DP-VOXLET: Provable Speaker Anonymization for Disentangled Speech Representations
University of Vermont(佛蒙特大学);Galois, Inc.(伽罗瓦公司)
本研究提出基于差分隐私的说话人匿名化正式定义及可证明满足该定义的机制,在兼容现有解耦语音表示的框架下,相较此前方法实现了更高效用。
2026-09-01 cs.CR
A Multi-Objective Degree-Based Network Anonymization Approach
从社交网络或其他在线平台收集的大量数据被发布用于统计、营销和研究等目的。随之而来的隐私和数据安全问题激发了基于度的数据匿名化的工作。我们提出并研究了一种新的多目标匿名化方法,该方法概括了已知程度的匿名化问题,并试图将其改进为一种更现实的数据安全/隐私模型。我们建议的模型保证了一个方便的隐私级别的基础上修改度的方式,尊重一些给定的本地限制,每个节点,这样的总修改在全球范围内(在整个图/网络)是由一些给定的值。相应的多目标图的实现方法是解决使用最佳线性规划,以获得最佳的可能解决方案。我们的实验研究为新方法的有效性提供了经验证据;通过特别表明,引入的匿名化算法对节点聚类的方式影响可以忽略不计,从而在显着提高数据隐私的同时保留有价值的网络信息。
2021-12-23 cs.CR
Libra: High-Utility Anonymization of Event Logs for Process Mining via Subsampling
流程挖掘技术使分析人员能够根据事件日志识别和评估流程改进机会。流程挖掘的一个常见障碍是,事件日志可能包含未经同意无法用于分析的私人信息。克服这一障碍的一种方法是对事件日志进行匿名化,这样就不会根据匿名化的日志挑出原始日志中表示的任何个人。差分隐私是一种提供这种保证的匿名化方法。差异隐私事件日志匿名化技术寻求产生与原始日志尽可能相似的匿名化日志(高效用),同时提供所需的隐私保证。现有的事件日志匿名化技术通过将噪声注入到日志中的轨迹中来操作(例如,复制、干扰或滤除某些迹线)。最近的工作差分隐私表明,一个更好的隐私效用权衡可以通过应用噪声注入之前的子采样。换句话说,二次采样放大了隐私。本文提出了一种名为Libra的事件日志匿名化方法,利用了这一观察结果。Libra从日志中提取多个跟踪样本,独立地注入噪声,保留每个样本的统计相关跟踪,并组合样本以产生差异化的私有日志。实证评估表明,所提出的方法导致相当高的实用性,相当于隐私保障相对于现有的基线。
2022-06-27 cs.CR
A False Sense of Privacy: Towards a Reliable Evaluation Methodology for the Anonymization of Biometric Data
本文指出现有面部与步态生物特征匿名化评估因假设弱对手而高估隐私效果,提出知晓匿名化的强对手及改进的数据集选择方法,通过最坏情况性能度量实现可靠评估。
2024-07-09 cs.CR
The Metadata Anonymization Toolkit
本文件总结了Julien Voisin在著名的\emph{Google Summer of Code} 2011年版期间的经验。这个项目是自由软件中元数据匿名化领域的第一步。本文分三个部分。首先,一个国家的艺术和分类的常用元数据,然后隐私政策暴露/讨论,以找到正确的平衡之间的信息丢失和隐私增强。最后,介绍了元数据分析工具包(MAT)的规范,并对未来可能的工作进行了展望。
2013-05-27 cs.CR
Not All Entities are Created Equal: A Dynamic Anonymization Framework for Privacy-Preserving RAG
Nankai University(南开大学);Gordon College(戈登学院);Beihang University(北京航空航天大学)
针对检索增强生成中敏感实体“一刀切”匿名化导致效用下降的问题,提出基于上下文感知实体量化的动态匿名化框架TRIP-RAG,通过评估边际隐私风险、知识分歧和主题相关性实现变强度隐私保护,在保持隐私保护的同时显著提升生成质量。
2026-05-28 cs.CR
From t-closeness to differential privacy and vice versa in data anonymization
k-匿名和ε-差分隐私是两种主流的隐私模型,前者用于匿名化数据集,后者用于限制数据集中包含一个个体所导致的知识获取。虽然基本的k-匿名只能防止身份泄露,但t-贴近度是k-匿名的扩展,也可以防止属性泄露。我们在这里表明,如果不是完全等价的话,t-贴近度和ε-差分隐私在匿名数据集方面彼此密切相关。具体来说,准标识符的k-匿名性与机密属性的ε-差分隐私相结合,产生随机t-贴近度(t-贴近度的扩展),其中t是k和ε的函数。相反,当t = exp(ε/2)时,t-贴近度可以产生ε-差分隐私,并且t-贴近度关于数据的先验和后验视图的假设成立
2015-12-21 cs.CR
DUEF-GA: Data Utility and Privacy Evaluation Framework for Graph Anonymization
本文提出DUEF-GA框架,通过通用与特定任务的信息损失度量及重识别风险评估,统一评估和比较图匿名化数据集,帮助选择最佳算法以减少信息损失并最大化数据效用。
