HVSTO: Efficient Privacy Preserving Hybrid Storage in Cloud Data Center
在云数据中心中，具有良好管理的共享存储是用于存储虚拟机（VM）的主要结构。本文提出了一种针对大规模云数据中心虚拟机存储的隐私保护共享存储系统--混合虚拟机存储（HVSTO）。与传统的共享存储不同，HVSTO采用分布式结构来保护虚拟机的隐私，这是传统集中式结构中的一个威胁。为了提高分布式存储系统的I/O延迟性能，我们采用了一种混合系统来结合固态硬盘和分布式存储。从我们的演示系统的评估，HVSTO提供了一个可扩展的和足够的吞吐量的平台作为一个服务的基础设施。
2014-05-23 cs.CR cs.DC
Privacy-Preserving Data Processing in Cloud : From Homomorphic Encryption to Federated Analytics
本文综述了云计算中隐私保护的数据处理方法，包括同态加密、差分隐私以及联邦学习等技术，探讨了其在医疗、金融等领域的应用及隐私与效率的权衡。
2026-01-10 cs.CR cs.DC
Data Security and Privacy Protection Data Security and Privacy Protection in Public Cloud
本文讨论了公共云计算中数据安全和隐私方面的挑战以及现有解决方案的优缺点。与云计算一样，海量数据将被存储。存储在公共云中的数据将面临外部攻击和内部攻击，因为公共云提供商本身是不可信的。传统的加密可以用于存储，但云中的大多数数据需要进一步计算。先解密后计算会给数据运算带来很大的开销和不便。因此，有效的方法来保护数据的安全性以及在云中的大量数据的隐私是必要的。本文讨论了公有云环境下数据安全和隐私保护的不同机制。提出了一种支持数据安全和隐私的多云架构。
2018-12-14 cs.CR
A Privacy Glossary for Cloud Computing
云计算是一种不断发展的模式，它经常改变人类以数字格式共享、存储和访问信息的方式。虽然云计算提供了巨大的好处（例如，效率、灵活性和降低的成本），但它也带来了安全和隐私方面的挑战。虽然云安全已经得到了广泛的定义和发展，但云环境中的隐私保护通常以抽象或模糊的语言描述，这使得其难以解释和实现。在这项研究中，我们提出了一个初步的方法来开发一个隐私词汇表的云计算，提供了一个一致的和全面的云隐私的术语集。我们相信，这个系统化和结构化的隐私术语表可以作为实施云计算中隐私保护要求的第一步，并在未来为研究人员和专业人员提供更有效和一致的云隐私语言。
2023-01-19 cs.CR
Privacy-preserving Security Inference Towards Cloud-Edge Collaborative Using Differential Privacy
云边缘协同推理方法将深度神经网络（DNN）分为两部分，在资源受限的边缘设备和云服务器上协同运行，旨在最大限度地减少推理延迟并保护数据隐私。然而，即使来自边缘设备的原始输入数据没有直接暴露给云，针对协作推理的最先进的攻击仍然能够从暴露的本地模型的中间输出重建原始私有数据，从而引入严重的隐私风险。本文提出了一种用于云-边缘协作的安全隐私推理框架CIS，该框架支持根据动态变化的网络带宽自适应地划分网络，充分释放边缘设备的计算能力。为了减轻由私有扰动引入的影响，CIS提供了一种通过向卸载到云的中间层特征图添加细化噪声来实现差分隐私保护的方法。同时，在给定总隐私预算的情况下，通过不同卷积滤波器生成的特征图秩大小合理分配预算，使得云中的推理对数据扰动具有鲁棒性，从而有效地平衡了隐私性和可用性之间的冲突问题.最后，我们构建了一个真实的云边缘协同推理计算场景，以验证资源受限的边缘设备上的推理延迟和模型划分的有效性。最后，采用最新的云边缘协同重构攻击方法，对CIS提供的端到端隐私保护机制的实际可用性进行了评估。
2022-12-13 cs.CR
Data Security and Privacy in Cloud Computing: Concepts and Emerging Trends
全球数百万用户利用云环境进行数据处理和共享。数据安全和隐私是云环境的必然要求。用户之间的大量使用和数据共享为安全漏洞打开了大门。本文设想讨论云环境，其效用，挑战和新兴的研究趋势局限于安全处理和数据共享。
2021-08-21 cs.CR
Identity Management issues in Cloud Computing
