数据共享和电子医疗保健系统的背景下发布。特别是,在隐私保障和当前的现实生活中的高复杂性的医疗系统,假设适当的数据共享机制的实现的技术问题的文献综述。
2013-04-06 cs.CR cs.DB
General Confidentiality and Utility Metrics for Privacy-Preserving Data Publishing Based on the Permutation Model
隐私保护数据发布的匿名化,也称为统计披露控制(SDC),可以在置换模型的镜头下查看。根据这个模型,任何用于单个数据记录的SDC方法在功能上等效于置换步骤加上噪声添加步骤,其中添加的噪声是边际的,在这个意义上,它不改变等级。在这里,我们提出的指标来量化数据的机密性和实用性实现的SDC方法的基础上的置换模型。我们区分两个隐私的概念:在我们的工作中,匿名是指主题,因此主要是为了防止记录重新识别,而保密性是指保护属性值对属性披露。因此,我们的保密性指标是有用的,即使使用隐私模型,确保匿名水平事前。效用度量是一种通用度量,可以方便地与机密性度量进行权衡,因为它们都在0和1之间。作为一个应用程序,我们比较了几种匿名化方法,包括隐私模型(k-匿名和$ε$ -差分隐私)以及SDC方法(加性噪声,乘性噪声和合成数据)没有隐私模型的效用-机密性权衡。
2020-10-07 cs.CR
A Crypto-Assisted Approach for Publishing Graph Statistics with Node Local Differential Privacy
本文首次研究不依赖可信服务器的节点本地差分隐私下图度分布发布问题,提出密码辅助本地投影和边级参数选择方法,在真实图实验中准确性和效用分别最高提升79.8%和57.2%。
2023-04-15 cs.CR
Publishing Wikipedia usage data with strong privacy guarantees
本文介绍 Wikimedia Foundation 在 Tumult Labs 协助下,于2023年发布含来源国家的细粒度 Wikipedia 每日浏览统计,并采用差分隐私保护用户隐私的目标、流程、算法与发布结果。
2025-07-28 cs.CR
Privacy Preserving Web Query Log Publishing: A Survey on Anonymization Techniques
发布包含有研究或营销价值信息的Web查询日志可能会侵犯搜索引擎用户的隐私。因此,渲染查询日志,以限制查询链接到个人,同时保留数据的有用性进行分析,是一个重要的研究问题。本文对这一领域的最新研究进行了综述和讨论。
2012-11-10 cs.CR cs.DB
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
HyObscure: Hybrid Obscuring for Privacy-Preserving Data Publishing
Shanghai University of Finance and Economics(上海财经大学);Beihang University(北京航空航天大学)
在隐私保护数据发布任务中,最大限度地减少隐私泄露同时确保数据效用是数据持有者的关键问题。大多数现有的研究只关注一种类型的数据,并采取单一的模糊方法,\eg,混淆或泛化,以实现隐私-效用权衡,这是不足以保护现实生活中的异构数据,很难防御日益增长的机器学习为基础的推理攻击。本文针对异构数据保护中同时采用泛化和混淆操作的隐私保护数据发布问题进行了初步研究。为此,我们首先提出了新的隐私和效用量化措施,并制定了混合隐私保护数据模糊问题,以考虑泛化和模糊的联合效应。然后,我们设计了一种新的混合保护机制,称为HyObscure,交叉迭代优化的泛化和混淆操作的最大隐私保护在一定的效用保证。从理论上证明了HyObscure算法迭代过程的收敛性和隐私泄露的界。大量的实验表明,HyObscure显着优于各种国家的最先进的基线方法时,面对各种推理攻击在不同的情况下。HyObscure还可以线性扩展到数据大小,并在不同的关键参数下表现稳健。
2021-12-15 cs.AI cs.CR
Privacy-Preserving Data Publishing in Process Mining
流程挖掘旨在基于事件数据提供对实际流程的洞察。这些数据通常由信息系统记录,并广泛提供。然而,它们通常包含敏感的私人信息,应该负责任地进行分析。因此,进程挖掘中的隐私问题最近受到了更多的关注。隐私保护技术显然需要修改原始数据,但同时,它们应该保持数据效用。数据的隐私保护转换可能会导致不正确或误导性的分析结果。因此,需要设计新的基础设施来发布隐私感知事件数据,其目的是提供关于事件数据上的隐私相关变换的元数据,而不泄露隐私保护技术或受保护信息的细节。在本文中,我们提供了正式的定义,主要的匿名化操作,在过程挖掘中使用的隐私模型。这些用于创建用于记录隐私元数据的基础设施。我们提倡在实践中提出的隐私元数据的XES标准的隐私扩展和一般的数据结构的事件数据,而不是在标准的事件日志的形式设计。