2025-01-27 cs.CR
You can't always get what you want: towards user-controlled privacy on Android
移动应用程序(以下简称为应用程序)通过第三方分析库收集有关用户行为及其设备的大量信息。然而,这些数据的收集和使用引起了一些隐私问题,主要是因为最终用户,即,数据的实际所有者-在此收集过程中处于循环之外。此外,过去几年出现的现有隐私增强解决方案遵循“全有或全无”的方法,让用户唯一选择接受或完全拒绝对隐私相关数据的访问。这项工作有两个目标,一是评估移动应用程序中分析库使用的隐私影响,二是提出一种数据匿名化方法,该方法可以在收集的数据的实用性和隐私性之间进行权衡,并让用户完全控制共享过程。为了实现这一目标,我们对2020年11月至2021年1月期间Google Play商店中4500个最常用的Android应用程序中包含的分析库进行了实证隐私评估。然后,我们提出了一个授权的匿名化方法,基于MobHide,使最终用户完全控制收集和匿名化过程。最后,我们通过经验证明了这种匿名方法的适用性和有效性,这要归功于HideDroid,一个成熟的Android生态系统匿名应用程序。
2022-01-29 cs.CR
Safety in Numbers: Anonymization Makes Centralized Systems Trustworthy
分散式系统比集中式系统更能抵抗操作员的恶作剧,但它们更难开发、部署和维护。如果系统的去中心化部分可以高度通用,并因此被纳入许多不同的应用程序中,那么成本就会大大降低。我们展示了现有的匿名化系统如何能够达到这一目的,保护公共数据库免受运营商的含糊其辞,而不需要数据库所有者的合作。我们得出成功含糊的概率的界限,并且在这样做的过程中,我们证明了匿名系统不仅对用户隐私很重要,而且通过向机器提供隐私,它们在互联网基础设施中具有更广泛的价值
2017-05-08 cs.CR
Toward Interpretable Privacy Guarantees in Face-Swapping Anonymization
Kansas State University(堪萨斯州立大学);Louisiana State University(路易斯安那州立大学)
针对人脸交换匿名化存在的身份泄露问题,提出线性随机模型解释泄露机制,旨在实现可解释的形式化隐私保障。
2026-08-27 cs.CR
CryptGraph: Privacy Preserving Graph Analytics on Encrypted Graph
许多图挖掘和分析服务已经部署在云上,这可以减轻用户实现和维护图算法的负担。然而,将图形分析放在云端可能会侵犯用户的隐私。为了解决这个问题,我们提出了CryptGraph,它在加密的图上运行图分析,以保护用户的图数据和分析结果的隐私。在CryptGraph中,用户在将其上传到云端之前对其图形进行加密。云在加密的图上运行图分析,并获得云无法解密的加密形式的结果。在计算过程中,加密的图永远不会在云端解密。加密后的结果返回给用户,由用户解密得到明文结果。在这个过程中,用户的图表和分析结果都是加密的,云计算不知道它们。因此,用户的隐私可以得到很好的保护。同时,借助同态加密,保证了加密图分析结果的正确性。本文介绍了如何使用同态加密对图进行加密,以及如何通过计算多项式来查询加密图的结构。为了解决某些操作在加密图上无法执行的问题,我们提出了硬计算外包来寻求用户的帮助。使用两个图算法作为例子,我们展示了如何应用我们的方法来执行加密图的分析。在两个数据集上的实验证明了该方法的正确性和可行性。
2015-03-18 cs.CR
Privacy Preserving Web Query Log Publishing: A Survey on Anonymization Techniques
发布包含有研究或营销价值信息的Web查询日志可能会侵犯搜索引擎用户的隐私。因此,渲染查询日志,以限制查询链接到个人,同时保留数据的有用性进行分析,是一个重要的研究问题。本文对这一领域的最新研究进行了综述和讨论。
2012-11-10 cs.CR cs.DB
Toward Trusted Sharing of Network Packet Traces Using Anonymization: Single-Field Privacy/Analysis Tradeoffs
分布式安全分析需要共享网络数据。为了共享而对网络数据进行分析,在隐私保护与安全分析能力之间建立了基本的权衡。这种隐私/分析权衡已经被许多研究人员所承认,但这是第一篇提供实证测量来表征企业数据集的隐私/分析权衡的论文。具体来说,我们在网络数据包跟踪中的单个字段上执行匿名化选项,然后使用入侵检测系统警报作为安全分析功能的代理进行测量。我们的结果显示:(1)两个字段具有零和折衷(更多的隐私减少安全分析,反之亦然),以及(2)八个字段具有更复杂的折衷(不是零和),其中隐私和分析两者都可以同时完成。
2007-10-26 cs.CR cs.NI
Preserving Both Privacy and Utility in Network Trace Anonymization
