PPContactTracing: A Privacy-Preserving Contact Tracing Protocol for COVID-19 Pandemic
为对抗COVID-19疫情的蔓延,全球各地已提出并实施多项接触者追踪解决方案。但是,这些解决方案中的大多数危及个人的隐私权,并阻碍其广泛采用。我们提出了一个隐私保护的接触者追踪协议,有效地跟踪全球流行病的传播。它基于私有集交集(PSI)协议,利用同态性质在个人层次上保护隐私。一个层次模型的景观和速率限制因素的查询数量的表示已被采用,以保持协议的效率。
2020-08-15 cs.CR cs.CY
BU-Trace: A Permissionless Mobile System for Privacy-Preserving Intelligent Contact Tracing
2019冠状病毒病(COVID-19)大流行为全球带来前所未有的健康危机。数字接触者追踪作为一种传播干预措施,在大流行控制方面已显示出其有效性。尽管对数字联系人追踪进行了深入的研究,但现有的解决方案很难满足用户对隐私和便利性的要求。在本文中,我们提出了BU-Trace,一种新的免许可移动系统的隐私保护智能接触跟踪QR码和NFC技术的基础上。首先,用户研究进行调查和量化的移动接触追踪系统的用户接受。其次,提出了一种分散的系统,以在保护用户隐私的同时实现联系人跟踪。第三,智能行为检测算法的设计,以方便我们的系统的使用。我们实现BU跟踪,并在几个现实世界的场景进行了广泛的实验。实验结果表明,BU-Trace实现了一个隐私保护和智能移动系统的联系人跟踪,而无需请求位置或其他隐私相关的权限。
2021-01-24 cs.CR cs.CY cs.SI
KHOVID: Interoperable Privacy Preserving Digital Contact Tracing
在大流行期间,接触者追踪是降低人群感染率的重要工具。为了加速费力的手动接触追踪过程,数字接触追踪(DCT)工具可以通过使用无处不在的手机的感测和信令能力来透明地和私密地追踪接触事件。然而,有效的DCT不仅必须保护用户隐私,而且还必须增强现有的手动联系人跟踪过程。事实上,并非每个人都拥有手机或安装并启用DCT应用程序。我们提出KHOVID来实现手动联系人跟踪互操作性和DCT用户隐私的综合目标。KHOVID的核心是一个隐私友好的机制,使用地理位置数据对用户轨迹进行编码。手动接触者追踪数据可以通过相同的地理定位格式进行整合。使用蓝牙邻近检测提高了DCT中地理位置数据的准确性,并提出了一种新的蓝牙临时ID编码方法。本文介绍了KHOVID的详细设计;提出了一个原型实现,包括一个应用程序和服务器软件;并提出了基于仿真和现场实验的验证。我们还比较了KHOVID的优势与其他,早期的建议DCT。
2020-12-17 cs.CR cs.CY
Simulating and visualizing COVID-19 contact tracing with Corona-Warn-App for increased understanding of its privacy-preserving design
世界正处于持续的大流行病COVID-19之下,其规模上一次出现是在一个世纪前。接触者追踪是遏制和打破感染链的最关键和最有效的工具之一,特别是在COVID-19等传染性呼吸道疾病的情况下。由于我们这个时代的技术进步,我们现在有数字移动应用程序,如Corona-Warn-App,用于数字接触追踪。然而,由于接触追踪的侵入性,保护用户的隐私非常重要。隐私保护对于增加对应用程序的信任并随后使其在重视隐私的人群中广泛使用非常重要。在本文中,我们对Corona-Warn-App的工作进行了可视化模拟,以展示如何保护其用户的隐私,如何通知他们传染性接触以及如何帮助遏制COVID-19的传播。
2022-02-04 cs.CR cs.CY
Blockchain Driven Privacy Preserving Contact Tracing Framework in Pandemics
