Tracking in apps' privacy policies
数据保护法,包括《通用数据保护条例》(GDPR),通常要求在收集个人数据之前制定隐私政策。我们在2019年5月(GDPR生效约一年后)分析了26,910个移动应用程序的15,145项隐私政策,发现仅打开政策网页就与第三方共享了48.5%的政策数据,这可能违反了GDPR。我们比较了不同国家、不同支付模式(免费、应用内购买、付费)和不同平台(Google Play Store、Apple App Store)之间的数据共享情况。我们进一步联系了52个没有提供隐私政策的应用程序开发人员,并询问了他们的数据实践。尽管法律要求开发人员回答此类问题,但仍有12名开发人员(23%)没有做出回应。
2021-11-26 cs.CR cs.CY
Chatting with Confidants or Corporations? Privacy Management with AI Companions
Purdue University(普渡大学)
基于沟通隐私管理理论和水平-垂直隐私框架,通过访谈Replika和Character.AI用户,发现用户融合人际习惯与机构意识,采用分层策略管理隐私,但拟人化设计导致边界模糊和隐私动荡。
2026-01-13 cs.CR cs.CY cs.HC
Analysis of Privacy Policies to Enhance Informed Consent (Extended Version)
在本报告中,我们提出了一种方法,以加强个人数据处理的知情同意。该方法依赖于用于表达、比较和分析隐私策略的隐私策略语言。我们描述了一种工具,它可以自动报告与给定隐私政策相关的隐私风险,以提高数据主体的意识,并允许他们做出更明智的选择。隐私策略的风险分析以物联网为例进行说明。
2019-03-15 cs.CR
The Privacy Policy Landscape After the GDPR
University of Wisconsin(威斯康星大学);École Polytechnique Fédérale de Lausanne(洛桑联邦理工学院)
欧盟《通用数据保护条例》(GDPR)是有史以来最严格、最全面的隐私法规之一。在它生效一年后,我们研究了它对在线隐私政策的影响。我们在GDPR前后对隐私政策进行了首次纵向、深入和大规模的评估。我们评估这些策略的完整消费周期,从第一次用户印象到合规评估。我们创建了一个多样化的语料库,包含欧盟内外的两套6,278个独特的英语隐私政策,涵盖其GDPR之前和之后的版本。我们的测试和分析结果表明,GDPR已经成为欧盟内外隐私政策重大改革的催化剂。这一政策的彻底改革,体现在广泛的文本变化,特别是对欧盟网站,对用户的好处好坏参半。虽然隐私政策变得相当长,但我们对Amazon MTurk上的470名参与者进行的用户研究表明,从用户的角度来看,欧盟网站的隐私政策的视觉表示有了显着的改进。我们进一步开发了一个新的工作流程,用于自动评估隐私政策中的要求。使用此工作流程,我们表明隐私政策涵盖了更多的数据实践,并且与GDPR后的七项合规要求更加一致。我们还通过执行特异性分析来评估组织在隐私实践方面的透明度。在这项分析中,我们发现了GDPR引发的积极变化的证据,平均特异性水平有所提高。尽管如此,我们发现隐私政策的格局仍处于过渡阶段;许多政策仍然不符合GDPR的几个关键要求,或者其覆盖范围的改善伴随着特定性的降低。
2019-06-24 cs.CL cs.CR cs.CY
OPPO: An Ontology for Describing Fine-Grained Data Practices in Privacy Policies of Online Social Networks
本文提出 OWL 本体 OPPO,基于 BFO、IAO、OMRSE 和 OBI 形式化在线社交网络隐私政策中的细粒度数据实践,以支持自动推理和透明度评估。
2023-09-27 cs.CR
GenAIPABench: A Benchmark for Generative AI-based Privacy Assistants
本研究推出用于评估基于生成式AI的隐私助手的基准GenAIPABench,包含标注问题集、评估指标与提示生成工具,测试三款主流系统后发现其隐私领域能力颇具前景,但仍存在复杂查询处理等方面的挑战。
2023-12-19 cs.CR cs.CY
Automated Approach to Improve IoT Privacy Policies
物联网(IoT)作为互联实体的网络[18]的大规模增长,在隐私和安全要求方面对传统软件工程领域提出了新的挑战[4]。为了保护个人隐私,FTC的公平信息实践原则(FIPP)[6]建议公司向消费者发出有关其数据实践的通知,为他们提供选择,并为他们提供控制自己数据的方法。使用隐私政策是此类通知最常见的方式。然而,由于两个主要原因,隐私政策通常并不有效:首先,隐私政策很长,充满了普通用户无法理解的法律术语;其次,不能保证物联网设备的行为与隐私政策中解释的一样。在本技术报告中,我们提出并讨论了分析隐私政策的方法。通过这种分析,我们减少了隐私政策的长度,并使其组织基于隐私惯例,以提高用户的理解水平。我们还提出了一种方法来找到物联网设备与其隐私政策之间的不一致之处。
2019-10-06 cs.CR
A Longitudinal Measurement of Privacy Policy Evolution for Large Language Models
