Iris: Dynamic Privacy Preserving Search in Authenticated Chord Peer-to-Peer Networks
针对 Chord 点对点搜索会向中间节点泄露查询地址的问题，本文提出兼容现有协议的 Iris 方案，并以 (α,δ)-privacy 形式化抗合谋隐私保证，证明其安全且开销随隐私需求可调。
2024-12-05 cs.CR
WAKU-RLN-RELAY: Privacy-Preserving Peer-to-Peer Economic Spam Protection
在本文中，我们提出了WAKU-RLN-RELAY作为一个垃圾邮件保护gossip为基础的路由协议，可以运行在异构网络。它具有保护隐私的对等（p2p）经济垃圾邮件保护机制。WAKU-RLN-RELAY解决了最先进的p2p垃圾邮件预防技术的性能和隐私问题，包括libp 2 p使用的对等体评分，以及例如，Whisper，以太坊的p2p消息传递层。在WAKU-RLN-RELAY中，垃圾邮件保护通过限制每个网络参与者的消息传递速率来工作。违反利率是不受激励的，因为它会导致经济处罚，其中惩罚是加密保证的。识别垃圾邮件发送者的同行也会得到奖励。为了执行速率限制，我们采用了建议的框架信号量及其扩展版本，但是，我们修改该框架，以适当地解决网络的P2P资源受限的用户的独特要求。目前的工作深入到端到端的信号量集成到WAKU-RLN-RELAY，所需的修改，使其适合资源有限的用户，以及开放的问题和未来的研究方向。我们还提供了WAKU-RLN-RELAY的概念验证开源实现，以及它的规范和粗略的性能评估。
2022-06-30 cs.CR
Privacy-Friendly Peer-to-Peer Energy Trading: A Game Theoretical Approach
The University of Manchester（曼彻斯特大学）；KU Leuven（鲁汶大学）；The University of British Columbia（不列颠哥伦比亚大学）
在本文中，我们提出了一个分散的，隐私友好的能源交易平台（PFET）的基础上博弈论的方法-特别是Stackelberg竞争。与现有的交易方案不同，PFET提供了一个竞争性市场，其中价格和需求是基于竞争确定的，并且计算以分散的方式进行，不依赖于可信的第三方。它采用同态加密密码体制对买卖双方的敏感信息进行加密，如卖方$'$价格和买方$'$需求。买家使用加密数据计算特定卖家的总需求，敏感的买家个人资料数据对卖家隐藏。因此，卖家和买家的隐私都得到了保护。通过隐私分析和性能评估，我们表明，PFET保护用户$'$隐私的有效方式。
2022-05-29 cs.AI cs.CR cs.GT
Secure and Privacy- Aware Searching in Peer-to-Peer Networks
现有的P2P网络存在虚假内容分发、搭便车、洗白和搜索可扩展性差等问题，缺乏鲁棒的信任模型和用户隐私保护机制。虽然，一些研究人员已经提出了一些信任管理和语义社区为基础的机制，以打击免费搭车和分发恶意内容，这些计划大多缺乏可扩展性，由于其高的计算，通信和存储开销。本文提出了一个强大的信任管理计划，利用拓扑结构的适应性，通过构建一个覆盖的可信的对等点，邻居选择的基础上，他们的信任评级和内容相似性的P2P网络。该方案在提高搜索效率的同时，通过可信节点之间的拓扑自适应，智能地利用语义社区结构的形成，为用户对网络资源的使用和消费模式提供了非常高水平的隐私保护。仿真结果表明，该方案提供了有效的搜索到好的节点，而惩罚恶意节点增加搜索时间的网络拓扑稳定。
2011-10-02 cs.CR cs.NI
X-NegoBox: An Explainable Privacy-Budget Negotiation Framework for Secure Peer-to-Peer Energy Data Exchange
Department of Informatics, University of Oslo（奥斯陆大学信息学院）；University of Electronic Science and Technology of China（电子科技大学）
本文提出X-NegoBox框架，通过自主隐私预算谈判协议和可解释协议层，实现适应性隐私预算管理和透明决策，提升点对点能源数据交换的隐私保护与信任度。
2026-04-27 cs.AI cs.CR
Extended Combinatorial Constructions for Peer-to-peer User-Private Information Retrieval