云计算为用户提供低成本的按需服务，无所不在的网络，大存储容量由于这些特点，云计算的Web应用正在向云迁移，由于这种Web应用的迁移，云计算平台提出了许多问题，如隐私，安全等。隐私问题是云计算主要关注的问题。隐私保护是保护云用户的敏感信息，其主要问题是未经授权的二次使用、用户控制缺失、责任不清。为了处理这些隐私问题，使用了身份管理方法。本文讨论了隐私问题和不同类型的身份管理技术，用于保护隐私。
2014-06-03 cs.CR
Design and implementation of the advanced cloud privacy threat modeling
在云计算中，敏感数据的隐私保护已经成为一个具有挑战性的问题。威胁建模作为安全软件开发中需求工程的一部分，提供了一种结构化的方法来识别攻击，并提出针对系统中漏洞利用的对策。本文介绍了一种扩展的云隐私威胁建模（CPTM）的隐私威胁建模方法，在云计算环境中处理敏感数据。它描述了建模方法，包括应用方法工程来指定云隐私威胁建模方法的特征，所提出的方法和相应产品的不同步骤。此外，一个案例研究已实施的概念证明，以证明所提出的方法的可用性。我们相信，扩展的方法有利于从需求工程到设计的隐私保护云软件开发方法的应用。
2016-04-03 cs.CR
Privacy-Preserving Cloud Computing: Ecosystem, Life Cycle, Layered Architecture and Future Roadmap
隐私保护云计算是一种新兴的技术，在各个领域有着广泛的应用。云计算很重要，因为它允许可伸缩性、适应性和改进的安全性。同样，云计算中的隐私也很重要，因为它确保了存储在云上的数据的完整性保持不变。这篇关于隐私保护云计算的调查论文可以为相关领域的未来研究铺平道路。本文通过建立一个分层的架构以及一个生存周期和一个隐私保护云系统的生态系统，以及确定该领域研究的现有趋势，帮助确定现有的趋势。
2022-04-23 cs.CR cs.CY
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
Internet of Cloud: Security and Privacy issues
云和物联网之间的协同作用已经出现，主要是由于云具有直接有利于物联网并使其持续增长的属性。物联网采用云服务带来了新的安全挑战。在本书的这一章中，我们追求两个主要目标：1）分析云计算和物联网的不同组成部分，2）提出这些系统面临的安全和隐私问题。我们深入研究了该领域现有的安全和隐私保护解决方案，着眼于工业物联网，讨论开放问题并提出未来方向
2017-11-01 cs.CR
Security and Privacy-Preservation of IoT Data in Cloud-Fog Computing Environment
物联网是发展最快的技术，在各个领域都有广泛的应用。物联网设备每秒从现实环境中生成数据，并将其传输到云端，因为边缘站点的存储空间较少。外包云是处理存储问题的解决方案。用户的隐私可以通过将数据存储在云上而暴露。因此，我们提出了一种私有数据存储模型，该模型将物联网数据存储在外包云上，并具有隐私保护。雾节点在边缘侧用于数据分区和加密。在外包云上借助同态加密聚合分区和加密的数据。为了安全查询处理和访问来自外包云的数据，可以在外包云上使用引入的模型。
2022-12-01 cs.CR
CPAR: Cloud-Assisted Privacy-preserving Image Annotation with Randomized KD-Forest
随着智能手机拍摄的图片数量的爆炸式增长，组织和搜索图片已经成为重要的任务。为了有效地完成这些任务，关键使能器是用适当的关键字来注释图像，从而使基于关键字的搜索和组织变得可用于图像。目前，智能手机通常与云存储平台同步相册，并在云计算的帮助下对它们的图像进行注释。然而，“卸载到云”解决方案可能导致隐私泄露，因为来自智能照片的照片包含各种敏感信息。为了隐私保护，现有的研究努力通过利用密码原语来支持对加密图像的基于云的图像注释。然而，对于每个注释，它需要云对大规模加密数据集进行线性检查，计算成本很高。本文提出了一种云辅助的隐私保护图像标注与随机kd森林，即CPAR。使用CPAR，用户可以通过利用云的力量自动为他们的图像分配关键字，并保护隐私。CPAR提出了一种新的隐私保护的随机kd森林结构，显着提高了注释性能相比，现有的研究。深入分析了CPAR的安全性。在著名的IAPR TC-12数据集上的实验验证了CPAR的有效性。
2019-02-12 cs.CR
Privacy-preserving data outsourcing in the cloud via semantic data splitting
