Can Two Walk Together: Privacy Enhancing Methods and Preventing Tracking of Users
我们提出了一个新的问题时，从个人收集的数据，从试图减轻隐私泄漏在多个报告：跟踪用户参与数据汇集通过增加的机制，以提供隐私。受差分隐私框架的启发，我们提出了几种不可跟踪机制的定义。具体来说，我们将可跟踪参数定义为一组报告源自单个用户的概率与同一组报告源自两个用户（具有相同的私有值）的概率之间的最大比率的对数。我们将探讨这一新定义的含义。我们展示了如何差分私人和不可跟踪的机制可以结合起来，以实现一定的用户改变他们的私人价值时，检测问题的界限。检查谷歌的永久隐私部署的解决方案，我们表明，RAPPOR（Erlingsson et al. ACM CCS，2014）是可跟踪的，在我们的框架中的参数在他们的论文。我们分析了一种随机响应的变体，用于收集单个比特的统计数据，Bitwise Everlasting Privacy，它实现了良好的准确性和永久的隐私，同时只有合理的不可跟踪，特别是报告数量线性增长。为了从更大的域收集有关数据的统计信息（对于直方图和重打击者），我们提出了一种机制，可以防止跟踪有限数量的响应。我们还提出了机制链的概念，使用一个机制的输出作为另一个的输入，在差分隐私的范围内，并证明了一个$\varepsilon_1$-LDP机制与$\varepsilon_2$-LDP机制的链接是$\ln\frac{e^{\varepsilon_1+\varepsilon_2}+1}{e^{\…
2020-04-06 cs.CR
Optimal Piecewise-based Mechanism for Collecting Bounded Numerical Data under Local Differential Privacy
Rochester Institute of Technology（罗切斯特理工学院）
本文提出在局部差分隐私下收集有界数值数据的最优分段机制，通过推广分段机制并设计环形域最优方案，显著提升数据效用。
2025-06-15 cs.CR
A Comprehensive Survey on Local Differential Privacy Toward Data Statistics and Analysis
收集和分析从智能设备生成的大量数据在人群感知中变得越来越普遍，这是数据驱动决策的基石。但是，对这些数据进行广泛的统计和分析将严重威胁参与用户的隐私。局部差分隐私（LDP）是一种优秀的分布式隐私模型，能够在数据收集和分析过程中为每个用户提供强隐私保护。LDP确保每个用户的数据首先在客户端进行本地扰动，然后发送到服务器端，从而保护数据免受客户端和服务器端的隐私泄露。该调查全面系统地概述了LDP的隐私模型、研究任务、启用机制和各种应用程序。具体而言，我们首先提供了一个理论总结LDP，包括LDP模型，LDP的变种，LDP算法的基本框架。然后，我们从频率估计、均值估计和机器学习的角度研究和比较了用于各种数据统计和分析任务的不同LDP机制。此外，我们还总结了实际的基于LDP的应用场景。最后，我们概述了LDP下的几个未来研究方向。
2021-01-28 cs.CR
Randori: Local Differential Privacy for All
民意调查是收集数据的常见方式，包括产品评论和反馈表。然而，很少有数据收集者提供预先的隐私保证。此外，当隐私保证预先给出时，它们通常是关于“匿名”的模糊声明。相反，我们建议通过差分隐私的统计概念提供可量化的隐私保证。然而，隐私并不是免费的。差分隐私的核心是准确性和隐私之间的内在权衡，需要加以平衡。因此，在开始收集数据之前，适当调整准确性-隐私权衡至关重要。总而言之，开始差异私有数据汇集可能具有挑战性。理想情况下，数据分析师不必关心差分隐私的所有细节，而是通过设计获得差分隐私。尽管如此，据我们所知，还没有在差分隐私下收集民意调查数据的工具。由于缺乏在差分隐私下收集民意调查数据的工具，我们开始设计自己的工具。具体来说，使本地差分隐私访问所有，在本系统的文件中，我们提出了Randori，一套新颖的开源工具，用于差异私人民意调查数据汇集。Randori旨在帮助数据分析师专注于他们的民意调查正在收集什么数据，而不是他们应该如何收集它。我们的工具还允许数据分析师分析预测他们的民意调查的准确性。此外，我们表明，单独的差分隐私是不足以实现端到端的隐私在服务器-客户端设置。因此，我们还调查和减轻隐式数据泄漏的Randori。
2021-01-27 cs.CR
Privacy for Free: Leveraging Local Differential Privacy Perturbed Data from Multiple Services
本文针对多服务场景下本地差分隐私带来的用户隐私负担问题，提出统一的数据收集与聚合框架，并设计UA、UWA和ULE方法，以提升均值和分布估计的准确性。
2025-03-11 cs.CR
Enhancing Security Using Random Binary Weights in Privacy-Preserving Federated Learning
本文提出在联邦学习中由各客户端用独立二值随机数序列乘以更新信息后再上传，从而在不降低模型性能的同时增强对数据猜测攻击的鲁棒性，并通过实验验证其对APRIL恢复攻击的抵抗效果。
2024-09-30 cs.CR
