Genome Reconstruction Attacks Against Genomic Data-Sharing Beacons
以保护隐私的方式共享基因组数据是基因组学大数据时代所承诺的科学进步的主要瓶颈。一种社区驱动的基因组数据共享信标协议被广泛采用。该系统旨在通过仅允许对数据集中特定等位基因的存在进行是/否查询，为数据共享提供安全、易于实现和标准化的接口。然而，信标协议最近被证明是脆弱的成员推断攻击。在本文中，我们表明，对基因组数据共享信标的隐私威胁不仅限于成员推理。我们确定并分析了基因组数据共享信标的一个新的漏洞：基因组重建。我们表明，当攻击者知道受害者在最近的更新中已被添加到信标中时，可以成功重建受害者基因组的相当一部分。我们还表明，即使在同一更新期间将多个个体添加到信标中，也可以使用攻击者容易访问的特征（例如，眼睛和头发的颜色）。此外，我们展示了如何使用与敏感表型不相关的信标重建基因组可用于对具有敏感表型的信标的成员推断攻击（即，HIV+）。这项工作的结果将指导信标操作员何时以及如何更新信标内容。因此，这项工作将是帮助信标操作者和参与者作出知情决定的一次重要尝试。
2020-08-21 cs.CR
Multi-Layer Secret Sharing for Cross-Layer Attack Defense in 5G Networks: a COTS UE Demonstration
该演示首次在商用5G用户设备上实现无需预共享密钥的多层秘密共享，通过异或方法跨运营商和中继分发份额，抵御同时丢失两个节点的攻击，确保数据恢复与机密性。
2025-09-29 cs.CR cs.NI
Seeing is (Not) Believing: Practical Phishing Attacks Targeting Social Media Sharing Cards
本研究针对在线社交网络的链接分享卡片功能，发现了分享卡片伪造（SCF）钓鱼攻击，验证了其在13个社交平台上的可行性与危害性，并探讨了缓解挑战，为OSN生态防御提供了参考。
2024-05-17 cs.CR
Secure Distributed Membership Tests via Secret Sharing: How to Hide Your Hostile Hosts Harnessing Shamir Secret Sharing
数据安全性和业务使用的可用性经常被视为相互冲突的目标。对可搜索加密和同态加密的研究是一个开始，但它们通常建立在加密方法的基础上，这些加密方法充其量只能提供基于假设计算困难的问题的保护。相比之下，秘密共享等数据编码方法提供信息论的数据保护。使用秘密共享分发数据的归档可以提供数据保护，这些数据保护对恶意内部人员、受损系统和不受信任的组件具有弹性。在本文中，我们创建了串行插值过滤器，这是一种用于存储和交互使用秘密共享的安全和分布式数据集的方法。我们提供了对分布在多个存储库中的面向集合的数据进行操作的能力，而不会暴露原始数据。此外，我们证明了我们的方法在各种攻击模型下的安全性，并提供协议扩展来处理合谋攻击者。串行插值过滤器提供了针对单个攻击者的信息理论保护和针对合谋攻击者的计算硬保护。
2015-12-01 cs.CR
Off-Path TCP Exploits: PMTUD Breaks TCP Connection Isolation in IP Address Sharing Scenarios
本文揭示了在IP地址共享场景下PMTUD破坏TCP连接隔离性的漏洞，攻击者可推断序列号执行非路径TCP劫持，实验成功率70%，并提出了相应对策。
2025-09-15 cs.CR
Attacking (EC)DSA scheme with ephemeral keys sharing specific bits
本文提出一种确定性格攻击方法，利用多个(EC)DSA签名临时密钥共享特定位的特点构造格，通过Kannan枚举算法恢复私钥，并证明通过优化共享比特数和签名数量可实现高效攻击。
2023-07-08 cs.CR
RFLPA: A Robust Federated Learning Framework against Poisoning Attacks with Secure Aggregation
National University of Singapore（新加坡国立大学）
针对安全聚合与投毒防御不兼容问题，本文提出RFLPA框架，利用余弦相似度、可验证打包Shamir秘密共享和新型点积聚合实现鲁棒防御，并较BREA降低逾75%开销。
2024-10-26 cs.AI cs.CR
Towards Blockchain-Assisted Privacy-Aware Data Sharing For Edge Intelligence: A Smart Healthcare Perspective
