Safepaths: Vaccine Diary Protocol and Decentralized Vaccine Coordination System using a Privacy Preserving User Centric Experience
在这个早期草案中,我们提出了一个端到端的去中心化协议,用于疫苗接种、疫苗接种状态验证以及不良反应或症状报告的安全和隐私保护工作流程。拟议的系统提高了效率,隐私,公平和现有的手动系统的有效性,同时保持与其功能的互操作性。我们还讨论了各种安全问题和基于拟议协议的替代方法。
2021-03-01 cs.CR
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
Towards Distributed Privacy-Preserving Prediction
在隐私保护的机器学习中,由于隐私问题,各方不愿意共享其敏感的训练数据。即使是训练的模型参数或预测也可能造成严重的隐私泄露。为了解决这些问题,我们展示了一个普遍适用的分布式隐私保护预测(DPPP)框架,在该框架中,不受信任的聚合器不会共享更敏感的数据或模型参数,而是在可证明的隐私保证下仅组合多个模型的预测。我们的框架集成了两种主要技术来保证个人隐私。首先,我们引入了改进的二项式机制和离散高斯机制来实现分布式差分隐私。其次,我们利用同态加密,以确保聚合器学习什么,但嘈杂的聚合预测。实验结果表明,我们的框架具有可比的性能,非私有的框架,并提供更好的结果比本地差分私有框架和独立的框架。
2020-09-03 cs.CR
A Privacy Preserving Collusion Secure DCOP Algorithm
近年来,一些研究提出了解决分布式约束优化问题(DCOPs)的隐私保护算法。所有这些研究都假设代理人不会串通。在这项研究中,我们提出了第一个隐私保护的DCOP算法,是免疫联盟,诚实的大多数的假设下。我们的算法- PC-SyncBB -是基于经典的分支定界DCOP算法。它提供约束、拓扑和决策隐私。我们评估其性能不同的基准,问题的大小和约束密度。我们表明,实现安全联盟是可行的。由于所有现有的隐私保护DCOP算法的基础上,他们的安全性假设单独进行的代理,我们认为这项研究是必要的第一步,解除这一潜在的有害假设,在所有这些算法。
2019-05-22 cs.CR
Attacks on a Privacy-Preserving Publish-Subscribe System and a Ride-Hailing Service
隐私保护上下文感知发布订阅系统(CA-PSS)使得中介(代理)能够基于当前上下文来匹配来自发布者的内容和订阅者的订阅,同时保护订阅和通知的机密性。而隐私保护的叫车服务(RHS)使中介(服务提供商)能够以隐私友好的方式将乘车请求与出租车司机匹配。在这项工作中,我们攻击了Nabeel等人(2013)提出的隐私保护CA-PSS,其中我们表明系统中的任何实体(包括代理)都可以了解订阅者的机密订阅。我们还攻击了Yu等人(2019)提出的一种名为lpRide的隐私保护RHS,在该RHS中,我们证明任何骑手/司机都可以有效地恢复所有其他骑手和司机的密钥。此外,我们还表明任何骑手/司机都能够了解任何骑手的位置。这些攻击是基于我们对Nabeel等人提出的修改后的Paillier密码系统的密码分析,该密码系统构成了上述两种协议的构建块。
2021-05-10 cs.CR
PP-MCSA: Privacy Preserving Multi-Channel Double Spectrum Auction
拍卖被广泛认为是动态频谱重新分配的有效方式。最近,相当多的研究工作已经致力于设计隐私保护的频谱拍卖在各种拍卖设置。然而,没有现有的工作已经解决了隐私问题,在最一般的情况下,双频谱拍卖,每个卖家出售多个频道,每个买家购买多个频道。为了填补这一空白,在本文中,我们提出了PP-MCSA,多通道双频谱拍卖的隐私保护机制。从技术上讲,通过利用乱码电路,我们设法保护多通道双频谱拍卖中卖方的请求和买方的出价的隐私。据我们所知,PP-MCSA是第一个多通道双频谱拍卖的隐私保护解决方案。我们进一步从理论上证明了PP-MCSA的隐私保证,并通过实验广泛评估其性能。实验结果表明,PP-MCSA只会引起适度的通信和计算开销。
2018-10-19 cs.CR
PrivacyGo: Privacy-Preserving Ad Measurement with Multidimensional Intersection
本文提出PrivacyGo框架,结合逆向OPRF与盲密钥轮换技术解决多标识符隐私匹配问题,并通过差分隐私机制保护交集大小,为广告测量提供可扩展的安全解决方案。