接触者追踪已被证明是控制COVID-19大流行等流行病中病毒传播的有效方法。作为一种新兴的强大的去中心化技术,区块链已被探索用于确保联系人跟踪过程中的数据隐私和安全性。然而,现有的工作大多是高层次的设计,没有充分的论证,并将区块链视为辅助第三方中心服务器的独立存储系统,忽视了共识机制和激励机制的重要性和能力。在本文中,我们提出了一个轻量级和完全免费的第三方区块链驱动的联系人跟踪框架(BDCT)来弥合这一差距。在BDCT框架下,提出了基于RSA加密的交易验证方法(RSA-TVM)来保证联系人追踪的正确性,即使每个人有60%的概率无法验证联系人信息,该方法也能达到96%以上的联系人案例记录准确率。提出了声誉校正的委托权益证明(RC-DPoS)共识机制和激励机制,可以确保报告联系人案例的及时性,并保持区块链的去中心化。建立了一个新的接触追踪仿真环境,该环境考虑了三种基于人口密度的不同接触场景。仿真结果验证了RSA-TVM和RC-DPoS在BDCT中的有效性、鲁棒性和抗攻击性。
2022-05-21 cs.CR cs.CY
Another Look at Privacy-Preserving Automated Contact Tracing
在当前的COVID-19大流行中,人工接触者追踪已被证明非常有助于接触受感染用户的密切接触者并减缓病毒传播。为了提高其可扩展性,一些自动化的接触跟踪(ACT)的解决方案已经提出,其中一些已经部署。尽管做出了不懈的努力,但这些解决方案的安全和隐私问题仍然是开放的,并处于激烈的辩论之中。在本文中,我们从更广泛的角度研究ACT概念,不仅关注安全和隐私问题,而且关注界面、可用性和覆盖范围等功能问题。我们首先阐述了这些问题,并特别指出现有的基于BLE的ACT解决方案中不可避免的隐私泄露。然后,我们提出了一个基于场所的ACT概念,它只监视用户的接触历史中的病毒传播倾向的场所,并能够结合不同的位置跟踪技术,如BLE和WIFI。最后,我们实例化基于场地的ACT概念,并表明我们的实例化可以减轻我们在分析中发现的大多数问题。
2020-10-26 cs.CR cs.CY
Decentralised, privacy-preserving Bayesian inference for mobile phone contact tracing
许多国家目前正准备使用智能手机应用程序进行接触者追踪,作为管理COVID-19大流行和防止疾病在最初爆发后复发的努力的一部分。随着苹果和谷歌宣布合作,将联系人追踪功能引入iOS和Android,这似乎很可能会在许多国家被采用。该应用程序功能的一个重要部分将是决定是否应该建议一个人进行自我隔离,进行测试或结束隔离。然而,苹果/谷歌联系人追踪算法的隐私保护性质意味着这些决策的集中管理是不可能的,因此每部手机必须使用自己的“风险模型”来告知决策。理想情况下,风险模型应该使用贝叶斯推理来决定给定用户和其他用户的测试结果的最佳行动方案。在这里,我们提出了一个分散的算法,估计病毒传播事件的贝叶斯后验概率,并评估何时应该通知用户,测试或从隔离中释放,同时保护用户隐私。该算法还允许手机上的疾病模型从每个人的接触追踪数据中学习,并将使流行病学家更好地了解疾病的动态。该算法是一种基于置信度传播的消息传递算法,因此每个智能手机都可以用来执行算法的一小部分,而不会释放任何敏感信息。以这种方式,所有参与的智能电话的网络形成分布式计算设备,该分布式计算设备执行贝叶斯推断,通知每个用户何时应该开始/结束隔离或进行测试,并从用户的数据中了解疾病。
2020-05-11 cs.CY cs.SI
A Privacy-Preserving Solution for Proximity Tracing Avoiding Identifier Exchanging
数字接触者追踪是与其他措施相结合的一项有用行动,可在封锁后阶段管理传染病的流行扩散。这是一个非常及时的问题,由于COVID-19的大流行,我们不幸的生活。接触者追踪应用程序旨在检测用户的接近程度,并评估可能传染的相关风险。现有的方法利用蓝牙或GPS或其组合,即使流行的方法是基于蓝牙的,并且依赖于需要在用户的智能手机之间相互交换临时标识符的分散模型。不幸的是,在这种解决方案中存在许多安全和隐私问题,主要是由于标识符的交换,而基于GPS的解决方案(固有的集中式)可能会受到大规模监视的威胁。在本文中,我们提出了一个解决方案,利用GPS来检测接近度,蓝牙只是为了提高准确性,而不允许交换标识符。与相关的现有解决方案不同,没有采用复杂的加密机制,同时确保服务器不会了解任何关于用户位置的信息。
2020-05-20 cs.CR cs.CY
PrivyTRAC: Privacy and Security Preserving Contact Tracing System