我们认为用户私有信息检索（UPIR），一个有趣的替代私人信息检索（PIR）引入Domingo-Ferrer等人。在UPIR中，数据库知道哪些记录已被检索，但不知道查询发布者的身份。UPIR的目标是从数据库中隐藏用户简档。Domingo-Ferrer等人重点是使用对等社区来构建UPIR方案，我们称之为P2P UPIR。在本文中，我们建立了一个加强模型P2P UPIR和澄清的隐私目标，这些计划使用标准的隐私研究领域的术语。特别是，我们认为，任何解决方案提供对数据库的隐私应尽量减少对其他用户的任何相应的隐私损失。我们分析了现有的计划，包括一个新的攻击的数据库。最后，我们介绍和分析了两个新的协议。而以前的工作集中在一种特殊类型的组合设计称为配置，我们的协议使用更一般的设计。这允许协议设置的灵活性，允许在具有动态方案（其中允许用户进入和离开系统）或提供针对其他用户的增加的隐私之间进行选择。
2012-07-03 cs.CR
Anonymous Communication in Peer-to-Peer Networks for providing more Privacy and Security
对等网络中最重要的问题之一是匿名性。P2P用户的匿名性主要是指用户的身份和行为可以被其他用户泄露。有许多方法被提出来提供匿名对等通信。入侵者可以获得有关数据内容、发送者和接收者身份的信息。匿名方法的设计有以下三个目标：保护提供者的身份，保护请求者的身份和保护它们之间传输的数据的内容。本文提出了一种新的对等方法，以实现匿名的请求者和提供者之间的对等网络中的可信服务器称为超级节点，使提供者将无法识别请求者和没有其他同行可以确定地识别通信双方。实验结果表明，该算法提高了算法的可靠性，具有更高的安全性。该算法基于洋葱路由和随机化思想，有效地保护了传输数据不受流量分析攻击。这种匿名通信算法的最终目标是允许请求者与提供者以这样一种方式进行通信，即没有人可以确定请求者的身份和传输数据的内容。
2012-08-15 cs.CR cs.NI
Muffliato: Peer-to-Peer Privacy Amplification for Decentralized Optimization and Averaging
Univ. Lille（里尔大学）；Inria（法国国家信息与自动化研究所）；CNRS（法国国家科学研究中心）；Centrale Lille（里尔中央理工学院）；Inria Paris（法国国家信息与自动化研究所巴黎分部）；PSL Research University（巴黎文理研究大学）
本文提出成对网络差分隐私及 Muffliato 方法，分析 gossip 平均并设计去中心化优化算法，证明隐私保证随图中节点距离放大。
2024-06-11 cs.CR cs.DC cs.LG
Brave: Byzantine-Resilient and Privacy-Preserving Peer-to-Peer Federated Learning
University of Washington（华盛顿大学）；The Pennsylvania State University（宾夕法尼亚州立大学）
本文提出Brave协议，在P2P联邦学习中同时实现拜占庭弹性和隐私保护，证明其能抵御诚实但好奇和拜占庭两类对手，并在CIFAR10和MNIST上验证了模型准确率与无对手训练相当。
2024-01-10 cs.CR cs.DC cs.LG
Personalized and Private Peer-to-Peer Machine Learning
INRIA；EPFL（瑞士联邦理工学院）；Université de Lille（里尔大学）
本文提出一种高效算法，实现去中心化且异步的个性化机器学习，在强隐私要求下保证收敛性。通过差分隐私保护数据隐私，并分析隐私与效用的平衡。实验表明，在非隐私情况下优于先前方法，隐私约束下可显著提升模型性能。
2018-02-19 cs.CR cs.DC cs.LG
Client Clustering Meets Knowledge Sharing: Enhancing Privacy and Robustness in Personalized Peer-to-Peer Learning
Imperial College London（伦敦帝国学院）
本文提出完全去中心化的 P4 方法，通过隐私保护的客户端聚类与差分隐私知识蒸馏，在资源受限 IoT 对等学习中提升个性化准确率、隐私性及抗投毒攻击鲁棒性。
2025-10-20 cs.AI cs.CR cs.LG
An Effective Privacy-Preserving Data Coding in Peer-To-Peer Network
编码并行（COPE）是一种简单但非常有效的无线网络中的数据编码机制。然而，COPE给攻击者留下了风险，当他们通过网络移动到他们的目的节点时，他们很容易获得保存在数据包中的私有信息。因此，在我们的工作中，一个轻量级的加密方法，即范围，提出了巩固COPE对诚实，但好奇和恶意攻击。诚实但好奇的攻击服务于那些准确遵守协议但试图了解尽可能多的私人信息的对手。此外，这种攻击因此不是破坏性的。然而，它可能会为更危险的攻击留下后门，给系统带来灾难。恶意攻击不仅试图学习私有信息，而且还试图修改数据包以达到有害目的。在我们的工作中，SCOPE协议是防御这两种攻击。COPE数据包中的私有信息通过椭圆曲线加密（ECC）进行加密，并将附加信息插入到SCOPE数据包中，用于使用轻量级哈希椭圆曲线数字签名算法（ECDSA）进行认证过程。然后我们证明了我们的新协议仍然保证是一个安全的数据编码方法，并且是轻量级的，可以有效地在对等无线网络中运行