Technical University of Munich(慕尼黑技术大学);Columbia University(哥伦比亚大学);New York University(纽约大学);CSIRO’s Data61(CSIRO的数据61)
本文首次对全球主流LLM提供者的隐私政策进行了纵向研究,揭示了隐私政策的演变趋势、内容特征及地区差异。
2025-11-24 cs.AI cs.CR cs.CY
Layered, Overlapping, and Inconsistent: A Large-Scale Analysis of the Multiple Privacy Policies and Controls of U.S. Banks
University of Michigan(密歇根大学);University of Chicago(芝加哥大学);University of Wisconsin-Madison(威斯康星大学麦迪逊分校)
本研究分析美国2,067家最大银行的隐私政策,发现多重政策普遍存在且不一致,质疑GLBA等法规的透明度目标,并提出改革协调建议。
2025-10-06 cs.CR
VPVet: Vetting Privacy Policies of Virtual Reality Apps
本文提出VPVet系统,通过分析隐私政策的可用性、完整性、粒度、最小化和CUS一致性,自动审查VR应用隐私合规问题,并构建了包含11,923个VR应用的最大数据集VRPP,揭示了VR生态系统中严重的隐私问题。
2024-09-01 cs.CR
Beyond GDPR: Examining Disclosure Gaps in Mobile AR Privacy Policies under U.S. State Privacy Laws
Institute of Information Engineering, Chinese Academy of Sciences(中国科学院信息工程研究所);School of Cyber Security, University of Chinese Academy of Sciences(中国科学院大学网络空间安全学院);Rochester Institute of Technology(罗切斯特理工学院);Hong Kong Baptist University(香港浸会大学)
研究美国各州隐私法下移动增强现实隐私政策披露差距,构建数据集,得出分类法并建立自动化流程进行审计,发现广泛差距,四项要求违规率超90%,还发布相关资源支持未来研究。
2026-07-28 cs.CR
Automated Detection of GDPR Disclosure Requirements in Privacy Policies using Deep Active Learning
University of Virginia(弗吉尼亚大学)
自GDPR于2018年5月生效以来,公司一直致力于其数据实践,以遵守该隐私法。特别是,由于隐私政策是用户了解和控制其隐私的重要沟通渠道,因此许多公司在GDPR实施后更新了隐私政策。然而,大多数隐私政策都是冗长的,充满了行话,模糊地描述了公司的数据实践和用户的权利。因此,目前尚不清楚它们是否符合GDPR。在本文中,我们创建了一个包含1,080个网站的隐私政策数据集,这些网站标有18个GDPR要求,并开发了一个基于卷积神经网络(CNN)的模型,该模型可以对隐私政策进行分类,准确率为89.2%。我们应用我们的模型来衡量隐私政策的合规性。我们的研究结果显示,即使在GDPR生效后,97%的网站仍然不符合GDPR的至少一项要求。
2021-11-08 cs.AI cs.CR
Privacy at Scale: Introducing the PrivaSeer Corpus of Web Privacy Policies
本文构建了包含超百万份英语隐私政策的 PrivaSeer 语料库,设计了抓取、过滤与去重流程,并通过可读性、相似度和主题建模分析其构成,以支持隐私政策理解研究。
2024-03-30 cs.CR cs.IR
Toward the Cure of Privacy Policy Reading Phobia: Automated Generation of Privacy Nutrition Labels From Privacy Policies
提出首个从隐私政策自动生成隐私营养标签的框架,以解决隐私政策阅读恐惧症,在数据收集实践上F1为0.75,安全实践平均F1为0.93,能检测90.1%低报问题。
2023-06-19 cs.CR cs.SE
User Privacy and Large Language Models: An Analysis of Frontier Developers' Privacy Policies
Frontier Developers(前沿开发者)
本文分析六家美国前沿AI开发者的隐私政策,发现其默认用用户聊天数据训练模型,部分无限期保留,甚至涉及儿童和敏感数据,呼吁加强透明度与问责。
2025-09-05 cs.AI cs.CR cs.CY
Polisis: Automated Analysis and Presentation of Privacy Policies Using Deep Learning
École Polytechnique Fédérale de Lausanne (EPFL)(洛桑联邦理工学院);University of Michigan(密歇根大学)
