Multi-Dimensional Randomized Response
在我们的数据世界中，许多不一定可信的控制者收集关于个人主题的数据。为了保护她的隐私，更广泛地说，为了保护她的信息自决权，个人必须通过赋予她对自己数据的代理权来获得授权。本地匿名化提供了最大程度的代理，允许每个人在将数据交给数据控制器之前对其自己的数据进行匿名处理。随机响应（RR）是一种局部匿名化方法，能够产生多维完整的匿名微数据集，可用于探索性分析和机器学习。这是因为个体真实数据分布的无偏估计可以从他们的合并随机数据中获得。此外，RR提供严格的隐私保证。RR的主要弱点是应用于多个属性时的维数灾难：随着属性数量的增加，估计的真实数据分布的准确性迅速下降。我们提出了几种互补的方法来减轻维数问题。首先，我们提出了两个基本的协议，单独的RR每个属性和联合RR的所有属性，并讨论其局限性。然后，我们介绍了一种算法来形成集群的属性，使属性在不同的集群可以被视为独立的和联合RR可以在每个集群内进行。在此之后，我们引入了一个调整算法的随机数据集，修复了一些准确性损失，由于假设属性之间的独立性时，分别使用RR对每个属性或由于假设集群之间的独立性在集群明智的RR。我们还提出了实证工作来说明所提出的方法。
2020-12-19 cs.CR cs.DS
FLAP -- A Federated Learning Framework for Attribute-based Access Control Policies
传感器、物联网和机器人等领域的技术进步，使新的协作应用成为可能（例如，自主设备）。这种合作的主要要求是拥有一个安全的系统，能够实现信息共享和信息流保护。基于策略的管理系统是实现受保护资源安全选择共享的关键机制。然而，这种协作环境中的每一方的政策都不能是静态的，因为它们必须适应不同的背景和情况。协作应用程序的一个优点是，协作中的每一方都可以利用其他方的知识来学习或增强自己的策略。我们把这种学习机制称为政策转移。策略转移框架的设计具有挑战性，包括策略冲突和隐私问题。政策冲突通常是由于各方义务的不同而产生的，而隐私问题则是由于敏感数据的数据共享限制而产生的。因此，政策转移框架应能够通过考虑最低限度的数据共享来应对这些挑战，并支持政策调整以解决冲突。在本文中，我们提出了一个框架，旨在应对这些挑战。我们介绍了一个正式的定义的政策转移问题的属性为基础的政策。然后，我们介绍的转移方法，包括三个连续的步骤。最后，我们报告实验结果。
2020-11-02 cs.CR
Lambda-randomization: multi-dimensional randomized response made easy
Universitat Rovira i Virgili（罗维拉-依希尔维尔堤大学）
Lambda-randomization通过引入简单参数化方法，有效解决多维随机响应中的维度灾难问题，实现低计算成本的多元分布估计。
2026-03-05 cs.CR
FedDMF: Privacy-Preserving User Attribute Prediction using Deep Matrix Factorization
Beta Labs, The Lane Crawford Joyce Group（Beta Labs，连卡佛载思集团）
提出FedDMF算法，通过联邦学习训练深度矩阵分解模型并仅共享项目向量，实现无需用户匹配的隐私保护用户属性预测，在MovieLens数据集上达到FedAvg的96%准确率。
2023-12-24 cs.CR cs.LG
$d$-MABE: Distributed Multilevel Attribute-Based EMR Management and Applications
医疗机构用于管理和传输电子病历（EMR）的当前系统可能容易受到安全和隐私威胁。此外，这些集中式系统通常缺乏互操作性，患者只能有限地或无法访问自己的EMR。在本文中，我们提出了一种新的分布式数据共享方案，该方案应用区块链的安全优势来处理这些问题。通过区块链，我们整合了智能合约和分布式存储系统，以减轻对记录生成机构管理和共享患者记录的依赖。为了保护患者记录的隐私，我们将智能合约作为一种方法，允许患者在授予访问权之前验证属性。我们建议的计划亦有助不同职级的员工有选择地共用医疗纪录。我们提供了广泛的安全性，隐私性和评估分析表明，我们提出的方案是有效的和实用的。