2018-06-14 cs.CR
The Bisq Decentralised Exchange: On the Privacy Cost of Participation
SETU（南东大学）
该研究分析了Bisq去中心化交易所参与者共享数据的隐私成本，通过地址聚类启发式方法聚合参与者活动，识别其化名与市场角色，并提出隐私保护建议。
2026-08-18 cs.CR
Deanonymizing Ethereum Validators: The P2P Network Has a Privacy Issue
本研究提出一种去匿名化方法，使以太坊P2P网络中的节点能识别验证者IP地址，3天内定位超15%验证者，揭示了其隐私风险并提出防护建议。
2025-02-01 cs.CR
Peer2PIR: Private Queries for IPFS
本文提出 Peer2PIR，通过将私有信息检索协议集成到 IPFS 的节点路由、提供商通告和内容检索三项功能中，解决 IPFS 查询泄露内容的隐私问题，并证明其通信与计算开销合理较低。
2024-11-26 cs.CR
On the (In)security of Peer-to-Peer Decentralized Machine Learning
SPRING Lab（SPRING实验室）；EPFL（洛桑联邦理工学院）
本文首次深入分析去中心化学习的隐私性，提出新型攻击，证明其安全性不优于联邦学习，且增加攻击面，隐私保护配置需全连接网络，丧失实际优势。
2023-11-10 cs.CR cs.LG
PrIsing: Privacy-Preserving Peer Effect Estimation via Ising Model
针对Ising模型在社交、医疗等领域应用引发的个体响应隐私泄露问题，提出一种基于目标扰动的(ε,δ)-差分隐私算法PrIsing，可单网络精确估计自然参数，推导了遗憾界并在合成及真实网络数据集上验证了性能。
2024-01-29 cs.CR cs.SI math.ST
Self-Determined Reciprocal Recommender System with Strong Privacy Guarantees
推荐系统被广泛使用。通常，推荐系统是基于一个集中式的客户端-服务器架构。然而，这种方法意味着关于用户隐私的缺点。在本文中，我们提出了一个分布式互惠推荐系统与强大的，自我确定的隐私保证，即，局部差分隐私。更准确地说，用户在本地随机化他们的配置文件，并通过对等网络交换它们。然后通过估计简档之间的相似性来计算推荐并在本地进行排名。我们评估推荐准确性的工作推荐系统，并证明我们的方法提供了可接受的实用程序下强隐私的要求。
2021-07-14 cs.CR
CFL: Cluster Federated Learning in Large-scale Peer-to-Peer Networks
联邦学习（FL）已经引起了人们对利用客户本地设备上的私有数据的广泛兴趣。然而，FL的参数服务器设置不仅具有高带宽要求，而且还带来数据隐私问题和单点故障。在本文中，我们提出了一个有效的和隐私保护的协议，被称为CFL，这是第一个细粒度的全球模型训练FL在大规模对等（P2P）网络。与P2P网络中的FL不同，CFL分层聚集本地模型更新参数，提高了面对大量客户端的通信效率。此外，CFL中的聚合是在一个安全的方式通过引入认证的加密方案，其密钥是建立通过一个随机成对密钥方案增强了建议的基于投票的密钥撤销机制。严格的分析表明，CFL保证隐私和数据的完整性和真实性的本地模型更新参数下两个广泛的威胁模型。更重要的是，所提出的密钥撤销机制可以有效地抵抗劫持攻击，从而保证通信密钥的机密性。在Trec06p和Trec07数据集上的实验表明，CFL训练的全局模型具有良好的分类精度、模型泛化能力和快速收敛速度，并具有良好的丢包鲁棒性。与P2P网络中首个FL全局模型训练协议PPT相比，CFL提高了43.25%的通信效率。此外，CFL在计算效率方面优于PPT。
2022-07-06 cs.CR
Understanding Disclosure Risk in Differential Privacy with Applications to Noise Calibration and Auditing (Extended Version)
Karlsruhe Institute of Technology（卡尔斯鲁厄理工学院）；Inria Centre at the University Grenoble Alpes（格勒诺布尔大学Inria中心）；ÉTS Montréal（蒙特利尔高等技术学院）