隐私政策是公司告知用户其数据汇集和共享做法的主要渠道。这些政策往往很长,难以理解。基于从隐私政策中提取的信息的简短通知已被证明是有用的,但面临着一个重大的可扩展性障碍,考虑到政策的数量及其随时间的演变。公司、用户、研究人员和监管机构仍然缺乏可用和可扩展的工具来应对隐私政策的广度和深度。为了解决这些障碍,我们提出了一个自动化的隐私政策分析框架(Polisis)。它支持对自然语言隐私策略的可扩展、动态和多维查询。Polisis的核心是一个以隐私为中心的语言模型,它由13万个隐私策略和一个新颖的神经网络分类器层次结构构建而成,该层次结构既考虑了隐私实践的高级方面,也考虑了隐私实践的细粒度细节。我们展示了Polisis的模块化和实用性,两个应用程序支持结构化和自由形式的查询。结构化查询应用程序是从隐私策略中自动分配隐私图标。使用Polisis,我们可以在这项任务中实现88.4%的准确率。第二个应用程序PriBot是第一个针对隐私政策的自由形式问答系统。我们表明,PriBot可以为82%的测试问题产生正确的答案。使用MTurk用户研究与700名参与者,我们表明,至少有一个PriBot的前3名答案是相关的用户89%的测试问题。
2018-06-29 cs.CL cs.CR cs.HC
A Comparative Audit of Privacy Policies from Healthcare Organizations in USA, UK and India
本研究通过三阶段工作流程审计美、英、印三国医疗机构隐私政策,发现数据实践差异及法律合规问题,包括印度21.8%的不一致和四项潜在违规。
2023-06-20 cs.CR cs.CY cs.HC
Through the Looking Glass: LLM-Based Analysis of AR/VR Android Applications Privacy Policies
University of Central Florida(中佛罗里达大学)
本文利用 BERT 模型分析 AR/VR 应用隐私政策,发现其积极段落比例高于免费网站但低于付费网站,且通过强调关键隐私实践提升了政策清晰度与有效性。
2025-01-31 cs.CR cs.LG
Do Privacy Policies Match with the Logs? An Empirical Study of Privacy Disclosure in Android Application Logs
Rochester Institute of Technology(罗切斯特理工学院);Ontario Tech University(安大略理工大学);University of Waterloo(滑铁卢大学)
本文通过分析1000款Android应用的日志相关声明,发现大多数应用虽提供隐私政策,但仅有28.5%明确提及日志实践,且多数日志声明过于简单或模糊,导致隐私泄露问题严重。
2026-08-20 cs.CR cs.SE
A Secure Communication Scheme for Corporate and Defense Community
安全性是现代通信系统的主要关注点之一。用户需要一个安全的通信环境,在他们与任何人共享消息时为人们提供隐私。隐私是当今的首要关注。本文旨在为发送者和接收者之间的通信提供一个最佳的平台。本文设计的原型系统将为消息路由提供一个更好的匿名路径。它将确保一个完整的隐私,而他或她正在使用这个系统进行通信。由于该系统提供了一个安全的通信环境,它应该是有用的不同的政府和非政府组织内部的秘密通信。执法部门可以使用该系统进行任何操作,因为它将加密和解密消息,以提供安全的通信平台。
2019-03-06 cs.CR
Detecting Compliance of Privacy Policies with Data Protection Laws
National University of Computer and Emerging Sciences(国家计算机与新兴科学大学)
隐私政策是描述组织或公司在处理其用户个人数据时所采取的做法的法律文件。但由于政策是一份法律文件,它们往往是用大量难以理解的法律术语写成的。虽然已经在隐私政策方面做了工作,但没有一项工作能够满足验证给定隐私政策是否符合给定国家或州的数据保护法律的问题。我们的目标是通过提供一个根据各种数据保护法律(如《通用数据保护条例》(GDPR))分析隐私政策的框架来弥合这一差距。为了实现这一目标,我们首先标记了隐私政策和法律。然后,一个相关的计划,制定映射的隐私政策的内容,以适当的法律部分,政策必须符合。然后,我们使用NLP技术检查隐私政策的文本与相应的法律文本的一致性。通过使用这样的工具,用户将更好地了解他们的个人数据是如何管理的。目前,我们已经为GDPR和PDPA提供了一个映射,但其他法律可以很容易地纳入已经建立的管道中。
2021-02-21 cs.CL cs.CR
Longitudinal Compliance Analysis of Android Applications with Privacy Policies
当代移动应用程序(app)被设计为跟踪、使用和共享用户的数据,通常未经他们的同意,这导致潜在的隐私和透明度问题。为了调查移动应用程序在收集用户信息方面是否一直是(不)透明的,我们对268个Android应用程序的历史版本进行了纵向分析。这些应用程序包括2008年至2016年期间的5,240个应用程序发布或版本。我们检测应用程序的行为与隐私政策中规定的数据汇集使用之间的不一致,以揭示合规性问题。我们利用机器学习技术对隐私政策文本进行分类,以识别收集和/或共享用户个人信息(如电话号码和电子邮件地址)的所谓做法。然后通过静态和动态分析揭示应用程序的数据泄漏。随着时间的推移,我们的结果显示,隐私政策中未披露的应用程序数据汇集做法的数量稳步增加。这种行为尤其令人不安,因为隐私政策是描述应用程序隐私保护做法的主要工具。我们发现,较新版本的应用程序可能比以前的版本更不兼容。据称与实际数据做法之间的差异表明,隐私政策往往与应用程序的行为不一致,从而违背了用户安装应用程序时的“通知和选择”原则。