2019-04-25 cs.CR
P-MOD: Secure Privilege-Based Multilevel Organizational Data-Sharing in Cloud Computing
云计算改变了企业存储、访问和共享数据的方式。数据不断被上传到云端，并在一个由许多不同的个人组成的组织中共享，这些个人被赋予了某些数据访问权限。随着越来越多的数据存储需求转向云端，寻找安全高效的数据访问结构已成为一个主要的研究课题。通过不同的访问权限，具有更多权限的个人（在层次结构的较高级别）被授予比具有较少权限的个人（在层次结构的较低级别）更敏感的数据的访问权限。本文提出了一种基于口令的多级组织数据共享方案P-MOD，该方案将基于口令的访问结构与基于属性的加密机制相结合，以解决这些问题。每个级别的基于权限的访问结构都与由特定属性唯一定义的访问策略相关联。然后，在每个级别的每个访问策略下对数据进行加密，以根据特定数据使用者的数据访问权限授予他们访问权限。当且仅当某个人拥有一组正确的属性，可以满足该级别的访问策略时，排名在某个级别的个人可以解密密文（在该特定级别）。用户还可以在相对于用户级别的较低级别解密密文。安全性分析表明，在DBDH假设成立的情况下，P-MOD方案能够抵抗自适应选择明文攻击，综合性能分析表明，P-MOD方案在计算复杂性和存储空间方面比现有方案更有效，可用于组织内的安全数据共享.
2018-01-08 cs.CR
Blockchain-enabled Data Governance for Privacy-Preserved Sharing of Confidential Data
针对云存储中CP-ABE方案的非法授权、密钥泄露和隐私泄露问题，提出一种结合区块链与属性基加密的数据治理系统，支持多授权机构隐私保护、AES高效加密、IPFS去中心化存储及链上非法授权追踪。
2023-09-08 cs.CR
Protecting Big Data Privacy Using Randomized Tensor Network Decomposition and Dispersed Tensor Computation
Nanyang Technological University（南洋理工大学）；RIKEN（理化学研究所）；Singapore Management University（新加坡管理大学）；University of Southern California（南加州大学）
数据隐私是组织和企业在云/雾上安全地外包数据存储，共享和计算的重要问题。然而，数据加密在密钥管理和分发方面是复杂的;现有的安全计算技术在计算/通信成本方面是昂贵的，因此不能扩展到大数据计算。张量网络分解和分布式张量计算在信号处理和机器学习中被广泛用于降维和大规模优化。然而，分布式张量网络在大数据隐私保护方面的潜力还没有被考虑过，这激发了目前的研究。我们的主要直觉是，张量网络表示在数学上是不唯一的，不可解释的，无法解释的;张量网络表示自然支持压缩和分布式/分散计算的一系列多线性运算。因此，我们提出了随机算法来将大数据分解成随机张量网络表示，并分析了1D到3D数据张量的隐私泄漏。随机性主要来自大数据中常见的复杂结构信息;随机化是基于在分解之前应用于张量块的受控扰动。分布式张量表示分散在具有元数据隐私的多个云/雾或服务器/设备上，这提供了分布式信任和管理，以无缝地保护大数据存储，通信，共享和计算。实验结果表明，所提出的随机化技术有助于大数据的匿名化，提高了大数据存储和计算的效率。
2021-01-04 cs.CR cs.CV
Security and Privacy for Healthcare Blockchains
医疗区块链提供了一种创新的方式来存储医疗信息，执行医疗交易，并在分散的开放医疗网络环境中建立医疗数据共享和数据集成的信任。尽管医疗区块链技术已经引起了工业界、政府和学术界的广泛兴趣和关注，但在医疗行业从业务运营到研究合作的信息共享中部署区块链时，安全和隐私问题仍然是争论的焦点。本文重点介绍了区块链技术在医疗数据共享中的安全和隐私需求，全面分析了安全和隐私风险和需求，并给出了技术解决方案和策略。首先，我们讨论了通过部署医疗保健区块链实现电子医疗数据共享所需的安全和隐私要求以及属性。其次，我们将现有的努力分为三个参考区块链使用场景，用于电子医疗数据共享，并讨论在医疗区块链的三种使用场景中实现这些安全和隐私属性的技术，例如匿名签名，基于属性的加密，零知识证明，智能合约安全验证技术。最后，我们讨论了区块链在医疗保健领域的其他潜在应用场景。我们推测，这项调查将帮助医疗保健专业人员、决策者和医疗保健服务开发人员从概念、风险、需求、开发和部署技术和系统方面获得对医疗保健区块链安全性和隐私性的技术和直观见解。