本文提出重建优势作为统一的风险度量，用于改进DP审计并优化效用-隐私权衡。
2026-03-12 cs.CR cs.IT math.IT
Moneros Decentralized P2P Exchanges: Functionality, Adoption, and Privacy Risks
本文针对门罗币因监管被中心化交易所下架后门罗生态去中心化P2P交易所的兴起，梳理了相关DEX的功能、架构等情况，还发现Haveno的隐私漏洞可关联门罗币与比特币链上交易，为安全设计与监管提供参考。
2025-05-20 cs.CR
Secure Summation via Subset Sums: A New Primitive for Privacy-Preserving Distributed Machine Learning
EPFL（洛桑联邦理工学院）
针对分布式求和在恶意服务器和少量诚实客户端场景下的隐私保护需求，提出S5方法，通过零和噪声与洗牌实现计算隐私，基于多维子集和问题提供保证。
2023-06-19 cs.CR cs.LG
DatashareNetwork: A Decentralized Privacy-Preserving Search Engine for Investigative Journalists
调查记者在调查过程中收集了大量的数字文件。这些文件对其他记者的工作大有助益。但是，这些文档中有许多包含敏感信息。因此，拥有这些文件可能会危及记者，他们的故事，以及他们的来源。因此，许多文件仅用于单一的地方调查。我们介绍了DatashareNetwork，这是一个去中心化和隐私保护的搜索系统，使世界各地的记者能够通过专用的同行网络查找文件。DatashareNetwork将众所周知的匿名认证机制和匿名通信原语、一种新颖的异步消息传递系统和一种新颖的多集私有集相交协议（MS-PSI）结合到一个 * 分散式对等私有文档搜索引擎 * 中。我们证明了DatashareNetwork是安全的，并使用原型实现展示了它可以扩展到数千名用户和数百万个文档。
2020-07-30 cs.CR
Privacy-Preserving P2P Energy Market on the Blockchain
Quartierstrom为本地产生的太阳能创造了一个点对点的市场。该市场作为智能合约在由所有生产者管理的许可区块链上实现。提出了两个隐私设计概念，保证用户的个人负载配置文件不会泄露给任何第三方，尽管使用区块链。第一种方法利用基于UTXO的硬币混合协议与基于账户的链上智能合约相结合。第二种方法依赖于在可信执行环境中运行的链下智能合约。
2019-05-20 cs.CR cs.DC
Secure and Privacy-Preserving Federated Learning via Co-Utility
UNESCO Chair in Data Privacy（联合国教科文组织数据隐私教席）；CYBERCAT-Center for Cybersecurity Research of Catalonia（CYBERCAT-加泰罗尼亚网络安全研究中心）；Universitat Rovira i Virgili（罗维拉-威尔吉利大学）
联邦学习的分散性通常利用边缘设备的力量，使其容易受到隐私和安全攻击。对等体的隐私风险在于，她在其私有数据上计算的模型更新在发送到模型管理器时可能会泄漏这些私有数据上的信息。更明显的是安全攻击，其中一个或多个恶意对等点返回错误的模型更新，以破坏学习过程并导致学习错误的模型。在本文中，我们建立了一个联邦学习框架，提供隐私的参与同行以及对拜占庭和中毒攻击的安全性。我们的框架由几个协议，提供强大的隐私参与同行通过unabsolutely匿名和合理的可持续的基础上的共同效用属性。换句话说，没有理性的一方有兴趣偏离拟议的协议。我们利用共同效用的概念来构建一个分散的共同效用声誉管理系统，为各方遵守协议提供激励。与通过差分隐私的隐私保护不同，我们的方法保留了模型更新的值，因此保留了普通联邦学习的准确性;与通过更新聚合的隐私保护不同，我们的方法保留了检测坏模型更新的能力，同时与基于同态加密的方法相比，大大减少了计算开销。
2021-08-04 cs.CR cs.DC cs.GT
Federated Learning Nodes Can Reconstruct Peers' Image Data
本研究揭示联邦学习中诚实但好奇的客户端可通过梯度反转、借助扩散模型利用连续更新的稀释信息重构对等节点私有图像，指出需更鲁棒的隐私机制防范客户端侧隐蔽攻击。
2025-06-12 cs.CR cs.LG
Backdoor Attacks in Peer-to-Peer Federated Learning
Northeastern University（东北大学）；Khoury College of Computer Sciences（科里计算机科学学院）