Toward an Attribute-Based Digital Identity Modeling for Privacy Preservation
数字身份是一个多维度、多学科、复杂的概念。因此，很难逮捕。许多贡献提出了数字身份的定义和表示。然而，其中许多要么非常通用，难以实现，要么不考虑隐私问题。鉴于隐私大师的重要性，有必要重新考虑数字身份，以考虑隐私问题。因此，本文旨在提出一个基于属性的数字身份的隐私保护的目的。该模型考虑了身份盗窃、安全和隐私。
2019-09-13 cs.CR
$d_X$-Privacy for Text and the Curse of Dimensionality
本文发现多维拉普拉斯机制在逐词应用时输出极端词而非语义相似词，归因于高维嵌入中最近邻距离特性，并提出后处理修复方法。
2025-09-08 cs.CR
Collecting Telemetry Data Privately
许多软件公司定期执行对来自用户设备的遥测数据的收集和分析。遥测数据收集改善了用户体验，但对用户隐私构成重大风险。局部差异隐私（LDP）算法最近已经成为允许数据收集器估计各种人口统计数据，同时保护隐私的主要工具。由这样的算法提供的保证通常对于单轮遥测数据收集是非常强的，但是当定期收集遥测数据时会迅速降级。特别是，现有的LDP算法不适合重复收集计数器数据，例如每日应用程序使用统计数据。在本文中，我们开发了新的LDP机制，面向计数器数据的重复收集，即使在执行了任意长的时间后，也有正式的隐私保证。对于两个基本的分析任务，平均值估计和直方图估计，我们的LDP重复数据汇集机制提供了与现有的单轮LDP收集机制相当甚至相同的准确性估计。我们在真实世界的计数器数据集上进行了实证评估，以验证我们的理论结果。我们的机制已被微软部署，用于收集数百万台设备的遥测数据。
2017-12-05 cs.CR cs.DS
Privacy-Preserving Data Aggregation Techniques for Enhanced Efficiency and Security in Wireless Sensor Networks: A Comprehensive Analysis and Evaluation
本文提出一种多维隐私保护数据聚合方法，通过恒定通信开销抵御合谋攻击并降低能耗，在大规模无线传感器网络中优于现有方案。
2024-03-29 cs.CR
Privacy-preserving Travel Time Prediction with Uncertainty Using GPS Trace Data
GPS技术和移动设备的快速发展导致了位置数据的大量积累，为个人和社会带来了可观的好处。这些数据的主要用途之一是旅行时间预测，这是GPS导航设备和应用程序提供的典型服务。与此同时，个人位置数据的不断收集和分析也带来了前所未有的隐私威胁。我们利用地理不可侵犯性的概念，差分隐私的位置隐私设置的扩展，并提出了一个程序，隐私保护的旅行时间预测，而不收集实际的个人GPS跟踪数据。我们提出了新的概念来研究基于地理不可感知性的消毒对GPS轨迹有用性的影响，并为隐私保护旅行时间预测提供分析和实验效用分析。我们还提出了新的指标来衡量对手的错误，从收集的消毒数据学习个人GPS轨迹。我们的实验结果表明，所提出的程序提供了旅行时间预测与令人满意的准确性在合理的小隐私成本。
2021-05-07 cs.CR
Local Differential Privacy for Tensors in Distributed Computing Systems
针对分布式系统中张量数据的隐私保护难题，提出TLDP算法，采用随机响应机制并引入权重矩阵，在保持结构完整性的同时实现效用与隐私的平衡，经理论和实证验证效果优越。
2025-09-11 cs.CR
Randomized Response with Gradual Release of Privacy Budget
针对随机响应隐私保护固定的问题，提出逐步释放隐私预算的DP放宽算法，保持各阶段效用与分布一致，并集成于RAPPOR及均值估计，实验验证其效用与隐私保证。
2024-01-25 cs.CR
Interval Privacy: A Framework for Privacy-Preserving Data Collection
公众对数据隐私的意识和政府对数据隐私的监管不断增强，这激发了收集和分析数据的新模式，这些模式对数据所有者来说是透明的和可接受的。我们提出了一个新的概念，隐私和相应的数据格式，机制和理论的私有化数据在数据汇集。隐私，命名为区间隐私，强制私有化数据的原始数据的条件分布是相同的，其无条件分布在一个非平凡的支持集。相应地，所提出的隐私机制将每个数据值记录为包含它的随机区间（或者更一般地，范围）。所提出的区间隐私机制可以通过基于调查的数据汇集接口容易地部署，例如，通过询问应答者其数据值是否在随机生成的范围内。区间机制的另一个独特之处在于，它们混淆了事实，但并不扰乱事实。使用窄范围来传递信息是对流行的扰动数据范式的补充。此外，间隔机制可以根据个人的判断生成逐步细化的信息，自然导致隐私自适应的数据汇集。我们开发了不同方面的理论，如组成，鲁棒性，分布估计和回归学习区间值数据。区间隐私提供了一个以人为中心的数据隐私的新视角，其中个人有一个可感知的，透明的，简单的方式来共享敏感数据。
2022-04-19 cs.CR
Dependency Triad: A Metric to Quantify the Dependencies Between Attributes for Local Differential Privacy