2021-01-04 cs.CR cs.DB
MuCo: Publishing Microdata with Privacy Preservation through Mutual Cover
本文提出相互覆盖(MuCo)技术,通过随机替换准标识符值使相似元组相互覆盖,在防止身份和属性泄露的同时比泛化方法更有效地保留微数据的信息效用。
2024-03-29 cs.CR
$k^{τ,ε}$-anonymity: Towards Privacy-Preserving Publishing of Spatiotemporal Trajectory Data
移动网络运营商可以通过被动或主动监控设备位置来跟踪用户。记录的轨迹为大型用户群体的活动提供了前所未有的前景,这使得开发新的网络解决方案和服务成为可能,并扩大了跨研究学科的研究。然而,个人轨迹的披露引起了严重的隐私问题:因此,这些数据往往受到限制性的非披露协议的保护,限制了其可用性并阻碍了潜在的使用。在本文中,我们有助于发展的技术解决方案的隐私保护发布的移动用户的时空轨迹的问题。我们提出了一种算法,概括的数据,使他们满足$k^{τ,ε}$ -匿名,原始的隐私标准,阻止攻击的轨迹。与现实世界的数据集的评估表明,我们的算法达到了其目标,同时保留了相当程度的准确性的数据。我们的工作是朝着开放的,隐私保护的时空轨迹数据集的方向迈出了一步。
2017-01-09 cs.CR cs.CY
Preserving Individual Privacy in Serial Data Publishing
虽然以前的隐私保护串行数据发布的工作考虑的情况下,敏感值可能会持续多个数据发布,我们发现,没有以前的工作提供了足够的保护敏感值,可以随时间变化,这应该是更常见的情况。在这项工作中,我们建议研究这种瞬态敏感值的隐私保证,我们称之为全球保证。我们正式定义的问题,实现这一保证,并得出这个问题的一些理论性质。我们发现,在数据匿名化中使用的匿名组的大小是一个关键因素,在保护个人隐私的连续出版物。我们提出了两种策略的匿名化目标在最小化的平均组大小和最大组大小。最后,我们在一个医疗数据集上进行了实验,结果表明,我们的方法是高效的,也产生了非常高实用性的已发布数据。
2009-03-04 cs.CR cs.DB
Differentially Private Model Publishing for Deep Learning
Georgia Institute of Technology(佐治亚理工学院)
基于神经网络的深度学习技术在广泛的人工智能任务中取得了巨大成功。大规模的训练数据集是其成功的关键因素之一。然而,当训练数据集是从个人众包的,并且包含敏感信息时,模型参数可能会编码隐私信息并承担隐私泄露的风险。最近,共享和发布预训练模型的趋势日益增长,进一步加剧了这种隐私风险。为了解决这个问题,我们提出了一种用于训练神经网络的差异私有方法。我们的方法包括几种新技术,用于优化隐私丢失和模型准确性。我们采用了一个概括的差分隐私称为集中的差分隐私(CDP),与两个不同的数据隐藏方法的正式和精细的隐私损失分析。我们在训练过程中实现了动态隐私预算分配器,以提高模型的准确性。大量的实验表明,我们的方法有效地提高了隐私损失会计,训练效率和模型质量在给定的隐私预算。
2019-12-19 cs.CR cs.LG
Asymmetric Differential Privacy
差分隐私(DP)作为发布数据集统计信息时的隐私定义越来越受到关注。本文重点关注DP不可避免地导致双侧误差的局限性,这对于流行病分析(例如有多少COVID-19感染者访问了地点A)是不可取的。例如,考虑发布许多感染者没有访问地点A的错误信息,这可能导致扩大疫情的决策失误。为了解决这个问题,我们提出了一个放松DP,称为非对称差分隐私(ADP)。我们表明,ADP可以提供合理的隐私保护,同时实现片面的错误。最后,我们进行了实验,以评估使用真实世界的数据集,这表明我们的机制的实用性的流行病分析机制的效用。
2022-09-05 cs.CR
PrivDPR: Synthetic Graph Publishing with Deep PageRank under Differential Privacy
本文提出PrivDPR,一种基于深度PageRank的差分隐私合成图发布方法,通过向特定权重梯度加噪并利用权重归一化缓解高敏感性与隐私预算分割问题,实验证明其在多个图结构属性上保持高效用。
2025-01-04 cs.CR cs.DB
A Systematic Literature Review on Wearable Health Data Publishing under Differential Privacy