2021-07-28 cs.CR
Compliance Checking with NLI: Privacy Policies vs. Regulations
University of Maine(缅因大学)
隐私政策是一份说明公司打算如何处理和管理客户个人数据的文件。这些隐私政策产生的问题之一是,它们的内容可能违反数据隐私法规。由于存在大量的隐私政策,检查所有这些政策中法律不一致的唯一现实方法是通过自动化方法。在这项工作中,我们使用自然语言推理(NLI)技术来比较隐私法规对部分的隐私政策,从大公司的选择。我们的NLI模型在其注意力机制中使用预训练的嵌入以及BiLSTM。我们尝试了两个版本的模型:一个是在斯坦福自然语言推理(SNLI)上训练的,另一个是在多类型自然语言推理(MNLI)数据集上训练的。我们发现,在SNLI上训练的模型的测试准确率更高,但在实际执行真实世界隐私策略的NLI任务时,在MNLI上训练的模型泛化并表现得更好。
2022-03-01 cs.CL cs.CR cs.LG
Annotating Privacy Policies in the Sharing Economy
Uber、Airbnb和TaskRabbit等数字共享经济(DSE)的应用程序已成为现代社会经济增长和共享繁荣的主要推动力。然而,通过这些应用程序进行的商品、服务和数据的复杂交换经常使其最终用户的隐私处于危险之中。DSE应用程序的隐私政策旨在披露如何收集和处理私人用户数据。然而,在现实中,这样的政策是冗长和难以理解的,使DSE用户容易受到隐私侵犯的做法。为了解决这些问题,在本文中,我们提出了一种自动化的方法来注释DSE市场中的隐私政策。我们的方法识别这些政策中的数据汇集声明,并将其映射到应用程序的质量功能。视觉和文字注释,然后用来进一步解释和证明这些索赔。所提出的方法与18 DSE应用程序的用户进行了评估。结果表明,注释隐私政策可以显着提高他们的可理解性的平均DSE用户。我们的研究结果旨在帮助DSE应用程序开发人员起草更易于理解的隐私政策,并帮助其最终用户在世界上增长最快的软件生态系统之一中做出更明智的决策。
2022-10-26 cs.CR cs.HC cs.SE
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
ATLAS: Automatically Detecting Discrepancies Between Privacy Policies and Privacy Labels
Carnegie Mellon University(卡内基梅隆大学);Universidad Politécnica de Madrid(马德里理工大学)
本研究提出ATLAS系统,通过NLP集成分类器等组件自动检测iOS应用隐私政策与隐私标签的差异,对35万余款应用分析发现多数存在潜在合规问题,可助力多方开展隐私合规审查。
2023-05-24 cs.AI cs.CR cs.LG
Let's Measure the Elephant in the Room: Facilitating Personalized Automated Analysis of Privacy Policies at Scale
University of Oxford(牛津大学)
本文提出神经符号系统PoliAnalyzer,通过NLP提取隐私政策形式化表示并与用户偏好进行逻辑合规分析,在大规模网站隐私政策中实现高准确率的个性化自动分析,显著降低用户认知负担。
2025-07-15 cs.CL cs.CR cs.CY
AI-enabled Automation for Completeness Checking of Privacy Policies
SnT Centre for Security, Reliability, and Trust, University of Luxembourg(卢森堡大学SnT安全、可靠性与信任中心);University of Ottawa(渥太华大学);Texas A&M University – Central Texas(得克萨斯农工大学中央得克萨斯分校)
信息共享方面的技术进步引起了人们对数据保护的关注。隐私政策包含有关组织或软件系统如何处理个人个人数据的隐私相关要求(例如,Web服务或应用程序)。在欧洲,隐私政策须遵守一般数据保护条例(GDPR)。GDPR合规检查的前提是根据GDPR的规定验证隐私政策的内容是否完整。不完整的隐私政策可能会导致违反组织的巨额罚款以及不完整的隐私相关软件规范。手动的完整性检查既耗时又容易出错。在本文中,我们提出了基于AI的隐私策略完整性检查自动化。通过系统的定性方法,我们首先构建了两个工件来表征GDPR的隐私相关条款,即概念模型和一组完整性标准。然后,我们通过利用自然语言处理和监督机器学习的组合,在这些工件之上开发自动化解决方案。具体而言,我们在隐私政策中识别GDPR相关信息内容,并随后根据完整性标准对其进行检查。为了评估我们的方法,我们从基金行业收集了234条真实的隐私政策。在一组48个看不见的隐私政策中,我们的方法正确地检测到了334个违反完整性标准的行为中的300个,同时产生了23个误报。因此,该方法具有92.9%的准确率和89.8%的召回率。与仅应用关键字搜索的基线相比,我们的方法在准确率和召回率方面分别提高了24.5%和38%。