Data61, CSIRO（联邦科学与工业研究组织数据61研究所）；Victoria University（维多利亚大学）；University of Electronic Science and Technology of China（电子科技大学）；University of Technology Sydney（悉尼科技大学）；CNPIEC KEXIN LTD（中国图书进出口科信有限公司）；Xidian University（西安电子科技大学）
针对智能医疗网络中数据共享的隐私泄露和投毒攻击风险，提出基于信任级别的个性化差分隐私模型，利用马尔可夫过程解耦噪声并构建区块链社区模型，有效抵御链接攻击与投毒攻击。
2023-06-29 cs.AI cs.CR
Dullahan: Stealthy Backdoor Attack against Without-Label-Sharing Split Learning
本文提出SBAT，一种针对无标签共享分割学习的隐蔽后门攻击策略，通过训练后向服务器网络注入触发器嵌入，在不修改训练中间参数的情况下实现高隐蔽性攻击，揭示了分割学习的安全漏洞。
2024-10-21 cs.CR
Resilience in Online Federated Learning: Mitigating Model-Poisoning Attacks via Partial Sharing
Norwegian University of Science and Technology（挪威科技大学）；Aalto University（阿尔托大学）；Commonwealth Scientific and Industrial Research Organisation（联邦科学与工业研究组织）；University of Southern Denmark（南丹麦大学）
本文研究部分共享在线联邦学习算法PSO-Fed对模型投毒攻击的韧性，证明其部分共享机制在降低通信开销的同时增强了鲁棒性，并通过理论分析和实验验证了其在拜占庭攻击下的收敛性及最优步长。
2024-08-16 cs.CR cs.DC cs.LG
A General Black-box Adversarial Attack on Graph-based Fake News Detectors
Northwestern Polytechnical University（西北工业大学）；Air Force Engineering University（空军工程大学）；Guangzhou University（广州大学）
针对黑盒场景下基于GNN的假新闻检测器难以实施经典对抗攻击的问题，提出首个通用黑盒对抗攻击框架GAFSI，通过模拟用户共享行为注入虚假社交交互，实现对不同图结构检测器的有效攻击。
2024-04-26 cs.AI cs.CR cs.LG
Collaborative Information Sharing for ML-Based Threat Detection
最近，协同攻击活动开始在互联网上变得更加普遍。2017年5月，WannaCry在几天内感染了150个国家的30多万台机器，并对关键基础设施产生了很大影响。现有的威胁共享平台无法轻松适应新出现的攻击模式。与此同时，企业开始在其本地网络中采用基于机器学习的威胁检测工具。在本文中，我们提出的问题：\emph{What information can defenders share across multiple networks to help machine learning-based threat detection adapt to new coordinated attacks?}我们提出了三种信息共享方法在两个网络，并显示如何共享的信息可以用于机器学习网络流量模型，以显着提高其检测规避自我传播的恶意软件的能力。
2021-04-23 cs.CR
Multiparty Mediated Quantum Secret Sharing Protocol
本文提出了一种多方调解的量子秘密共享（MQSS）协议，该协议允许n个受限量子用户通过一个具有完全量子能力的不诚实第三方（TP）来共享秘密。在受限量子用户只能进行Hadamard变换和Z基测量的前提下，提出的MQSS协议解决了现有半量子秘密共享协议中的两个共同挑战：（1）分发者必须具有完全量子能力;（2）经典用户必须配备波长量子滤波器和光子数分裂器（PNS）以检测特洛伊木马攻击。安全性分析也证明了所提出的MQSS协议可以避免集体攻击、共谋攻击和特洛伊木马攻击。此外，由于受限量子用户只能进行两次量子操作，并且量子比特在更短的距离内传输，因此MQSS协议比现有的SQSS协议效率更高。
2021-12-21 cs.CR quant-ph
Sharing the Path: A Threshold Scheme from Isogenies and Error Correcting Codes
针对SIDH被密钥恢复攻击破坏但同源路径问题仍安全的情况，结合Robert提出的将该攻击转化为密码工具的多项式时间算法与高级编码技术，构建了新型门限方案。
2024-11-28 cs.CR cs.IT math.IT