The University of Sydney（悉尼大学）；University of Maryland（马里兰大学）；CSIRO（澳大利亚联邦科学与工业研究组织）
针对现有CPL分析方案的局限，提出依赖三元组（DT）度量，其为常数时间保守估计量，可稳健估计成对CPL，经实验验证适用于合成与真实数据集。
2026-08-05 cs.CR cs.IT math.IT
Hide me Behind the Noise: Local Differential Privacy for Indoor Location Privacy
众多室内基于位置的服务（LBS）的出现以及许多类型的移动设备在室内环境中的广泛使用已经导致生成大量的人的位置数据。虽然地理空间数据包含有关个人活动的敏感信息，但以原始形式收集这些数据可能导致与人们有关的个人信息泄露，侵犯他们的隐私。本文提出了一种新的隐私感知框架聚合的室内位置数据采用本地差分隐私（LDP）技术，其中用户的位置数据在用户的设备本地改变，并发送到聚合器之后。因此，用户的位置对服务器或任何攻击者都是隐藏的。两个真实世界的数据集验证了应用所提出的框架的实际可行性。数据集属性，隐私机制，隐私级别对我们的框架的影响也进行了研究。实验结果表明，该框架能够保护用户的位置信息，在不知道室内人员位置的情况下，室内区域不同区域人口频率的准确性接近于原始人口频率。
2022-07-01 cs.CR
Frequency Estimation of Evolving Data Under Local Differential Privacy
收集和分析不断变化的纵向数据已成为一种普遍做法。在这种情况下，保护用户隐私的一种可能方法是使用本地差分隐私（LDP）协议，该协议确保即使在违规或数据滥用的情况下也能保护所有用户的隐私保护。现有的LDP数据汇集协议，例如Google的RAPPOR和Microsoft的dBitFlipPM，可以具有与域大小k成线性的纵向隐私，这对于大域，例如互联网域来说是过大的。为了解决这个问题，在本文中，我们介绍了一种新的LDP数据汇集协议的纵向频率监测命名为LOLOHA LOCAL HASING（LOLOHA）正式的隐私保证。此外，我们的协议的隐私效用权衡是线性的，相对于减少域大小$2\leq g \ll k$。LOLOHA结合了通过本地哈希的域缩减方法和双重随机化，以最大限度地减少数据更新引起的隐私泄漏。正如我们的理论分析以及我们的实验评估所证明的那样，LOLOHA实现了与当前最先进的协议相竞争的效用，同时大大减少了纵向隐私预算消耗高达k/g数量级。
2023-02-21 cs.CR
A Study on Privacy-Preserving Scholarship Evaluation Based on Decentralized Identity and Zero-Knowledge Proofs
针对传统集中式奖学金评审存在的数据泄露风险与隐私、审计难以兼顾的问题，提出基于DID与ZKP的评审系统，通过链下聚合多维度ZKP、智能合约合规验证，实现高效自动化评审并保护学生隐私与数据完整性。
2025-10-29 cs.CR
Advancing Android Privacy Assessments with Automation
本文针对 Android 应用隐私合规评估中跨专业协作与沟通困难的问题，提出自动化工具 Assessor View，以弥合知识差距并提升评估效率。
2024-09-10 cs.CR
(Local) Differential Privacy has NO Disparate Impact on Fairness
Inria（法国国家信息与自动化研究所）；École Polytechnique (IPP)（巴黎综合理工学院（巴黎理工学院））
本文实证研究了在本地差分隐私（LDP）下收集多种敏感属性对公平性的影响，提出了一种考虑属性域大小的新型隐私预算分配方案，实验表明LDP不仅未恶化反而略微改善了公平性，挑战了差分隐私必然损害公平性的普遍看法。
2023-08-01 cs.CR cs.LG
L-SRR: Local Differential Privacy for Location-Based Services with Staircase Randomized Response
基于位置的服务（LBS）已经得到了显著的发展，并广泛部署在移动设备中。众所周知，LBS应用程序可能会收集敏感位置，从而导致严重的隐私问题。强隐私模型“局部差分隐私"（LDP）最近已经被部署在许多不同的应用中（例如，Google RAPPOR、iOS和Microsoft Telemetry），但由于现有LDP机制的低实用性，对LBS应用程序无效。为了解决这样的缺陷，我们提出了第一个LDP框架的各种基于位置的服务（即“L-SRR”），私人收集和分析用户的位置与高效用。具体来说，我们设计了一种新的随机化机制“阶梯随机响应”（SRR），并扩展了经验估计，以显着提高SRR在不同LBS应用中的效用（例如，业务密度估计和k-最近邻）。我们在四个真实的LBS数据集上进行了广泛的实验，并与实际应用中的其他LDP方案进行了比较。实验结果表明，L-SRR明显优于它们。
2022-09-29 cs.CR
Multi-class Item Mining under Local Differential Privacy
针对现有局部差分隐私项目挖掘机制无法支持类级统计的问题，提出多类项目挖掘框架及两种扰动机制，有效减少无效数据影响并保留标签与项目关系，提升个性化任务准确性。
