Privacy-Preserving Database Fingerprinting
当与其他方共享敏感的关系数据库时，数据库所有者旨在（i）具有对数据库条目的隐私保证，（ii）在接收者未经授权共享其数据库的情况下具有责任保证（通过指纹识别），以及（iii）向接收者提供高质量（实用）数据库。我们观察到，共享一个关系数据库的隐私和责任保证是正交的目标。前者可以通过向数据库中注入噪声来防止对原始数据值的推断来实现，而后者可以通过在数据库中隐藏唯一标记来跟踪未经授权重新分发数据的恶意方（数据接收方）来实现。我们同时实现这两个目标，提出了一种新的入门级差异私有指纹机制的关系数据库。在一个高层次上，所提出的机制满足隐私和责任的要求，利用随机化的性质，是固有的指纹，并实现所需的入门级隐私保证。更具体地说，我们设计了一个比特级的随机响应方案，以实现差分隐私保证任意数据录入时，共享整个数据库，然后，在此基础上，我们开发了一个$ε$ -入口级差分隐私指纹机制。接下来，我们从理论上分析了隐私保障，指纹鲁棒性和数据库效用之间的关系，推导出封闭形式的表达式。该分析的结果使我们能够约束属性推断攻击所造成的隐私泄漏，并描述了隐私-效用耦合和隐私-指纹鲁棒性耦合。此外，我们还提出了一个基于SVT的解决方案，以控制累积的隐私损失时，数据库的指纹副本与多个收件人共享。
2022-03-06 cs.CR cs.DB
A Seed for Privacy -- semi-automatic privacy-revealing data detection in databases and data streams
University of Olso（奥斯陆大学）
研究针对共享数据库和数据流中隐私泄露问题，开发pArborist工具，结合数据模式与生产者输入，半自动创建查询识别标记隐私泄露事件，实验显示其在召回率、精确率及检测能力上表现出色，远超现有方法。
2026-07-16 cs.CR cs.DB 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
NegDL: Privacy-Preserving Deep Learning Based on Negative Database
在大数据时代，深度学习成为越来越热门的话题。深度学习的首要任务是从大量的数据中挖掘出有价值的信息，但这不可避免地会引发隐私问题，值得关注。目前，已经提出了几种保护隐私的深度学习方法，但它们中的大多数都遭受了效率或准确性的不可忽视的退化。否定数据库（\textit{NDB}）是一种新型的数据表示形式，它通过存储和利用原始数据的补充形式来保护数据隐私。本文提出了一种基于\textit{NDB}的隐私保护深度学习方法NegDL。具体来说，首先通过一种名为\textit{QK} -hidden algorithm的生成算法将隐私数据转换为\textit{NDB}作为深度学习模型的输入，然后提取\textit{NDB}的草图进行训练和推理。我们证明了NegDL的计算复杂性度与没有隐私保护的原始深度学习模型相同。在乳腺癌、MNIST和CIFAR-10基准数据集上的实验结果表明，NegDL的准确率在大多数情况下可以与原始深度学习模型相媲美，并且性能优于基于差分隐私的方法。
2022-06-28 cs.CR
Parallel Composition for Statistical Privacy
Universität zu Lübeck（吕贝克大学）
本文提出了一种基于子采样和随机划分数据库的隐私机制，首次在不额外限制数据库的情况下，通过考虑分布熵来提升隐私和精度保证。
2026-02-10 cs.CR
Privacy-preserving Searchable Databases with Controllable Leakage
Searchable Encryption（SE）是一种允许云服务提供商（CSP）在不了解查询和记录内容的情况下搜索加密数据集的技术。近年来，已经提出了许多SE方案来保护外包数据不受CSP的影响。不幸的是，它们中的大多数都泄漏了敏感信息，CSP仍然可以通过安装基于泄漏的推断攻击，如计数攻击和文件注入攻击，推断查询和记录的内容。在这项工作中，首先，我们定义的泄漏在可搜索的加密数据库和分析如何泄漏是利用现有的泄漏为基础的攻击。其次，我们提出了一种基于多云的隐私保护关系数据库动态对称SE（SSE）方案（P-McDb）。P-McDb具有最小的泄漏，这不仅确保了查询和记录的机密性，而且还保护了CSP的搜索，访问和大小模式。此外，P-McDb确保数据库的前向和后向隐私。因此，P-McDb可以抵抗现有的基于泄漏的攻击，例如，主动文件/记录注入攻击。我们给出了安全定义和分析，以显示P-McDb如何隐藏上述模式。最后，我们实现了一个P-McDb的原型，并使用TPC-H基准数据集对其进行了测试。我们的评估结果表明，P-McDb的可行性和实际效率。
2019-09-26 cs.CR
Is External Database Protection Static in Retrieval-Augmented Generation? Rethinking Privacy Preservation under Dynamic Queries