尽管云计算提供了许多内在的好处，但与对外包数据的存储和管理缺乏控制相关的隐私问题仍然阻止许多客户迁移到云。已经提出了几种基于要外包的数据的事先加密的隐私保护机制。数据加密提供了强大的安全性，但代价是妨碍了服务的效率，并限制了可以应用于存储在云场所的（加密）数据的功能。由于效率和功能都是云计算的关键优势，在本文中，我们的目标是通过提出一种隐私保护机制来保留它们，该机制依赖于拆分（清除）数据，以及日益流行的多云概念所提供的分布式存储。我们提出了一种基于语义的数据拆分机制，该机制能够自动检测可能导致隐私风险的数据片段，并将其在本地进行拆分，这样每个块就不会产生这些风险;然后，清晰的数据块被独立存储到多云的单独位置，这样外部实体就无法访问整个机密数据。由于部分数据以明文存储在云计算场所，因此只需将查询广播到不同的云位置，就可以无缝有效地支持外包功能。为了实施一个强大的隐私概念，我们的建议依赖于一个隐私模型，提供了先验的隐私保证;为了确保其可行性，我们设计了启发式算法，最大限度地减少我们需要的云存储位置的数量;为了显示其潜力和通用性，我们将其应用于结构最少，最具挑战性的数据类型：纯文本文档。
2017-07-03 cs.CR
Privacy-preserving Cloud-based DNN Inference
深度学习即服务（DLaaS）已被深入研究，以促进新兴深度学习应用程序的更广泛部署。然而，DLaaS可能会损害客户端和云服务器的隐私。虽然已经提出了一些基于隐私保护的深度神经网络（DNN）的推理技术，但是由于DNN模型的复杂性和昂贵的密码原语，计算效率的挑战还没有得到很好的解决。在本文中，我们提出了一种新的隐私保护基于云的DNN推理框架（即“PROUD”），这大大提高了计算效率。最后，我们在两个常用的数据集上进行了大量的实验，以验证PROUD的有效性和效率，这也优于最先进的技术。
2021-02-10 cs.CR
A Discussion and Comparative Study on Security and Privacy of Smart Meter Data
云计算伴随着隐私和安全问题带来了很多高级功能。智能电表数据利用智能电网中的云计算。通过分析家用电器产生的智能电表数据，用户的隐私可能会受到损害。当数据转移到云端时，用户失去了对数据的控制。本文介绍了云环境下智能电表数据的隐私和安全问题。我们还比较了现有的方法来保护智能电表数据的隐私和安全性。
2021-11-17 cs.CR
Analysis of Different Privacy Preserving Cloud Storage Frameworks
云存储中的数据安全是主要问题之一。许多框架和技术用于保护云存储中的数据安全。[1]提出了一个包括数据组织结构设计、密钥生成与管理、用户访问权变更处理和数据动态操作、参与者交互等内容的框架。设计了交互式协议和基于删除的密钥推导算法，并结合惰性撤销机制，采用多树结构和对称加密，形成了一个保护隐私的高效云存储框架。[2]提出了一个隐私保护的云存储框架，该框架设计了参与者之间的交互协议，使用密钥派生算法生成和管理密钥，使用对称和非对称加密隐藏用户的敏感数据，并应用Bloom过滤器进行密文检索。实现了一个基于该框架的系统。本文从框架的可行性、系统的运行开销以及框架的隐私安全性等方面对这两种框架进行了分析。
2012-01-14 cs.CR
Privacy-Preserving Identity and Access Management in Multiple Cloud Environments: Models, Issues, and Solutions
本文聚焦多云环境下隐私保护的身份与访问管理，梳理现有模型与问题，并提出创新分类法以支撑未来解决方案。
2024-12-29 cs.CR
Comment on "An Efficient Privacy-Preserving Ranked Multi-Keyword Retrieval for Multiple Data Owners in Outsourced Cloud"
本文指出Li等人提出的PRMKR方案无法抵抗关键词猜测攻击、索引隐私和陷门隐私，并通过修正关键方程给出解决方案。
2024-07-25 cs.CR
Security, Privacy and Challenges in Microservices Architecture and Cloud Computing- Survey
处理器架构中的安全问题仍然非常关键，因为用户和设备继续共享计算和网络资源。因此，在这样的环境中保护数据隐私确实是一个关键问题。我们知道，需要解决的安全和隐私问题不断增加。在这里，我们选择了一个微服务架构，它是一个小型甚至是独立的微进程，通过Thrift、HTTP或REST API等轻量级技术进行交互、操作和响应消息。
2022-12-29 cs.CR