Lookout for Zombies: Mitigating Flush+Reload Attack on Shared Caches by Monitoring Invalidated Lines
基于操作系统的页面共享是现代系统中常用的优化，可减少内存占用。不幸的是，这样的共享可能会导致Flush+ Hashad缓存攻击，从而间谍定期刷新共享数据的缓存行（使用clflush指令）并重新加载它以推断受害者应用程序的访问模式。目前的建议，以减轻刷新+缓存攻击是不切实际的，因为他们要么禁用页面共享，或需要应用程序重写，或需要操作系统支持，或招致ISA的变化。理想情况下，我们希望在不需要任何操作系统或ISA支持的情况下容忍攻击，同时产生微不足道的性能和存储开销。本文提出了一个关键的观察，当一个缓存线是无效的，由于刷新引起的无效（FCI），无效的线的标签和数据仍然驻留在缓存中，并可以用于检测基于刷新的攻击。我们将由于FCI而无效的线路称为僵尸线路。我们的设计显式地将这些行标记为Zombie，将Zombie行保留在缓存中，并使用Zombie行的命中和未命中来容忍攻击。我们提出了基于僵尸的缓解（ZBM），一个简单的基于硬件的设计，成功地防范攻击，简单地对待僵尸线上的命中失误，以避免任何时间泄漏的攻击者。我们分析了ZBM的鲁棒性使用三个间谍程序：攻击AES的T-表，攻击RSA的平方和乘法，和功能监视器（FW），并表明ZBM成功地抵御这些攻击。我们的解决方案需要的存储空间可以忽略不计（每个缓存行4位），保留了基于操作系统的页面共享，不需要更改操作系统/ISA，并且不会导致良性应用程序的速度减…
2019-06-06 cs.CR
A Game-Theoretic Approach to Privacy-Utility Tradeoff in Sharing Genomic Summary Statistics
提出一种贝叶斯博弈论框架解决基因组汇总统计共享中的隐私-效用权衡问题，证明广义贝叶斯攻击者模型强于传统LRT模型，并利用深度神经网络近似贝叶斯-纳什均衡，实验表明该框架能产生比现有技术更强的攻防策略。
2024-06-03 cs.CR
Toward Efficient Inference Attacks: Shadow Model Sharing via Mixture-of-Experts
本文提出SHAPOOL影子池训练框架，利用混合专家机制共享子网络，通过路径选择路由、正则化和对齐模块，在降低成员推理攻击中影子模型构建计算成本的同时保持攻击性能。
2025-10-15 cs.CR
SeCTIS: A Framework to Secure CTI Sharing
针对现有CTI共享方法缺乏隐私保护的问题，提出融合群体学习与区块链、结合零知识证明验证的SeCTIS框架，实现隐私保护下的CTI协作共享，经实验验证具备良好性能与抗攻击鲁棒性。
2024-06-20 cs.CR
PROTEAN: Federated Intrusion Detection in Non-IID Environments through Prototype-Based Knowledge Sharing
针对分布式网络中联邦学习因数据异质性导致入侵检测效果受限的问题，提出基于原型学习的PROTEAN框架，通过类原型知识共享实现非IID环境下的协作式隐私保护入侵检测，在IIoT和5G数据集上验证了其有效性。
2025-07-07 cs.CR
Collusion-Secure Semi-Quantum Secret Sharing Scheme using a Quantum Third Party
Indian Statistical Institute（印度统计研究所）
针对半量子秘密共享中量子第三方与不诚实参与者共谋的漏洞，提出一种基于贝尔态的新协议，实现信息论安全并优化量子比特效率，抵抗DCNA攻击。
2026-10-08 cs.CR quant-ph
Exploring Privacy and Fairness Risks in Sharing Diffusion Models: An Adversarial Perspective
School of Computing, National University of Singapore（新加坡国立大学计算机学院）；Alibaba Group（阿里巴巴集团）；Renmin University of China（中国人民大学）
本文从对抗视角揭示共享扩散模型中的隐私与公平性风险，证明共享者可实施公平性投毒攻击，接收者可进行属性推断攻击，强调数据审计与隐私保护的重要性。
2024-09-19 cs.AI cs.CR cs.LG
Linkage Attacks Expose Identity Risks in Public ECG Data Sharing
University of California, Irvine（加州大学尔湾分校）；Arizona State University（亚利桑那州立大学）；California State University, Dominguez Hills（加州州立大学 Dominguez Hills 分校）