School of Computer Science and Technology, Beijing Institute of Technology（北京理工大学计算机学院）；Department of Computer Science and Technology, Tsinghua University（清华大学计算机科学与技术系）
研究检索增强生成中外部数据库隐私保护问题，提出Prompt-Aware动态分层差分隐私框架PA-HDP，通过风险分层评估和自适应保护，在减少隐私泄露的同时保持高检索质量，实现更好的隐私-效用权衡。
2026-07-17 cs.CR
ACE: A Consent-Embedded privacy-preserving search on genomic database
针对基因组数据库隐私保护需求，提出嵌入同意的可搜索加密方案ACE，支持同意撤销时数据即时物理删除，定义新的前后向隐私概念与D-ACE困难问题并证明安全性，实验验证了其有效性。
2023-07-23 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
$\mathcal{E}\text{psolute}$: Efficiently Querying Databases While Providing Differential Privacy
随着组织努力处理大量信息，将敏感数据外包给第三方成为必要。为了保护数据，外包数据库系统中使用了各种加密技术，以确保数据隐私，同时允许高效查询。出现了大量针对此类系统的攻击。即使有强大的加密技术，仅仅是通信量或访问模式就足以让对手成功。在这项工作中，我们提出了一个模型的差异私人外包数据库系统和具体的建设，$\mathcal{E}\text{psolute}$，可证明隐藏上述泄漏，同时保持高效和可扩展性。在我们的解决方案中，差分隐私被保留在记录级别，即使是针对控制数据和查询的不受信任的服务器。$\mathcal{E}\text{psolute}$结合了不经意的RAM和不同的私有消毒器，以创建通用和高效的构造。我们更进一步，提出了一系列改进，使解决方案的效率和实用性，为现实世界的采用。我们描述了并行化操作的方法，最大限度地减少噪音量，减少网络请求的数量，同时保持隐私保证。我们已经运行了一组广泛的实验，数十台服务器处理多达1000万条记录，并编写了详细的结果分析，证明了我们解决方案的效率和可扩展性。在提供强大的安全性和隐私保证的同时，我们比MySQL和PostgreSQL等非安全纯文本优化的RDBMS的范围查询执行慢不到一个数量级。
2021-09-27 cs.CR
Enforcing Privacy in Cloud Databases
外包数据库，即，由于云计算的弹性、可用性、可扩展性和即用即付的特征，诉诸数据库即服务（DBaaS）是当今流行的选择。然而，大多数数据在某种程度上是敏感的，数据隐私仍然是DBaaS用户最关心的问题之一，明显的法律和竞争的原因。在本文中，我们调查的机制，旨在使数据库在云环境中的安全，并讨论当前的陷阱和相关的研究挑战。
2017-08-30 cs.CR cs.DB
DP-Sync: Hiding Update Patterns in Secure Outsourced Databases with Differential Privacy
在本文中，我们介绍了一种新的类型的泄漏与现代加密数据库称为更新模式泄漏。我们形式化的定义和安全模型的DP同步DP更新模式。我们还提出了框架DP-Sync，它扩展了现有的加密数据库计划DP同步DP更新模式。DP-Sync保证外包数据结构上的整个数据更新历史受到差分隐私的保护。这是通过实施差异私有策略来实现的，该策略规定了数据所有者对本地数据的同步。
2021-04-07 cs.CR cs.DB
Composition for Pufferfish Privacy
Penn State University（宾夕法尼亚州立大学）
针对Pufferfish隐私定义缺乏组合性的问题，提出必要充分条件实现线性组合，通过a(b)-影响曲线将差分隐私机制转化为可组合的Pufferfish算法，在马尔可夫链上显著优于先前工作。
2026-06-07 cs.CR
Privacy accounting $\varepsilon$conomics: Improving differential privacy composition via a posteriori bounds
本文提出输出差分隐私与新组合实验的后验隐私分析方法，在不削弱隐私保障的前提下优化DP组合的隐私-效用权衡，并验证了其在多种DP机制与场景中的适用性。
2023-06-19 cs.CR
A Quantum-based Database Query Scheme for Privacy Preservation in Cloud Environment
针对云数据库查询中的双方隐私与通信开销问题，提出结合不经意传输、oracle、改进Grover迭代和偏移加密的量子查询方案，并验证其正确性、隐私性与效率。
2020-02-01 cs.CR quant-ph
When the Hammer Meets the Nail: Multi-Server PIR for Database-Driven CRN with Location Privacy Assurance