2021-06-11 cs.CR
Genomic Data Sharing under Dependent Local Differential Privacy
保护隐私的基因组数据共享对于加快基因组研究的步伐，从而为个性化基因组医学铺平道路是非常重要的。在本文中，我们引入（$ε, T$）依赖的本地差分隐私（LDP）的隐私保护相关数据的共享，并提出了一个基因组数据共享机制下的隐私定义。我们首先指出LDP的原始定义不适合基因组数据共享，然后提出了一种新的基因组数据共享机制。该机制考虑了数据共享过程中数据之间的相关性，预先消除统计上不可能的数据值，并相应地调整每个共享数据点的概率分布。通过这样做，我们表明，我们可以避免攻击者推断的正确值的共享数据点，利用数据中的相关性。通过调整每个数据点的共享状态的概率分布，我们还提高了数据收集器的共享数据的效用。此外，我们开发了一个贪心算法，战略性地确定处理顺序的共享数据点的目的是最大限度地利用共享数据。考虑到在共享基因组数据时相互依赖的隐私风险，我们还通过观察基因组供体的扰动数据来分析攻击者关于供体家庭成员的基因组的信息增益，并且我们提出了一种选择隐私预算的机制（即，LDP的$ε$参数）。我们对现实生活中的基因组数据集的评估结果表明，所提出的机制相比，随机响应机制（广泛使用的技术，以实现LDP）的优越性。
2021-02-15 cs.CR
User Collusion Avoidance Scheme for Privacy-Preserving Decentralized Key-Policy Attribute-Based Encryption -- Full Version
最近的云计算范例、智能设备和4G无线技术的趋势已经实现了用户之间的无缝数据共享。云计算环境是分布式和不可信的，因此数据所有者必须加密他们的数据，以加强数据的机密性。采用基于属性的加密技术可以实现分布式环境中数据的保密性。分散式基于属性的加密技术是基于多个权限的基于属性的加密的变体，其中任何属性权限都可以独立地加入和离开系统，而无需与现有的属性权限合作。本文提出了一种隐私保护的分散密钥策略属性基加密方案。该方案在用户与多个权威机构交互以获取解密密钥时保护了用户隐私，同时减轻了众所周知的用户合谋安全漏洞。我们表明，我们的计划依赖于决策双线性Diffie-Hellman标准的复杂性假设，而不是以前的非标准的复杂性假设，如$q-$决策Diffie-Hellman反演。
2016-02-03 cs.CR
TIPS: Threat Sharing Information Platform for Enhanced Security
针对传统威胁信息共享方式可信度与隐私性不足、跨域缺乏信任基础设施的问题，提出集成ABE、HE、ZKP至Hyperledger Fabric的可信共享流程，设计双智能体可信通道协议，提升网络威胁信息共享的安全性。
2024-03-08 cs.CR
Sharing in a Trustless World: Privacy-Preserving Data Analytics with Potentially Cheating Participants
组织之间缺乏信任以及对其数据的隐私担忧阻碍了潜在的共生联合数据分析。我们提出DataRing，一个数据共享系统，允许相互不信任的参与者查询彼此的数据集在隐私保护的方式，同时确保输入数据集和查询答案的正确性，即使在存在（欺骗）参与者偏离他们的真实数据集。通过依赖于这样的假设，即如果只有真实数据集的一小部分行是已知的，则参与者不能提交与其真实数据集显著偏离的查询的答案。我们采用差分隐私和一套加密工具来确保每个参与者的数据集的个人隐私和系统的数据机密性。我们的结果表明，在具有10个属性和500，000条记录的数据集上评估10个查询在90.63秒内实现。DataRing可以在很少的查询中检测出偏离其真实数据集的作弊参与者，具有很高的准确性。
2021-06-18 cs.CR