随着网络安全监控变得越来越复杂,越来越需要将这些任务外包给第三方分析师。然而,由于对敏感信息的隐私问题,组织通常不愿意共享其网络跟踪,网络和系统配置,可能被利用进行攻击。在数据所有者被说服共享其网络跟踪的情况下,数据通常会受到某些匿名化技术的影响,例如,CryptoPAn,它用前缀保留的前缀替换真实的IP地址。然而,大多数这样的技术或者容易受到对手的攻击,对手事先知道跟踪中的一些网络流,或者需要大量的数据清理或扰动,这两者都可能导致数据效用的显著损失。在本文中,我们的目标是保护隐私和效用之间的权衡转移到隐私和计算成本之间。其关键思想是让分析人员生成和分析原始网络轨迹的多个匿名视图;这些视图被设计为即使对拥有先验知识的对手也足够难以区分,这保护了隐私,而其中一个视图将产生由数据所有者私下检索的真实分析结果,这保留了效用。我们提出了一般的方法,并实例化它的基础上CryptoPAn。我们正式分析我们的解决方案的隐私和实验评估它使用真实的网络跟踪提供的主要ISP。结果表明,我们的方法可以显着降低信息泄漏的水平(例如,不到CryptoPAn泄露的信息的1%),具有可比的实用性。
2018-10-24 cs.CR
New Directions in Anonymization: Permutation Paradigm, Verifiability by Subjects and Intruders, Transparency to Users
目前有两种匿名化方法:“效用优先”(使用具有合适效用特征的匿名化方法,然后根据经验评估披露风险,并且如果必要,通过可能牺牲一些效用来降低风险)或“隐私优先”(通过隐私模型强制执行目标隐私级别,例如,k-匿名或k-差分隐私,而不考虑效用)。为了获得正式的隐私保证,必须遵循第二种方法,但随后获得的数据发布没有效用保证。此外,一般来说,不清楚数据主体的匿名化如何验证(她贡献的记录的安全性如何?),什么类型的入侵者被认为是(他知道什么,想要什么?)以及匿名化对数据使用者的透明度如何(用户被告知使用的方法和参数是什么?)。我们表明,使用一个普遍适用的反向映射变换,微数据的任何匿名化可以被视为一个置换加上(也许)少量的噪音;因此,置换被证明是任何匿名化的微数据,它允许简单的实用程序和隐私指标的基本原则。从这个置换范式,一个新的隐私模型自然遵循,我们称之为(d,v)-置换隐私。通过这种方法确保的隐私可以通过贡献原始记录的每个受试者(受试者可验证性)来验证,并且还可以通过数据保护器在数据集级别进行验证。然后,我们继续定义一个最大知识入侵者模型,我们认为应该是一个考虑匿名化。最后,我们让匿名化对数据用户透明,也就是说,符合Kerckhoff的假设(只有使用的随机性,如果有的话,必须保密)。
2015-01-17 cs.CR cs.DB
Cluster-guided LLM-Based Anonymization of Software Analytics Data: Studying Privacy-Utility Trade-offs in JIT Defect Prediction
SFG Lab, Lahore University of Management Sciences(拉合尔管理科学大学 SFG 实验室);National University of Computer and Emerging Sciences (FAST)(国家计算机与新兴大学 (FAST))
本文提出基于LLM的聚类引导去标识化方法,用于JIT缺陷预测中的隐私-效用权衡研究,通过上下文感知参数配置提升隐私保护水平。
2025-12-13 cs.CR cs.SE
Equivalence-based Security for Querying Encrypted Databases: Theory and Application to Privacy Policy Audits
出于同时保护外包给第三方云的数据的机密性和可用性的问题,我们提出了两种不同的数据库加密方案,它们在很大程度上隐藏了数据,但揭示了足够的信息来支持广泛的关系查询。我们提供了一个数据库加密的安全定义,从对手的角度来看,捕获的数据库的等效概念的基础上的机密性。作为一个具体的应用程序,我们适应现有的算法,发现违反隐私政策的运行在我们的计划下加密的日志,并观察低到中等的开销。
2015-08-10 cs.CR
CryptoImg: Privacy Preserving Processing Over Encrypted Images
云计算服务为图像和多媒体文件的存储和处理提供了可扩展的解决方案。然而,对隐私风险的担忧阻止了用户与第三方服务共享他们的个人图像。在本文中,我们描述的设计和实现的CryptoImg,一个开源库(源代码在https://github.com/TarekIbnZiad/CryptoImg)的模块化隐私保护图像处理操作加密图像。通过使用同态加密,CryptoImg允许用户将他们的图像处理操作委托给远程服务器,而没有任何隐私问题。目前,CryptoImg支持最常用的图像处理操作的子集,如图像调整,空间滤波,边缘锐化,直方图均衡等。我们实现了我们的库作为流行的计算机视觉库OpenCV的扩展。CryptoImg可以从移动或桌面客户端使用。我们的实验结果表明,CryptoImg是有效的,同时执行操作的加密图像可以忽略不计的错误和合理的时间开销支持的平台上
2019-08-14 cs.CR
Privacy Vulnerabilities of Dataset Anonymization Techniques