2021-10-05 cs.AI cs.CR cs.SE
On the Semantics of Purpose Requirements in Privacy Policies
隐私政策通常对受管辖实体可能使用个人信息的目的提出要求。例如,诸如HIPAA之类的法规要求医院员工仅将医疗信息用于某些目的,例如治疗。因此,使用正式的或自动化的方法来执行隐私策略需要目的需求的语义来确定动作是否是为了某个目的。我们提供这样的语义使用基于规划的形式主义。我们使用马尔可夫决策过程的修改版本,排除冗余的正式定义冗余的行动模型规划。我们使用该模型来形式化一个动作序列是只为或不为一个目的。这种语义使我们能够提供一个自动化审计的算法,并正式描述和比较严格以前的执法方法。
2011-02-21 cs.CR
A Comprehensive Study on GDPR-Oriented Analysis of Privacy Policies: Taxonomy, Corpus and GDPR Concept Classifiers
Shanghai Jiao Tong University(上海交通大学);University of Birmingham(伯明翰大学);University of Kent(肯特大学);Institute of Information Engineering, Chinese Academy of Sciences(中国科学院信息工程研究所)
本文提出了一种更完整的GDPR分类法和语料库,评估了隐私政策中概念分类器的性能,揭示了分割训练集和测试集的不恰当性以及层级信息的重要性。
2026-01-17 cs.CR
How to Make Privacy Policies both GDPR-Compliant and Usable
组织必须确保其隐私政策符合通用数据保护条例(GDPR),这一点非常重要,必须在2018年5月的最后期限之前完成。然而,在设计这些政策时考虑到接受者的需要也很重要。我们进行了一项调查,以找出如何最好地实现这一目标。我们首先将GDPR要求合成为检查表类型的格式。然后,我们从研究文献中得出了一系列隐私通知的可用性设计指南。我们用研究文献中报告的其他发现来补充这些建议,以确认这些指南。最后,我们提供了一个可用的、符合GDPR的隐私政策模板,以利于政策制定者。
2018-06-18 cs.CR cs.HC
A BERT-based Empirical Study of Privacy Policies' Compliance with GDPR
Warwick Manufacturing Group, University of Warwick(华威大学华威制造集团)
本研究针对5G网络隐私政策的GDPR合规性与可读性问题,收集近70家5G MNO的隐私政策,用基于BERT的模型分类发现51%企业高度合规,同时通过可读性分析证实多数政策可读性不足,为5G提供商优化隐私政策提供实证依据。
2024-07-09 cs.AI cs.CR
Privacy by Design: On the Formal Design and Conformance Check of Personal Data Protection Policies and Architectures
新的《通用数据保护条例》(GDPR)将于2018年5月生效,因此,设计合规的数据保护政策和系统架构对于组织避免处罚至关重要。不幸的是,以文本格式给出的规则很容易被策略和系统设计者误解,这也使得一致性检查容易出错。在本文中,我们采用正式的方法,以促进系统的政策和架构的设计,在一个明确的方式,并提供了一个框架,数学上健全的一致性检查,对目前的数据保护法规。我们提出了一个(半)正式的方法来指定和推理数据保护政策和架构,以及定义架构和政策之间的一致性关系。我们所提出的方法的可用性证明了智能计量服务的案例研究。
2018-05-14 cs.CR
Honesty is the Best Policy: On the Accuracy of Apple Privacy Labels Compared to Apps' Privacy Policies
本文微调基于 BERT 的模型,分析 iOS App Store 中 474,669 款 app 的隐私政策与 Apple 隐私标签,发现二者普遍不一致,并提出可将该系统用作开发者标签准确性的初步检查。
2024-06-16 cs.CR
Extending Expressive Access Policies with Privacy Features
身份验证、授权和信任验证是访问控制系统的核心部分。在这种系统中授予访问权限的条件收集在访问策略中。由于访问条件往往很复杂,因此使用专门的语言-政策语言-来定义政策。然而,目前的政策语言无法表达这样的条件,考虑到用户的隐私。与隐私保护技术,用户能够证明信息的访问system. In这项工作中,我们提出了一个通用的设计,支持隐私保护技术的政策语言。我们的设计防止不必要的敏感信息的披露,同时仍然允许制定的表达规则的访问控制。为此,我们使用零知识证明(NIZKs)。我们证明了我们的设计,将其应用到TPL策略语言,同时使用SNARKs。此外,我们还评估了由此产生的ZK-TPL语言及其相关的工具链。我们的评估表明,对于常规大小的凭证,通信和验证开销可以忽略不计。
2022-12-05 cs.CR
Link Before You Share: Managing Privacy Policies through Blockchain