Privacy-Preserving Data in IoT-based Cloud Systems: A Comprehensive Survey with AI Integration
本综述系统梳理物联网云系统中隐私保护技术，分类分析加密、匿名化、访问控制及AI融合方法，揭示动态匿名化、同态加密和AI驱动控制等趋势，为相关领域提供全面参考。
2024-01-01 cs.CR
Optimising Intrusion Detection Systems in Cloud-Edge Continuum with Knowledge Distillation for Privacy-Preserving and Efficient Communication
针对云边连续体入侵检测中联邦学习通信开销高的问题，本文提出利用知识蒸馏优化系统，在保留准确性和数据隐私的同时降低通信开销，提升云边环境下入侵检测的效率与隐私保护能力。
2025-04-14 cs.CR
Content-Based Multi-Source Encrypted Image Retrieval in Clouds with Privacy Preservation
基于内容的图像检索（CBIR）是图像检索的基本方法之一。它的应用可以在各个领域找到，如艺术收藏和医疗诊断。随着云计算范例的日益流行，图像所有者希望将其图像外包给云服务器。为了应对图像隐私泄露的风险，图像通常在外包到云端之前进行加密，这使得CBIR成为一项极具挑战性的任务。现有的研究集中在只有一个图像所有者的情况下，留下了多个图像源（即，所有者）未处理。在本文中，我们提出了一个安全的CBIR方案，支持多个图像所有者与隐私保护（MIPP）。我们使用安全的多方计算技术加密图像特征，该技术允许图像所有者使用自己的密钥加密图像特征。这使得能够对从多个源收集的图像进行有效的图像检索，同时保证单个图像所有者的图像隐私不会泄露给其他图像所有者。我们还提出了一种新的方法，可以避免泄露图像的相似性信息的云图像的相似性度量。理论分析和实验结果表明，MIPP实现检索的准确性和效率，同时保护图像的隐私。
2018-09-22 cs.CR
SplitAgent: A Privacy-Preserving Distributed Architecture for Enterprise-Cloud Agent Collaboration
SplitAgent通过语境感知的动态去敏化技术，实现企业与云代理间的隐私保护协作，提升任务准确率并减少隐私泄露。
2026-03-09 cs.AI cs.CR
Privacy Inference Attacks and Defenses in Cloud-based Deep Neural Network: A Survey
Xidian University（西安电子科技大学）；State Key Laboratory of Cryptology（密码学国家重点实验室）；James Cook University（詹姆斯·库克大学）；State Key Laboratory of Integrated Service Networks (ISN)（综合业务网理论及关键技术国家重点实验室）；Swinburne University of Technology（斯威本科技大学）；College of Science and Engineering（科学与工程学院）；School of Software and Electrical Engineering（软件与电气工程学院）
深度神经网络（DNN）是最强大的机器学习算法之一，越来越多地被用来克服有效探索和分析海量数据的瓶颈，以推动先进的科学发展。云计算提供商将基于云的DNN作为开箱即用的服务提供，这并不奇怪。虽然基于云的DNN有一些好处，但云中两个或多个实体之间的交互机制不可避免地引发了新的隐私风险。这项调查提出了基于云的神经网络服务中出现的隐私攻击和防御的最新发现。我们系统地、彻底地审查了基于云的DNN服务管道中的隐私攻击和防御，即，数据处理、训练和预测。特别是，从最近发表的文献中提取了一种新的理论，称为基于云的ML隐私游戏，以深入了解最先进的研究。最后，提出了挑战和未来的工作，以帮助研究人员继续推动隐私攻击者和捍卫者之间的竞争。
2021-05-13 cs.AI cs.CR
MSPPIR: Multi-source privacy-preserving image retrieval in cloud computing