针对对等网络联邦学习（P2PFL）的投毒攻击抵御能力未被研究的问题，提出利用图结构选恶意节点的高隐蔽性后门攻击，验证其在多种真实场景下的有效性，并设计出不影响模型准确率的新型防御方案。
2024-09-17 cs.CR cs.LG
Utilizing Public Blockchains for the Sybil-Resistant Bootstrapping of Distributed Anonymity Services
分布式匿名服务，如洋葱路由网络或加密货币翻转器，承诺在没有可信第三方的情况下保护隐私保护。虽然这些服务的安全性经常得到很好的研究，但其所需的引导过程的安全性影响通常被忽视：用户要么自己联合进行匿名化，要么他们需要依赖一组非合谋的隐私对等体。然而，通常数量很少的隐私对等点使单个对手能够模仿分布式服务。因此，我们提出了AnonBoot，这是一种抗Sybil的介质，可以通过公共区块链安全地引导分布式匿名服务。AnonBoot强制要求对等节点定期创建一个小型的工作量证明，以刷新其提供安全匿名服务的资格。然后，使用链上熵的伪随机、局部可复制的自举过程防止对合格对等体的选举产生偏见。我们使用比特币作为AnonBoot的底层区块链进行的评估表明，它可以在大多数区块链上支持任意大的用户群，同时保持一个由1000个对等体组成的值得信赖的存储库，并且只有很小的存储空间。
2020-04-21 cs.CR cs.NI
Privacy-Preserving Spam-Protected Gossip-Based Routing
WAKU-RLN-RELAY是一个匿名的点对点的基于流言的路由协议，具有隐私保护的垃圾邮件保护与加密保证的经济激励。虽然是一个匿名路由协议，路由的消息不属于其来源，它允许全球识别和删除垃圾邮件发送者。它解决了同行的性能和隐私问题，包括工作量证明和基于声誉的计划。它的计算开销很小，适合资源有限的环境。垃圾邮件保护通过限制每个网络参与者的消息速率来工作，其中速率违规会导致经济处罚。我们部署的速率限制无效器的新结构，以执行消息速率限制。我们提供了WAKU-RLN-RELAY的概念验证实现，以证明我们的解决方案的效率和可行性。
2022-06-30 cs.CR
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
Beyond Theoretical Bounds: Empirical Privacy Loss Calibration for Text Rewriting Under Local Differential Privacy
School of Computing, FSE, Macquarie University（麦考瑞大学计算学院，FSE）
本文探讨在局部差分隐私下文本重写机制的实证校准方法，提出TeDA框架，通过假设检验框架评估隐私化文本的可区分性，提供更可靠的隐私-效用权衡评估工具。
2026-03-24 cs.CL cs.CR
Privacy-preserving Decentralized Federated Learning over Time-varying Communication Graph
Lancaster University（兰卡斯特大学）
确定一组学习者如何以完全分散的（点对点，没有协调员）方式提供隐私保护的联邦学习是一个开放的问题。我们提出了第一个隐私保护的基于共识的算法，分布式学习器，以实现分散的全球模型聚合的环境中的高流动性，学习器之间的通信图可能会有所不同，连续轮的模型聚合。特别地，在每一轮全局模型聚合中，Metropolis-Hastings方法被应用于基于当前通信拓扑来更新加权邻接矩阵。此外，Shamir的秘密共享方案的整合，以促进隐私达成共识的全球模型。本文建立了该算法的正确性和隐私属性。通过建立在联邦学习框架上的仿真实验，对算法的计算效率进行了评估。
2022-10-01 cs.CR cs.LG cs.MA
Enigma: Decentralized Computation Platform with Guaranteed Privacy
一种点对点网络，使不同的各方能够共同存储和运行数据计算，同时保持数据完全私有。Enigma的计算模型基于高度优化的安全多方计算，由可验证的秘密共享方案保证。对于存储，我们使用修改的分布式哈希表来保存秘密共享数据。外部区块链被用作网络的控制器，管理访问控制，身份，并作为防篡改的事件日志。保证金和费用激励系统的运作、正确性和公平性。与比特币类似，Enigma消除了对可信第三方的需求，实现了对个人数据的自主控制。这是第一次，用户可以在加密的情况下分享他们的数据。
2015-06-10 cs.CR cs.DC
Improving Bitswap Privacy with Forwarding and Source Obfuscation