2025-04-18 cs.CR
AHEAD: Adaptive Hierarchical Decomposition for Range Query under Local Differential Privacy
为了保护用户的隐私数据，利用本地差分隐私（LDP）提供隐私保护范围查询，从而支持进一步的统计分析。然而，现有的基于LDP的范围查询方法受到其属性的限制，即，根据预定义的结构收集用户数据。这些静态框架会导致向聚合数据添加过多的噪声，特别是在低隐私预算设置中。在这项工作中，我们提出了一个自适应分层分解（AHEAD）协议，自适应和动态控制建立的树结构，使注入的噪声得到很好的控制，保持高效用。此外，我们得出了一个指导方针，为AHEAD适当选择参数，使整体效用可以始终具有竞争力，同时严格满足LDP。利用多个真实和合成数据集，我们广泛地展示了AHEAD在低维和高维范围查询场景中的有效性，以及其相对于最先进方法的优势。此外，我们提供了一系列有用的观察部署AHEAD在实践中。
2021-10-14 cs.CR
Privacy-Enhanced Adaptive Authentication: User Profiling with Privacy Guarantees
针对自适应认证中用户画像的隐私泄露风险，提出融合OPRF、匿名令牌与差分隐私的隐私增强认证协议，可动态调整认证要求，兼具强隐私保障与可控开销，满足合规要求。
2025-08-02 cs.CR
Interdependent Privacy in Smart Homes: Hunting for Bystanders in Privacy Policies
CrySyS Lab, Budapest Univ. of Technology and Economics（CrySyS实验室，布达佩斯技术与经济大学）
本文针对智能家居场景下的旁观者隐私问题，分析20款视频门铃与智能摄像头的隐私政策，发现供应商多以免责声明转嫁非用户数据收集的伦理责任，结合真实案例与法律框架提出政策与设计层面的优化建议，以提升隐私透明度。
2025-10-30 cs.CR
Privacy-Preserving Analytics on Decentralized Social Graphs: The Case of Eigendecomposition
通过社交图谱进行分析，可以为社区发现、欺诈检测和兴趣挖掘等许多领域提取有价值的知识和见解。在实践中，分散的社交图谱经常出现，其中社交图谱不可用于单个实体，而是分散在大量用户中，每个用户仅持有关于整个图谱的有限局部视图。收集本地视图以分析去中心化的社交图谱会引发严重的隐私问题，因为它们会对个人之间社交互动的私人信息进行编码。在本文中，我们设计，实现和评估PrivGED，一个新的系统，旨在通过分散的社交图谱进行隐私保护分析。PrivGED专注于支持特征分解，这是一个流行的基本图形分析任务，在社交图的邻接矩阵上生成特征值/特征向量，并有利于各种实际应用。PrivGED是基于对图分析、轻量级加密和差分隐私的微妙协同作用而构建的，允许用户在基于云的特征分解分析服务的去中心化社交图上安全地贡献他们的本地视图，同时获得强大的隐私保护。在真实世界社交图谱数据集上的大量实验表明，PrivGED实现了与明文域相当的准确性，并且实际上具有优于现有技术的可负担得起的性能。
2022-06-19 cs.CR
A Privacy-Preserving, Accountable and Spam-Resilient Geo-Marketplace
具有丰富功能的移动设备可以沿着用户轨迹记录视频、交通参数或空气质量读数。虽然这些数据可能很有价值，但用户很少因收集这些数据而获得奖励。新兴的数字市场允许所有者向感兴趣的买家宣传他们的数据。我们专注于地理市场，买家根据地理标签搜索数据。这些市场带来了重大挑战。首先，如果所有者上传带有暴露的地理标签的数据，他们将面临严重的隐私风险。其次，所有者必须对广告数据负责，并且不得允许随后更改地理标签。第三，这样的系统可能容易受到密集的垃圾邮件活动的影响，其中不诚实的所有者用虚假广告淹没系统。我们提出了一个地理市场，解决所有这些问题。我们采用可搜索加密、数字承诺和区块链来保护所有者的位置隐私，同时纳入问责制和垃圾邮件弹性机制。我们实现了一个原型，两种替代设计，获得不同的信任假设和性能之间的权衡。我们在真实位置数据上的实验表明，可以实现上述设计目标，具有实用的性能和合理的财务开销。
2019-09-30 cs.CR
PrivSketch: A Private Sketch-based Frequency Estimation Protocol for Data Streams
针对本地差分隐私下数据流收集效用低的问题，提出基于草图的PrivSketch协议，通过背景信息与解码优先流程提升效用，在频率估计上优于现有方法1-3个数量级且速度更快。
2023-06-21 cs.CR
SoK: Differential Privacies
在2006年首次引入后不久，差分隐私成为旗舰数据隐私定义。从那时起，提出了许多变体和扩展，以适应不同的场景和攻击者模型。在这项工作中，我们提出了一个系统的分类这些变种和扩展。我们列出了所有基于差分隐私的数据隐私定义，并根据原始定义的哪个方面被修改，将其分为七类。这些类别的作用类似于维度：同一类别的变体不能组合，但不同类别的变体可以组合形成新的定义。我们还建立了这些概念之间的相对强度的偏序总结现有的结果。此外，我们列出了这些定义满足一些理想的属性，如组合，后处理，凸性提供一个新的证明或收集现有的。