可穿戴设备生成关于个体的不同类型的生理数据。这些数据可以为医学研究人员和临床医生提供通过传统措施无法利用的有价值的见解。历史上,研究人员一直依赖于调查响应或观察到的行为。有趣的是,生理数据可以提供比从任何其他来源(包括用户自己)获得的更丰富的用户认知。因此,廉价的消费级可穿戴设备已成为健康研究人员的兴趣点。此外,它们还用于连续的远程健康监测,有时也被保险公司使用。然而,这种用例最大的问题是个人的隐私。抽象和k-匿名等几种隐私机制在信息系统中得到了广泛的应用。最近,差分隐私(DP)已经成为发布隐私敏感数据(包括来自可穿戴设备的数据)的熟练技术。在本文中,我们进行了系统性文献综述(SLR),以识别,选择和批判性地评价DP的研究,以及了解不同的技术和DP在可穿戴数据发布中的现有使用。根据我们的研究,我们已经确定了所提出的解决方案的局限性,并提供了未来的方向。
2021-09-15 cs.CR cs.CY
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
Publishing Community-Preserving Attributed Social Graphs with a Differential Privacy Guarantee
我们提出了一种新的方法发布差异私人合成属性图。与以前的方法不同,我们的方法能够保留原始图的社区结构,而不牺牲捕获全局结构属性的能力。我们的建议依赖于C-AGM,一个新的社区保持属性图的生成模型。我们配备C-AGM与有效的方法,属性图采样和参数估计。对于后者,我们引入差分私有计算方法,这使我们能够发布具有强大的正式隐私保证的社区保护合成属性社交图。通过全面的实验,我们表明,我们的新模型优于其最相关的同行在合成差异私人属性的社会图,保留社区结构的原始图,以及度序列和聚类系数。
2019-08-31 cs.CR cs.SI physics.soc-ph
Privacy Preserving Location Data Publishing: A Machine Learning Approach
The University of Sydney(悉尼大学);Data61;Guangxi Huanan Communication Co., Ltd.(广西华南通信有限公司);King Abdullah University of Science and Technology(阿卜杜拉国王科技大学);NJUST(南京理工大学)
发布数据集在开放数据研究和促进政府机构透明度方面发挥着至关重要的作用。然而,这种数据发布可能会泄露用户的私人信息。最敏感的数据源之一是时空轨迹数据集。不幸的是,仅仅删除唯一标识符并不能保护用户的隐私。对手可能知道轨迹的一部分,或者能够将发布的数据集链接到其他来源,以识别用户。因此,在时空轨迹数据集发布之前应用隐私保护技术至关重要。在本文中,我们提出了一个强大的框架,称为基于机器学习匿名化(MLA)的时空轨迹数据集的匿名化。通过引入一个新的配方的问题,我们能够应用机器学习算法聚类的轨迹,并建议使用$k$ -手段算法用于此目的。为了在过于敏感的数据集上保护隐私,本文还提出了一种改进的$k$ -means算法.此外,我们通过考虑多序列比对作为MLA的一部分来改进比对过程。该框架和所有提出的算法都适用于TDrive和Geolife位置数据集。实验结果表明,基于MLA框架的匿名化数据集的效用显着提高。
2019-11-05 cs.CR cs.LG
Synthetic Data -- Anonymisation Groundhog Day
EPFL(洛桑联邦理工学院);UCL(伦敦大学学院)
合成数据被宣传为隐私保护数据发布的银弹解决方案,解决了传统匿名技术的缺点。其承诺是,从生成模型中提取的合成数据保留了原始数据集的统计特性,但同时提供了针对隐私攻击的完美保护。在这项工作中,我们首次对合成数据发布的隐私收益进行了定量评估,并将其与之前的匿名技术进行了比较。我们对各种最先进的生成模型的评估表明,合成数据要么不能防止推理攻击,要么不能保留数据效用。换句话说,我们的经验表明,与传统的匿名技术相比,合成数据并没有在隐私和实用性之间提供更好的权衡。此外,与传统的匿名化相比,合成数据发布的隐私-效用权衡难以预测。由于无法预测合成数据集将保留哪些信号以及将丢失哪些信息,因此合成数据导致高度可变的隐私增益和不可预测的效用损失。总之,我们发现合成数据远不是保护隐私的数据发布的圣杯。
2022-01-24 cs.CR cs.LG
Online publication of court records: circumventing the privacy-transparency trade-off
开放数据运动正在导致在线大规模发布法院记录,提高司法的透明度和可及性,并在现有丰富法律数据的基础上设计法律技术。然而,法律决策的敏感性也引发了重要的隐私问题。当前的实践通过将访问控制与(手动或半手动)文本编辑相结合来解决由此产生的隐私与透明度的权衡。在这项工作中,我们声称,目前的做法是不足以应付大规模访问的法律数据(限制性的访问控制政策是有害的开放性和实用性,而文本编辑是无法提供健全的隐私保护),并倡导一个整合的方法,可以受益于隐私保护的数据发布域的最新发展。我们提出了一个彻底的分析问题和当前的方法,并提出了一个稻草人多式联运架构铺平道路,一个成熟的隐私保护法律数据发布系统。