2025-06-26 cs.CR
Comments on "A Privacy-Preserving Online Ride-Hailing System Without Involving a Third Trusted Server"
最近,Xie等人(IEEE Transactions on Information Forensics and Security,vol.16,pp. 3068-3081,2021)提出了一种不使用可信第三方服务器的隐私保护在线乘车呼叫(ORH)协议。这种隐私保护ORH协议的主要目标是确保乘客和驾驶员的位置数据w.r.t. ORH服务提供商(SP)。在本文中,我们展示了谢等人协议中SP的被动攻击,使其能够完全恢复骑手的位置以及每个乘车请求查询中响应司机的位置。
2021-12-13 cs.CR
Privacy Preserving Architectures for Collaborative Intrusion Detection
多个组织之间的协作是现代入侵检测的必要条件。随着现代威胁变得越来越复杂,组织很难仅利用其网络本地的威胁上下文进行防御。全球\emph{threat intelligence}的可用性是组织防御现代高级持续威胁(APT)的必要条件。为了从这种全球范围的攻击中受益,隐私问题仍然是主要的障碍。在这份立场书中,我们将现实世界的隐私问题确定为精确的用例,相关的加密技术,并讨论用于协作入侵检测的隐私保护架构。
2016-02-08 cs.CR
Towards Better Privacy-preserving Electronic Voting System
本文提出了两种隐私保护的投票系统:盲签名投票(BSV)和同态加密投票(HEV)。BSV简单,稳定,可扩展,但在与区块链的通信中需要额外的匿名属性。HEV在保护投票隐私的同时,还能防止流量分析攻击,防止恶意投票者以高概率中断合作,但可扩展性有限。我们进一步应用采样来缓解HEV中的可扩展性问题,并在不同的投票组大小和样本数下模拟性能。
2022-05-24 cs.CR
Scalar Product Lattice Computation for Efficient Privacy-preserving Systems
隐私保护应用程序允许用户在不泄露敏感信息的情况下执行在线日常操作。保护隐私的标积算法是许多隐私应用中的关键算法之一。现有技术的隐私保护标积方案使用诸如Paillier加密的计算密集型同态(公钥)加密技术来实现强安全性(即,128位)或随机掩码技术来实现低安全性的高效率。在本文中,格结构已被利用,以开发一个有效的隐私保护系统。该方案不仅是有效的计算相比,国家的最先进的,但也提供了高度的安全性对量子攻击。严格的安全性和隐私分析所提出的方案已经提供了一套具体的参数,以实现128位和256位的安全性。性能分析表明,该计划是至少五个订单比Paillier计划,至少两倍的速度比现有的随机化技术在128位的安全性。
2020-08-20 cs.CR
Security for 4G and 5G Cellular Networks: A Survey of Existing Authentication and Privacy-preserving Schemes
本文对4G和5G蜂窝网络的现有认证和隐私保护方案进行了全面调查。我们首先概述了现有的关于4G和5G通信、应用、标准化和安全性的调查。然后,我们将4G和5G蜂窝网络中的威胁模型分为四类,包括针对隐私的攻击,针对完整性的攻击,针对可用性的攻击和针对身份验证的攻击。我们还提供了一个分类的对策分为三类,包括密码学方法,人为因素和入侵检测方法。以表格的形式总结了认证和隐私保护方案所使用的对策以及非正式和正式的安全分析技术。在对认证和隐私模型进行分类的基础上,将这些方案分为七类:带隐私的切换认证、带隐私的相互认证、带隐私的RFID认证、带隐私的可否认认证、带隐私的相互匿名认证、带隐私的认证和密钥协商以及带隐私的三因素认证。此外,我们以表格的形式提供了4G和5G蜂窝网络的认证和隐私保护方案的分类和比较。最后,本文根据调查结果提出了进一步研究的建议。
2017-08-14 cs.CR
Privacy-Preserving Machine Learning Training in Aggregation Scenarios