我们表明，它是可能的，以实现信息理论的位置隐私的二次用户（SU）在数据库驱动的认知无线电网络（CRN）的端到端的延迟小于一秒，这是显着优于现有的替代品，只提供一个计算隐私。这是基于敏锐的观察，根据联邦通信委员会（FCC）的要求，所有认证的频谱数据库同步其记录。因此，频谱数据库的相同副本可通过多个（不同的）提供商获得。我们利用多服务器私人信息检索（PIR）和数据库驱动的CRN架构之间的协同作用，以提供一个最佳的隐私水平，通过利用这一观察的高效率。我们通过实际云系统上的部署进行了分析和实验，证明了我们对多服务器PIR的适应性优于（目前）最快的单服务器PIR，具有信息理论安全性，共谋弹性和容错功能。我们的分析表明，多服务器PIR是一个理想的加密工具，以提供位置隐私的数据库驱动的CRN，其中复制数据库的要求是一个自然的一部分，系统架构，因此SU可以享受所有的优点，多服务器PIR没有任何额外的架构和部署成本。
2017-05-02 cs.CR cs.NI
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
Improving Statistical Privacy by Subsampling
针对统计隐私（SP）需分析无噪声隐私与扭曲查询答案机制的复杂相互作用问题，本文开发采样技术建模框架，证明不同采样方法提升SP的精确界，还将DP的权衡函数应用于带二次采样的SP以获得可比表征。
2025-04-15 cs.CR
Privacy-preserving Edit Distance on Genomic Data
假设Alice拥有一个DNA序列，Bob拥有一个DNA序列数据库。他们想要确定在Bob的数据库中是否存在与Alice的输入相匹配的用于任何目的（诸如诊断Alice的疾病）的输入。然而，Alice不想向Bob透露她的DNA模式，因为这将使他能够了解关于她的私人信息。出于类似的原因，Bob不想向Alice透露关于他的数据库的任何信息。为了保护用户的隐私，这个问题已经引起了生物信息学界的关注，并提出了几种解决方案。效率一直是密码学领域的一个瓶颈。在本文中，我们提出了ESCOT协议，以解决隐私保护编辑距离不经意传输（OT）的第一次。我们评估我们的方法在LAN和WAN网络上的基因组数据集。实验结果证实了我们的方法在现实世界中的场景的可行性。
2018-09-22 cs.CR
Contextualize differential privacy in image database: a lightweight image differential privacy approach based on principle component analysis inverse
Chalmers University of Technology（查尔姆斯理工大学）；Xi’an University of Technology（西安理工大学）；Xi’an Jiaotong University（西安交通大学）；Henan University of Science and Technology（河南科技大学）
差分隐私（Differential Privacy，DP）已经成为数据库中保护隐私敏感信息的事实标准。然而，在图像数据库中缺乏清晰和令人信服的DP上下文，其中当DP被施加时，可以实现和观察单个图像对特定分析的不可区分的贡献。因此，由于集成DP而导致的隐私准确性权衡在差分私有图像数据库的上下文中没有得到充分证明。这项工作的目的是上下文DP在图像数据库中的集成概念差分隐私与图像的明确和直观的演示。为此，我们设计了一种轻量级方法，致力于将图像数据库作为一个整体私有化，并将图像数据库的统计语义保留到可调整的水平，同时使各个图像对此类统计数据的贡献难以区分。所设计的方法利用主成分分析（PCA），以减少与大量的属性的原始图像到一个较低的维空间，从而DP执行，以减少DP的计算灵敏度属性的属性负荷。DP施加的图像数据，这是不可见的，在其私有化的格式，通过PCA逆可视化，使得人类和机器检查员可以评估私有化和量化的私有化的图像数据库上的分析中的隐私准确性权衡。使用所设计的方法，我们证明了DP在图像中的语境化的两个用例的基础上的深度学习模型，其中我们显示了不可分割的个人图像诱导DP和私有化图像的保留统计语义在深度学习任务，这是详细的定量分析的隐私准确性权衡下不同的私有化设置。
2022-02-19 cs.CR cs.CV eess.IV
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
SecSkyline: Fast Privacy-Preserving Skyline Queries over Encrypted Cloud Databases