随着众多在线内容提供方、实用程序和应用程序的出现,每个在线内容提供方、实用程序和应用程序都具有其自己的特定版本的隐私策略及其相关联的开销,对于关心的用户来说,管理和跟踪他们与提供方共享的机密信息变得越来越困难。用户同意提供商收集和共享他们的个人身份信息(PII)。我们开发了一个新颖的框架,可以自动跟踪有关提供商如何存储、使用和共享用户PII数据的详细信息。我们将数据隐私本体与区块链的属性相结合,以开发自动访问控制和审计机制,在跨第三方共享数据时强制执行用户的数据隐私政策。我们还通过实现一个工作系统LinkShare验证了这个框架。在本文中,我们详细描述了我们的框架以及LinkShare系统。大数据用户可以采用我们的方法,自动将其隐私政策应用于数据操作,并跟踪数据在不同利益相关者之间的流动。
2017-10-15 cs.CR
Privacy Preserving Enforcement of Sensitive Policies in Outsourced and Distributed Environments
在不受信任的环境中执行敏感策略仍然是基于策略的系统面临的一个公开挑战。一方面,采取任何适当的安全决策都需要访问这些策略。另一方面,如果在不受信任的环境中允许这样的访问,则机密信息可能被策略泄露。关键的挑战是如何在不受信任的环境中实施敏感策略和保护内容。在不可信环境的上下文中,我们主要区分外包和分布式环境。关于外包和分布式环境最有吸引力的范例分别是云计算和机会网络。在这篇论文中,我们提出了我们提出的基于策略的访问控制机制的设计,技术和实现细节的不可信环境。首先,我们在外包环境中提供访问策略的完全保密性,在外包环境中,服务提供商不会了解有关策略的私有信息。我们支持表达策略并考虑上下文信息。系统实体不共享任何加密密钥。对于复杂的用户管理,我们提供了成熟的基于角色的访问控制(RBAC)策略。在机会网络中,我们通过指定表达策略来保护内容。在我们提出的方法中,经纪人将订阅与内容相关的政策相匹配,而不会损害订阅者的隐私。因此,未经授权的代理既不能访问内容,也不能学习策略,而授权的节点只有在满足发布者指定的策略时才能访问。我们提出的系统提供了可扩展的密钥管理,其中松散耦合的发布者和订阅者进行通信,而无需任何事先接触。最后,我们开发了一个在真正的智能手机上运行的系统原型,并分析了它的性能。
2013-12-22 cs.CR
{A New Hope}: Contextual Privacy Policies for Mobile Applications and An Approach Toward Automated Generation
针对移动应用隐私政策可读性与参与度不足的问题,提出融合视觉GUI理解与政策分析的多模态框架SeePrivacy,可自动生成上下文隐私政策,检测与提取效果优异,能提升用户对隐私政策的理解与互动。
2024-03-10 cs.CR cs.SE
The Internet with Privacy Policies: Measuring The Web Upon Consent
为了保护用户的隐私,立法者对跟踪技术的使用进行了监管,要求在收集数据之前获得用户的同意。因此,网站开始显示越来越多的同意管理模块-即,隐私按钮--访问者必须与之互动才能访问网站内容。他们对Web测量的自动收集提出了挑战,主要是为了监视跟踪技术的广泛性,但也要在野外测量Web性能。隐私限制实际上限制爬虫观察实际的网站内容。在本文中,我们提出了一个彻底的测量活动,重点是在欧洲和美国的流行网站,访问来自世界各地不同国家的着陆和内部页面。我们设计了Priv-Accept,一个能够接受隐私政策的网络爬虫,就像大多数用户在实践中所做的那样。这让我们来比较一下网页前后的变化。我们的研究结果表明,所有的测量不处理的隐私Bouncers提供了一个非常有偏见的和部分的Web视图。在接受隐私政策后,我们观察到多达70个跟踪器的增加,这反过来又使网页加载时间减慢了2 - 3倍。
2022-09-13 cs.CR cs.NI
Taypsi: Static Enforcement of Privacy Policies for Policy-Agnostic Oblivious Computation
针对现有策略无关MPC语言动态强制执行隐私策略开销大、难扩展的问题,提出将程序转换为语义等价版本以静态执行隐私策略的方法,实现为Taypsi语言,在含结构化数据与复杂隐私策略的MPC应用中取得显著性能提升。
2024-03-06 cs.CR cs.PL
PrivFramework: A System for Configurable and Automated Privacy Policy Compliance
当今大规模的数据汇集,加上最近消费者数据泄露的激增,导致人们越来越关注数据隐私和相关风险。传统的数据隐私保护系统专注于降低保管风险,并且缺乏授权数据所有者的特征。作为最终用户,可用于指定和强制执行自己的数据隐私偏好的选项有限。为了解决这些问题,我们提出PrivFramework,一个用户可配置的框架,自动隐私政策的遵守。PrivFramework允许数据所有者编写强大的隐私策略来保护他们的数据,并自动针对Python编写的分析程序执行这些策略。使用静态分析PrivFramework自动检查授权的分析程序是否符合用户定义的策略。
2020-12-09 cs.CR
On the (Un)Reliability of Privacy Policies in Android Apps