为了发展智慧城市,机器学习(ML)越来越受欢迎,它欣赏从各种物联网设备生成的高质量训练数据集,这就自然而然地提出了关于在这种环境中可以提供的隐私保证的问题。聚合场景中的隐私保护ML训练使模型需求者能够使用从个人IoT设备收集的敏感IoT数据安全地训练ML模型。现有的解决方案通常是服务器辅助的,无法处理服务器之间或服务器与数据所有者之间的共谋威胁,并且不匹配物联网的微妙环境。我们提出了一个名为Heda的隐私保护ML训练框架,该框架由一个基于部分同态加密(PHE)的构建块库组成,能够在不依赖不可信服务器的情况下为聚合场景构建多个隐私保护ML训练协议,并在共谋情况下保护安全性。严格的安全性分析表明,所提出的协议可以保护诚实但好奇模型中每个参与者的隐私,并在大多数共谋情况下维护安全。大量的实验验证了Heda的效率,它在不损失模型准确性的情况下实现了隐私保护的ML训练。
2020-09-21 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
Privacy Preserving Association Rule Mining Revisited
隐私保护数据采掘(PPDM)是近年来研究的热点问题之一。在PPDM中,我们寻求将数据采掘任务的数据外包给第三方,同时保持其隐私。在本文中,我们修改了一个最近的PPDM方案(即,FS),该算法是为隐私保护关联规则挖掘(PP-ARM)而设计的。我们的分析表明,FS计划在其存储要求方面的一些局限性,保证了合理的隐私标准和高计算。另一方面,我们引入了一个健壮的隐私定义,该定义考虑了平均情况下的隐私,并激发了对FS结构中的弱点(即,虚假交易过滤)。为了克服这一限制,我们引入了一个混合计划,同时考虑隐私和资源的指导方针。实验结果表明,我们所提出的方案的效率比以前介绍的一个,并打开进一步发展的方向。
2008-08-23 cs.CR
Approximate Two-Party Privacy-Preserving String Matching with Linear Complexity
考虑想要比较其字符串的两方,例如,基因组,但不想透露给对方。我们提出了一个系统的隐私保护匹配的字符串,它不同于现有的系统提供了一个确定性的近似,而不是一个确切的距离。它是高效的(线性复杂度),非交互式的,并且不涉及第三方,这使得它特别适合于云计算。我们扩展了我们的协议,使它减轻了古德里奇提出的迭代差分攻击。此外,该系统的实现进行评估,并与当前的隐私保护字符串匹配算法进行比较。
2013-02-12 cs.CR
FL-DECO-BC: A Privacy-Preserving, Provably Secure, and Provenance-Preserving Federated Learning Framework with Decentralized Oracles on Blockchain for VANETs
本文提出FL-DECO-BC框架,结合区块链去中心化预言机与联邦学习,为VANETs提供隐私保护、可证明安全和数据来源可追溯的分布式机器学习方案。
2024-07-30 cs.CR
Adaptive Privacy-Preserving SSD
针对NAND闪存数据残留导致物联网SSD删除不彻底的问题,提出自适应隐私保护架构,通过四个隐私级别和机器学习动态调整,平衡性能与隐私,实现高效安全删除。
2025-05-30 cs.CR
Improving Utility for Privacy-Preserving Analysis of Correlated Columns using Pufferfish Privacy
调查是许多社会科学研究领域的重要工具,但隐私问题可能会使调查数据的收集和分析复杂化。对调查数据进行不同的私人分析可以解决这些问题,但代价是准确性-特别是对于高维统计数据。我们提出了一种新的隐私机制,表DDP机制,设计的高维统计不完全相关。表DDP机制满足依赖差分隐私,河豚隐私的一种变体;它的工作原理是建立敏感数据的因果模型,然后将噪声校准到统计数据之间的相关性水平。对调查数据的实证评价表明,表式DDP机制可以显着提高精度比拉普拉斯机制。
2022-09-22 cs.CR
A Secure and Privacy-preserving Protocol for Smart Metering Operational Data Collection
在本文中,我们提出了一种新的协议,允许供应商和电网运营商收集用户的聚合计量数据在一个安全和隐私保护的方式。我们使用安全多方计算来确保隐私保护。此外,我们提出了三种不同的数据聚合算法,提供不同的隐私保护和性能之间的平衡。我们的协议是专为一个现实的情况下,数据需要发送到不同的方,如电网运营商和供应商。此外,它还有助于以保护隐私的方式准确计算输电、配电和电网平衡费用。我们还提出了我们的协议的安全性分析和性能评估的基础上著名的多方计算算法实现的C++。