政府、公司和个人每天都在收集关于人们的各种类型的大量信息。当用户注册或使用在线应用程序、接受健康相关服务、使用移动电话、使用搜索引擎或进行日常活动时,会收集这些信息。因此,有大量的私人拥有的记录,描述个人的财务,兴趣,活动和人口统计。这些记录通常包括敏感数据,如果发布可能会侵犯用户的隐私。保护用户信息或一般数据的常用方法是通过使用身份验证和授权协议来限制对存储(通常是数据库)的访问。这样,只有具有合法权限的用户才能访问用户数据。然而,在许多情况下,发布用于统计分析和研究的用户数据对于学术和商业用途(例如统计研究和推荐系统)都是非常有益的。为了维护用户隐私,当这样的发布发生时,许多数据库采用匿名化技术,无论是在查询结果还是数据本身。在本文中,我们将研究2种这样的技术,“数据扰动”和“查询集大小控制”的变体,并讨论它们的漏洞。数据扰动处理更改数据集中记录的值,同时保持结果查询的准确性。我们专注于一个相对较新的数据扰动方法称为NeNDS显示可能的部分知识攻击其隐私。查询集大小控制允许根据具有满足查询参数的记录的最小集大小k来发布查询结果。我们展示了一些依赖于这种方法的查询类型仍然可以用来提取隐藏的信息,并证明了其他人即使使用多个查询也可以保持隐私。
2019-05-28 cs.CR
A Note on Efficient Privacy-Preserving Similarity Search for Encrypted Vectors
针对FHE加密向量相似性搜索开销过大的问题,本文提出仅用AHE计算内积相似性,避免密文乘法与自举,并分析误差与安全性。
2025-02-20 cs.CR
Privacy Gain Based Multi-Iterative k-Anonymization to Protect Respondents Privacy
来自特定领域的应用程序,如医疗,金融,电话,购物记录和个人的大量数据定期生成。这些数据的共享被证明是有益的数据挖掘应用。由于数据挖掘通常涉及包含个人身份信息的数据,因此发布此类数据可能会导致隐私泄露。一方面,这些数据通过分析成为商业决策的重要资产;另一方面,数据隐私问题可能会阻止数据所有者共享数据分析信息。为了在共享数据的同时保护隐私,数据所有者必须提出一种解决方案,该解决方案既要实现隐私保护,又要实现数据挖掘任务(主要是聚类和分类)的准确性。隐私保护数据发布(Privacy Preserving Data Publishing,PPDP)是一种通过在发布前对数据集进行匿名化处理来消除链接攻击等隐私威胁,同时保持数据效用的研究。建议的工作是一个扩展的k-匿名化的隐私增益(PrGain)已计算选择性匿名化的元组集。使用所提出的算法的原始数据和匿名数据的分类和聚类特性进行了评估的信息丢失,执行时间,和隐私实现。算法已被处理对标准数据集和分析表明,敏感属性的值被保留以最小的信息丢失。
2014-03-19 cs.CR stat.ME
SCRUB-PA: A Multi-Level Multi-Dimensional Anonymization Tool for Process Accounting
在UNIX/Linux环境中,内核可以使用进程记帐记录每个用户创建的每个命令进程。这些数据有许多潜在用途,包括调查安全事件。然而,进程记帐数据也是敏感的,因为它包含私有用户信息。因此,安全系统管理员无法共享这些日志。考虑到许多有趣的安全应用程序都可以使用进程记帐数据,因此拥有一个可以保护日志中的私有用户信息的工具将非常有用。出于这个原因,我们介绍SCRUB-PA,一个工具,使用多层次的多维匿名化的进程会计日志文件,以提供不同级别的隐私保护。我们的目标是,SCRUB-PA将在保护隐私的同时促进流程会计日志的共享。
2006-01-18 cs.CR
Faster CryptoNets: Leveraging Sparsity for Real-World Encrypted Inference
同态加密允许在数据保持加密的同时对数据进行任意计算。这种隐私保护特征对于机器学习是有吸引力的,但是由于加密方案的大开销而需要显著的计算时间。我们提出了更快的CryptoNets,一种使用神经网络进行有效加密推理的方法。我们开发了一种修剪和量化的方法,利用稀疏表示在底层密码系统,以加速推理。我们推导出一个最佳的近似流行的激活函数,实现最大稀疏编码,并尽量减少近似误差。我们还展示了如何通过利用迁移学习和差分隐私,使用隐私安全训练技术来减少对真实数据集进行加密推理的开销。我们的实验表明,我们的方法保持竞争力的准确性,并实现了显着的加速比以前的方法。这项工作增加了使用同态加密来保护用户隐私的深度学习系统的可行性。
2018-11-25 cs.CR
Padding Ain't Enough: Assessing the Privacy Guarantees of Encrypted DNS
DNS over TLS(DoT)和DNS over HTTPS(DoH)加密DNS,通过向被动攻击者隐藏DNS解析来保护用户隐私。然而,过去的攻击表明,加密的DNS仍然对流量分析敏感。因此,RFC 8467建议在加密之前填充消息,这大大降低了加密流量的特性。在本文中,我们表明,填充单独是不足以对抗DNS流量分析。我们提出了一种新的流量分析方法,结合大小和时间信息来推断用户访问的网站纯粹基于加密和填充的DNS跟踪。为此,我们对DNS序列进行建模,以捕捉通常触发数十个DNS解析而不仅仅是单个DNS事务的网站的复杂性。一项基于Alexa前10 k网站的封闭世界评估显示,攻击者可以在80.2%的网站中对至少一半的测试跟踪进行去匿名化,甚至可以正确标记32.0%的网站的所有跟踪。我们的研究结果破坏了DoT/DoH中最先进的消息填充策略的隐私目标。我们的结论表明,成功的缓解这种攻击必须删除查询响应之间的到达时间间隔的熵。
2019-07-02 cs.CR
Using Metrics Suites to Improve the Measurement of Privacy in Graphs