2020-07-03 cs.CR cs.CY
Simultaneous Discrimination Prevention and Privacy Protection in Data Publishing and Mining
数据采掘是一种越来越重要的技术,用于提取隐藏在大量数据中的有用知识。然而,社会上对数据采掘也有一些负面的看法,其中包括潜在的隐私侵犯和潜在的歧视。自动化的数据汇集和分类等数据采掘技术为自动化决策铺平了道路,如贷款授予/拒绝,保险费计算。如果训练数据集在性别、种族、宗教等歧视性属性方面存在偏见,那么可能会出现歧视性决策。在本论文的第一部分中,我们解决了歧视预防数据采掘,并提出了新的技术适用于直接或间接的歧视预防单独或同时。我们讨论如何清理训练数据集和外包数据集,以便将直接和/或间接的歧视性决策规则转换为合法(非歧视性)分类规则。在本文的第二部分,我们认为隐私和歧视风险应该一起处理。我们探讨隐私保护数据采掘和歧视预防之间的关系,在数据采掘设计能够同时解决这两个威胁的知识发现过程中的整体方法。作为这项工作的一部分,我们已经调查了第一次的歧视和隐私意识的频繁模式发现的问题,即从交易数据库中挖掘的模式的集合的净化,以这样的方式,既不侵犯隐私,也不歧视推断可以推断出的释放模式。此外,我们调查的歧视和隐私意识的数据发布的问题,即转换的数据,而不是模式,以同时实现隐私保护和歧视预防。
2013-06-28 cs.CR cs.DB
Differentially Private Distance Query with Asymmetric Noise
针对社交图距离发布的隐私保护需求,本文提出基于边差分隐私的非对称噪声距离查询机制,结合平滑敏感性提升效用,实验验证其可将误差降至0.0862。
2025-01-14 cs.CR
Publishing Neural Networks in Drug Discovery Might Compromise Training Data Privacy
AstraZeneca R&D Discovery Sciences(阿斯利康研发部研发科学部);Technical University of Munich(慕尼黑工业大学);Helmholtz Munich(慕尼黑亥姆霍兹中心);AI Sweden(瑞典AI中心);Chalmers University of Technology(查尔姆斯理工大学)
本研究通过成员推理攻击在黑盒设置下调查药物发现领域机器学习模型的训练数据隐私风险,发现所有数据集和架构均存在显著风险,少数类分子更脆弱,图表示和消息传递神经网络可缓解风险,并提供评估框架。
2024-10-22 cs.CR cs.LG
Privacy-Enhanced Database Synthesis for Benchmark Publishing (Technical Report)
本文提出基于和积网络的差分隐私数据库合成框架PrivBench,用于基准发布场景,在保护隐私的同时保持数据分布与查询运行时间的高保真度。
2025-04-10 cs.CR cs.DB
A Random Matrix Approach to Differential Privacy and Structure Preserved Social Network Graph Publishing
在线社交网络正越来越多地用于分析各种社会现象,例如流行病学、信息传播、营销和情感流动。流行的分析技术,如聚类和有影响力的节点分析,需要计算实图的邻接矩阵的特征向量。最近对Netflix和AOL数据集的去匿名化攻击表明,对此类图表的开放获取会造成隐私威胁。在各种隐私保护模型中,差分隐私提供了最强的隐私保护。结合随机矩阵理论和差分隐私理论,提出了一种满足差分隐私保证的社交网络图数据发布隐私保护机制.其核心思想是利用随机投影方法将邻接矩阵的每一行投影到一个低维空间,然后用随机噪声扰动投影矩阵。我们表明,与现有的方法相比,差分私人近似的特征向量,我们的方法是计算效率高,保持效用和满足差分隐私。我们评估我们的方法在Facebook,Live Journal和Pokec的社交网络图。结果表明,即使对于高值的噪声方差σ = 1的归一化互信息增益给出的聚类质量是低至0.74。对于有影响力的节点发现,所提出的方法是能够正确地恢复80个最有影响力的节点。我们还将我们的结果与[43]中提出的方法进行了比较,该方法通过拉普拉斯噪声直接扰动原始数据的特征向量。结果表明,该方法需要较大的随机扰动才能保持差分隐私,从而导致对大型社交网络的特征向量估计不佳。
2013-07-01 cs.CR cs.SI physics.soc-ph