Mining Attribute-Based Access Control Policies from Logs
基于属性的访问控制（ABAC）提供了高度的灵活性，可促进安全性和信息共享。ABAC策略挖掘算法有可能显著降低迁移到ABAC的成本，通过部分自动化从现有的访问控制策略和属性数据的信息的ABAC策略的开发。提出了一种从操作日志和属性数据中挖掘ABAC策略的算法。据我们所知，它是解决这个问题的第一个算法。
2018-02-13 cs.CR cs.DB
Private Social Network Data Sharing
在线社交网络的日益普及给最终用户带来了巨大的隐私威胁。虽然现有的工作主要集中在从社交网络中推断敏感属性，如年龄，位置和性别，很少有人做了如何保护用户的隐私，防止恶意推断。本文针对现有社交网络的隐私脆弱性，设计了一个隐私保护框架。我们评估了该框架的隐私性和有用性保证，证明了其分类和防御隐私攻击的有效性。
2017-07-26 cs.CR cs.SI
Privacy-Enhancing Encryption in Data Sharing: A Survey on Security, Performance and Functionality
Tianjin University（天津大学）；Southern Cross University（南十字星大学）；Zhongguancun Laboratory（中关村实验室）；City University of Hong Kong（香港城市大学）；Griffith University（格里菲斯大学）；Singapore Management University（新加坡管理大学）；University of Wollongong（伍伦贡大学）
本文综述了数据共享中隐私增强加密技术的安全性、性能及功能，分析了ABE、PRE和SE等技术的应用与挑战，提出数据共享框架及20种潜在攻击，探讨了多种增强技术对数据共享方案的影响。
2026-03-27 cs.CR
Attribute-based Multi-Signature and Encryption for EHR Management: A Blockchain-based Solution
全球电子健康记录（EHR）市场正在急剧增长，2018年已经达到315亿美元。为了保障电子健康记录数据的安全性和患者的隐私，细粒度的信息访问和共享机制对于电子健康记录管理至关重要。本文提出了一种区块链和边缘节点的混合架构，以促进EHR管理。在该体系结构中，利用基于属性的多重签名（ABMS）方案对用户签名进行认证，同时不泄露用户的敏感信息;利用基于属性的多授权加密（ABE）方案对存储在边缘节点的EHR数据进行加密。我们在Hyperledger Fabric平台上开发了区块链模块，在Hyperledger Ursa库上开发了ABMS模块。我们测量了ABMS方案在不同设置下的签名和验证时间，并对区块链中记录为交易的认证事件和访问活动进行了实验。
2020-02-25 cs.CR
AuditShare: Sensitive Data Sharing with Reliable Leaker Identification
随着多方之间的个人身份信息（PII）数据共享变得越来越普遍，数据泄露的可能性也越来越大。根据新的数据保护法规和法律的要求，当发生PII泄漏时，必须能够可靠地识别泄漏源。现有的解决方案利用水印技术或数据对象分配策略来区分与不同方共享的数据，以识别潜在的泄漏者。然而，这些解决方案在若干攻击情形下失去其有效性，例如，数据发送器可能泄漏数据，而接收器可能拒绝接收某些共享数据。更糟糕的是，多个接收者可能会在泄漏之前串通并对其接收到的数据集应用一组操作，例如交集，补码和并集，从而使泄漏者识别任务变得更加困难。在本文中，我们提出了AuditShare，一个PII数据集共享系统，具有可靠的泄漏源识别。首先，利用PII数据的内在属性，AuditShare根据PII属性将数据对象分配给各个共享方。其次，AuditShare在发送者和每个接收者之间传输数据，并使用Merkle树作为共享的不可变记录。第三，提出了一种基于知识的识别算法来识别有罪的发送者或合谋/非合谋的接收者。通过我们的评估，我们表明：（i）在少量泄漏数据的情况下，AuditShare可以准确地（准确率>99.99%）识别出不同情况下的所有有罪方;（ii）在AuditShare中共享100，000个数据对象仅需0.5秒，这在实际部署中是实用的。