基于内容的图像检索（CBIR）技术已经得到了广泛的研究，并在云计算的帮助下，如谷歌图像服务。然而，图像中往往包含着丰富的敏感信息。在这种情况下，由于云总是不能被完全信任，因此隐私保护成为一个大问题。许多隐私保护的图像检索方案已经被提出，其中图像所有者可以将加密的图像上传到云端，所有者自己或授权用户可以在云端的帮助下执行安全的检索。然而，现有的研究很少注意到多源场景，这是更实际的。本文分析了多源隐私保护图像检索（MSPPIR）的难点。然后以JPEG格式的图像为例，提出了一种JES-MSIR方案，即一种新的JPEG图像加密方案，它是为多源基于内容的图像检索而设计的。JES-MSIR可以支持MSPPIR的要求，包括多源的恒定轮安全检索和多源的联合以提供更好的检索服务。实验结果和安全性分析表明了该方案的有效性、安全性和准确性。
2020-09-30 cs.CR
CenterYou: A cloud-based Approach to Simplify Android Privacy Management
随着移动应用程序和相关服务变得越来越受欢迎，人们对私人数据泄露的担忧也越来越多。以前对这组众所周知的问题的解决方案已经从头开始，但是需要重写操作系统，这是不必要的和繁重的。在这项工作中，我们提出了一个框架来克服这些问题，通过应用伪数据技术和基于云的决策系统来识别潜在的隐私泄露。
2020-08-31 cs.CR cs.IR
Towards Practical Privacy-Preserving Analytics for IoT and Cloud Based Healthcare Systems
现代医疗保健系统现在依赖于先进的计算方法和技术，例如物联网（IoT）设备和云，以前所未有的规模和深度收集和分析个人健康数据。患者、医生、医疗服务提供者和研究人员依赖于从这些数据源导出的分析模型来远程监控患者、早期诊断疾病并找到个性化的治疗和药物。然而，如果没有适当的隐私保护，进行数据分析就会成为隐私噩梦的根源。在这篇文章中，我们提出了在医疗保健信息系统中开发实用的隐私保护分析的研究挑战。该研究基于kHealth --一种正在开发和测试用于疾病监测的个性化数字医疗信息系统。我们分析了相关各方的数据和分析要求，确定了隐私资产，分析了现有的隐私基板，并讨论了隐私，效率和模型质量之间的潜在权衡。
2018-04-11 cs.CR cs.CY
Symmetries and isomorphisms for privacy in control over the cloud
云计算平台正越来越多地用于闭合反馈控制回路，特别是当使用诸如模型预测控制之类的计算昂贵的算法来优化性能时。控制算法的外包需要在控制系统和云之间交换数据，并且自然地引起对控制系统的数据的隐私的关注（例如，状态轨迹、控制目标）。此外，任何强制隐私的尝试都需要增加最小的计算开销，以避免降低控制性能。在本文中，我们提出了几种基于转换的方法来加强数据隐私。我们还量化了所提供的隐私量，并讨论了当对手可以访问侧知识时会丢失多少隐私。我们解决了三种不同的情况：a）云不知道被控制的系统; b）云知道系统使用什么传感器和执行器，但不知道系统动态; c）云知道系统动态，它的传感器和执行器。在所有这三种情况下，所提出的方法允许在不损害私有信息的情况下控制云（哪些信息被认为是私有的取决于所考虑的情况）。
2019-06-18 cs.CR cs.SY eess.SY
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
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
A Privacy-Preserving Outsourced Data Model in Cloud Environment
National Institute of Technology（国家理工学院）
如今，越来越多的机器学习应用，如医疗诊断、在线欺诈检测、垃圾邮件过滤等，服务由云计算提供。云服务提供商从各个所有者收集数据，以在云环境中对机器学习系统进行训练或分类。然而，多个数据所有者可能并不完全依赖第三方参与的云平台。因此，数据安全和隐私问题是使用机器学习工具的关键障碍之一，特别是对于多个数据所有者。此外，未经授权的实体可以检测统计输入数据并推断机器学习模型参数。因此，提出了一种隐私保护模型，该模型在不影响机器学习效率的情况下保护数据的隐私。为了保护数据所有者的数据，该方案采用了双差分隐私，并利用雾节点解决了网络带宽和延迟较低的问题。噪声由ε-差分机制产生，然后添加到数据中。此外，在数据所有者站点注入噪声以保护所有者数据。雾节点从数据所有者那里收集添加了噪声的数据，然后将其转移到云平台上进行存储，计算和执行分类任务。
2022-11-24 cs.CR cs.LG
Privacy in Responsible AI: Approaches to Facial Recognition from Cloud Providers
University of Hull（赫尔大学）