Achilles' Heels: Vulnerable Record Identification in Synthetic Data Publishing
Imperial College London(帝国理工学院)
针对合成数据发布中的隐私评估,提出基于最近邻距离的脆弱记录识别方法,显著优于临时方法,且对MIA选择和参数鲁棒,并适用于差分隐私生成器。
2023-09-21 cs.AI cs.CR
Application-driven Privacy-preserving Data Publishing with Correlated Attributes
Stony Brook University(石溪大学);NVIDIA(英伟达);Rutgers University(罗格斯大学);UIUC(伊利诺伊大学厄巴纳-香槟分校);Bosch Research(博世研究院)
计算方面的最新进展使收集有关个人活动和私人生活空间的大量数据成为可能。为了解决用户在这种环境中的隐私问题,我们提出了一个新的框架,称为PR-GAN,使用生成对抗网络提供隐私保护机制。给定目标应用程序,PR-GAN自动修改数据以隐藏敏感属性-这些属性可能是隐藏的,可以通过机器学习算法推断-同时保留目标应用程序中的数据实用程序。与以前的作品,公众的目标应用程序和敏感属性之间的相关性的可能的知识是内置到我们的建模。我们将我们的问题表述为优化问题,证明存在最优解,并使用生成对抗网络(GAN)来创建扰动。我们进一步表明,我们的方法提供了隐私保障下的河豚框架,优雅的概括的差分隐私,允许对数据和相关性的先验知识建模。通过实验,我们表明,我们的方法优于传统的方法,有效地隐藏敏感属性,同时保证高性能的目标应用程序,属性推理和训练的目的。最后,我们通过进一步的实验证明,一旦我们的模型在一组个体上学习了隐私保护任务,例如隐藏受试者的身份,它就可以在一个单独的组上执行相同的任务,并且性能下降最小。
2021-01-05 cs.CR cs.LG stat.ML
Privacy through Fake yet Semantically Real Traces
通过生成虚假信息来伪装数据是用于保护数据隐私的众所周知的混淆技术。在本文中,我们重点关注一种非常敏感且日益暴露的数据类型:位置数据。有两种主要的情况下,假轨迹对保护位置隐私具有极大的价值:发布位置轨迹的数据集,以及使用基于位置的服务。尽管在保护(位置)数据隐私方面取得了进展,但没有定量方法来评估合成跟踪的真实性,以及它在每个场景中提供了多少实用性和隐私。此外,显然缺乏生成保护隐私的虚假痕迹的方法。在本文中,我们填补了这一空白,并提出了第一个统计指标和模型来生成虚假的位置轨迹,这样既保留了数据的实用性,又保护了用户的隐私。我们建立在这样一个事实的基础上,即尽管人们在地理上访问不同的位置,但他们在语义上具有非常相似的移动模式,例如,他们在活动之间的过渡模式(例如,工作、开车、呆在家里)也是一样的。我们定义了一个统计指标,并提出了一种算法,自动发现隐藏的语义相似性的位置从一袋真正的位置轨迹作为种子,而不需要任何初始的语义注释。我们保证虚假跟踪在地理上与其种子不同,因此它们不会泄露敏感的位置信息。我们还保护贡献者种子跟踪免受成员攻击。将伪造的轨迹与移动用户的轨迹交织是一种突出的位置隐私防御机制。我们定量地显示了我们的方法在保护本地化推理攻击,同时保留共享/发布痕迹的效用的有效性。
2015-05-27 cs.CR
Spatio-temporal Trajectory Dataset Privacy Based on Network Traffic Control
移动社交网络中包含丰富个人隐私的用户位置和轨迹信息的收集对于攻击者来说变得更加容易。网络流量控制是解决网络安全和隐私问题的重要手段。在本文中,我们考虑一个网络交通控制系统作为一个可信的第三方,并使用差分隐私保护更多的个人轨迹数据。我们研究了高维和稀疏的轨迹数据集的基础上发表的结果的可用性的影响。基于相似点聚合重构思想和前缀树模型,提出了一种差分隐私时空轨迹数据集的混合发布方法APTB。
2018-04-05 cs.CR
PSGraph: Differentially Private Streaming Graph Synthesis by Considering Temporal Dynamics
针对现有差分隐私方法忽略流图相邻时间动态关系导致性能受限的问题,提出首个集成时间动态的差分隐私流图合成框架PSGraph,通过自适应调整隐私预算分配和跨时间戳信息聚合及后处理技术,在四个真实数据集上验证了其优越性。
2025-05-30 cs.CR
Privacy Gain Based Multi-Iterative k-Anonymization to Protect Respondents Privacy