众所周知的云计算的好处刺激了数据库服务外包的流行，人们可以求助于云来方便地存储和查询数据库。随着这种流行趋势的到来，数据隐私受到了威胁，因为云可以访问可能包含敏感信息（如医疗或金融数据）的数据库和查询。已经提出了大量用于查询加密数据库的工作，其中主要集中在安全关键字搜索上。在本文中，我们而是专注于支持安全的天际线查询处理加密外包数据库，在那里做了很少的工作。天际线查询是一种高级数据库查询，对于多准则决策系统和应用程序非常重要。我们提出了SecSkyline，一个新的系统框架，建立在轻量级密码学的快速隐私保护天际线查询。SecSkyline不仅为外包数据库、查询和结果的内容机密性提供了强有力的保护，而且还为可能导致间接数据泄漏的数据模式提供了强有力的保护，例如数据点之间的支配关系和搜索访问模式。大量的实验表明，SecSkyline是大大优于国家的最先进的查询延迟，高达813 $\times$的改善。
2022-11-03 cs.CR cs.DB
SDN-based Runtime Security Enforcement Approach for Privacy Preservation of Dynamic Web Service Composition
针对动态Web服务组合的隐私保护问题，提出了一种基于SDN的动态Web服务组合隐私保护运行时安全实施方法。该方法的主要思想是服务组合的所有者利用安全策略模型（SPM）定义服务组合在应用平面上必须遵循的访问控制关系，然后将SPM模型转换为包含SDN数据平面信息的低层安全策略模型（RSPM），并将RSPM模型上传到SDN控制器。在上传之后，集成在SDN控制器中的虚拟机访问控制算法在运行时监控所有针对服务组合的访问请求。只有满足RSPM模型定义的接入请求才能转发到目标终端。任何不符合RSPM模型定义的访问请求将被Openflow交换机自动拦截或被SDN控制器删除，从而有效解决Web服务组合运行时的网络层非法访问、身份窃取攻击和服务泄漏等问题。为了验证该方法的可行性，本文利用POX控制器和Mininet虚拟网络仿真器实现了一个实验系统，并利用该系统对该方法的有效性和性能进行了评估。最后的实验结果表明，该方法是完全有效的，当RSPM模型规模逐渐增大时，该方法总能在可接受的时间内得到正确的计算结果。
2021-05-27 cs.CR
Zecale: Reconciling Privacy and Scalability on Ethereum
在本文中，我们提出了Zecale，一个通用的SNARK证明聚合器，使用递归组合的SNARKs。我们首先介绍SNARKs递归组合的概念，然后介绍Zecale作为隐私保护可扩展性解决方案。然后，我们列出了可以出现并使用Zecale构建的应用程序类型。最后，我们认为这种隐私保护状态转换的可扩展性解决方案对于在区块链系统上模拟“现金”至关重要。
2020-10-16 cs.CR
On the Relation Between Identifiability, Differential Privacy and Mutual-Information Privacy
本文研究了可识别性、差分隐私和互信息隐私这三种不同隐私概念之间的关系。在一个统一的隐私失真框架下，失真被定义为输入和输出数据库的汉明距离，我们建立了这三个隐私概念之间的一些基本联系。给定失真级别$D$，将$ε_{\mathrm{i}}^*(D)$定义为最小（最佳）可识别性级别，并且将$ε_{\mathrm{d}}^*(D)$定义为最小差分隐私级别。我们刻画了$ε_{\mathrm{i}}^*(D)$和$ε_{\mathrm{d}}^*(D)$，并证明了在一定范围内，$D$的$ε_{\mathrm{i}}^*(D)-ε_X\leε_{\mathrm{d}}^*(D)\leε_{\mathrm{i}}^*(D)$，其中$ε_X$是依赖于原始数据库$X$分布的常数，当$X$分布均匀时，$ε_X$减小到零.此外，我们表明，可识别性和互信息隐私是一致的，在这个意义上，给定的失真水平$D$，机制，优化的互信息隐私也最小化的可识别性水平。
2015-08-22 cs.CR
Secure Computation over Encrypted Databases
本文揭示了对安全k-近邻计算方案中密钥机密性的攻击，证明查询用户可提取密钥并恢复明文数据，进而提出增强加密方案以抵御此类攻击。
2023-08-05 cs.CR
Location Privacy in Cognitive Radios with Multi-Server Private Information Retrieval
基于频谱数据库的认知无线电网络（CRN）已经成为使未授权的次级用户（SU）能够识别由授权的主用户（PU）拥有的信道中的频谱空缺的事实上的方法。尽管有其优点，频谱数据库的使用引起了SU和PU的隐私问题。单服务器专用信息检索（PIR）已被用作解决这个问题的主要工具。然而，这样的技术招致极大的通信和计算开销，同时仅提供计算隐私。另外，有些PIR协议被破坏了。在本文中，我们表明，它是可能实现高效率和（信息理论）隐私的PU和SU在数据库驱动的CRN与多服务器PIR。我们的主要观察结果是，通过设计，数据库驱动的CRN包括联邦通信委员会要求同步其记录的多个数据库。据我们所知，我们是第一个利用这一观察来利用多服务器PIR技术来保证SU和PU的最佳隐私的公司，这要归功于数据库驱动的CRN的独特属性。我们通过分析和实际云系统上的部署经验表明，多服务器PIR是在数据库驱动的CRN中提供有效位置隐私的理想工具。
2019-07-03 cs.CR cs.NI
Fully Adaptive Composition for Gaussian Differential Privacy