本文从隐私角度综述人脸识别技术研究，并比较微软、AWS和谷歌在云服务中落实隐私原则的异同，为开发者和企业提供负责任人工智能集成的最佳实践参考。
2025-03-06 cs.AI cs.CR
Privacy Protection for Mobile Cloud Data: A Network Coding Approach
同时考虑到入侵者的巨大计算能力和云服务器的不可信性，提出了一种增强的安全假名方案来保护移动云数据的隐私。为了应对计算能力的巨大挑战，我们提出了一个无条件安全的轻量级网络编码假名方案。针对不可信云服务器的隐私问题，设计了两层网络编码，将存储的移动云数据与所有者姓名解耦。因此，我们提出的基于网络编码的假名方案可以同时抵御来自外部和内部的攻击者。我们实现了我们提出的两层轻量级网络编码机制，在一组位置为基础的服务（LBS）使用不可信的云数据库。与计算安全的基于Hash的假名相比，我们提出的方案不仅是无条件安全的，而且可以减少90%以上的处理时间以及10%的能量消耗。
2017-01-11 cs.CR cs.IT math.IT
Privacy Enhancement for Cloud-Based Few-Shot Learning
University of North Carolina at Charlotte（北卡罗来纳大学夏洛特分校）
少样本学习由于对精确模型所需数据较少，在许多应用领域表现出了鲁棒性和通用性。然而，在不受信任的环境中部署Few-Shot模型可能会造成隐私问题，例如，可能会侵犯用户提供的数据的隐私的攻击或对手。本文研究了在不可信环境下的少样本学习的隐私增强问题，云，通过建立一个新的隐私保护的嵌入空间，保护数据的隐私，并保持模型的准确性。我们研究了各种图像隐私方法的影响，如模糊，像素化，高斯噪声，差分私有像素化（DP-Pix）对Few-Shot图像分类，并提出了一种方法，通过联合损失学习隐私保护的表示。实证结果显示了如何针对隐私增强的少样本学习协商隐私-性能权衡。
2022-08-23 cs.CR cs.CV cs.LG
PRISM: Privacy-Aware Routing for Adaptive Cloud-Edge LLM Inference via Semantic Sketch Collaboration
PRISM通过语义草图协作实现隐私感知的自适应云-边LLM推理，动态平衡隐私与推理质量，降低能耗和延迟，提升输出质量。
2025-11-27 cs.CL cs.CR
Privacy Preserving Face Retrieval in the Cloud for Mobile Users
Beijing Electronic Science and Technology Institute（北京电子科技学院）；Chinese Academy of Sciences（中国科学院）
最近，云存储和处理已被广泛采用。一个家庭或一个团队中的移动用户可以自动将他们的照片备份到相同的共享云存储空间。由第三方训练和提供的强大的面部检测器可以用于从云存储服务器检索包含特定人群的照片集合。然而，移动用户的隐私可能会泄露给云服务器提供商。同时，人脸检测器的版权也应该受到保护。因此，在本文中，我们提出了一个协议的隐私保护人脸检索在云中的移动用户，同时保护用户的照片和人脸检测器。云服务器只提供存储和计算资源，不能学习用户照片和人脸检测器的任何内容。我们在几个家庭和类中测试我们的协议。实验结果表明，我们的协议可以成功地从云服务器检索正确的照片，并保护用户的照片和人脸检测器。
2017-08-09 cs.CR cs.CV
Encrypted Data-driven Predictive Cloud Control with Disturbance Observer
在数据驱动的预测云控制任务中，云服务中存储和使用的数据的隐私可能会泄露给恶意攻击者或好奇的窃听者。同态加密技术可以在允许计算的同时保护数据隐私。然而，同态加密扩展引入了额外的错误，以确保隐私保护性能，实数截断也带来了不确定性。同时，系统输入输出中存在的过程噪声和测量噪声也会对系统产生干扰。在这项工作中，一个数据驱动的预测云控制器的基础上同态加密，以保护云数据隐私。此外，引入干扰观测器对云中计算的加密控制信号序列进行估计和补偿。通过加密保证了数据的隐私性，实验结果表明了云边缘协同设计的效果。
2023-02-06 cs.CR cs.SY eess.SY
P2Skill: Privacy Preserving Skill Distillation for Cloud-Local LLM Inference Systems
Korea University（高丽大学）
针对云-本地LLM推理系统的P2Skill，通过技能提示实现本地SLM自主处理PII相关操作，无需隐私微调，在四领域基准上的隐私保护推理质量较基线提升1.69倍、3.66倍。