本文在攻击者仅拥有部分知识的现实条件下评估公共ECG数据的隐私风险，基于109名参与者的实验表明简单匿名化无法防止重新识别，并呼吁采用差分隐私等策略保护共享生物信号数据。
2025-08-20 cs.CR cs.LG
Argumentation-based Security for Social Good
University of Cyprus（塞浦路斯大学）；Technical University of Crete（克里特理工大学）；Imperial College London（帝国理工学院）
互联互通的增加及其对日常生活的影响正在引发新的和现有的安全问题，这些问题对社会公益越来越重要。我们介绍了两个特殊的问题：网络攻击归因和监管数据共享。对于这两个问题，关于应用哪些规则的决定，应该在不完整和上下文相关的信息下做出。我们提出的解决方案是基于论证推理，这是一个非常适合的技术，在冲突和不完整的信息下实现决策机制。我们的建议允许我们识别网络攻击的攻击者，并决定在使用和共享数据时应使用的监管规则。我们通过具体的例子来说明我们的解决方案。
2017-05-01 cs.AI cs.CR
False Data Injection Attack Detection in Edge-based Smart Metering Networks with Federated Learning
The University of Alabama in Huntsville（阿拉巴马大学亨茨维尔分校）
针对智能计量网络中FDI攻击检测的数据隐私问题，提出基于边缘计算和联邦学习的检测框架，通过分布式边缘服务器共享模型而非数据，实现高效且隐私保护的攻击检测。
2024-11-06 cs.AI cs.CR cs.LG
Privacy-Preserving and Secure Spectrum Sharing for Database-Driven Cognitive Radio Networks
University of South Florida（南佛罗里达大学）；Bellini College of Artificial Intelligence, Cybersecurity and Computing（贝利尼人工智能、网络安全与计算学院）；Zurich University of Applied Sciences (ZHAW)（苏黎世应用科学大学）；Department of Informatics, University of Zurich (UZH)（苏黎世大学信息学系）
本文提出SLAPX框架，通过可委托匿名凭证和可验证延迟函数，实现数据库驱动认知无线电网络中的隐私保护频谱共享和安全防御。
2026-03-02 cs.CR
Lightweight Mediated Semi-Quantum Secret Sharing Protocol
针对现有的半量子秘密共享协议存在两个问题：（1）分发者必须是量子用户，（2）经典用户必须配备特洛伊木马检测器，提出了一种新的中介半量子秘密共享协议（MSQSS），使经典分发者可以在不诚实的第三方（TP）的帮助下将自己的秘密共享给经典代理。提出的MSQSS协议采用单向量子通信，因此它是免费的特洛伊木马攻击。此外，安全性分析证明了所提出的协议可以抵抗集体攻击。与现有的SQSS协议相比，本文提出的MSQSS协议更轻量级，更实用。
2021-02-12 cs.CR quant-ph
Defeating the Kalka--Teicher--Tsaban linear algebra attack on the Algebraic Eraser
代数擦除器（AE）是一种公钥协议，用于在不安全的信道上使用交换和非交换群共享信息;具体实现由彩色布劳密钥协商协议（CBKAP）给出。在本文中，我们描述了如何选择CBKAP中的数据来阻止Kalka-Teicher-Tsaban的攻击。
2012-02-03 cs.CR
SEA: Shareable and Explainable Attribution for Query-based Black-box Attacks
University of Wisconsin–Madison（威斯康星大学麦迪逊分校）；University of Oxford（牛津大学）
针对基于查询的黑盒攻击难以取证和情报共享的问题，本文提出SEA，利用隐马尔可夫模型对查询序列进行可解释攻击归因，并在多种设置下实现高识别准确率。
2025-02-20 cs.CR cs.LG
On the Leakage of Massey Secret Sharing Schemes under Linear Computations
INRIA（法国国家信息与自动化研究所）；École Polytechnique（巴黎综合理工学院）；LIX, CNRS UMR 7161（LIX实验室，法国国家科学研究中心）