Boston University（波士顿大学）；Google Research（谷歌研究院）
我们发现，高斯差分隐私，一个变种的差分隐私适合高斯噪声的分析，组成优雅，即使在存在一个完全自适应的分析师。这样的分析师自适应地选择机制（在敏感数据集上运行）及其隐私预算，也就是说，基于来自先前在同一数据集上运行的其他机制的答案。用罗杰斯、罗斯、厄尔曼和瓦丹的话来说，这给出了一个GDP滤波器，其参数与非自适应合成滤波器的参数相同。
2022-10-31 cs.CR cs.LG
Optimal Differential Privacy Composition for Exponential Mechanisms and the Cost of Adaptivity
组合是差分隐私（DP）最重要的属性之一，因为它允许算法设计者从DP原语构建复杂的隐私算法。我们认为精确的组成范围的整体隐私损失指数机制，DP的基本类机制之一。我们给出了明确的配方的最佳隐私损失的自适应和非自适应设置。对于非自适应设置中，每个机制具有相同的隐私参数，我们给出了一个有效的计算公式的最佳隐私损失。此外，我们表明，有一个差异的隐私损失时，指数机制的选择自适应与非自适应。据我们所知，这是以前未知的任何DP机制与固定的隐私参数是否存在这样的差距，我们证明了一个广泛使用的一类机制在自然环境中的差距。然后，我们改进了最好的先前已知的自适应组合指数机制的上限与有效的可计算的配方，并显示改进。
2020-06-24 cs.CR cs.DS
Composition of Differential Privacy & Privacy Amplification by Subsampling
Google Research（谷歌研究院）
本章是“人工智能应用的差分隐私”一书的一部分。“我们介绍了差分隐私最重要的属性-组成：对一组人的数据进行多项独立分析仍然是差异隐私的，只要每项分析本身都是隐私的-以及通过子采样进行隐私放大的相关主题。本章介绍了基本概念，并给出了在实践中应用这些工具所需的关键结果的证明。
2022-10-26 cs.CR cs.DS cs.LG
Nonadaptive Mastermind Algorithms for String and Vector Databases, with Case Studies
在本文中，我们研究了稀疏利用Mastermind算法攻击隐私的整个数据库的字符串或向量，如DNA字符串，电影评级，或社交网络的友谊数据。基于对非适应性群体测试的简化，我们的方法能够利用最小量的隐私泄露，例如包含在单个比特中，指示医学数据库中的两个人是否有任何共同的基因突变，或者两个人是否在在线社交网络中有任何共同的朋友。我们分析我们的主谋攻击算法使用理论表征，提供克隆数据库所需的查询数量的次线性界限，以及基因组信息，协同过滤数据和在线社交网络的实验测试。通过利用这些现实世界的数据库和调制的参数，控制查询稀疏性的一般稀疏的性质，我们证明了相对较少的非自适应查询需要恢复每个数据库的大部分。
2010-12-12 cs.CR
IncShrink: Architecting Efficient Outsourced Databases using Incremental MPC and Differential Privacy
在本文中，我们考虑安全外包增长的数据库，支持基于视图的查询回答。这些数据库允许不受信任的服务器私下维护物化视图，使得它们可以仅使用物化视图来处理查询请求，而不是访问从中导出视图的原始数据。为了解决这个问题，我们设计了一个新的基于视图的安全外包增长数据库框架，Incshrink。该解决方案的主要特点是：（i）Incshrink使用增量MPC操作器维护视图，无需预先使用可信的第三方，以及（ii）为了确保高性能，Incshrink保证在存在更新的情况下泄漏满足DP。据我们所知，没有现有的系统具有这些属性。我们展示了Incshrink的实际可行性，在效率和准确性方面，对真实世界的数据集和TPC-DS基准进行了广泛的实证评估。评估结果表明，Incshrink在隐私、准确性和效率保证方面提供了三方面的权衡，并且与不支持基于视图的查询范式的标准安全外包数据库相比，提供了至少7，800倍的性能优势。
2022-03-09 cs.CR cs.DB
Security Improvements of Several Basic Quantum Private Query Protocols with O(log N) Communication Complexity
提出并分析了一种新的N元量子私有数据库查询协议。对于相同的任务，协议保持了已知协议的O（logN）通信复杂性，但在安全性方面实现了几个显著的改进，特别是在用户隐私方面。例如，我们的协议的随机化形式具有欺骗敏感属性-它允许用户以非零概率检测不诚实的数据库，而用于相同任务的相位编码私有查询协议没有这样的属性。此外，当数据库执行计算基测量时，一个特殊的投影测量会导致用户隐私的显著损失，在具有O（logN）通信复杂性的私有查询协议中，在我们的协议中，最多有一半的用户隐私会泄漏到这样的数据库中，而在QPQ协议中，整个用户隐私会泄漏出去。此外，本文还证明了对于较大的N，用户可以通过计算基度量检测到作弊，使用O（\sqrt{N}）特殊查询的概率接近1/2.最后，它在这里显示，我们的协议的两种形式，基本的和随机的，一个不诚实的数据库如何采取行动的情况下，它不能学习用户的查询。