2020-02-12 cs.CR
ZKPs: Does This Make The Cut? Recent Advances and Success of Zero-Knowledge Security Protocols
一个人如何在不分享健康信息的情况下获得健康保险？如何在不透露信用评分的情况下获得贷款？有一种方法可以证明各种数据的某些属性，无论是健康指标还是财务信息，而不会泄露数据本身或任何其他类型的个人数据。这种方法被称为零知识证明。零知识技术是一种数学方法，用于在不共享或泄露底层数据的情况下验证事物。零知识协议有着广泛的应用，从简单的身份方案和区块链到国防研究计划和核军备控制
2020-06-17 cs.CR
QuanText: Protecting Dataset-Level Secrets in Textual Data Sharing
Carnegie Mellon University（卡内基梅隆大学）；Microsoft Research（微软研究院）
QuanText提出一种免训练、模型无关的文本数据发布机制，通过随机量化扰动全局机密及相关属性分布，在保护数据集级机密的同时保持效用，并优于现有基线。
2026-09-21 cs.CR cs.LG
Frequency Estimation of Correlated Multi-attribute Data under Local Differential Privacy
本文提出Corr-RR方法，通过学习和利用属性间依赖关系，在局部差分隐私下提升多属性数据频率估计的准确性。
2025-12-15 cs.CR
Data sharing in the metaverse with key abuse resistance based on decentralized CP-ABE
针对元宇宙中区块链数据共享的密钥滥用与权威问责问题，提出将NIZK证明集成进CP-ABE密钥并外包验证至智能合约的去中心化方案，结合激励机制实现安全高效的数据共享。
2024-12-18 cs.CR
Decentralized Policy Information Points for Multi-Domain Environments
已经开发了访问控制模型来控制对敏感资源的授权访问。这种访问控制非常重要，因为现在需要在多个组织之间通过互联网等开放环境进行协作资源共享。虽然有多种访问控制模型被广泛使用，但这些模型都是在封闭的环境中提供访问控制，即在使用它的组织内提供访问控制。这些模型在开放环境中提供访问控制的能力有限。基于属性的访问控制（ABAC）已经成为一个强大的访问控制模型，为拥有敏感数据和资源并希望在开放环境中进行协作的组织提供细粒度的授权。在ABAC系统中，可以通过对用户的属性应用策略来控制对组织拥有的资源的访问。这些策略是请求者为了获得对资源的访问权而需要满足的条件。本文介绍了ABAC的基本概念，并在继承ABAC体系结构的基础上，提出了一种分布式策略信息点模型。我们的模型提出了分散的PIP，这是一个实体的ABAC模型，允许存储和查询的用户属性和执行细粒度的访问控制控制敏感资源的访问多个域。我们的模型利用了一个加密原语的概念，称为基于属性的签名（ABS），以保持用户的身份参与，私人。我们的模型可以用于在互联网上的协作资源共享。我们的模型的评价也进行了讨论，以反映所提出的分散PIP模型的应用。
2021-08-19 cs.CR
Sharing Social Network Data: Differentially Private Estimation of Exponential-Family Random Graph Models
出于现实生活中的问题，共享包含敏感的个人信息的社交网络数据，我们提出了一种新的方法来发布和分析合成图，以保护隐私的社交网络捕获的个人关系，同时保持统计结果的有效性。一个案例研究，使用版本的安然电子邮件语料库数据集的应用程序和实用性的建议的技术在解决具有挑战性的问题，维护隐私\emph{and}支持开放访问网络数据，以确保现有的研究和发现新的科学见解，可以通过分析这些数据。在$ε$ -边差分隐私下，我们使用一种简单有效的随机响应机制生成合成网络，然后使用基于似然的缺失数据推理和马尔可夫链蒙特卡罗技术对生成的合成网络拟合指数族随机图模型.