2022-11-13 cs.CR
Implementation of Privacy-preserving SimRank over Distributed Information Network
近年来，信息网络分析引起了人们的广泛关注。在网络分析的所有方面中，节点的相似性度量已经在许多应用中被证明是有用的，例如聚类、链接预测和社区识别，仅举几例。由于大型网络中的链接数据本质上是稀疏的，应注意收集更多的数据可以提高相似性度量的质量。这给了不同的参与方合作的动力。在本文中，我们解决的问题，基于链接的相似性度量的节点分布在不同的缔约方的信息网络。针对数据隐私问题，提出了一种基于全同态加密的隐私保护SimRank协议，为链路提供密码保护。
2012-09-29 cs.CR cs.SI
A Privacy-Preserving Longevity Study of Tor's Hidden Services
Tor和隐藏服务已经成为保护用户隐私免受跟踪和审查的实用解决方案。与此同时，人们对隐藏服务的生命周期和性质知之甚少。Tor隐藏服务的数据汇集和研究具有挑战性，因为它提供隐私的性质。研究隐藏服务的生命周期有几个好处。例如，它允许基于域名的生命周期来调查域名的恶意性。短期的隐藏服务更有可能不是合法的域，例如，与长期存在的域名相比，被勒索软件使用。在这项工作中，我们调查的隐藏服务的生命周期，通过收集数据的一个小的（2%）子集的所有Tor HSDPA IR中继在隐私保护的方式。根据收集的数据，我们设计的协议和推断技术来推断隐藏服务的生命周期。此外，由于Tor的特殊性，我们的一小部分HSDir继电器足以高精度地推断寿命，同时尊重Tor用户和服务隐私，并遵循Tor的研究安全指南。我们的研究结果表明，大部分的隐藏服务有一个非常短的生命周期。特别是，当前所有Tor隐藏服务中有50%的估计生命周期仅为10天或更短，80%的生命周期不到一个月。
2019-09-09 cs.CR
RASE: Efficient Privacy-preserving Data Aggregation against Disclosure Attacks for IoTs
针对物联网中数据聚合面临的披露攻击问题，本文提出了一种名为RASE的隐私保护新范式，通过差分隐私随机化器添加噪声、混洗器随机置换和参数估计三步流程，在保护数据隐私的同时实现了高效的聚合效用。
2024-05-31 cs.CR
MTSP-LDP: A Framework for Multi-Task Streaming Data Publication under Local Differential Privacy
Xi’an Jiaotong University（西安交通大学）
MTSP-LDP通过最优隐私预算分配和数据自适应二进制树结构，提升多任务流数据发布下的隐私保护与效用。
2025-12-31 cs.CR
Revisiting Locally Differentially Private Protocols: Towards Better Trade-offs in Privacy, Utility, and Attack Resistance
Inria（法国国家信息与自动化研究所）；ÉTS Montréal（蒙特利尔高等技术学院）；Université du Québec à Montréal (UQAM)（魁北克大学蒙特利尔分校）
本文提出多目标优化框架，优化隐私和效用在对抗性设置中的平衡，通过分析八种先进协议并提出改进方案，实验表明所提机制在降低攻击成功率的同时保持效用，接近ASR-MSE帕累托前沿。
2026-03-18 cs.CR
What Does The Crowd Say About You? Evaluating Aggregation-based Location Privacy
关于人们的移动和他们访问的位置的信息使得越来越多的移动分析应用成为可能，例如，在城市和交通规划的背景下，在这种设置中，实体通常使用聚合作为隐私保护机制，目的是隐藏个体用户的位置轨迹，而不是收集或共享原始数据。此外，为了限制来自聚合的信息泄漏，它们可以干扰聚合的输入或输出，以确保这些是差异私有的。在本文中，我们将评估的影响，释放聚合位置的时间序列的个人贡献的聚合的隐私。我们引入了一个框架，使我们能够对试图预测用户的位置或恢复其移动模式的对手的隐私的原因。我们将这些攻击形式化为推理问题，并讨论了几种策略来模拟对手的先验知识的基础上，她可能会获得的信息。然后，我们使用的框架来量化的隐私损失所产生的聚合位置数据，有和没有保护的差分隐私，使用两个真实世界的移动数据集。我们发现，聚集泄漏个人的准时位置和移动配置文件的信息。观测的密度以及时间安排起着重要的作用，例如，在繁忙时间有规律的出入境较零星的出入境为佳。最后，我们的评估表明，输出和输入扰动几乎没有提供额外的保护，除非它们引入大量的噪声，最终破坏数据的效用。
2017-06-10 cs.CR
EPIC: Efficient Privacy-Preserving Scheme with E2E Data Integrity and Authenticity for AMI Networks