2020-05-27 cs.CR
Composition Attacks and Auxiliary Information in Data Privacy
隐私是数据发布的一个越来越重要的方面。然而，关于隐私的推理充满了陷阱。其中最重要的是辅助信息（也称为外部知识、背景知识或辅助信息），对手从其他渠道（如网络、公共记录或领域知识）收集这些信息。本文探讨了如何在面对丰富的，现实的辅助信息来源的原因隐私。具体来说，我们调查了当前匿名化方案在保护隐私方面的有效性，当多个组织独立发布重叠人群的匿名数据时。1.我们调查组合攻击，其中对手使用独立的匿名发布违反隐私。我们解释了为什么最近提出的模型有限的辅助信息无法捕捉组合攻击。我们的实验表明，即使是一个简单的组合攻击的实例可以在实践中侵犯隐私，目前提出的技术的一大类。这个类包括k-匿名和几个最近的变体。2.从更积极的方面来看，某些基于随机化的隐私概念（如差分隐私）可证明可以抵抗组合攻击，事实上，可以抵抗任意边信息的使用。这种阻力使匿名方案的独立设计成为可能，而不需要显式地跟踪其他版本。我们给出了这一性质的精确表达式，并证明了一类重要的差分隐私松弛也满足这一性质。这显著地扩大了已知的能够实现模块化设计的协议的类别。
2008-03-31 cs.CR cs.DB
Privacy-Preserving ECG Data Analysis with Differential Privacy: A Literature Review and A Case Study
本文综述差分隐私在ECG分析中的应用研究，提出六步流程实现心律失常数据库的差分隐私查询发布并给出参数选择等指导，同时指出该应用的不足与挑战。
2024-06-19 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
Achieving Differential Privacy using Methods from Calculus
我们引入导数灵敏度，一个模拟连续函数的局部灵敏度。我们使用这个概念的分析，确定的噪声量被添加到数据库查询的结果，以获得一定程度的差分隐私，并证明衍生敏感性，使我们能够采用强大的机制，从微积分来执行各种查询的分析。我们已经实现了分析器，并评估其效率和精度。我们还显示了衍生敏感性的灵活性，在指定的数据库的定量隐私概念，所需的数据所有者。我们的指标可以以一种更加微妙的方式依赖于更改的位置和数量，而不是仅仅使用“更改行数”指标。这将有助于确保距离不大于数据所有者的期望（这将破坏隐私），从而鼓励采用差异化隐私数据分析机制。
2018-11-15 cs.CR
Composing security protocols: from confidentiality to privacy
安全协议在我们的许多日常生活应用中使用，我们的隐私在很大程度上取决于它们的设计。形式化验证技术已经证明了它们对分析这些协议的有用性，但是它们变得如此复杂，以至于必须开发模块化技术。我们提出了几个结果，安全地组成安全协议。我们认为任意原语建模使用方程理论，和一个丰富的进程代数接近所应用的π演算。依靠这些组合的结果，我们能够得到一些安全属性的协议，从每个子协议单独进行的安全分析。我们考虑并行组合和密钥交换协议的情况。我们的研究结果适用于处理机密性，但也隐私型的属性（如匿名性，不可链接性）表示使用的概念等价。我们说明了我们的组合结果的有用性，从3G手机应用程序和电子护照的协议。
2014-10-20 cs.CR
Composition in Differential Privacy for General Granularity Notions (Long Version)
针对经典差分隐私组合定理无法适配新型粒度概念等新场景的问题，研究提出通用框架下的独立与自适应组合定理，覆盖多类DP变体及全场景组合，可更精准计算隐私损失。
2024-04-17 cs.CR cs.DS
On the Information Privacy Model: the Group and Composition Privacy
如何以保护数据集中包含其数据的个人隐私的方式查询数据集是一个重要的问题。信息隐私模型是香农信息理论模型的一种变体，通过控制每个对手从查询输出中获得的个人数据的信息量来保护个人的隐私。该模型还假设每个对手对查询数据集的不确定性不是很小，以提高数据的效用。在本文中，我们证明了该模型的组隐私和组合隐私性质的一些结果，其中组隐私保证了一组个体的隐私被保护，而组合隐私保证了多个查询也保护了一个个体的隐私。我们将这两个性质的证明归结为两个信道容量之差的估计。我们的证明大大受益于一些信息理论的工具和方法。
2019-07-22 cs.CR cs.IT math.IT
On the Benefits of Sampling in Privacy Preserving Statistical Analysis on Distributed Databases