2016-09-23 cs.CR cs.SI stat.AP
Efficient User-Centric Privacy-Friendly and Flexible Wearable Data Aggregation and Sharing
针对可穿戴数据共享中的隐私风险，提出SAMA方案，结合多密钥部分同态加密和属性加密，实现高效、用户中心的灵活数据聚合与细粒度共享。
2024-03-03 cs.CR
A Trusted, Verifiable and Differential Cyber Threat Intelligence Sharing Framework using Blockchain
网络威胁情报（CTI）是有关网络和物理威胁的知识，有助于减轻潜在的网络攻击。当前威胁形势的快速发展使许多组织共享CTI以加强其安全态势，从而实现互利。然而，在许多情况下，CTI数据包含属性（例如，软件版本），可能会泄露敏感信息或对共享组织造成声誉损害。虽然当前的方法允许将CTI共享限制到可信组织，但是它们缺乏其中共享数据可以被验证和"有区别地“传播（即，选择性的信息共享）与由组织灵活定义的策略和度量。在本文中，我们提出了一个基于区块链的CTI共享框架，允许组织以可信，可验证和差异化的方式共享敏感的CTI数据。我们讨论了与现有方法相关的限制，并强调了建议CTI共享框架的优点。我们还使用以太坊区块链网络提供了详细的概念证明。我们的实验结果表明，该框架可以促进CTI的交换，而不会产生显着的额外开销。
2022-08-25 cs.CR cs.DC
Decentralized Multimedia Data Sharing in IoV: A Learning-based Equilibrium of Supply and Demand
本文针对车联网去中心化数据共享中因用户只消费不贡献导致的信息不完整和传输延迟问题，提出基于多智能体深度强化学习的激励机制，结合KP-ABE与NDN保障安全，通过连续双向拍卖学习供需均衡，实验显示均衡确定性能提升10%、传输延迟降低20%。
2024-03-29 cs.CR
Optimizing Privacy and Utility Tradeoffs for Group Interests Through Harmonization
Kansas State University（堪萨斯州立大学）；Louisiana State University（路易斯安那州立大学）
针对两类属性不同的用户群体的隐私-效用权衡问题，提出基于可信第三方的协作数据共享机制，结合对抗隐私技术实现数据脱敏，无需辅助数据与人工标注，兼容多种现有技术，实验验证了其平衡隐私与效用的有效性。
2024-04-07 cs.CR cs.LG
On the Leakage of Massey Secret Sharing Schemes under Linear Computations
INRIA（法国国家信息与自动化研究所）；École Polytechnique（巴黎综合理工学院）；LIX, CNRS UMR 7161（LIX实验室，法国国家科学研究中心）
本研究将基于线性精确修复方案的泄露攻击从单一秘密扩展到多个线性相关秘密，支持任意线性计算，扩大了易受攻击的码参数范围，并提出了更现实的攻击模型。
2026-09-18 cs.CR
Securing music sharing platforms: A Blockchain-Based Approach
从在线教育到交易，我们生活的方方面面都受到数字技术的影响。其中，音乐的存储也进入了数字化时代。艺术家创作的音乐作品给人们带来了极大的欢乐。然而，当艺术家上传他们的作品时，他们大多被其他人下载和转载，版权信息和与音乐共享相关的问题出现了。这将对艺术家的热情和积极性产生重大的负面影响。本文为艺术家提供了一个互联网数据库平台，利用以太坊区块链的分布式和防篡改技术存储音乐作品，并保护音乐行业艺术家制作的每张专辑或音乐的版权信息。提出了系统模型和数据存储的设计与实现，并详细演示了基于以太坊智能合约的数据存储流程。该系统将音乐信息存储在区块链网络上，使用智能合约为艺术家提供快速有效的版税支付。应用Node.js进行系统实验，使用可用帐户和私钥测试远程过程调用（RPC）以进行合约开发，并使用区块浏览器跟踪区块链上的音乐信息。我们的系统使版权收入归属于音乐创作者，这将有助于消除在其他网站上非法上传音乐。
2022-04-13 cs.CR
An Efficient Method for Realizing Contractions of Access Structures in Cloud Storage
本文提出一种高效转换秘密共享方案以实现访问结构收缩的方法，解决了云存储中的属性移除和数据重定位问题，且能减少甚至无需额外的服务器存储。
2023-10-24 cs.CR
OptimShare: A Unified Framework for Privacy Preserving Data Sharing -- Towards the Practical Utility of Data with Privacy