在高级计量基础设施（AMI）网络中，智能电表应向电力公司发送细粒度的功耗读数，以执行实时监控和能源管理。然而，这些读数可能泄露关于消费者活动的敏感信息。已经为AMI网络提出了用于收集细粒度读数的各种隐私保护方案。这些方案聚合各个读数并将聚合读数发送到实用程序，但它们广泛使用涉及大量计算/通信开销的非对称密钥加密。此外，它们没有解决端到端（E2 E）数据完整性，真实性和基于动态价格计算电费的问题。在本文中，我们提出了EPIC，一个有效的和隐私保护的数据汇集计划与E2 E数据完整性验证的AMI网络。使用有效的加密操作，每个仪表应该向公用事业发送屏蔽读数，使得在聚合所有仪表的屏蔽读数之后取消所有屏蔽，并且因此公用事业只能获得聚合读数以保护消费者的隐私。该实用程序可以在不访问单个读数的情况下验证聚合读数的完整性，以保护隐私。它还可以通过使用细粒度的读数来识别攻击者并有效地计算电费，而不会侵犯隐私。此外，EPIC可以抵抗共谋攻击，其中公用事业公司与中继节点共谋以提取仪表的读数。采用形式化证明、概率分析等方法对EPIC的安全性进行了评估，并使用ns-3实现了EPIC，对网络性能进行了评估。此外，我们比较EPIC现有的数据汇集计划的开销和安全/隐私功能。
2018-10-03 cs.CR
Multi-Freq-LDPy: Multiple Frequency Estimation Under Local Differential Privacy in Python
本文介绍了多频-ldpy Python包的多频率估计下的本地差分隐私（LDP）的保证。LDP是实现本地隐私的黄金标准，由Google，Apple和Microsoft等大型科技公司实施。LDP的主要应用是频率（或直方图）估计，其中聚合器估计每个值被报告的次数。所提出的包提供了用于以下项的频率估计的最先进的解决方案和LDP协议的易于使用和快速实现：构建块），多个属性（即，多维数据），多个集合（即，纵向数据）以及多个属性/集合。Multi-freq-ldpy构建在成熟的Numpy包（Python中科学计算的事实标准）和Numba包上，用于快速执行。这些功能的描述和说明在本文中有四个工作的例子。这个包是开源的，可以通过GitHub（https：//github.com/hharcolezi/multi-freq-ldpy）在MIT许可下公开获取，也可以通过PyPI（https：//pypi.org/project/multi-freq-ldpy/）安装。
2022-09-23 cs.CR
Post-Processing in Local Differential Privacy: An Extensive Evaluation and Benchmark Platform
本文构建了包含6种LDP协议、7种后处理方法、4种效用度量和6个数据集的基准，评估后处理在不同条件下的效用提升，并推出开源平台LDP$^3$以辅助方法选择。
2025-07-08 cs.CR
Local Private Hypothesis Testing: Chi-Square Tests
差分隐私的局部模型正在成为收集和共享敏感信息的实际应用的参考模型，同时满足强隐私保证。在本地模型中，不存在允许每个人的原始数据的可信实体，因为在传统的馆长模型中假设差异隐私。因此，个人数据在共享之前通常会受到干扰。我们探讨了在局部模型中的私人假设检验的设计，其中每个数据条目都被扰动以确保每个参与者的隐私。具体来说，我们分析了本地私人χ 2检验的拟合优度和独立性测试，这已经在传统的，馆长模型的差异隐私研究。
2018-03-09 cs.CR math.ST stat.TH
The Dilemma of Privacy Protection for Developers in the Metaverse
本研究通过调查开发者、咨询法律框架和分析API文档，发现元宇宙中开发者隐私保护意识与支持不足，亟需建立统一隐私定义并实施有效保护措施。
2025-01-21 cs.CR cs.ET
A Privacy-Preserving Data Collection Method for Diversified Statistical Analysis
针对现有隐私保护方法难以支持实值数据分布与多样化统计分析的问题，提出 RVNS 实值负向调查模型，通过偏离真实值采样、分布优化和差分隐私保障实现高效隐私数据收集。
2025-07-23 cs.CR
Smart Auto Insurance: High Resolution, Dynamic, Privacy-Driven, Telematic Insurance
在许多方面，数据驱动的解决问题的方法是证据支持决策的圣杯。使用第一方经验数据来分析行为并建立预测，使我们能够基于特定个体进行深入分析，并减少我们对概括的依赖。现代移动和嵌入式设备提供了丰富的传感器和收集和跟踪个性化数据的手段。将这些资产应用于保险领域（这在本质上是一种统计支持的努力）当然不是什么新鲜事;然而，以隐私驱动和安全的方式这样做并不是实施者的中心焦点。现有的数据驱动保险技术需要对数据跟踪机构（即保险公司）有一定程度的信任，以防止滥用、错误处理或过度收集用户数据。智能合约和区块链技术为我们提供了重新平衡这些系统的机会，使区块链本身成为保险公司和被保险人都可以信赖的可信代理人。我们提出了一个“智能汽车保险”系统，最大限度地减少数据共享，同时为双方提供生活质量的改善。此外，我们使用一个简单的博弈论的论点表明，使用这样的系统的客户端是disincentivized从敌对行为。
2021-02-05 cs.CR
Empirical Security and Privacy Analysis of Mobile Symptom Checking Applications on Google Play