我们考虑一个问题，其中相互不信任的管理者拥有垂直分区数据库的部分，其中包含有关一组个人的信息。我们的目标是使授权方能够从数据库中获得汇总（统计）信息，同时保护个人的隐私，我们使用差分隐私将其形式化。这个过程可以通过不受信任的服务器来促进，该服务器提供存储和处理服务，但不应该了解有关数据库的任何信息。这项工作描述了一种数据发布机制，该机制采用后随机化（PRAM），加密和随机采样来维护隐私，同时允许授权方对数据进行准确的统计分析。加密确保存储服务器不会获得有关数据库的任何信息，而PRAM和采样确保针对授权方维护个人隐私。我们描述了与单独使用PRAM相比，随机采样与PRAM的组合增加了系统的差分隐私。我们还分析了我们的系统的统计效用，通过限制估计误差-真实经验分布和估计分布之间的预期l2范数误差-作为样本数，PRAM噪声和其他系统参数的函数。我们的分析显示了增加PRAM噪声与减少样本数量之间的权衡，以保持所需的隐私水平，我们确定了平衡这种权衡并最大化效用的最佳样本数量。在UCI“成人数据集”和综合生成的数据的实验模拟中，我们确认理论预测的最佳样本数确实接近最小经验误差，并且我们的分析误差范围与经验结果匹配良好。
2013-04-16 cs.CR cs.DB cs.DS
Composition Properties of Inferential Privacy for Time-Series Data
University of California San Diego（加利福尼亚大学圣迭戈分校）
随着移动设备和物联网的普及，在时间序列应用中开发原则性的隐私解决方案变得越来越重要。虽然差分隐私是数据库隐私的黄金标准，但许多时间序列应用程序需要不同类型的保证，并且许多最近的作品使用某种形式的推理隐私来解决这些情况。然而，在实践中使用推理隐私的一个主要障碍是它缺乏优雅的组合-即使相同或相关的敏感数据在多个单独安全的版本中使用，组合的版本可能具有较差的隐私属性。在本文中，我们研究的一种形式的推理隐私称为河豚时，应用于时间序列数据的组成特性。我们表明，虽然一般河豚机制可能不会优雅地组成，一个特定的河豚机制，称为马尔可夫被子机制，这是最近推出的，具有较强的组成属性，可与纯差分隐私时，应用于时间序列数据。
2017-07-10 cs.CR cs.LG stat.ML
Increasing Adversarial Uncertainty to Scale Private Similarity Testing
社交媒体和其他平台依赖于对滥用内容的自动检测来帮助打击虚假信息、骚扰和滥用。一种常见的方法是根据有问题的项目的服务器端数据库检查用户内容的相似性。然而，这种方法从根本上危害了用户隐私。相反，我们的目标是客户端检测，只在发生此类匹配时通知用户，以警告他们不要使用滥用内容。我们的解决方案是基于隐私保护的相似性测试。现有的方法依赖于昂贵的加密协议，不能很好地扩展到大型数据库，并可能牺牲匹配的正确性。为了应对这一挑战，我们提出并形式化了基于相似性的桶化（SBB）的概念。使用SBB，客户端向数据库服务器显示少量信息，以便它可以生成潜在相似项的桶。桶足够小，以有效地应用隐私保护协议的相似性。为了分析所透露的信息的隐私风险，我们引入了一个框架，用于测量对手的信心，推断正确的客户端输入的谓词。我们开发了一个实用的SBB协议的图像内容，并评估其客户端的隐私保证与现实世界的社交媒体数据。然后，我们将SBB与各种相似性协议相结合，表明与SBB的组合在大规模数据库上提供了至少29倍的加速比，同时保留了超过95%的正确性。
2021-10-04 cs.CR
Composition Theorems for f-Differential Privacy
Macquarie University（麦考瑞大学）；UNSW（新南威尔士大学）
本文提出 f 差分隐私与定量信息流通道模型的等价性，并基于此推导出新的通用组合定理，以改进复杂隐私设计的分析。
2025-12-23 cs.CR cs.IT math.IT
CryptoMask : Privacy-preserving Face Recognition
针对第三方人脸数据库场景下的隐私担忧，提出结合同态加密与安全多方计算的CryptoMask隐私人脸识别系统，通过新型编码策略降本提效，信息泄露更少，在亿级人脸库下计算和通信速度大幅提升。
2023-07-22 cs.CR
Privacy-Related Consequences of Turkish Citizen Database Leak
在数字时代，政府和公司比以往任何时候都更多地收集和存储个人数据。尽管数据仅在匿名化后发布，但通过加入不同的数据集可以实现去匿名化。这将个人隐私置于危险之中。此外，当安全受到破坏时，数据泄漏可以揭示个人的个人标识符。处理泄露的数据集可以提供比肉眼可见的更多的信息。在这项工作中，我们报告了我们对最近“土耳其公民数据库泄漏”的分析结果，该数据库泄露了近5000万选民的国家身份证号码，以及出生日期，出生地点和完整地址等个人信息。我们表明，随着数据的自动化处理，人们可以唯一地识别（i）个人的母亲的娘家姓和（ii）固定电话号码，对于很大一部分人。这是一个严重的隐私和安全威胁，因为（i）身份盗窃风险现在更高，（ii）骗子能够访问更多有关个人的信息。这项工作的唯一和最终目标是指出安全风险，并向相关公司和机构提出更严格的措施，以保护个人的安全和隐私。
2016-05-19 cs.CR cs.CY
Fully Adaptive Composition in Differential Privacy