来自特定领域的应用程序,如医疗,金融,电话,购物记录和个人的大量数据定期生成。这些数据的共享被证明是有益的数据挖掘应用。由于数据挖掘通常涉及包含个人身份信息的数据,因此发布此类数据可能会导致隐私泄露。一方面,这些数据通过分析成为商业决策的重要资产;另一方面,数据隐私问题可能会阻止数据所有者共享数据分析信息。为了在共享数据的同时保护隐私,数据所有者必须提出一种解决方案,该解决方案既要实现隐私保护,又要实现数据挖掘任务(主要是聚类和分类)的准确性。隐私保护数据发布(Privacy Preserving Data Publishing,PPDP)是一种通过在发布前对数据集进行匿名化处理来消除链接攻击等隐私威胁,同时保持数据效用的研究。建议的工作是一个扩展的k-匿名化的隐私增益(PrGain)已计算选择性匿名化的元组集。使用所提出的算法的原始数据和匿名数据的分类和聚类特性进行了评估的信息丢失,执行时间,和隐私实现。算法已被处理对标准数据集和分析表明,敏感属性的值被保留以最小的信息丢失。
2014-03-19 cs.CR stat.ME
Approximate DBSCAN under Differential Privacy
Hong Kong University of Science and Technology(香港科技大学)
本文在差分隐私下重新审视DBSCAN问题,提出基于跨度的DP-DBSCAN定义,设计线性时间算法并实现质量保证,同时验证了算法在合成和真实数据集上的性能。
2025-08-13 cs.CR cs.DB
Vulnerabilities in the use of similarity tables in combination with pseudonymisation to preserve data privacy in the UK Office for National Statistics' Privacy-Preserving Record Linkage
在隐私保护记录联系的调查过程中,我们回顾了英国国家统计局(ONS)在其系列报告“2011年以后”中所采取的方法。我们的审查确定了一些令人关切的问题。发现的一些问题严重到足以对隐私构成风险。
2017-12-04 cs.CR
Privacy-preserving schemes for Ad Hoc Social Networks: A survey
在本文中,我们回顾了自组织社交网络(包括移动社交网络(MSN)和车载社交网络(VSN))的隐私保护方案的最新进展。具体而言,我们选择并详细研究了33个隐私保护计划的开发或应用的背景下,特设社交网络。这些计划于2008年至2016年期间公布。在此基础上,本文综述了隐私保护模型,包括位置隐私、身份隐私、匿名性、可追踪性、兴趣隐私、后向隐私和面向内容的隐私。以表格的形式总结了VSN和MSNs中最近发生的重要的隐私泄露攻击、对策和博弈论方法。此外,还概述了进一步研究的建议。通过本调查,读者可以更全面地了解ad hoc社交网络隐私保护方案的研究趋势
2016-10-19 cs.CR
Trajectory Recovery From Ash: User Privacy Is NOT Preserved in Aggregated Mobility Data
在过去的十年里,人类移动数据已经通过蜂窝网络和移动应用程序被广泛收集,并公开发布用于学术研究和商业目的。由于发布个人的移动记录通常会引起隐私问题,因此数据集所有者倾向于仅发布聚合的移动数据,例如在特定时间戳由蜂窝塔覆盖的用户数量,这被认为足以保护用户的隐私。然而,在本文中,我们认为,并证明,即使发布聚合的移动数据可能会导致个人的轨迹隐私泄露。我们开发了一个攻击系统,该系统能够利用人类移动的独特性和规律性,在没有任何先验知识的情况下,从聚合的移动数据中恢复个人的轨迹。通过对移动应用和蜂窝网络的两个真实数据集进行实验,我们发现该攻击系统能够在数万到数十万用户规模下恢复用户轨迹,准确率约为73%~91%,这表明此类数据集存在严重的隐私泄漏。通过对聚合移动数据的调查,我们的工作认识到发布统计数据中存在的一个新的隐私问题,呼吁学术界和工业界立即关注。
2017-02-25 cs.CR cs.CY
Verifiable Privacy-Preserving Member and Order Queries on a List
我们介绍了一个正式的模型,成员和顺序查询的隐私保护认证名单。在这个模型中,查询是在存储在云中的列表上执行的,其中必须维护数据的完整性和隐私。然后,我们提出了一个有效的构造的隐私保护认证列表的基础上双线性映射和双线性映射,分析了性能,并证明了这种结构的完整性和隐私广泛接受的假设。
2014-08-19 cs.CR
Equity and Privacy: More Than Just a Tradeoff
虽然整个隐私保护数据分析领域都专注于隐私-效用权衡,但最近的研究表明,隐私保护数据发布可以在不同人群中引入不同程度的效用。重要的是要理解隐私和公平之间的这种新的权衡,因为隐私技术正在被部署在数据产品将用于研究和政策制定的情况下。边缘人群是否会从隐私技术中看到不成比例的效用?如果存在不平等,我们如何解决?