在Android上访问隐私敏感信息是移动社区日益关注的问题。尽管Google Play最近推出了一些隐私准则,但要彻底验证应用程序是否真正遵守这些规则仍然是一个悬而未决的问题。为此,在本文中,我们讨论了一种新的方法的基础上,一个富有成效的组合静态分析,动态分析,和机器学习技术,它允许评估这样的遵守。更详细地说,我们的方法检查每个应用程序是否i)包含符合Google Play隐私准则的隐私政策,以及ii)仅在用户接受该政策时才访问隐私敏感信息。此外,该方法还允许检查嵌入在应用w.r.t.同样的隐私政策。我们在一个工具3PDroid中实现了我们的方法,并对Google Play商店中最近下载量最大的一组Android应用进行了评估。实验结果表明,超过95%的应用程序会访问用户的隐私敏感信息,但其中只有一小部分(约1%)完全符合Google Play隐私准则。
2020-04-18 cs.CR
PolicyLR: A Logic Representation For Privacy Policies
University of Wisconsin-Madison(威斯康星大学麦迪逊分校);Langroid(朗格罗伊德)
提出PolicyLR范式,通过两阶段翻译与蕴含过程将隐私策略转换为机器可读的逻辑表示,实现0.91精确率和0.88召回率,支持合规性检查、不一致性检测和隐私比较购物等下游任务。
2024-08-27 cs.CL cs.CR
A Fine-grained Chinese Software Privacy Policy Dataset for Sequence Labeling and Regulation Compliant Identification
The Hong Kong Polytechnic University(香港理工大学)
隐私保护在法律层面和用户意识层面都引起了极大的关注。为了保护用户隐私,各国都制定了法律法规,要求软件隐私政策来规范他们的行为。然而,隐私政策是用自然语言编写的,其中包含许多法律术语和软件术语,这些术语阻止用户理解甚至阅读它们。使用NLP技术来分析隐私策略以帮助用户理解它们是可取的。此外,现有的数据集忽略了法律要求,仅限于英语。在本文中,我们构建了第一个中国隐私政策数据集,即CA 4P-483,以促进序列标记任务和隐私政策和软件之间的法规遵从性识别。我们的数据集包括483个中文Android应用程序隐私策略,超过11 K的句子和52 K的细粒度注释。我们在我们的数据集上评估了稳健和代表性基线模型的家族。基于基线性能,我们提供了我们的数据集上的发现和潜在的研究方向。最后,结合法规要求和程序分析,探讨了CA 4P-483的潜在应用。
2022-12-04 cs.AI cs.CR
Behavioral Privacy Leakage in Agentic Negotiation: Formalizing and Mitigating Inference Attacks via Randomized Policies
Apple Inc.(苹果公司)
研究自主协商代理行为隐私泄露问题,设计自适应随机协商策略,联合保证差分隐私、报价序列收敛和高协商效用,在合成双边协商实验中降低对手推理准确率,保持高协商成功率和效用。
2026-07-09 cs.CR
LADFA: A Framework of Using Large Language Models and Retrieval-Augmented Generation for Personal Data Flow Analysis in Privacy Policies
Institute of Cyber Security for Society (iCSS) \& School of Computing, University of Kent Canterbury United Kingdom;Honda Research Institute Europe GmbH Germany;Institute of Cyber Security for Society (iCSS) \& School of Computing, University of Kent;Honda Research Institute Europe GmbH
LADFA利用大型语言模型和检索增强生成技术,实现对隐私政策中个人数据流的自动化分析与可视化。
2026-01-15 cs.AI cs.CR
Making Distributed Mobile Applications SAFE: Enforcing User Privacy Policies on Untrusted Applications with Secure Application Flow Enforcement
当今的移动设备感知、收集和存储大量的个人信息,用户通过各种应用程序与家人和朋友共享这些信息。一旦用户允许应用程序访问他们的数据,他们必须隐含地信任应用程序正确地维护数据隐私。正如我们从经验和太频繁的新闻报道中所知道的那样,这种信任往往是错误的。虽然用户不信任应用程序,但他们信任自己的移动设备和操作系统。不幸的是,共享应用程序不仅限于移动客户端,还必须在云服务上运行,以便在用户之间共享数据。在本文中,我们利用用户对其移动操作系统的信任来审查云服务。为此,我们定义了一个新的安全应用程序流实施(SAFE)框架,该框架要求云服务证明一个系统堆栈,该堆栈将强制执行移动操作系统为用户数据提供的策略。我们实现了一个在未修改的移动应用程序上强制执行SAFE策略的移动操作系统,以及两个用于在不受信任的云服务上强制执行策略的系统。使用这些原型,我们证明,它是可以执行现有的用户隐私政策上未经修改的应用程序。
2020-08-14 cs.CR cs.OS