2019-03-14 cs.CR
An Efficient Privacy-Preserving Algorithm based on Randomized Response in IoT-based Smart Grid
在现有的隐私保护方法中,差分隐私(Differential Privacy,DP)是一种能够在统计数据库上提供隐私保护噪声查询答案的强大工具,在许多实际领域得到了广泛的应用。特别是,作为DP的隐私机器,随机聚合隐私保护有序响应(RAPPOR)为数据众包中的每个客户端字符串提供了强隐私,高效和高效用的保证。然而,对于物联网(IoT),如智能电网,数据通常是批量处理的。因此,开发一种可以支持批量处理的新随机响应算法往往比现有的随机响应算法更有效,更适合物联网应用。本文提出了一种新的随机响应算法,该算法能够实现对消费者行为的差异隐私和效用保证,并且每次处理一批数据。该算法首先通过稀疏编码,从聚合的能耗数据中创建行为特征字典。然后,通过经典的随机响应技术在行为签名字典中加入噪声,实现数据重新聚集后的差分隐私。通过差分隐私原理的安全性分析和实验结果验证,我们发现我们的算法可以在不牺牲效用的情况下保护用户的隐私。
2018-04-09 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
Privacy-Preserving Maximum Matching on General Graphs and its Application to Enable Privacy-Preserving Kidney Exchange
直到今天,仍然有一些国家的法律限制多个不相容的患者-供体对之间的肾脏交换。通常情况下,这方面的法律条例是为了禁止胁迫和操纵,以防止器官交易市场。然而,在实行肾脏交换的国家,促进这种交换的现有平台通常缺乏足够的隐私机制。在本文中,我们提出了一个肾脏交换的隐私保护协议,不仅解决了现有平台的隐私问题,而且还旨在克服那些尚未实施肾脏交换的国家的法律问题。在我们的方法中,我们使用秘密共享的概念,以隐私保护的方式在一组计算对等体之间分发患者和捐赠者的医疗数据。然后,这些计算对等体相互执行我们新的安全多方计算(SMPC)协议,以确定肾脏交换的最佳集合。作为我们新协议的一部分,我们设计了一个隐私保护的解决方案,一般图上的最大匹配问题。我们在SMPC基准测试框架MP-SPDZ中实现了该协议,并提供了全面的性能评估。此外,我们分析了我们的协议的实用性时,在一个动态的设置(患者和捐赠者到达和离开随着时间的推移)的基础上,从器官共享联合网络的数据集。
2022-06-02 cs.CR
PrivacyDates: A Framework for More Privacy-Preserving Timestamp Data Types
对应用软件数据模型的案例研究表明,时间戳被过度地用于与用户活动有关的方面。这与数据最小化原则相矛盾,该原则要求对特定目的所需的数据进行限制。先前的工作也确定了时间戳的共同目的,可以通过更多的隐私保护替代方案来实现,如具有面向目的的精度的计数器和日期。在本文中,我们通过展示这些替代品的现实世界的适用性来跟进。我们设计并实现了流行的Web开发框架Django的三个时间戳替代品,并通过在项目管理应用程序Taiga中替换传统的时间戳来评估其实用性。我们发现,我们的替代品可以被采用,而不会损害泰加的功能。
2022-06-07 cs.CR
Building a RAPPOR with the Unknown: Privacy-Preserving Learning of Associations and Data Dictionaries
基于随机化响应的技术使得能够以具有强的本地差分隐私保证的隐私保护方式从客户端收集潜在敏感数据。最新的此类技术之一,RAPPOR,允许通过保护隐私的众包来估计任意一组字符串的边际频率。然而,这个原始的估计过程需要一组已知的可能字符串;在实践中,这个字典通常非常大,有时甚至完全未知。在本文中,我们提出了一种新的解码算法的RAPPOR机制,使估计“未知的未知数”,即,我们甚至不知道我们应该估计的字符串。为了使学习没有明确的知识的字典,我们开发的方法来估计两个或多个变量的联合分布与RAPPOR收集。这是理解以隐私保护方式收集的多个变量之间关系的关键一步。
2015-03-04 cs.CR
SoK: Privacy-Preserving Order Matching
IMDEA Networks Institute(IMDEA网络研究所);École Polytechnique Fédérale de Lausanne (EPFL)(洛桑联邦理工学院)