本文研究在 IPFS 的 Bitswap 协议中引入转发与来源混淆以增强隐私，实验显示涓流扩散可将来源预测准确率降至 40%，并在短距离场景下仍可能保持较快的内容获取速度。
2023-07-07 cs.CR
Empirical Calibration and Metric Differential Privacy in Language Models
Macquarie University（麦考瑞大学）
针对 DP-SGD 隐私预算难以跨机制比较的问题，论文用攻击实验校准 NLP 隐私，提出基于 VMF 分布的定向度量 DP 机制，并揭示不同机制在效用-隐私权衡中的优势。
2025-03-18 cs.CR cs.LG
Consortium Blockchain for Security and Privacy-Preserving in E-government Systems
自2008年作为安全加密货币共享的解决方案诞生以来，区块链技术现已成为通过无信任和分散的点对点系统进行安全数据共享和存储的核心技术之一。电子政务是存储有关公民、企业和其他附属机构的敏感信息的系统之一，因此成为网络攻击者的目标。现有的电子政务系统是集中式的，因此容易出现单点故障。本文提出了一种基于联盟区块链技术的安全和分散的电子政务系统，这是一个半公开和分散的区块链系统，由一组预先选择的实体或组织组成，负责共识和决策，以使整个网络的同行受益。此外，在添加到区块链网络之前，预先选择了一些电子政务节点来执行用户和交易验证的任务。因此，联盟区块链网络的电子政务用户有权创建、提交、访问和审查交易。单笔交易时间和每秒处理的交易的性能评估证明了所提出的基于联盟区块链的电子政务系统在所有利益相关者之间安全共享信息的实用性。
2020-06-25 cs.CR
Federated Calibration and Evaluation of Binary Classifiers
Meta AI
我们解决了两个主要的障碍，实际使用的监督分类分布式私人数据。无论分类器是由合作客户端的联合训练还是集中训练，（1）输出分数必须校准，（2）性能指标必须评估-所有这些都没有在一个地方组装标签。特别是，我们展示了如何在三种隐私模型下在联邦设置中执行校准和计算精度，召回率，准确率和ROC-AUC（i）安全聚合，（ii）分布式差分隐私，（iii）本地差分隐私。我们的定理和实验澄清了隐私，准确性和数据效率之间的权衡。它们还有助于确定给定应用程序是否有足够的数据来支持联合校准和评估。
2022-10-22 cs.CR cs.LG
FedV: Privacy-Preserving Federated Learning over Vertically Partitioned Data
IBM Research（IBM研究院）；University of Pittsburgh（匹兹堡大学）
联邦学习（FL）已经被提出来允许多方之间的机器学习（ML）模型的协作训练，其中每一方都可以保持其数据私有。在这个范例中，只有模型更新，如模型权重或梯度，是共享的。许多现有的方法都集中在水平FL，其中每一方具有整个特征集和标签的训练数据集。然而，许多真实场景遵循垂直分区的FL设置，其中只有当来自各方的所有数据集组合在一起时才形成完整的特征集，并且标签仅对单一方可用。隐私保护垂直FL是具有挑战性的，因为完整的标签和特征集不属于一个实体。现有的垂直FL方法需要各方之间的多个对等通信，导致冗长的训练时间，并且仅限于（近似）线性模型和两方。为了缩小这一差距，我们提出了FedV，这是一个在垂直设置中安全梯度计算的框架，用于几个广泛使用的ML模型，如线性模型，逻辑回归和支持向量机。FedV通过使用函数加密方案消除了各方之间对等通信的需要;这使得FedV能够实现更快的训练时间。它也适用于更大和不断变化的政党。我们经验性地证明了多种类型ML模型的适用性，并显示与最先进的方法相比，训练时间减少了10%-70%，数据传输减少了80%至90%。
2021-06-16 cs.AI cs.CR cs.DC
Zero-Knowledge Location Privacy via Accurate Floating-Point SNARKs
提出零知识位置隐私（ZKLP），利用符合IEEE 754的浮点SNARK电路，实现位置证明且不泄露精确位置，优化后约束大幅减少，并展示了高效的点对点邻近测试协议。
2024-11-09 cs.CR
Summarizing and Analyzing the Privacy-Preserving Techniques in Bitcoin and other Cryptocurrencies
本文综述 Bitcoin 等加密货币面临的去匿名化攻击与分析技术，分析各类隐私保护算法及其解决的问题，并探讨其伦理、影响、合法性与接受度。
2024-09-09 cs.CR
Noise Reduction for Pufferfish Privacy: A Practical Noise Calibration Method