本研究将基于线性精确修复方案的泄露攻击从单一秘密扩展到多个线性相关秘密，支持任意线性计算，扩大了易受攻击的码参数范围，并提出了更现实的攻击模型。
2026-09-18 cs.CR
Device-independent quantum secret sharing using Mermin-type contextuality
我们提出了一个新的量子秘密共享协议的基础上Mermin型情境的最新进展，它有一定的安全性保证，对后量子无信号攻击。秘密共享协议的一个基本假设是，并非所有参与者都是可信方，并且一些参与者可能相互勾结并与窃听者勾结以破坏机密性。在这种程度上，量子秘密共享引入了一个新的安全层，使窃听检测通过纠缠态和不可交换的可观。然而，如果协议依赖于不受信任的设备来实现，则更彻底的安全分析变得至关重要：例如，不能排除某些参与者可能与设备供应商勾结。在本文中，我们把最近的发展Mermin型上下文工作在一个新的量子秘密共享协议。测量场景所展示的最大上下文性（又名最大非局部性或零局部分数）导致了一些与设备无关的安全保证，可以抵御非信令攻击者-无论是经典的，量子的还是后量子的。
2017-02-15 cs.CR quant-ph
Demystifying Cookie Sharing Risks in WebView-based Mobile App-in-app Ecosystems
本文发现了小程序生态中因共享WebView导致的跨小程序Cookie共享（CMCS）漏洞，开发静态分析工具MiCoScan检测到大量受影响小程序，凸显了完善隔离机制的紧迫性。
2025-10-28 cs.CR
Faked states attack and quantum cryptography protocols
利用量子力学，密码学家已经设计出可证明安全的密钥共享协议。尽管在理论上证明了安全性，但现实世界的应用程序并不理想。去年，密码分析师完成了一项实验，展示了对商业量子密钥分发（QKD）系统的成功窃听攻击。这种攻击利用了量子密码系统的典型现实实现中的一个弱点。密码分析师已经成功地攻击了几个协议。在本文中，我们研究了Kak量子密码协议以及它在这种攻击下的表现。
2011-12-09 cs.CR
Guarding Multiple Secrets: Enhanced Summary Statistic Privacy for Data Sharing
针对数据共享中多个敏感汇总统计量可能泄露的问题，提出多秘密隐私框架，设计隐私指标、隐私-失真权衡分析及适配不同分布和秘密类型的发布机制，并通过真实数据验证有效性。
2024-06-12 cs.CR
Byzantine-Robust Federated Learning Framework with Post-Quantum Secure Aggregation for Real-Time Threat Intelligence Sharing in Critical IoT Infrastructure
本文提出一种结合后量子安全聚合的联邦学习框架，用于关键物联网基础设施中实时威胁情报共享，通过自适应加权聚合和基于格的加密协议，有效防御拜占庭攻击和量子威胁。
2026-01-03 cs.CR cs.LG
TRADE: TRusted Anonymous Data Exchange: Threat Sharing Using Blockchain Technology
网络攻击变得越来越频繁和复杂，为组织保护其系统和数据免受威胁行为者的攻击带来了重大挑战。今天，威胁行为者动机很强，坚持不懈，有充分的理由，并以协调的方式使用各种复杂的战术，技术和程序进行各种攻击。鉴于这些威胁所带来的风险，很明显，组织需要协作和共享网络威胁信息（CTI），并利用它来改善其安全状况。在本文中，我们介绍了TRADE -可信匿名数据交换-一个基于区块链技术的协作，分布式，可信和匿名CTI共享平台。TRADE使用基于区块链的访问控制框架，旨在提供基本功能和要求，以激励和鼓励组织共享威胁情报信息。在TRADE中，组织可以通过定义用于控制和管理网络中CTI共享的智能合约执行的共享策略来完全控制其数据。TRADE允许组织保持匿名，同时让组织对其在网络中的行为完全负责。最后，TRADE可以很容易地集成到现有的威胁情报交换协议中，例如可信的自动情报信息交换（TAXII）和OpenDXL，从而实现快速而顺利的技术适应。
2021-03-24 cs.CR
Differentially Private Enhanced Permissioned Blockchain for Private Data Sharing in Industrial IoT
针对工业物联网供应链中许可区块链查询引发隐私泄露问题，提出差分隐私增强的EDH-IIoT，通过重用隐私预算实现高效保护，准确率达97%，ε消耗降低35.96%。
2023-06-21 cs.CR
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