智能手机技术在过去十年中有了很大的进步。这些改进已经看到了专门的健康应用程序的创建，这些应用程序为消费者提供了一系列与健康相关的活动，例如通过智能手机跟踪和检查健康状况或疾病的症状。我们将这些应用程序称为症状检查应用程序或简单的症状检查程序。由于他们收集、存储和管理的私人数据的敏感性，用户信息的泄露可能会导致严重的后果。在本文中，我们使用静态和动态分析技术的组合来检测，跟踪和分类Google Play上36个流行的症状分析器中的安全和隐私问题。我们的分析显示，症状监测者要求的敏感权限数量明显更高，并嵌入了更多的第三方跟踪库，用于有针对性的广告和分析，利用他们所在的症状监测者的特权访问，作为收集和共享有关用户及其设备的关键敏感数据的手段。我们发现，这些公司将通过未加密的纯文本收集的数据共享给第三方广告商，在某些情况下，还共享给恶意域名。结果显示，在流行的应用程序中存在对Symptomobilkers的利用，这些应用程序仍然可以在Google Play上轻松获得。
2021-07-29 cs.CR
Local Pan-Privacy for Federated Analytics
Apple（苹果公司）
针对联邦遥测中本地状态遭反复入侵时的事件计数隐私问题，论文证明信息论差分隐私与遥测收集不相容，并提出用标准密码学原语实现可扩展的本地泛隐私方案。
2025-03-14 cs.CR cs.DS cs.LG
Privacy Amplification Via Bernoulli Sampling
UC San Diego（加州大学圣迭戈分校）
平衡隐私和准确性是设计差异隐私机器学习算法的主要挑战。一种免费改善这种权衡的方法是利用已经使用随机性的常见数据操作中的噪声。这样的操作包括噪声SGD和数据子采样。这些操作中的额外噪声可能会放大整个算法的隐私保证，这种现象称为隐私放大。在本文中，我们分析了隐私放大的抽样从多维伯努利分布族给定的参数，从一个私人的算法。这种设置可应用于贝叶斯推理和数据压缩。我们提供了一个算法来计算放大因子，我们建立上界和下界这个因素。
2021-10-18 cs.CR cs.IT cs.LG
Locally Differentially Private Data Collection and Analysis
本地差分隐私（LDP）可以在不可信的数据管理者下为每个用户提供强隐私保证，同时确保从私有化数据中导出的准确统计数据。由于其强大的功能，LDP已被广泛采用，以保护各种任务中的隐私（例如，重量级人物发现，概率估计）和系统（例如，Google Chrome、Apple iOS）。虽然$ε$ -LDP已经提出了很多年，但更一般的概念$(ε, δ)$ -LDP仅在很少的论文中进行了研究，这些论文主要考虑数值数据的均值估计。此外，现有的解决方案通过利用高斯机制来实现$(ε, δ)$ -LDP，这导致聚合结果的准确性低。在本文中，我们提出了新的机制，实现$(ε, δ)$ -LDP在数据分析和机器学习具有很高的实用性。具体来说，我们首先设计$(ε, δ)$ -LDP算法收集多维数值数据，它可以确保更高的精度比最佳高斯机制，同时保证每个用户的强隐私。然后，我们研究不同的本地协议下的分类属性$(ε, δ)$ -LDP。此外，我们对所提出的算法的误差界和方差进行了理论分析。在真实数据集和合成数据集上的实验结果表明，我们提出的算法在简单的数据统计和复杂的机器学习模型上都具有很高的数据实用性。
2019-06-05 cs.CR
Estimating Numerical Distributions under Local Differential Privacy
Purdue University（普渡大学）；Eindhoven University of Technology（埃因霍温理工大学）
局部差分隐私（LDP）在收集信息时，从用户的角度缓解了隐私泄露的担忧，因为用户的隐私信息在发送到聚合器之前是随机的。我们研究的问题，恢复的分布在一个数值域，同时满足LDP。虽然人们可以离散化的数值域，然后应用开发的协议的分类域，我们表明，利用该域的数值性质的结果在更好的权衡隐私和效用。我们引入了一种新的报告机制，称为方波SW机制，它利用了报告中的数值性质。我们还开发了一个期望最大化与平滑（EMS）算法，这是适用于聚集直方图从SW机制，以估计原始分布。大量的实验表明，我们提出的方法，软件与EMS，一贯优于其他方法在各种实用程序的指标。
2019-12-02 cs.CR cs.DB cs.LG
NEWSTRADCOIN: A Blockchain Based Privacy Preserving Secure NEWS Trading Network
为了及时了解世界问题和尖端技术，报纸发挥着至关重要的作用。然而，收集新闻并不是一件容易的事情。目前，新闻出版商正在通过社交网络、电子邮件、电话、传真等方式从他们的通讯员那里收集新闻，有时他们会从代理商那里购买新闻。然而，现有的新闻共享网络可能无法为数据完整性提供安全保障，任何第三方都可能阻碍新闻共享的正常流动。此外，现有的新闻方案在披露身份的情况下非常脆弱。因此，在全球化时代，需要一个通用平台，任何人都可以安全地分享和交易来自世界任何地方的新闻，而不受第三方的干扰，也不会泄露个人身份。最近，区块链因其对数据、身份等的安全机制而受到欢迎。区块链实现了一种分布式的交易管理方式，其中网络的每个参与者都持有相同的交易副本。因此，本文利用区块链的匿名性、容错性、不变性和分布式结构，提出了一种既能安全共享新闻，又能让任何人都能通过出售新闻赚钱的方案（NEWSTRADCOIN）。拟议的NEWSTRADCOIN可以提供一个通用平台，出版商可以通过保持数据完整性，以安全的方式直接从新闻采集者那里获取新闻，而不会受到第三方的干扰，也不会透露新闻采集者和出版商的身份。