本文提出 OptimShare 统一框架，融合差分隐私、模糊逻辑与概率论，通过面向应用的选择性属性扰动提升表格数据共享的实际效用并保障隐私。
2023-06-06 cs.CR cs.DB
Learning Attribute-Based and Relationship-Based Access Control Policies with Unknown Values
Stony Brook University（石溪大学）
基于属性的访问控制（ABAC）和基于身份验证的访问控制（ReBAC）提供了高水平的表达能力和灵活性，通过允许策略以实体之间的属性和关系链的形式来表达，从而促进了安全性和信息共享。从传统访问控制信息中学习ABAC和ReBAC策略的算法有可能显著降低迁移到ABAC或ReBAC的成本。本文提出了第一个算法，挖掘ABAC和ReBAC策略从访问控制列表（ACL）和不完全信息的实体，其中一些属性的值是未知的。我们表明，这个问题的核心可以被看作是学习一个简洁的三值逻辑公式，从一组标记的特征向量包含未知数，我们给出了第一个算法（尽我们所知）的问题。
2020-11-23 cs.AI cs.CR
Local Differential Privacy for Smart Meter Data Sharing
University of New South Wales（新南威尔士大学）
针对现有本地差分隐私方法无法保护电器级智能电表流数据隐私的问题，提出带滑动窗口随机响应的LDP-SmartEnergy方法，在隐私保护与数据效用间取得平衡且效率更优。
2023-11-08 cs.AI cs.CR cs.SE
AABAC -- Automated Attribute Based Access Control for Genomics Data
COVID-19危机显示了尖端基因组学研究的潜力。然而，这些敏感信息的隐私是基因组学研究人员非常关注的一个领域。当前的安全模型很难创建灵活和自动化的数据共享框架。这些模型还增加了在不联系数据发布者的情况下添加或撤销访问的复杂性。在这项工作中，我们研究了一个自动化的基于属性的访问控制（AABAC）模型的基因组数据命名数据网络（NDN）。AABAC保护数据本身，而不是存储位置或传输通道，提供自动数据失效，并自动进行密钥检索和数据验证，同时保持控制访问的能力。我们表明，AABC与NDN相结合时，提供了一个安全和灵活的组合与基因组学研究的工作。
2022-04-14 cs.CR cs.NI
Efficient Robustness Certificates for Discrete Data: Sparsity-Aware Randomized Smoothing for Graphs, Images and More
Technical University of Munich（慕尼黑工业大学）
现有的技术用于证明离散数据的模型的鲁棒性，或者只适用于一小类模型，或者是以效率或紧密性为代价的一般性技术。此外，他们不占稀疏的输入，我们的研究结果表明，往往是必不可少的获得非平凡的保证。我们提出了一个模型不可知的证书的基础上的随机平滑框架，它包含了早期的工作，是紧密的，高效的，和稀疏意识。它的计算复杂性不依赖于离散类别的数量或输入的维度（例如图的大小），使其具有高度的可扩展性。我们展示了我们的方法在各种模型，数据集和任务上的有效性-特别强调了它在图神经网络中的应用。到目前为止，由于离散和非独立同分布，获得GNN的可证明保证一直很困难。图表数据的性质。我们的方法可以证明任何GNN，并处理对图结构和节点属性的扰动。
2023-02-27 cs.CR cs.LG cs.SI
RecUP-FL: Reconciling Utility and Privacy in Federated Learning via User-configurable Privacy Defense
University of Tennessee（田纳西大学）；Rutgers University（罗格斯大学）；Intuit AI Research（Intuit人工智能研究院）
本文提出用户可配置的联邦学习隐私防御方法 RecUP-FL，通过对抗学习生成梯度扰动以保护用户指定敏感属性，并利用元学习思想提升对黑盒攻击的可迁移性，在满足隐私约束的同时显著改善模型效用。
2023-04-11 cs.CR cs.LG
Privacy-Aware Recommendation with Private-Attribute Protection using Adversarial Learning