When Machine Learning Meets Spectrum Sharing Security: Methodologies and Challenges
Utah State University（犹他州立大学）；University of Wisconsin-Whitewater（威斯康星大学白水分校）；Idaho National Laboratory（爱达荷国家实验室）
互联网连接系统的指数增长产生了许多挑战，例如频谱短缺问题，这需要高效的频谱共享（SS）解决方案。复杂和动态的SS系统可能暴露于不同的潜在安全和隐私问题，需要保护机制是自适应的，可靠的，可扩展的。基于机器学习（ML）的方法经常被提出来解决这些问题。在这篇文章中，我们提供了一个基于ML的SS方法，最关键的安全问题，以及相应的防御机制的最新发展的全面调查。特别是，我们阐述了最先进的方法，用于提高SS通信系统的性能的各个重要方面，包括基于ML的认知无线电网络（CRN），基于ML的数据库辅助SS网络，基于ML的LTE-U网络，基于ML的环境反向散射网络，和其他基于ML的SS解决方案。我们还提出了物理层的安全问题和相应的防御策略的基础上ML算法，包括主用户仿真（PUE）攻击，频谱感知数据伪造（SSDF）攻击，干扰攻击，窃听攻击和隐私问题。最后，对基于ML的SS面临的挑战进行了广泛的讨论。这一全面的审查旨在为未来探索新兴ML应对日益复杂的SS及其安全问题的潜力的研究提供基础和便利。
2022-01-12 cs.CR cs.LG cs.SY
ViT Enhanced Privacy-Preserving Secure Medical Data Sharing and Classification
Tennessee State University（田纳西州立大学）；University of Central Arkansas（中阿肯色大学）；King Saud University（国王 Saud 大学）
本研究提出一个结合可学习块像素加密与Vision Transformer的安全框架，用于医学图像共享与分类，在保护隐私的同时保持高准确率并抵御特定攻击。
2024-11-08 cs.CR cs.CV cs.LG
Experimental quantum secret sharing based on phase encoding of coherent states
提出一种基于相干态相位编码的量子秘密共享协议，无需纠缠资源和相位随机化，在35 dB信道损耗下实现85.3 bps密钥速率，并具备抗相干攻击的安全性。
2023-03-28 cs.CR quant-ph
Leveraging Sharing Communities to Achieve Federated Learning for Cybersecurity
计算机网络中的自动化网络威胁检测是网络安全中的主要挑战。网络领域具有固有的挑战，使得传统的机器学习技术存在问题，特别是需要通过全球协作来学习不断演变的攻击，同时维护数据隐私，以及网络所有者可用的各种资源。我们提出了一个计划，以减轻这些困难，通过架构的方法，使用社区模型共享流分析管道。我们的流方法在处理每个日志记录时递增地训练模型，从而适应不断变化的攻击所导致的概念漂移。此外，我们还设计了一种社区共享方法，通过合并模型来联合学习，而无需共享敏感的网络日志数据。最后，通过以模块化方式标准化数据和机器学习流程，我们为网络安全运营商提供了管理网络威胁事件和模型敏感性的能力，通过社区成员和分析方法加权，以最适合其可用资源和数据的方式。
2021-04-27 cs.CR cs.MA
Split Happens: Combating Advanced Threats with Split Learning and Function Secret Sharing
Department of Computing Sciences Tampere University（计算科学系塔尔皮奥大学）
本文提出SplitHappens，将FSS与U-shaped SL结合，提升数据隐私保护，抵御模型反演和标签推理攻击，同时降低训练时间与通信成本并保持准确率。
2025-07-14 cs.CR cs.LG
Quality Degradation Attack in Synthetic Data
University of Bergen（卑尔根大学）；Delft University of Technology（代尔夫特理工大学）
本文研究了由拥有真实数据集访问权限或控制生成过程的攻击者发起的质量退化攻击，通过实验评估了对生成合成数据质量的影响，并指出需要整合完整性验证和鲁棒性机制以确保合成数据共享框架的可靠性。
2026-01-06 cs.CR
Genomic Data Sharing under Dependent Local Differential Privacy