Beijing Institute of Technology（北京理工大学）；University of Auckland（奥克兰大学）；Qi An Xin Technology Group Inc.（奇安信科技集团股份有限公司）；Zhongguancun Laboratory（中关村实验室）
本文提出了一种实用的噪声校准方法，用于在鱼鳞隐私下提高数据效用，实验表明数据效用提升了47%至87%。
2026-01-10 cs.CR
A framework of blockchain-based secure and privacy-preserving E-government system
电子政府（e-government）利用信息和通信技术有效、高效和透明地向个人和组织提供公共服务。电子政务是最复杂的系统之一，需要分布式、安全和隐私保护，这些系统的失败可能会在经济和社会上付出高昂的代价。大多数现有的电子政务系统，如网站和电子身份管理系统，都集中在重复的服务器和数据库上。集中式管理和验证系统可能遭受单点故障，并使系统成为网络攻击的目标，例如恶意软件、拒绝服务攻击（DoS）和分布式拒绝服务攻击（DDoS）。区块链技术可以实现高度安全和隐私保护的分散系统，其中交易不受任何第三方组织的控制。使用区块链技术，现有数据和新数据存储在块的密封隔间中（即，账本）以可验证和不可变的方式分布在网络上。区块链技术增强了信息安全和隐私，其中数据在整个网络中加密和分布。本文提出了一种基于区块链技术的去中心化电子政务点对点（P2P）系统框架，该框架可以在保证信息安全和隐私的同时，提高公共部门的信任度。此外，提出了一个原型的建议系统，与理论和定性分析的支持，这种系统的安全和隐私的影响。
2020-06-25 cs.CR
Collaborative Deanonymization
寻求隐私的加密货币用户依赖于CoinJoin和戒指交易等匿名技术。通过使用这些技术，良性用户可能会为不良行为者提供匿名性。我们提出覆盖协议，以解决匿名性和问责制之间的紧张关系，在对等的方式。加密货币可以采用这种方法来起诉公众公认的犯罪。我们说明了这些协议如何应用于比特币中的Monero环和CoinJoin交易。
2021-02-26 cs.CR cs.CY
Optimizing Privacy-Utility Trade-off in Decentralized Learning with Generalized Correlated Noise
Dept. of Electrical Engineering (ISY), Linköping University, Sweden（电气工程系（ISY），林奈大学）
提出 CorN-DSGD 协方差框架，利用网络拓扑与混合权重生成跨智能体相关隐私噪声并实现全网噪声抵消，在形式化隐私保证下提升去中心化学习性能。
2025-07-23 cs.AI cs.CR cs.DC
Beyond the Calibration Point: Mechanism Comparison in Differential Privacy
Technical University of Munich（慕尼黑工业大学）；LMU Munich（慕尼黑大学）
本文提出机制间Δ-散度，用于严格比较共享同一(ε,δ)对的不同差分隐私机制的最坏情况超额隐私脆弱性，揭示DP-SGD现行做法中的隐私风险盲区。
2025-05-04 cs.AI cs.CR cs.LG
LightPIR: Privacy-Preserving Route Discovery for Payment Channel Networks
支付通道网络是提高加密货币可扩展性的一种有前途的方法：它们允许以点对点的方式，沿着网络中的多跳路由执行交易，而不需要在区块链上达成共识。然而，在发现具有成本效益的交易路线期间，可能会泄露有关交易实体的关键信息。本文首先研究了支付通道网络中的隐私保护路由发现机制。特别是，我们提出了LightPIR，这种方法允许源有效地发现到其目的地的最短路径，而不会泄露任何有关交易端点的信息。在LightPIR中实现有效解决方案的两个主要观察结果是：（1）令人惊讶的是，集线器标记算法-开发用于预处理“街道网络”图，以便稍后可以有效地计算最短路径-也适用于支付通道网络底层的图，以及（2）集线器标记算法可以直接与私有信息检索相结合。LightPIR依赖于现有集线器标记算法之上的简单集线器标记启发式算法，该算法利用加密货币网络的特定拓扑特征，以进一步最大限度地减少存储和带宽开销。在考虑闪电网络的案例研究中，我们表明，我们的方法是一个数量级更有效的隐私保护基线的基础上使用私人信息检索的数据库，存储所有对最短路径。
2021-04-09 cs.CR cs.NI
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
Arbitrary Length k-Anonymous Dining-Cryptographers Communication