本文对22个协议家族的隐私保护订单匹配进行系统化梳理,划分订单生命周期为四个阶段并刻画各阶段特征,分析隐私属性及相关权衡,凸显端到端隐私实现的挑战。
2026-10-12 cs.CR
LinkedIn's Audience Engagements API: A Privacy Preserving Data Analytics System at Scale
我们提出了一个隐私系统,利用差分隐私来保护LinkedIn会员的数据,同时还提供受众参与的见解,使营销分析相关的应用程序。我们详细介绍了用于提供可用于现有实时数据分析平台的结果的差异化私有算法和其他隐私保护措施,特别是与开源的Pinot系统。我们的隐私系统提供用户级别的隐私保证。作为隐私系统的一部分,我们提供了一个预算管理服务,该服务对返回给分析师的结果执行严格的差分隐私预算。该预算管理服务将差分隐私的最新研究汇集到一个产品中,以在给定固定差分隐私预算的情况下保持效用。
2020-11-16 cs.CR
Survey on Privacy-Preserving Techniques for Data Publishing
收集、处理和共享的微数据呈指数级增长,引起了人们对个人隐私的担忧。因此,出现了控制组织如何处理微数据以及如何保护微数据的法律和法规。统计披露控制旨在通过取消识别来降低机密信息披露的风险。这种去身份化通过隐私保护技术来保证。然而,去识别数据通常会导致信息丢失,可能会影响数据分析精度和模型预测性能。主要目标是保护个人隐私,同时保持数据的可解释性,即其有用性。统计披露控制是一个正在扩大和需要探索的领域,因为仍然没有保证最佳隐私和效用的解决方案。这项调查的重点是去除身份进程的所有步骤。我们提出了现有的隐私保护技术中使用的微数据去识别,隐私措施适用于几种披露类型,信息丢失和预测性能的措施。在这次调查中,我们讨论了隐私限制所带来的主要挑战,描述了处理这些障碍的主要方法,回顾了隐私保护技术的分类,对现有的比较研究进行了理论分析,并提出了多个开放问题。
2022-01-20 cs.CR
Differential Privacy in Privacy-Preserving Big Data and Learning: Challenge and Opportunity
差分隐私(Differential Privacy,DP)以其强大的保护功能和坚实的数学基础,成为隐私保护的事实标准,被广泛应用于大数据分析、图数据处理、机器学习、深度学习、联邦学习等不同领域。虽然DP已经成为一个活跃和有影响力的领域,但它并不是解决不同场景下所有隐私问题的最佳解决方案。此外,DP在具体应用中也存在一些误解、误用和巨大挑战。在本文中,我们指出了相应的研究领域的一系列限制和开放的挑战。此外,我们提供了潜在的新的见解和途径,结合差分隐私与其他有效的降维技术和安全多方计算,以明确定义各种隐私模型。
2021-12-03 cs.CR
Inference Control for Privacy-Preserving Genome Matching
在基因组匹配中,隐私是最重要的。因此,许多隐私保护协议已经提出了使用安全计算。然而,这些协议都不能阻止从结果中推断。古德里奇已经证明,这些信息足以对基因组数据库进行有效的攻击。在本文中,我们提出了一种方法,可以检测和减轻这种攻击的加密消息,同时仍然保护双方的隐私。请注意,随机化,例如~使用差分隐私几乎肯定会破坏匹配结果的效用。我们结合两个已知的密码原语-安全计算的编辑距离和模糊承诺-为了防止提交类似的基因组序列。特别是,我们贡献了一个有效的零知识证明,相同的输入已被用于两个原语。我们表明,使用我们的方法是可行的,以保护隐私的基因组匹配,也检测和减轻古德里奇的攻击。
2014-05-01 cs.CR
Secure Linear Programming Using Privacy-Preserving Simplex
该版本的论文因错误而被撤回。请联系其中一位作者获取更新的副本。
2010-01-18 cs.CR
A Privacy-preserving Community-based P2P OSNs Using Broadcast Encryption Supporting Recommendation Mechanism
在线社交网络(OSN)已经成为互联网上最重要的活动之一,例如Facebook和Google+。然而,在现有的基于C/S的OSN中,安全性和隐私性已经成为主要关注点。在本文中,我们提出了一种新的计划,称为隐私保护社区为基础的P2P OSNs使用广播加密支持推荐机制(PCBE),支持跨平台的可用性,在严格的隐私要求。本文首次将推荐机制引入到基于隐私保护的P2P网络中,采用开放目录计划生成用户兴趣模型。本文首先将广播加密技术引入到基于P2P社区的社交网络中,并结合信誉机制来降低系统开销。提出了支持推荐机制的隐私保护P2P OSN的安全需求和设计目标。RESTful Web服务有助于确保跨平台可用性和传输安全性。最后,通过对PCBE方案的安全性分析和性能评估,验证了该方案的可行性和有效性。