保护隐私的基因组数据共享对于加快基因组研究的步伐，从而为个性化基因组医学铺平道路是非常重要的。在本文中，我们引入（$ε, T$）依赖的本地差分隐私（LDP）的隐私保护相关数据的共享，并提出了一个基因组数据共享机制下的隐私定义。我们首先指出LDP的原始定义不适合基因组数据共享，然后提出了一种新的基因组数据共享机制。该机制考虑了数据共享过程中数据之间的相关性，预先消除统计上不可能的数据值，并相应地调整每个共享数据点的概率分布。通过这样做，我们表明，我们可以避免攻击者推断的正确值的共享数据点，利用数据中的相关性。通过调整每个数据点的共享状态的概率分布，我们还提高了数据收集器的共享数据的效用。此外，我们开发了一个贪心算法，战略性地确定处理顺序的共享数据点的目的是最大限度地利用共享数据。考虑到在共享基因组数据时相互依赖的隐私风险，我们还通过观察基因组供体的扰动数据来分析攻击者关于供体家庭成员的基因组的信息增益，并且我们提出了一种选择隐私预算的机制（即，LDP的$ε$参数）。我们对现实生活中的基因组数据集的评估结果表明，所提出的机制相比，随机响应机制（广泛使用的技术，以实现LDP）的优越性。
2021-02-15 cs.CR
Adversarial Representation Sharing: A Quantitative and Secure Collaborative Learning Framework
Shanghai Jiao Tong University（上海交通大学）
深度学习模型的性能高度依赖于训练数据的量。如今的数据持有者通常会合并他们的数据集并协同训练模型，这对数据隐私构成了威胁。与安全多方计算（MPC）、联邦学习（FL）等现有方法不同，表示学习具有通信开销小、任务无关等特点，在协同学习中具有独特的优势。然而，数据表示面临着模型反演攻击的威胁。在本文中，我们正式定义了协作学习场景，并量化了数据效用和隐私。然后，我们提出了ARS，一个协作学习框架，其中用户共享表示的数据训练模型，并添加难以察觉的对抗性噪声对重建或属性提取攻击的数据表示。通过在不同环境下对ARS进行评估，我们证明了我们的机制能够有效地抵抗模型反演攻击，并在隐私和实用性之间取得了平衡。ARS框架具有广泛的适用性。首先，ARS对于各种数据类型都是有效的，不限于图像。其次，用户共享的数据表示可以在不同的任务中使用。第三，该框架可以很容易地扩展到垂直数据分区场景。
2022-03-27 cs.CR cs.LG
Membership Inference Attacks on Deep Regression Models for Neuroimaging
Information Sciences Institute, University of Southern California（南加州大学信息科学研究所）；Mark and Mary Stevens Institute for Neuroimaging and Informatics, Keck School of Medicine, University of Southern California（南加州大学凯克医学院马克与玛丽·史蒂文斯神经影像与信息学研究所）；University of Southern California（南加州大学）
确保研究参与者的隐私至关重要，在医疗保健环境中更是如此。神经成像的深度学习方法需要大型数据集，这通常需要在多个站点之间共享数据，这与隐私目标背道而驰。联邦学习是解决这个问题的一种常见方法。它通过在训练过程中共享参数来避免数据共享的需要。然而，我们证明，允许访问参数可能会泄漏私人信息，即使数据从来没有直接共享。特别是，我们表明，它是可以推断，如果一个样本被用来训练模型只访问模型预测（黑盒）或访问模型本身（白盒）和一些泄漏的样本从训练数据分布。这种攻击通常被称为成员推断攻击。我们展示了在集中式和分散式设置中针对3D神经成像任务训练的深度学习模型上的真实成员推理攻击。我们展示了对大脑年龄预测模型（通过大脑MRI扫描预测人的年龄的深度学习模型）的可行攻击。我们正确地识别了MRI扫描是否用于模型训练，成功率为60%到80%以上，这取决于模型的复杂性和安全性假设。
2021-06-03 cs.CR cs.LG eess.IV
Securing Smart Grids Through an Incentive Mechanism for Blockchain-Based Data Sharing
智能电网利用从智能电表收集的数据做出重要的运营决策。然而，它们容易受到虚假数据注入（FDI）攻击，其中攻击者操纵仪表数据以破坏网格操作。现有的FDI工作是基于一个简单的威胁模型，其中一个单一的电网运营商可以访问所有的数据，只有一些米可以妥协。我们的目标是在现实的威胁模型下保护智能电网免受外国直接投资的影响。为此，我们提出了一个威胁模型，其中有多个运营商，每个都有一个部分的网格视图，每个都可以完全妥协。在这种情况下，有效防范外国直接投资的一个办法是在经营者之间分享数据。然而，这里的主要挑战是激励数据共享。我们通过提出一种激励机制来解决这个问题，该机制奖励上传数据的运营商，但如果数据丢失或异常，则对他们进行惩罚。我们推导出正式的条件下，我们的激励机制是可证明的安全对运营商隐瞒或扭曲测量数据的利润。然后，我们在私有区块链上实现了数据共享解决方案，引入了几个优化，克服了区块链固有的性能限制。最后，我们进行了实验评估，证明我们的实现具有实际的性能。