用餐密码学家网络（DCN）可以实现信息理论隐私。不幸的是，它们不太适合点对点网络，因为它们在区块链应用程序中用于在参与者之间传播交易和区块。在之前的初步工作中，我们提出了一种三阶段方法，初始阶段基于组大小为k的DCN，而后期阶段则负责对等网络中的实际广播。本文详细介绍了我们的DCN协议，并增加了一个性能评估我们的概念验证实现供电。我们的贡献是（一）的DCN协议的扩展冯安公平交付的任意长的消息发送的潜在多个节点，（二）隐私和安全性分析这个扩展，（三）各种性能优化，特别是最佳情况下的操作，和（四）一个性能评估。后者在参与者之间使用100 ms的延迟和50 Mbit/s的带宽限制。高度安全版本的最大测试的四分位数范围需要35 s +-1.25s进行完整运行。优化的通用模式的所有测试都显示消息在0.5s+-0.1s内传播。这些结果比较有利，以前建立的协议k-匿名传输的固定大小的消息，优于原始协议的消息小到2 KiB。
2021-03-31 cs.CR cs.NI
Differential Privacy at Risk: Bridging Randomness and Privacy Budget
École Normale Supérieure（巴黎高等师范学院）；Chalmers University of Technology（查尔姆斯理工大学）；National University of Singapore（新加坡国立大学）
隐私保护机制的噪声校准取决于查询的敏感性和规定的隐私级别。数据管理员必须对隐私级别做出重要的选择，以平衡用户的需求和业务实体的资金限制。我们分析角色的随机性的来源，即显式随机性引起的噪声分布和隐式随机性引起的数据生成分布，参与设计的隐私保护机制。更精细的分析使我们能够提供更强有力的隐私保证，并具有可量化的风险。因此，我们提出的隐私风险，这是一个概率校准的隐私保护机制。我们提供了一个组合定理，利用隐私的风险。我们实例化的概率校准拉普拉斯机制提供分析结果。我们还提出了一个成本模型，该模型可以弥合隐私级别与GDPR合规商业实体估计的补偿预算之间的差距。所提出的成本模型的凸性导致隐私级别的独特微调，最大限度地减少补偿预算。我们展示了它的有效性，说明了一个现实的情况下，避免高估的补偿预算使用隐私风险的拉普拉斯机制。我们定量地表明，组合使用成本最优的隐私风险提供了更强的隐私保证比经典的先进的组合。
2020-04-13 cs.CR cs.DS cs.LG
Beyond Personalization: Federated Recommendation with Calibration via Low-rank Decomposition
针对联邦推荐中全局物品聚合导致用户嵌入偏斜的问题，本文提出 PFedCLR，利用缓冲矩阵及其低秩分解联合校准用户嵌入并个性化物品嵌入，同时兼顾隐私与效率。
2025-06-11 cs.CR
Attack-Aware Noise Calibration for Differential Privacy
Lausanne University Hospital (CHUV)（洛桑大学医院（CHUV））；Harvard University（哈佛大学）；Technical University Munich（慕尼黑工业大学）；EPFL（洛桑联邦理工学院）
针对差分隐私，提出直接按攻击风险校准噪声规模的方法，替代先选ε再转换，显著降低噪声、提升效用，实验证明在相同风险下提高模型准确率。
2024-11-07 cs.AI cs.CR cs.LG
Ants-Review: a Protocol for Incentivized Open Peer-Reviews on Ethereum
同行评议是科学出版物质量控制的必要和基本步骤，但缺乏适当的激励措施。事实上，这一过程在时间和智力投资方面都非常昂贵，不仅期刊没有报酬，而且学术界也没有公开承认这是研究人员的相关科学产出。因此，科学传播的及时性、质量和公平性受到影响。在这里，为了解决这个问题，我们提出了一个基于区块链的激励系统，奖励科学家对其他科学家的工作进行同行评审，并建立信任和声誉。我们设计了一个面向隐私的智能合约协议，称为Ants-Review，允许作者在以太坊上发布开放匿名同行评论的奖金。如果符合要求，同行审查将被接受，并由审查委员会按其评估质量的比例支付费用。为了促进道德行为和包容性，该系统实施了一种游戏化机制，允许整个社区评估同行评审并投票选出最佳评审。
2021-01-22 cs.CR cs.CY cs.DC
Privacy-preserving transactive energy systems: Key topics and open research challenges
本文梳理2023年PriTEM研讨会成果，围绕交互式能源系统的隐私保护，覆盖多领域研究主题，识别相关障碍并提出解决方案，同时阐述跨学科协作挑战与经验教训。
2023-12-17 cs.CR cs.SY eess.SY