Carnegie Mellon University（卡内基梅隆大学）；LinkedIn（领英）
本文研究差分隐私中的完全自适应组合问题，通过利用鞅浓度的进展，构建了匹配先进组合速率的隐私过滤器和通用的隐私里程表，证明了完全自适应隐私几乎无损失即可获得。
2023-10-24 cs.CR cs.DS cs.LG
Mining Privacy-Preserving Association Rules based on Parallel Processing in Cloud Computing
针对云计算中分布式事务的隐私保护关联规则挖掘问题，提出双重加密、Transaction Splitter 与定制化 apriori 并行方案，以提升隐私、数据效用和效率。
2023-04-21 cs.CR
Location- and Time-Dependent VPD for Privacy-Preserving Wireless Accesses to Cloud Services
近年来智能手机的出现改变了无线领域。智能手机已经成为云数据库的在线用户界面的平台。云数据库可以提供大量的用户私有和敏感数据（即，对象），而智能手机用户（即，对象）提供位置敏感信息。近年来，在无线访问云数据库中的安全和私有服务一直在积极讨论。然而，先前的技术对于移动对象的无线接入的动态性是不令人满意的。在本文中，我们提出了一种新的技术，动态生成虚拟专用数据库（VPD）的每次访问，考虑到主题的位置和时间信息。本文的贡献包括一个隐私保护的访问控制机制的动态无线接入。
2011-12-12 cs.CR cs.DB
Bounding, Concentrating, and Truncating: Unifying Privacy Loss Composition for Data Analytics
LinkedIn（领英）
差分隐私（DP）为个人数据提供严格的隐私保证，同时还允许对整体敏感数据集进行准确的统计。要设计一个私有系统，首先必须设计私有算法，可以量化每个结果的隐私损失。然而，将噪声注入计算的私有算法不足以确保个人数据受到保护，因为许多噪声结果最终集中于真实的非私有化结果。因此，已经有几个作品提供了精确的公式，说明隐私损失如何在与私有算法的多次交互中累积。然而，这些公式要么提供了非常一般的隐私损失的界限，在某些类型的私人算法过于悲观的代价，或者他们可以太窄的范围，适用于一般的隐私系统。在这项工作中，我们统一了现有的隐私损失组合边界的特殊类别的差分隐私（DP）算法，以及一般DP组合边界。特别是，我们提供了强大的隐私损失界限时，分析师可以选择纯DP，有界范围（例如指数机制），或集中DP机制以任何顺序。我们还提供了最佳的隐私损失界限，适用于分析师可以选择纯DP和有界范围的机制在一批，即非自适应。此外，当一个分析师在每个类自适应选择机制，我们表现出不同的，预定的纯DP和有界范围机制之间的差异，隐私损失。最后，我们比较了基于直方图数据集的拉普拉斯和高斯机制的组合边界。
2020-11-17 cs.CR cs.LG
Lower bounds in differential privacy
这是一篇关于私有数据分析的论文，其中一个持有机密数据库的可信管理员响应真实的向量值查询。确保数据库元素隐私的常用方法是向答案添加适当生成的随机噪声，仅释放这些{ \em噪声}响应。在本文中，我们研究了各种下限的噪声需要保持不同的隐私保证。
2011-12-21 cs.CC cs.CR
Delegated-Query Oblivious Transfer and its Practical Applications
针对现有不经意传输（OT）研究忽视实际应用需求的问题，提出二选一委托查询OT、多接收方委托查询OT及瘦客户端OT编译器，拓展OT在数据库隐私保护等场景的实用性。
2024-06-21 cs.CR
A privacy-preserving system for data ownership using blockchain and distributed databases
区块链有可能彻底改变我们存储、使用和处理数据的方式。大多数区块链上的信息可以被托管区块链的每个节点查看，这意味着大多数区块链无法处理私有数据。分散式数据库通过使用用户的私钥加密用户数据来保证隐私，但这会妨碍轻松的数据共享。然而，在许多现实世界的应用中，从学生数据到医疗记录，期望用户数据是可匿名搜索的。在本文中，我们提出了一种新的系统，使用户拥有自己的数据，而在同一时间，使他们能够使他们的数据在以前商定的限制搜索。我们的系统使用自我主权身份系统实现了强大的所有权概念，并使用多个集中式数据库以及区块链和翻滚过程实现了弱所有权概念。我们讨论了我们的方法应用到大学的学生记录和医疗数据。
2018-10-27 cs.CR cs.DC cs.DS
Privacy-Preserved Neural Graph Databases
Hong Kong University of Science and Technology（香港科技大学）
针对神经图数据库可能由复杂逻辑查询推断敏感信息的问题，本文提出P-NGDB框架，通过对抗训练使私有查询答案不可区分，以缓解隐私泄露。
2024-06-18 cs.CR cs.DB cs.LG