Privacy and modern cars through a dual lens
现代汽车技术发展迅速。他们收集各种个人数据,并代表汽车制造商处理这些数据,以改善驾驶员的体验。这种处理的确切条款在用户购买汽车时接受的隐私政策中或首次启动时通过信息娱乐系统进行说明。本文采用双镜头来评估人们在开车时的隐私。第一种方法是客观的,研究汽车附带的隐私政策的可读性。我们分析了12个汽车品牌的隐私政策,并采用众所周知的可读性指数来评估所有司机都能理解隐私政策的程度。第二种方法针对驾驶员的意见,以推断他们的隐私问题和信任观念。我们设计了一份问卷,收集了88名参与者的意见,并得出有关他们的基本统计数据。我们的综合研究结果表明,隐私是不够的理解,目前作为一个问题,从驾驶汽车,因此未来的技术应该量身定制,使人们更了解这个问题,并使他们能够表达自己的喜好。
2021-11-24 cs.CR
SeePrivacy: Automated Contextual Privacy Policy Generation for Mobile Applications
SeePrivacy 通过多模态融合移动 GUI 理解与隐私政策分析,自动生成情境隐私政策,实现 83.6% 情境检测覆盖率和 0.92 片段提取准确率,显著提升用户阅读意愿与可用性。
2023-07-09 cs.CR cs.SE
Privaros: A Framework for Privacy-Compliant Delivery Drones
我们提出了Privaros,这是一个在无人机上执行隐私政策的框架。Privaros专为商业送货无人机而设计,例如亚马逊Prime Air可能使用的无人机。这种无人机访问多个主空域,每个主空域可能具有不同的隐私要求。Privaros提供了一个信息流控制框架,以在客人交付无人机上执行这些主机的策略。Privaros中的机制构建在ROS之上,ROS是许多无人机平台中流行的中间件。本文介绍了这些机制的设计和实现,介绍了如何指定的政策,并显示,Privaros的政策规范可以与印度的数字天空门户网站。我们的评估表明,运行Privaros的无人机可以强大地执行主机指定的各种隐私策略,并且其核心机制只会略微增加通信延迟和功耗。
2020-08-13 cs.CR cs.OS
OVRseen: Auditing Network Traffic and Privacy Policies in Oculus VR
虚拟现实(VR)是一种新兴技术,它可以实现新的应用,但也会带来隐私风险。在本文中,我们重点介绍了VR领域的领先平台Oculus VR(OVR),并从网络和隐私政策的角度,首次全面分析了OVR应用程序和平台本身暴露的个人数据。我们试用了Quest 2头显,并测试了Oculus官方和SideQuest应用商店中最受欢迎的VR应用程序。我们开发了OVRseen,一种用于收集、分析和比较OVR上的网络流量和隐私策略的方法和系统。在网络方面,我们捕获并解密了VR应用程序的网络流量,这在OVR上是不可能的,我们提取了数据流,定义为<app,数据类型,目的地>。与移动和其他应用生态系统相比,我们发现OVR更加集中,并且由跟踪和分析驱动,而不是由第三方广告驱动。我们展示了VR应用程序暴露的数据类型包括个人身份信息(PII)、可用于指纹识别的设备信息以及VR特定的数据类型。通过将网络流量中发现的数据流与应用程序隐私政策中的声明进行比较,我们发现大约70%的OVR数据流没有正确披露。此外,我们从隐私政策中提取了额外的上下文,我们观察到69%的数据流用于与应用程序核心功能无关的目的。
2021-11-19 cs.CR cs.NI
Is It a Trap? A Large-scale Empirical Study And Comprehensive Assessment of Online Automated Privacy Policy Generators for Mobile Apps
本文首次从多维度评估 10 个移动应用在线隐私政策生成器,并分析 Google Play 的 46,472 份政策,发现约 20.1% 可能由其生成且存在 GDPR、CCPA、LGPD 合规缺陷。
2023-09-23 cs.CR cs.SE
Chat First, Worry Later: Understanding Individuals' Privacy Perceptions Using ChatGPT in a Work Context
University of Regensburg(雷根斯堡大学)
该研究通过对224名各行业用户的调查,分析了ChatGPT使用熟练度、隐私担忧、组织GenAI政策对用户使用ChatGPT的影响及相互作用,发现组织政策与隐私相关熟练度正相关,隐私担忧会降低使用频率和应用多样性。
2026-08-24 cs.CR cs.CY cs.HC
Towards Context-aware Mobile Privacy Notice: Implementation of A Deployable Contextual Privacy Policies Generator
School of Computing, Australian National University(澳大利亚国立大学计算学院);CSIRO’s Data61(澳大利亚联邦科学与工业研究组织数据61)
本文提出首个可在 Android 部署的 CPP SDK——PrivScan,通过实时截图识别个人数据相关 GUI 元素并按需显示简明隐私政策,评估表明其平均执行时间为 9.15 秒。
2025-09-26 cs.CR cs.SE