2022-02-09 cs.CR
MedExChain: Enabling Secure and Efffcient PHR Sharing Across Heterogeneous Blockchains
Tianjin University（天津大学）；Griffith University（格里菲斯大学）；The University of Queensland（昆士兰大学）；Southern Cross University（南十字星大学）
MedExChain通过跨异构区块链的安全高效PHR共享方案，解决医疗数据在不同区块链架构间共享的性能与安全挑战。
2026-02-12 cs.CR
Enclave-Aware Compartmentalization and Secure Sharing with Sirius
硬件辅助的可信执行环境（TEE）是许多现代应用程序的关键构建块。然而，它们具有单向隔离模型，该模型在TEE与其外部世界之间引入了语义间隙。这种信息的缺乏导致对启用TEE的应用程序的攻击不断增加，这些攻击利用与主机OS、应用程序或其他飞地的各种不安全交互。我们介绍Sirius，第一个划分框架，通过控制主内核对象（例如线程，进程，地址空间，文件，套接字，管道）在安全和正常的世界中，在TEE辅助应用程序中实现强大的隔离和安全共享。Sirius用一种原则性的方法取代了当前TEE系统中的ad-hoc交互，这种方法增加了强大的地址空间间和地址空间内隔离，并有效地消除了各种攻击。我们在ARM平台上评估了Sirius，发现它是轻量级的（$\approx 15K$ LoC），只增加了$\approx 10.8\%$开销，以在httpd等应用程序上启用TEE支持，并通过$0.05\%-5.6\%$提高了现有启用TEE的应用程序（如Darknet ML框架和ARM的LibDDSSec）的性能。
2020-11-23 cs.CR cs.OS
Disarming Steganography Attacks Inside Neural Network Models
针对神经网络权重中的 LSB 隐写恶意软件攻击，提出基于随机比特替换噪声与权重量化的三类解除武装机制，Qint8 与 K-LRBP 实现 100% 防护且准确率损失极小。
2023-09-26 cs.CR cs.MM
SPECWANDS: An Efficient Priority-based Scheduler Against Speculation Contention Attacks
本文提出SPECWANDS调度方案，通过三种基于优先级的调度策略防御易失型瞬态执行攻击中的竞争隐蔽信道，在保留推测执行和资源共享性能优势的同时，显著优于现有方案。
2023-04-16 cs.AR cs.CR
Comments on "Dynamic Consensus Committee-Based for Secure Data Sharing With Authorized Multi-Receiver Searchable Encryption"
本文对DCC-SE方案进行密码分析，发现任何用户可破坏其KT-IND-CKA安全性，导致关键字泄露，并给出低开销修复方案。
2023-11-15 cs.CR
Adversarial Attacks On Multi-Agent Communication
Waabi（瓦比公司）；University of Toronto（多伦多大学）；MIT（麻省理工学院）
随着现代自治系统的快速发展，它将很快被大规模部署，为协作多智能体系统开辟了可能性。共享信息和分配工作负载允许自主智能体更好地执行任务并提高计算效率。然而，共享信息可以被修改，以对现代系统中广泛使用的深度学习模型执行对抗攻击。因此，我们的目标是研究这种系统的鲁棒性，并专注于探索对抗攻击在一个新的多代理设置，通过共享学习的中间表示神经网络的通信。我们观察到，一个不可区分的对抗消息可以严重降低性能，但变得更弱的良性代理的数量增加。此外，我们表明，黑盒传输攻击是更困难的，在这种设置相比，直接扰动的输入，因为它是必要的，以配合领域自适应的分布学习表示。我们的工作研究在神经网络水平的鲁棒性，以促进更安全的多代理系统的现代安全协议的容错的额外一层。
2021-10-12 cs.CR cs.CV cs.LG
Private Social Network Data Sharing
在线社交网络的日益普及给最终用户带来了巨大的隐私威胁。虽然现有的工作主要集中在从社交网络中推断敏感属性，如年龄，位置和性别，很少有人做了如何保护用户的隐私，防止恶意推断。本文针对现有社交网络的隐私脆弱性，设计了一个隐私保护框架。我们评估了该框架的隐私性和有用性保证，证明了其分类和防御隐私攻击的有效性。
2017-07-26 cs.CR cs.SI