2017-06-05 cs.CR
A General Framework for Privacy-Preserving Distributed Greedy Algorithm
由于出于各种分析目的而广泛收集的数据汇集,在线应用程序中的隐私越来越受到关注。在分析过程中,可能会从原始数据中挖掘出敏感信息,这导致了人们(数据提供者)对隐私的极大关注。为了解决这一隐私问题,许多隐私保护计算方案被提出来解决各种计算问题,我们发现其中许多属于一类问题,可以解决的贪心算法。在本文中,我们提出了一个分布式贪心算法的框架,在可行集中的实例来自不同的政党。通过该框架,大多数通用的分布式贪心算法可以转化为一个隐私保护算法,该算法在保持与原始贪心算法相同结果的同时,仍然保护与实例相关的隐私信息.
2014-07-25 cs.CR
POSTER: Privacy-preserving Indoor Localization
即将到来的基于WiFi的室内定位系统面临着隐私利益的冲突:服务器端定位侵犯了用户的位置隐私,而用户设备上的定位迫使定位提供商披露系统的细节,例如,复杂的分类模型。我们展示了如何安全的两方计算可以用来调和隐私利益在一个国家的最先进的本地化系统。我们的方法为所有相关方提供了强有力的隐私保证,同时以合理的开销实现房间级定位精度。
2014-10-13 cs.CR
Classification and Evaluation the Privacy Preserving Data Mining Techniques by using a Data Modification-based Framework
近年来,人们对隐私问题的日益关注和担忧给数据采掘技术带来了严峻的挑战,即如何保护重要和敏感数据的隐私。隐私保护数据采掘已经提出了不同的技术和算法,可以分为三种常见的方法:数据修改方法,数据消毒方法和安全多方计算方法。提出了一种基于数据修改的隐私保护数据采掘技术分类和评价框架.基于我们的框架的技术分为两大类,即扰动方法和匿名化方法。此外,在拟议的框架,八个功能标准将用于分析和类比评估的技术,在这两个主要群体。建议的框架提供了一个很好的基础,更准确地比较给定的技术,隐私保护数据采掘。此外,这一框架允许识别不同方法的重叠量,并确定这一领域的现代方法。
2011-05-10 cs.CR
PPT: A Privacy-Preserving Global Model Training Protocol for Federated Learning in P2P Networks
联邦学习(FL)的概念已经作为机器学习、信息和通信技术的融合而出现。它对机器学习的发展至关重要,预计机器学习将完全分散,隐私保护,安全和健壮。然而,一般的联邦学习设置与一个中央服务器不能满足分散的环境中的要求。在本文中,我们提出了一个分散的,安全的和隐私保护的全局模型训练协议,命名为PPT,联邦学习在对等(P2P)网络。PPT采用单跳通信方式聚合局部模型更新参数,并采用对称密码体制保证安全性。值得一提的是,PPT修改了Eschenauer-Gligor(E-G)方案来分发加密密钥。在隐私保护方面,PPT产生随机噪声干扰局部模型更新参数。最终消除了噪声,与FL中其他基于噪声的隐私保护方法(例如,差分隐私。PPT还采用了博弈论来抵抗合谋攻击。通过广泛的分析,我们证明了PPT的各种安全威胁和保护用户隐私.巧妙的实验证明了实用性和效率。
2021-08-09 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
SPOT: Secure and Privacy-preserving prOximiTy protocol for e-healthcare systems
本文介绍了SPOT,一个安全的和隐私保护的prOximity为基础的电子医疗系统的协议。它依赖于一个分布式的基于代理的方法来保护用户的隐私和一个半可信的计算服务器,以确保数据的一致性和完整性。所提出的协议确保了安全性,隐私性和可扩展性之间的平衡。据我们所知,在安全性方面,SPOT是第一个防止恶意用户串通产生误报的。在隐私方面,SPOT既支持与受感染者接近的用户匿名,也支持同一用户发布的联系信息不可链接。提出了一个基于结构保持签名和NIWI证明的具体构造,并对SPOT进行了详细的安全性和隐私性分析,证明了SPOT在标准假设下是安全的。在可扩展性方面,SPOT的程序和算法的实现,以显示其效率和实际可用性与可接受的计算和通信开销。