2021-11-08 cs.CR cs.CY
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
Privacy Preserving PageRank Algorithm By Using Secure Multi-Party Computation
在这项工作中,我们研究了PageRank算法的隐私保护计算问题。其思想是利用Paillier方案的同态加密迭代实现算法的安全多方计算。在所提出的PageRank计算中,用户使用非对称加密方法加密自己的图数据,以隐私保护的方式将数据集发送到不同的方。每一方都计算自己的加密实体,但对其他方的数据一无所知。
2016-11-07 cs.CR
Open, privacy-preserving protocols for lawful surveillance
政府机构如何能够在不干扰无辜方的电子活动的情况下获得关于合法但未知目标的可操作的有用信息,这一问题极为重要。我们通过提供实验证据来解决这个问题,这些证据表明,确实可以以保护无辜方隐私的方式获得可操作的有用信息,并使政府机构负责。特别是,我们提出了实用的,隐私保护协议的两个操作,执法和情报机构已有效地使用:设置交集和联系人链。我们的协议的实验表明,隐私保护联系人链接可以执行3跳隐私保护图遍历,在两分钟内产生27,000个密文。这些密文可以通过隐私保护集合交集在10分钟内在总共15万个密文中找到潜在的未知目标,而不会暴露非目标的个人信息。
2016-07-13 cs.CR
Privacy-preserving Analytics for Data Markets using MPC
数据市场有潜力培育新的数据驱动型应用程序,并帮助发展数据驱动型企业。在实践中建立和部署此类市场时,欧盟《通用数据保护条例》(GDPR)等法规对这些市场施加了约束和限制,特别是在处理个人或隐私敏感数据时。在本文中,我们提出了一个候选人的隐私保护个人数据市场的架构,依赖于密码原语,如多方计算(MPC)能够执行隐私保护计算的数据。除了指定这样一个数据市场的架构,我们还提出了一个隐私风险分析的市场以下LINDDUN方法。
2021-03-05 cs.CR
Safepaths: Vaccine Diary Protocol and Decentralized Vaccine Coordination System using a Privacy Preserving User Centric Experience
在这个早期草案中,我们提出了一个端到端的去中心化协议,用于疫苗接种、疫苗接种状态验证以及不良反应或症状报告的安全和隐私保护工作流程。拟议的系统提高了效率,隐私,公平和现有的手动系统的有效性,同时保持与其功能的互操作性。我们还讨论了各种安全问题和基于拟议协议的替代方法。
2021-03-01 cs.CR
Heal the Privacy: Functional Encryption and Privacy-Preserving Analytics
安全的云存储是一个至关重要的问题,企业和最终用户在将数据移动到可能不受信任的云之前都应该考虑。将数据迁移到云会引发多个隐私问题,因为它们完全由云提供商控制。因此,不受信任的云提供商可能会侵犯用户的隐私并获得对敏感信息的访问。当云提供商需要存储统计数据库并定期发布分析时,这个问题变得更加突出。在这项工作中,我们首先提出了一个详细的例子,表明使用密码学是不够的,以确保个人的隐私。然后,我们设计了一个基于函数加密和差分隐私的混合协议,该协议允许以隐私保护的方式进行统计计算。
2022-05-06 cs.CR
Towards Distributed Privacy-Preserving Prediction
在隐私保护的机器学习中,由于隐私问题,各方不愿意共享其敏感的训练数据。即使是训练的模型参数或预测也可能造成严重的隐私泄露。为了解决这些问题,我们展示了一个普遍适用的分布式隐私保护预测(DPPP)框架,在该框架中,不受信任的聚合器不会共享更敏感的数据或模型参数,而是在可证明的隐私保证下仅组合多个模型的预测。我们的框架集成了两种主要技术来保证个人隐私。首先,我们引入了改进的二项式机制和离散高斯机制来实现分布式差分隐私。其次,我们利用同态加密,以确保聚合器学习什么,但嘈杂的聚合预测。实验结果表明,我们的框架具有可比的性能,非私有的框架,并提供更好的结果比本地差分私有框架和独立的框架。
2020-09-03 cs.CR
A Privacy Preserving Collusion Secure DCOP Algorithm
近年来,一些研究提出了解决分布式约束优化问题(DCOPs)的隐私保护算法。所有这些研究都假设代理人不会串通。在这项研究中,我们提出了第一个隐私保护的DCOP算法,是免疫联盟,诚实的大多数的假设下。我们的算法- PC-SyncBB -是基于经典的分支定界DCOP算法。它提供约束、拓扑和决策隐私。我们评估其性能不同的基准,问题的大小和约束密度。我们表明,实现安全联盟是可行的。由于所有现有的隐私保护DCOP算法的基础上,他们的安全性假设单独进行的代理,我们认为这项研究是必要的第一步,解除这一潜在的有害假设,在所有这些算法。
2019-05-22 cs.CR
Attacks on a Privacy-Preserving Publish-Subscribe System and a Ride-Hailing Service