社交图谱广泛用于研究(例如,流行病学)和商业(例如,推荐系统)。但是,共享这些图表会带来隐私风险,因为它们包含有关个人的敏感信息。图匿名化技术旨在保护图中的个人用户,而图去匿名化旨在重新识别用户。匿名化和去匿名化算法的有效性通常用隐私度量来评估。然而,目前还不清楚现有的隐私指标在用于图形隐私时有多强。在本文中,我们研究了26个用于图匿名化和去匿名化的隐私指标,并根据三个标准评估其强度:单调性表明该指标是否表明较强对手的隐私较低;对于场景内比较,均匀性表明指标值是否均匀分布;对于场景间比较,共享值范围表明指标是否在场景中使用一致的值范围。我们广泛的实验表明,没有一个度量标准完美地满足所有三个标准。因此,我们使用多标准决策分析的方法将多个指标聚合到一个指标套件中,并且我们表明,与最佳单个指标相比,这些指标套件提高了单调性。这一重要结果使得新的图匿名化和去匿名化算法的评估更加单调,从而更加准确。
2019-05-30 cs.CR cs.PF cs.SI
Fourier domain asymmetric cryptosystem for privacy protected multimodal biometric security
提出了一种用于多模态生物特征安全的傅立叶域非对称密码系统。一种生物特征(如人脸)被用作明文,由另一种生物特征(如指纹)加密。通过复杂的空间傅立叶处理从加密的生物特征签名合成私钥。加密的生物特征签名进一步由其他生物特征模态加密,并且合成相应的私钥。由于加密密钥是由人提供的,因此所得到的生物特征签名是隐私保护的,并且这些是私钥。此外,使用这些私有加密密钥来合成解密密钥。使用合成的私钥和逆复数空间傅立叶处理来解密加密的签名。计算机模拟证明了该技术的可行性。
2018-10-16 cs.CR
Methods To Ensure Privacy Regarding Medical Data -- Including an examination of the differential privacy algorithm RAPPOR and its implementation in "Cryptool 2"
本文件审查了几种适用的方法,以确保在卫生保健部门收集的数据的隐私。为了确保对该主题有共同的理解,引言根据示例解释了匿名方法的必要性。接下来,介绍了数据汇集的原因,以及保护上述数据的目的,以及目前适用的隐私法来执行此隐私。问题“我们谈论的是什么样的隐私,必须满足什么条件?“在随后的“差分隐私“一章中讨论。因此,正在建立,共同的匿名化方法进行解释和审查,为他们在医疗保健部门的使用。RAPPOR算法及其差分隐私更详细地处理,然后得出结论。
2022-10-18 cs.CR
Privacy Failures in Encrypted Messaging Services: Apple iMessage and Beyond
即时通讯服务正迅速成为世界各地消费者之间最主要的通信形式。例如,苹果iMessage每天处理超过20亿条信息,而WhatsApp声称来自4亿国际用户的160亿条信息。为了保护用户隐私,这些服务通常实现端到端和传输层加密,这意味着即使对于服务提供商本身也无法进行窃听。然而,在本文中,我们表明,窃听者可以通过观察加密数据包的大小来了解有关用户行为,消息语言,甚至这些消息的长度的信息,尽管使用了最先进的加密技术,但准确率超过96%。虽然我们的评估主要集中在Apple iMessage上,但这些攻击是完全通用的,我们展示了它们如何应用于许多流行的消息服务,包括WhatsApp,Viber和Telegram。
2014-03-08 cs.CR
A Smart Home is No Castle: Privacy Vulnerabilities of Encrypted IoT Traffic
被称为物联网(IoT)的专用互联网连接设备和电器的日益普及,带来了新的便利和新的隐私问题。与传统的Web浏览器不同,许多物联网设备都有始终在线的传感器,可以不断监控用户物理环境的细粒度细节,并影响设备的网络通信。被动网络观察者,如互联网服务提供商,可能会分析物联网网络流量,以推断有关用户的敏感细节。在这里,我们检查了四个物联网灵巧家庭设备(Sense睡眠监视器,Nest Cam室内安全摄像头,WeMo交换机和Amazon Echo),发现它们的网络流量率可以揭示潜在的敏感用户交互,即使流量被加密。这些结果表明,需要一种技术解决方案来保护物联网设备所有者的隐私,并且在围绕ISP数据汇集和使用的持续政策辩论中必须考虑物联网特定的问题。
2017-05-18 cs.CR
Cloud-Based Approximate Constrained Shortest Distance Queries Over Encrypted Graphs With Privacy Protection
约束最短距离(CSD)查询是基本的图查询原语之一,其在总成本不超过给定阈值的约束下找到图中从原点到目的地的最短距离。CSD查询具有广泛的应用,例如电信和运输中的路由。随着云计算范例的日益流行,图所有者希望将他们的图外包给云服务器。为了保护敏感信息,这些图在外包到云端之前通常会被加密。然而,这对加密图上的CSD查询提出了很大的挑战。由于执行约束过滤是一个棘手的任务,现有的工作主要集中在无约束的最短距离查询。加密图上的CSD查询是一个开放的研究问题。在本文中,我们提出了康纳,一种新的图形加密方案,使近似CSD查询。Connor是基于一个高效的、基于树的密文比较协议构建的,并利用了密钥原语和有点同态加密,使其在计算上高效。使用Connor,图所有者可以首先加密隐私敏感的图,然后将它们外包给云服务器,从而在不失去查询能力的情况下实现必要的隐私。在真实数据集上的大量实验证明了所提出的图加密方案的有效性和效率。