推荐是帮助用户找到与其兴趣相关的信息的关键应用之一。然而，恶意攻击者可以通过推荐来推断用户的私人信息。先前的工作在与推荐系统共享之前混淆用户项数据。这种方法在执行数据混淆时没有显式地解决推荐的质量。此外，它不能保护用户免受基于建议的私有属性推理攻击。这项工作是第一次尝试建立一个推荐与属性保护（RAP）模型，同时推荐相关的项目和计数器私有属性推理攻击。我们的方法的关键思想是制定这个问题作为一个对抗性的学习问题，有两个主要组成部分：私人属性推理攻击者，和贝叶斯个性化推荐。攻击者试图根据用户的项目列表和建议来推断用户的私有属性信息。推荐器的目标是提取用户的兴趣，同时利用攻击者来规范推荐过程。实验表明，该模型既保持了推荐服务的质量，又保护了用户免受私有属性推理攻击。
2019-11-22 cs.CR cs.IR cs.SI
Privacy-Preserving Image Sharing via Sparsifying Layers on Convolutional Groups
Harvard University（哈佛大学）
我们提出了一个实用的框架来解决大规模设置中的隐私感知图像共享问题。我们认为，虽然紧凑性总是希望在规模，这种需要是更严重的，当试图进一步保护隐私敏感的内容。因此，我们对图像进行编码，这样，一方面，表示存储在公共领域，而无需支付隐私保护的巨大成本，但模糊的，因此从图像中没有泄漏可辨别的内容，除非组合昂贵的猜测机制可供攻击者使用。另一方面，授权用户被提供有可以容易地保持安全的非常紧凑的密钥。这可以用于消除歧义并忠实地重建相应的访问授权图像。我们通过我们设计的卷积自动编码器实现了这一点，其中特征图通过稀疏化变换独立传递，提供多个紧凑代码，每个代码负责重建图像的不同属性。该框架在一个大型图像数据库上进行了测试，并提供了公共实现。
2020-02-04 cs.CR cs.CV eess.IV
Adversarial Representation Sharing: A Quantitative and Secure Collaborative Learning Framework
Shanghai Jiao Tong University（上海交通大学）
深度学习模型的性能高度依赖于训练数据的量。如今的数据持有者通常会合并他们的数据集并协同训练模型，这对数据隐私构成了威胁。与安全多方计算（MPC）、联邦学习（FL）等现有方法不同，表示学习具有通信开销小、任务无关等特点，在协同学习中具有独特的优势。然而，数据表示面临着模型反演攻击的威胁。在本文中，我们正式定义了协作学习场景，并量化了数据效用和隐私。然后，我们提出了ARS，一个协作学习框架，其中用户共享表示的数据训练模型，并添加难以察觉的对抗性噪声对重建或属性提取攻击的数据表示。通过在不同环境下对ARS进行评估，我们证明了我们的机制能够有效地抵抗模型反演攻击，并在隐私和实用性之间取得了平衡。ARS框架具有广泛的适用性。首先，ARS对于各种数据类型都是有效的，不限于图像。其次，用户共享的数据表示可以在不同的任务中使用。第三，该框架可以很容易地扩展到垂直数据分区场景。
2022-03-27 cs.CR cs.LG
Towards Blockchain-Assisted Privacy-Aware Data Sharing For Edge Intelligence: A Smart Healthcare Perspective
Data61, CSIRO（联邦科学与工业研究组织数据61研究所）；Victoria University（维多利亚大学）；University of Electronic Science and Technology of China（电子科技大学）；University of Technology Sydney（悉尼科技大学）；CNPIEC KEXIN LTD（中国图书进出口科信有限公司）；Xidian University（西安电子科技大学）
针对智能医疗网络中数据共享的隐私泄露和投毒攻击风险，提出基于信任级别的个性化差分隐私模型，利用马尔可夫过程解耦噪声并构建区块链社区模型，有效抵御链接攻击与投毒攻击。
2023-06-29 cs.AI cs.CR
Degree-Preserving Randomized Response for Graph Neural Networks under Local Differential Privacy
KDDI Research, Inc.（KDDI研究所）；ISM（统计数学研究所）；AIST（日本产业技术综合研究所）
提出DPRR算法，通过Warner的随机响应、策略性边采样和Laplace机制在局部差分隐私下保护图神经网络中的边并保留图结构，在图分类任务中准确率接近非私有算法并防御数据投毒攻击。
2024-06-01 cs.CR cs.LG
BinaryShield: Cross-Service Threat Intelligence in LLM Services using Privacy-Preserving Fingerprints
Microsoft Redmond, USA（微软红mond分校）；Microsoft New York, USA（微软纽约分校）
BinaryShield通过隐私保护技术实现跨服务威胁情报共享，提升LLM安全防护能力。
2026-02-28 cs.AI cs.CL cs.CR