2022-12-01 cs.CR
On the Security of Privacy-Preserving Vehicular Communication Authentication with Hierarchical Aggregation and Fast Response
在[3]中,作者提出了一种用于安全车辆通信的高效安全和隐私保护方案。该方案由四个协议组成:系统设置,STP和STK分发协议,公共字符串同步协议,以及车载通信协议。在这里,我们定义了安全模型的协议,STP和STK分布,以及协议的车辆通信,分别。然后,我们证明了这两个协议是安全的,在我们的模型。
2015-08-07 cs.CR
Mitigating the ICA Attack against Rotation Based Transformation for Privacy Preserving Clustering
基于旋转变换的隐私保护数据采掘(PPDM)易受独立分量分析(ICA)攻击。本文介绍了一种改进的基于多重旋转的变换(MRBT)技术,用于特殊的挖掘应用,在保持RBT优点的同时减轻ICA攻击。
2009-06-01 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
Privacy-Preserving Billing for Local Energy Markets
本研究提出面向本地能源市场的隐私保护计费协议PBP-LEM,结合多种密码学技术实现去中心化安全计费,提供三种不同性能与隐私等级的方案,经证实可高效部署于实际场景。
2024-09-17 cs.CR
Privacy Preserving Driving Style Recognition
为了更好地管理保费并鼓励安全驾驶,许多商业保险公司(例如,Geico,Progressive)正在为他们的客户提供在他们的车辆上安装传感器的选项,这些传感器收集单个车辆的行驶数据。司机的保险与他/她的驾驶行为有关。另一方面,通过分析大量车辆的历史行驶数据,保险公司可以建立一个分类器来预测新驾驶员的驾驶风格:攻击性或防御性。然而,收集此类车辆行驶数据明显侵犯了驾驶员的个人隐私。为了解决这些隐私问题,本文提出了一种隐私保护的驾驶风格识别技术,安全地预测侵略性和防御性的司机为保险公司,而不损害所有参与方的隐私。保险公司无法从车辆中了解任何私人信息,反之亦然。最后,通过实验验证了隐私保护驾驶风格识别技术的有效性和效率。
2015-11-01 cs.CR
A Summary of Privacy-Preserving Data Publishing in the Local Setting
本综述聚焦本地场景下隐私保护数据发布,梳理微数据去标识化的隐私技术、场景化隐私度量及效用评估指标,分析隐私约束挑战与缓解策略,指出领域未决问题。
2023-12-19 cs.CR
A Scalable Algorithm for Privacy-Preserving Item-based Top-N Recommendation
近年来,推荐系统已成为在线服务中不可或缺的组成部分。有效的推荐对于提高各种在线商务应用的服务质量至关重要。然而,严重的隐私问题已经提出了推荐系统,需要收集用户的私人信息进行推荐。与此同时,电子商务的成功产生了大量的信息,使得可扩展性成为推荐系统设计中的一个关键挑战。因此,推荐系统需要保护用户的隐私,同时以低复杂度的计算实现高质量的推荐。提出了一种可扩展的基于隐私保护项的top-N推荐方案,在保证用户隐私信息得到保护的同时,降低了计算复杂度,实现了高质量的推荐。此外,该方法的计算复杂度随着用户数量的增加而缓慢增加,从而为隐私保护推荐系统提供了高的可扩展性。更具体地说,所提出的方法包括两个关键部分:(1)基于MinHash的相似性估计和(2)客户端隐私保护预测生成。我们使用真实数据进行的理论和实验分析证明了所提出方法的效率和有效性。
2018-11-06 cs.CR
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 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
Five Common Misconceptions About Privacy-Preserving Internet of Things