2018-09-21 cs.CR
Practical Privacy in WDM Networks with All-Optical Layered Encryption
与当今基于洋葱路由(Tor)的匿名IP网络相比,在光路由器中,匿名通信形式的隐私可能更快,更难被打破。然而,实现实际的隐私映射并不简单,因为它需要在每个匿名化节点中生成密钥以避免长密钥的分发,以及分层加密,两者都以光线路速率进行。由于密码学上强的光学密钥生成和加密组件的不可用,不仅分层加密是一个挑战,而且一般的光学加密也是一个挑战。在本文中,我们解决了光学匿名网络的挑战,第一次从系统的角度来看,并讨论了全光分层加密的实际实施方案。为此,我们提出了一种光学匿名组件实现与国家的最先进的光学XOR逻辑和光学线性反馈移位寄存器(oLFSR)。鉴于LFSR单独是已知的弱密码安全性,由于其线性特性,我们提出了一个实现与并行oLFSR和分析所产生的计算安全性。结果表明,提出的光学匿名组件是有前途的,因为它可以实际实现,以提供一个高的计算安全性,对去匿名(隐私)攻击。
2016-10-28 cs.CR
Efficient Strong Privacy-Preserving Conjunctive Keyword Search Over Encrypted Cloud Data
可搜索对称加密(SSE)支持对外包对称加密数据的关键字搜索。动态可搜索对称加密(DSSE)是SSE的一种变体,它进一步支持数据更新。大多数DSSE工程与合取关键字搜索主要考虑前向和后向隐私。理想情况下,服务器应该只学习涉及合取中所有关键字的结果集。然而,现有的计划遭受关键字对结果模式(KPRP)泄漏,揭示了部分结果集包含两个查询关键字。我们提出了第一个DSSE计划,以解决上述问题,实现强大的隐私保护合取关键字搜索。具体来说,我们的方案可以保持前向和后向隐私,并消除KPRP泄漏,提供更高的安全性。在几个现有的方案中,搜索的复杂性与存储在数据库中的文档的数量成比例。然而,我们的方案的复杂性与连接中最不频繁的关键字的更新频率成比例,这比整个数据库的大小要小得多。此外,我们设计了一个最不频繁的关键字获取协议,以减少客户端之间的频繁交互。最后,我们分析了我们的方案的安全性和评估其性能的理论和实验。实验结果表明,该方案具有较强的隐私保护能力和效率.
2022-09-22 cs.CR
Time Distortion Anonymization for the Publication of Mobility Data with High Utility
每天都有越来越多的移动数据通过不同的方式收集,例如移动应用程序或人群感知活动。这些数据有时会在应用简单的匿名化技术(例如,将标识符而不是用户的名称),这可能导致对参与用户的隐私的严重威胁。文献包含更复杂的匿名化技术,通常基于向空间数据添加噪声。然而,这些技术或者在所添加的噪声太少的情况下损害隐私,或者在所添加的噪声太强的情况下损害数据的效用。我们在本文中调查的另一种解决方案,它建立在时间失真,而不是空间失真。具体而言,我们的贡献在于(1)引入时间失真的概念来匿名化移动数据集(2)Promesse,实现这一概念的保护机制(3)Promesse的实际研究相比,两个代表性的空间失真机制,即等待我,强制执行k-匿名,和地理不可侵犯性,强制执行差分隐私。我们实际上使用三个现实生活中的数据集来评估我们的机制。我们的研究结果表明,时间失真减少了可以被对手检索到的兴趣点的数量到3%以下,而引入的空间误差几乎为零,范围查询结果的失真平均保持在13%以下。
2015-07-02 cs.CR
Privacy-Protecting Techniques for Behavioral Biometric Data: A Survey
TU Dresden(德累斯顿工业大学);KASTEL Security Research Labs, KIT(卡尔斯鲁厄理工学院卡斯特安全研究实验室);Paderborn University(帕德博恩大学)
本文综述了保护行为生物特征数据隐私的匿名化技术,分析了不同行为特征的隐私保护方法及存在的不足。
2023-01-05 cs.CR
Why Data Anonymization Has Not Taken Off
Drexel University(德雷塞尔大学);Boston College(波士顿学院);Harvard University(哈佛大学);Vanderbilt University(范德堡大学)
本文分析数据匿名化难以落地的原因,指出差分隐私等方法依赖情境化选择且常需定制,企业应将其作为隐私策略之一并综合运用多种安全方法。
2025-09-20 cs.CR cs.CY
BRASP: Hiding Where You Look in Encrypted Spatial Keyword Search
Lancaster University(兰卡斯特大学);Beijing Jiaotong University(北京交通大学)
BRASP是一种支持加密空间数据布尔范围查询的可搜索加密方案,通过结合希尔伯特曲线前缀编码和加密前缀-ID与关键词-ID倒排索引,实现高效的空范围过滤和关键词匹配,同时保护搜索和访问模式隐私。
2026-11-01 cs.CR