2026-10-14 cs.AI cs.CR
Cloud-based Privacy-Preserving Collaborative Consumption for Sharing Economy
云计算已经成为各种信息处理平台的主导范例，特别是用于实现共享经济的各种流行应用。然而，这些基于云的平台上的数据隐私存在重大问题。这项工作提出了新的基于云的隐私保护解决方案，以支持共享经济的协作消费应用程序。在典型的协同消费中，信息处理平台需要在多个用户之间实现公平的成本分摊，以使用某些共享设施和公共服务。基于同态Paillier密码系统的基于云的隐私保护协议可以确保基于云的运营商只能获得设施共享中所有用户的聚合时间表，或者在公共服务共享中符合服务提供规则的服务时间表，但无法跟踪个人用户的个人时间表或需求。更重要的是，参与的用户仍然能够以公平的方式解决费用分摊问题，而不知道对方的私人时间表或需求。我们的隐私保护协议不涉及任何可能损害隐私的第三方。我们还提供了一个广泛的评估研究和我们的协议的概念验证系统原型。
2020-07-15 cs.CR cs.MA cs.NI
Research on Large Language Model Cross-Cloud Privacy Protection and Collaborative Training based on Federated Learning
University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
针对大语言模型跨云部署与训练中的隐私和数据安全挑战，本文提出基于联邦学习的协同训练框架，融合密码学原语、动态聚合、跨云数据协调与混合聚合方案，提升安全性、效率、可扩展性及模型性能。
2025-03-15 cs.AI cs.CR
Security and Privacy Issues in Cloud Computing
云计算改变了信息技术（IT）的使用和管理方式，有望提高成本效率、加速创新、缩短上市时间，以及按需扩展应用程序的能力（Leighton，2009）。据Gartner称，虽然炒作在2008年呈指数级增长，并从那时起继续增长，但很明显，有一个重大转变，即云计算模式，其好处可能是巨大的（Gartner Hype-Cycle，2012）。然而，随着云计算的出现和概念上和现实中的快速发展，法律/合同、经济、服务质量、互操作性、安全和隐私问题仍然构成重大挑战。在本章中，我们将描述云计算的各种服务和部署模型，并确定主要挑战。特别是，我们讨论了三个关键的挑战：在云计算的监管，安全和隐私问题。本文还提出了缓解这些挑战的一些解决方案，并简要介绍了云计算部署的未来趋势。
2013-03-20 cs.CR cs.NI
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
Compressive Sensing based Multi-class Privacy-preserving Cloud Computing
在本文中，我们设计了多类隐私$\text{-}$保护云计算计划（MPCC）利用压缩感知紧凑的传感器数据表示和保密的数据加密。该方案实现了两个级别的保密，一个超级用户谁可以检索到确切的传感器数据，和其他的半授权用户谁是唯一能够获得的统计数据，如均值，方差等MPCC方案允许计算昂贵的稀疏信号恢复在云上执行，而不会损害数据的机密性的云服务提供商。通过这种方式，它缓解了大量物联网传感器数据引起的数据传输，能源和存储问题，以及对云计算中物联网数据隐私的日益关注。与现有方案相比，MPCC方案不仅在物联网传感器设备和数据消费者端具有较低的计算复杂性，而且被证明能够抵抗纯密文攻击。
2020-11-11 cs.CR cs.IT math.IT
Privacy Guarantees for Cloud-based State Estimation using Partially Homomorphic Encryption
状态估计算法的隐私方面已经引起了高度的研究关注，由于一个值得信赖的私人环境中的信息物理系统的必要性。这些系统通常使用云计算平台来汇总来自空间分布节点的基本信息，并产生所需的估计。在半诚实的各方之间交换敏感数据会引起隐私问题，特别是当各方之间存在联盟时。我们提出了两个隐私保护协议，使用卡尔曼滤波器和部分同态加密的测量和估计，同时暴露的协方差和其他模型参数。我们证明了所提出的协议实现了令人满意的计算隐私保证对各种联盟的基础上正式的密码定义的不可否认性。我们评估所提出的协议，以证明他们的效率，从一个真正的测试平台的数据。
2022-04-04 cs.CR cs.SY eess.SY