物联网(IoT)中的数十亿设备收集有关人员的敏感数据,从而产生数据隐私风险和漏洞。因此,数据隐私保护对于维持物联网服务的扩散至关重要。特别是,隐私保护物联网连接嵌入传感器的设备,并维护人们的数据隐私。然而,物联网研究人员、服务提供商和用户对保护隐私的物联网存在普遍的误解。本文驳斥了关于隐私保护物联网的五个常见误解,包括数据感测和创新,法规和隐私保护。例如,物联网用户有一个常见的误解,即数据隐私法规不允许任何数据汇集。另一方面,物联网服务提供商通常认为数据隐私阻碍了物联网感知和创新。解决这些误解对于在保护隐私的物联网方面取得进展至关重要。本文通过真实世界的实验和在线调查研究驳斥了这些常见的误解。首先,实验表明,数据隐私不应被视为物联网的障碍,而应被视为增加客户保留和信任的机会。其次,保护隐私的物联网不仅仅是一个监管问题,也是一个必须在任何物联网设计的早期阶段纳入的功能需求。第三,人们不信任缺乏足够隐私措施的服务。第四,常规的数据安全原则不能保证数据隐私保护,即使数据被安全存储,数据隐私也可能被暴露。第五,物联网去中心化并不能实现绝对的隐私保护。
2023-01-03 cs.CR cs.NI
Privacy-preserving Data Mining, Sharing and Publishing
本文的目标是提出不同的方法来保护隐私的数据共享和电子医疗保健系统的背景下发布。特别是,在隐私保障和当前的现实生活中的高复杂性的医疗系统,假设适当的数据共享机制的实现的技术问题的文献综述。
2013-04-06 cs.CR cs.DB
Privacy-Preserving 3-Layer Neural Network Training
针对仅同态加密设置下的神经网络隐私保护训练问题,结合并扩展现有技术,实现了该设置下回归与分类任务的三层神经网络训练。
2025-04-15 cs.CR cs.LG
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
When Crowdsensing Meets Federated Learning: Privacy-Preserving Mobile Crowdsensing System
School of Computing and Information Systems, Singapore Management University(新加坡管理大学计算与信息系统学院);College of Mathematics and Computer Science, Fuzhou University(福州大学数学与计算机科学学院);Peng Cheng Laboratory(鹏城实验室);School of Computer Science and Engineering, South China University of Technology(华南理工大学计算机科学与工程学院)
移动众测是一种新兴的感知数据汇集模式,具有可扩展性、低部署成本和分布式等特点。传统的MCS系统受到隐私问题和公平奖励分配的影响。此外,现有的隐私保护MCS解决方案通常关注数据汇集的隐私保护,而不是数据处理的隐私保护。为了解决MCS面临的问题,本文将联邦学习(FL)融入MCS,提出了一种隐私保护的MCS系统\textsc{CrowdFL}。具体来说,为了保护隐私,参与者通过联邦学习在本地处理传感数据,只上传加密的训练模型。特别地,提出了一种隐私保护的联邦平均算法来平均加密的训练模型。为了减少抑制丢弃参与者的计算和通信开销,设计了丢弃和重传策略。此外,设计了一种隐私保护的发布定价激励机制,试图打破隐私保护和数据评估的困境。理论分析和实际MCS应用的实验结果表明,所提出的\textsc{CrowdFL}能够有效地保护参与者的隐私,是可行和有效的。
2021-02-20 cs.CR cs.LG
Color-NeuraCrypt: Privacy-Preserving Color-Image Classification Using Extended Random Neural Networks
Tokyo Metropolitan University(东京都立大学)
近年来,随着云计算平台的发展,针对深度学习的隐私保护方法成为亟待解决的问题。NeuraCrypt是一种用于隐私保护的私有随机神经网络,允许数据所有者在数据上传之前对医疗数据进行加密,数据所有者可以直接使用加密的数据在云服务器中进行训练并测试他们的模型。然而,我们指出,当使用彩色图像时,NeuraCrypt的性能会严重下降。在本文中,我们提出了一个Color-NeuraCrypt来解决这个问题。实验结果表明,我们提出的Color-NeuraCrypt可以实现更好的分类精度比原来的一个和其他隐私保护方法。
2023-01-12 cs.CR cs.CV