隐私保护上下文感知发布订阅系统(CA-PSS)使得中介(代理)能够基于当前上下文来匹配来自发布者的内容和订阅者的订阅,同时保护订阅和通知的机密性。而隐私保护的叫车服务(RHS)使中介(服务提供商)能够以隐私友好的方式将乘车请求与出租车司机匹配。在这项工作中,我们攻击了Nabeel等人(2013)提出的隐私保护CA-PSS,其中我们表明系统中的任何实体(包括代理)都可以了解订阅者的机密订阅。我们还攻击了Yu等人(2019)提出的一种名为lpRide的隐私保护RHS,在该RHS中,我们证明任何骑手/司机都可以有效地恢复所有其他骑手和司机的密钥。此外,我们还表明任何骑手/司机都能够了解任何骑手的位置。这些攻击是基于我们对Nabeel等人提出的修改后的Paillier密码系统的密码分析,该密码系统构成了上述两种协议的构建块。
2021-05-10 cs.CR
PP-MCSA: Privacy Preserving Multi-Channel Double Spectrum Auction
拍卖被广泛认为是动态频谱重新分配的有效方式。最近,相当多的研究工作已经致力于设计隐私保护的频谱拍卖在各种拍卖设置。然而,没有现有的工作已经解决了隐私问题,在最一般的情况下,双频谱拍卖,每个卖家出售多个频道,每个买家购买多个频道。为了填补这一空白,在本文中,我们提出了PP-MCSA,多通道双频谱拍卖的隐私保护机制。从技术上讲,通过利用乱码电路,我们设法保护多通道双频谱拍卖中卖方的请求和买方的出价的隐私。据我们所知,PP-MCSA是第一个多通道双频谱拍卖的隐私保护解决方案。我们进一步从理论上证明了PP-MCSA的隐私保证,并通过实验广泛评估其性能。实验结果表明,PP-MCSA只会引起适度的通信和计算开销。
2018-10-19 cs.CR
DP2-Pub: Differentially Private High-Dimensional Data Publication with Invariant Post Randomization
在实际应用中会出现大量的高维异构数据,这些数据往往会发布给第三方进行数据分析、推荐、定向广告和可靠预测。然而,公布这些数据可能会泄露个人敏感信息,从而导致对隐私侵犯的日益关注。近年来,隐私保护数据发布受到了相当大的关注。不幸的是,高维数据的差分私有发布仍然是一个具有挑战性的问题。在本文中,我们提出了一个差分私有的高维数据发布机制(DP2-Pub),运行在两个阶段:基于马尔可夫毯的属性聚类阶段和不变后随机化(PRAM)阶段。具体而言,将属性划分为具有高簇内凝聚力和低簇间耦合的低维簇有助于获得隐私预算的合理分配,而满足局部差分隐私的双扰动机制有助于保持不变的PRAM,以确保不丢失统计信息,从而显着保留数据效用。我们还扩展了我们的DP2-Pub机制的情况下,与一个半诚实的服务器,满足本地差分隐私。我们在四个真实数据集上进行了大量的实验,实验结果表明,该机制在满足差分隐私的同时,能够显著提高已发布数据的数据效用.
2022-08-24 cs.CR cs.CY
EphPub: Toward Robust Ephemeral Publishing
越来越多的个人和敏感信息通过互联网传播,促使人们对隐私问题的关注与日俱增。数字数据通常会无限期地存在,用户会失去控制权。这激发了将内容可用性限制到由数据所有者设置的到期时间的期望。本文提出并形式化了Ephemeral Publishing(EphPub)的概念,以防止对过期内容的访问。我们提出了一个有效的和强大的协议,建立在域名系统(DNS)及其缓存机制。通过EphPub,敏感内容被加密发布,密钥材料以隐写的方式分发给随机选择的独立解析器。然后,内容的可用性受到DNS缓存条目消失的限制。EphPub协议对现有应用程序是透明的,不依赖于可信硬件、集中式服务器或用户主动操作。我们分析了它的鲁棒性,并表明,它在DNS基础设施上产生的开销可以忽略不计。我们还进行了大规模的900K开放DNS解析器的缓存行为的研究。最后,我们提出Firefox和Thunderbird扩展,提供临时发布功能,以及一个命令行工具来创建临时文件。
2011-10-18 cs.CR cs.NI
PrivacyGo: Privacy-Preserving Ad Measurement with Multidimensional Intersection
本文提出PrivacyGo框架,结合逆向OPRF与盲密钥轮换技术解决多标识符隐私匹配问题,并通过差分隐私机制保护交集大小,为广告测量提供可扩展的安全解决方案。
2025-06-26 cs.CR
Comments on "A Privacy-Preserving Online Ride-Hailing System Without Involving a Third Trusted Server"
最近,Xie等人(IEEE Transactions on Information Forensics and Security,vol.16,pp. 3068-3081,2021)提出了一种不使用可信第三方服务器的隐私保护在线乘车呼叫(ORH)协议。这种隐私保护ORH协议的主要目标是确保乘客和驾驶员的位置数据w.r.t. ORH服务提供商(SP)。在本文中,我们展示了谢等人协议中SP的被动攻击,使其能够完全恢复骑手的位置以及每个乘车请求查询中响应司机的位置。
2021-12-13 cs.CR
Privacy Preserving Architectures for Collaborative Intrusion Detection
多个组织之间的协作是现代入侵检测的必要条件。随着现代威胁变得越来越复杂,组织很难仅利用其网络本地的威胁上下文进行防御。全球\emph{threat intelligence}的可用性是组织防御现代高级持续威胁(APT)的必要条件。为了从这种全球范围的攻击中受益,隐私问题仍然是主要的障碍。在这份立场书中,我们将现实世界的隐私问题确定为精确的用例,相关的加密技术,并讨论用于协作入侵检测的隐私保护架构。
2016-02-08 cs.CR