A Jigsaw Puzzle Solver-based Attack on Block-wise Image Encryption for Privacy-preserving DNNs
隐私保护深度神经网络(DNN)已经被提出用于保护云服务器中的数据隐私。虽然已经提出了几种用于保护隐私的DNN的视觉保护加密方案,但一些攻击可以从加密图像中恢复视觉信息。另一方面,它已被证实,分块的图像加密方案,利用块和像素洗牌是强大的对几种攻击。在本文中,我们提出了一个拼图解决方案为基础的攻击,以恢复从加密图像,包括块和像素洗牌的视觉信息。在实验中,图像加密使用分块图像加密大多是通过使用所提出的攻击恢复。
2022-11-10 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
A Review of Anonymization for Healthcare Data
L3S Research Center, Leibniz University(莱布尼茨大学L3S研究中心);University of Applied Sciences Osnabrück(奥斯纳布吕克应用科学大学);University of Applied Sciences and Arts Hannover(汉诺威应用科学与艺术大学)
挖掘健康数据可以加快医疗决策,提高治疗质量,预防疾病,降低成本,并推动医疗保健领域的创新解决方案。然而,健康数据是高度敏感的,并受到旨在确保患者隐私的《通用数据保护条例》(GDPR)等法规的约束。虽然最传统的方式是删除或删除患者身份信息,但这是遵守法规并纳入隐私问题的第一个重要步骤。在本文中,我们回顾了现有的匿名化技术及其对各种类型(关系和基于图形)的健康数据的适用性。此外,我们还概述了对匿名数据的可能攻击。我们通过重建攻击说明,匿名化虽然是必要的,但不足以解决患者隐私问题,并讨论了防范此类攻击的方法。最后,我们讨论了可用于实现匿名化的工具。
2021-04-13 cs.CR cs.LG
Pantomime: Motion Data Anonymization using Foundation Motion Models
Technical University Dresden(德累斯顿工业大学);Karlsruhe Institute of Technology(卡尔斯鲁厄理工学院)
本文提出Pantomime方法,利用基础运动模型生成符合数据依赖性的运动序列,保持数据效用,同时将识别准确率降低至10%。
2025-07-15 cs.CR
A Speech Representation Anonymization Framework via Selective Noise Perturbation
University of Southern California(南加州大学);Institute for Creative Technologies(创意技术研究所)
当将语音信号传送到诸如自动语音识别(ASR)和语音情感识别(SER)之类的云服务时,隐私和安全是主要关注点。语音匿名化的现有解决方案主要集中在语音转换或语音修改,以将原始话语转换为具有相似内容但不同或没有身份相关信息的另一个话语。然而,在隐私保护表示形式下共享语音数据的替代方法在很大程度上还未被探索。在本文中,我们提出了一个语音匿名化框架,通过噪声扰动的高效用表示使用预先训练的语音编码器提取的一个选定的子集,实现隐私。该子集使用基于transformer的隐私风险显着性估计器来选择。我们验证我们的框架上的四个任务,即自动说话人验证(ASV),ASR,SER和意图分类(IC)的隐私和效用评估。实验结果表明,与VoicePrivacy 2022挑战赛的语音匿名化基线相比,我们的方法能够实现具有竞争力甚至更好的实用性,提供相同水平的隐私。此外,易于控制的扰动量允许我们的框架具有灵活的隐私-效用权衡范围,而无需重新训练任何组件。
2022-10-28 cs.CR cs.SD eess.AS
A Case Study on the Impact of Anonymization Along the RAG Pipeline
Technical University of Munich School of Computation, Information(慕尼黑技术大学计算、信息与技术学院)
本文通过实证研究分析RAG流水线中匿名化位置对隐私-效用权衡的影响,探讨匿名化在数据集和生成答案处的不同效果。
2026-04-17 cs.CL cs.CR
The Impact of Speech Anonymization on Pathology and Its Limits
Friedrich-Alexander-Universität Erlangen-Nürnberg(埃尔朗根-纽伦堡弗里德里希-亚历山大大学);University Hospital RWTH Aachen(亚琛工业大学医院);Ludwig-Maximilians-Universität München(慕尼黑路德维希-马克西米利安大学)
本研究调查语音匿名化技术对病理语音的影响,发现其能显著提升隐私保护且对诊断效用影响极小,但效果因障碍类型而异,需开发针对特定障碍的定制化匿名化策略。
2024-09-20 cs.AI cs.CR cs.LG
Clustering based Privacy Preserving of Big Data using Fuzzification and Anonymization Operation