2019-03-30 cs.CR cs.NI
BUDS: Balancing Utility and Differential Privacy by Shuffling
University of Kalyani（卡利亚尼大学）；National Institute of Science, Education and Research（国家科学教育与研究所）；Homi Bhaba National Institute（霍米·巴巴国家研究所）
通过洗牌或\textit{BUDS}平衡效用和差分隐私是一种朝向众包统计数据库的方法，其使用差分隐私理论具有强隐私和效用平衡。在此，提出了一种新的算法，使用独热编码和迭代洗牌与损失估计和风险最小化技术，以平衡两者的效用和隐私。在这项工作中，从不同的来源和客户端收集一个热编码数据后，一个新的属性洗牌技术使用迭代洗牌（基于分析师提出的查询）和损失估计更新功能和风险最小化的步骤产生一个实用程序和隐私平衡的差分私人报告。在效用和隐私平衡的实证检验中，BUDS产生了$ε= 0.02$，这是一个非常有前途的结果。我们的算法保持了$ε= ln [t/((n_1 - 1)^S)]$的隐私界和$c' \bigg|e^{ln[t/((n_1 - 1)^S)]} - 1\bigg|$的损失界。
2020-06-07 cs.CR cs.LG stat.ML
Efficient Private Statistics with Succinct Sketches
为了收集统计数据、训练机器学习模型和从数据中提取知识，大规模收集上下文信息通常是必不可少的。以{ \em隐私保护}方式这样做的能力--即，而不收集细粒度的用户数据--使得许多附加的计算场景能够在没有强隐私保证的情况下很难或完全不可能实现。在本文中，我们提出了设计和实现的实用技术，私人收集统计数据的大数据流。我们建立在有效的加密协议的私人聚集和数据结构的简洁的数据表示，即计数最小草图和计数草图。这些使我们能够减少每个数据源引起的通信和计算复杂性（例如，最终用户）的输入量从线性变为对数，同时引入一个参数化的上限误差，但不会影响统计数据的质量。然后，我们将展示如何有效地使用我们的技术来实例化真实世界的隐私友好系统，支持媒体流服务的推荐，用户位置的预测以及Tor隐藏服务的中值统计数据的计算。
2016-01-06 cs.CR
A User-Centric, Privacy-Preserving, and Verifiable Ecosystem for Personal Data Management and Utilization
Case Western Reserve University（凯斯西储大学）；The London School of Economics and Political Science (LSE)（伦敦政治经济学院）
本文提出一种去中心化、隐私保护的个人数据管理架构，利用安全飞地和联邦学习等技术，赋予用户完全的数据所有权与控制权，支持安全计算、验证及隐私共享。
2025-09-11 cs.CR cs.LG
A General Purpose Data and Query Privacy Preserving Protocol for Wireless Sensor Networks
无线传感器网络是由大量的空间分布的设备组成的，这些设备配备有传感技术，并通过无线电信号互连。部署用于监控目的的WSN可以提供对被监控环境的无处不在的视图。然而，对所收集的数据的管理非常消耗资源，并引起安全和隐私问题。在本文中，我们提出了一个隐私保护协议收集聚合数据从无线传感器网络。该协议依赖于洋葱路由技术来提供均匀分布的网络流量，并限制外国参与者可以从监视网络中传输的消息中获得的知识。我们的解决方案采用了网络中的节点的计算能力，通过传递给他们的通用计算机代码，在现场处理和聚合的数据来源于多个传感器节点。我们补充我们的工作与建议的解决方案，使用网络模拟器NS-3的模拟。模拟结果概述了解决方案的可扩展性，并突出了潜在的限制。
2021-11-29 cs.CR cs.NI
Visualizing Privacy-Relevant Data Flows in Android Applications
Paderborn University（帕德博恩大学）；Fraunhofer IEM（弗劳恩霍夫应用研究促进协会工业工程研究所）
研究安卓应用中隐私相关数据流，利用静态程序切片和软件可视化，开发SliceViz工具，经用户研究证明其能有效帮助开发者识别相关属性，表明程序切片可用于分析此类数据流，改进可用性将助力开发者处理隐私敏感信息。
2026-07-23 cs.CR cs.SE
Don't Trust Us: A privacy-by-design android malware detection pipeline
University of Cagliari（卡利亚里大学）；Consorzio Interuniversitario Nazionale per l’Informatica (CINI)（意大利国家大学信息联合体）
提出一种隐私设计安卓恶意软件检测流水线，通过静态分析结合双拒绝阈值规则，仅对不确定样本进行沙箱动态分析，避免收集敏感数据，在2024-2025年数据集上F1达0.87，仅6.7%样本需二次分析。
2026-06-02 cs.CR