大数据被数据挖掘机用于分析目的,其中可能包含敏感信息。在这个过程中,它给研究人员带来了一些隐私方面的挑战。现有的隐私保护方法在保护敏感数据的同时,由于算法的不同,导致数据重构的局限性。提出了一种基于聚类的大数据隐私保护概率模型,用于保护敏感信息。模型,以达到最小的干扰和最大的隐私。在我们的模型中,敏感信息是安全的后,确定敏感数据从数据集群修改或推广它。得到的数据集进行分析,以计算我们的模型的准确性水平方面的隐藏数据,丢失的数据作为重建的结果。进行了大量的实验,以证明我们提出的模型的结果。基于聚类的大数据中个体数据的隐私保护具有最小的扰动和成功的重建,除了使用标准的性能评估措施外,还突出了我们模型的重要性。
2020-01-06 cs.CR cs.DB
Inference Attacks for X-Vector Speaker Anonymization
University of Florida(佛罗里达大学)
针对 x-vector 说话人匿名化的隐私评估,本文提出一种简单、无需机器学习的推理去匿名化攻击,实验证明其效果优于现有基于复杂模型的攻击方法。
2025-05-13 cs.CR cs.SD eess.AS
Differentially Private EEG Feature Anonymization: A Privacy-Utility Case Study in Clinical Neurophysiology
University of South-Eastern Norway(东南挪威大学)
本研究针对临床EEG特征匿名化,提出基于高斯和拉普拉斯扰动的受试者级差分隐私框架,评估三种部署场景,揭示隐私与效用间的权衡及小样本不平衡数据的挑战。
2026-09-11 cs.CR cs.LG eess.SP
On Breaching Enterprise Data Privacy Through Adversarial Information Fusion
数据隐私是当今企业面临的主要挑战之一。匿名化技术通过净化敏感数据来解决这个问题,使得个人隐私得到保护,同时允许企业维护和共享敏感数据。然而,关于这个问题的现有工作对数据进行了固有的假设,这些假设在日常企业数据管理场景中是不切实际的。此外,对企业数据应用现有的匿名化方案可能导致对抗攻击,其中入侵者可能使用信息融合技术来造成隐私泄露。在本文中,我们阐明了当前匿名化方案在企业数据背景下的缺点。我们定义并实验证明了基于Web的信息融合攻击匿名企业数据。我们制定了融合弹性企业数据分析的问题,并提出了一个原型解决方案来解决这个问题。
2008-02-08 cs.CR cs.DB cs.OH
Asymptotic utility of spectral anonymization
本文研究谱匿名化算法的渐近效用与隐私,提出符号变化和正交矩阵两种新变体,证明三者协方差估计的渐近效率均为50%,并通过模拟和记录链接评估有限样本表现。
2024-08-12 cs.CR stat.ME
Recoverable Anonymization for Pose Estimation: A Privacy-Enhancing Approach
University of California, Irvine(加州大学欧文分校);Texas A&M University(德克萨斯农工大学)
本文提出一种可逆匿名化的隐私增强姿态估计系统,通过联合优化隐私增强、恢复与姿态估计模块,在保护敏感信息的同时保持高精度HPE并支持授权恢复。
2024-09-01 cs.CR cs.CV cs.LG
REAN: Reconstruction-aware ECG Anonymization Based on Privacy--Utility Orthogonality
Chung-Ang University(Chung-Ang大学)
研究针对共享心电图隐私-效用权衡问题,提出REAN方法,利用一维U-Net及冻结的分类器损失训练重建信号,在四个数据库上实现强隐私-效用平衡,降低重新识别率,保持诊断性能及架构下的保护。
2026-07-08 cs.CR cs.LG
Blinder: End-to-end Privacy Protection in Sensing Systems via Personalized Federated Learning
University of Alberta(阿尔伯塔大学)
本文提出基于个性化联邦学习的传感器数据匿名化模型Blinder,通过变分自编码器与判别器对抗训练及元学习适配用户分布,在IMU数据集上实现端到端隐私保护,兼顾低开销与实时边缘部署。
2023-10-06 cs.CR cs.LG
An Abstract View on the De-anonymization Process
近年来,包含个人但匿名信息的数据集的可用性一直在不断增加。广泛的研究表明,这类数据集很容易受到隐私泄露的影响:能够通过去匿名化方法泄露有关个人的敏感信息。在这里,我们提供了去匿名化研究的分类。
2019-02-26 cs.CR cs.DB
IncogniText: Privacy-enhancing Conditional Text Anonymization via LLM-based Private Attribute Randomization
Huawei Munich Research Center(华为慕尼黑研究中心)
本文提出IncogniText文本匿名化技术,通过大语言模型私有属性随机化误导对手预测错误属性值,在8种属性上降低泄露超90%,并蒸馏为端侧LoRA参数实现现实部署。
2025-02-02 cs.AI cs.CL cs.CR