基于智能手机定位的方法已经被提出并实施为传统劳动密集型接触者追踪方法的有效替代方案。然而,存在严重的隐私和安全问题,可能会阻碍许多社会的广泛采用。此外,这些方法仅依赖于与患者的接近度,例如基于蓝牙或GPS信号,忽略了环境中存在的病毒(包括COVID-19)的持续影响。这导致风险评估不准确和接触者追踪不完整。一个名为PrivyTRAC的新系统概念保护了用户隐私,提高了安全性,并提高了智能手机联系人跟踪的准确性。PrivyTRAC通过让用户根据下载到智能手机上的风险地图进行自我评估,增强了用户和患者的隐私。没有用户信息被传输到外部位置或设备,并且没有个人可识别的患者信息被嵌入风险图中,因为它们是被匿名处理的,并且是经确认的患者的聚集位置。风险图考虑了空间邻近性和时间效应,以提高感染风险估计的准确性。本文中进行的实验说明了PrivyTRAC在真阳性和假阳性方面对基于邻近度的方法的改进。还描述了通过合并确诊病例接触者的阳性和阴性当地检测结果来进一步改进感染风险估计的方法。
2020-06-15 cs.CR cs.CY
Incremental Knowledge Tracing from Multiple Schools
Nanyang Technological University(南洋理工大学);Institute for Infocomm Research (I2R), A-STAR(新加坡科技研究局资讯通信研究院)
知识追踪是根据学习者的表现历史来预测学习者未来表现的任务。目前的知识追踪模型是基于从多个学校收集的大量数据建立的。然而,由于数据隐私和PDPA政策,不可能汇集所有学校的学习者数据。因此,本文探讨了建立知识追踪模型的可行性,同时保护各自学校内的学习者数据的隐私。本研究使用ASSISTment 2009数据集的一部分进行,来自多所学校的数据被视为持续学习框架中的独立任务。结果表明,使用自注意知识跟踪(SAKT)算法顺序学习能够实现与将所有数据汇集在一起的性能相当相似的性能。
2022-01-07 cs.AI cs.CY cs.LG
Decentralized Privacy-Preserving Proximity Tracing
本文描述并分析了一种用于大规模安全和隐私保护的邻近跟踪的系统。该系统被称为DP 3 T,提供了一个技术基础,通过简化和加快通知可能接触过该病毒的人的过程,帮助减缓SARS-CoV-2的传播,以便他们能够采取适当措施打破其传播链。该系统旨在最大限度地降低个人和社区的隐私和安全风险,并保证最高水平的数据保护。我们的近距离追踪系统的目标是确定谁曾与COVID-19阳性者有过密切的身体接触,从而暴露于病毒,而不会透露接触者的身份或接触发生的地点。为了实现这一目标,用户运行智能手机应用程序,该应用程序不断广播表示用户电话的短暂伪随机ID,并且还记录从附近的智能手机观察到的伪随机ID。当患者被诊断患有COVID-19时,她可以将先前从她的手机广播的伪随机ID上传到中央服务器。在上传之前,所有数据都只保留在用户的手机上。其他用户的应用程序可以使用来自服务器的数据,在本地估计设备的所有者是否通过近距离物理接近上传其数据的COVID-19阳性人员而暴露于病毒。如果应用程序检测到高风险,它会通知用户。
2020-05-25 cs.CR cs.CY
Efficient and Privacy-Preserving Infection Control System for Covid-19-Like Pandemics using Blockchain
接触者追踪是控制COVID-19类大流行病的一种非常有效的方法。它旨在确定在病毒潜伏期内与受感染者密切接触的个人,并通知他们进行隔离。然而,现有系统存在隐私、安全和效率问题。为了解决这些局限性,在本文中,我们提出了一种高效且保护隐私的基于区块链的感染控制系统。而不是依赖于一个单一的权威来运行系统,一组健康当局,形成一个联盟区块链,运行我们的系统。使用区块链技术不仅可以保护我们的系统免受单点故障和拒绝服务攻击,而且还可以带来透明度,因为所有交易都可以由不同的方进行验证。虽然接触者追踪很重要,但这还不足以有效控制感染。因此,与大多数只关注接触者追踪的现有系统不同,我们的系统由三个集成的子系统组成,包括接触者追踪、公共场所访问控制和安全场所推荐。访问控制子系统阻止受感染的人访问公共场所以防止病毒传播,并且推荐子系统基于感染级别对区域进行分类,使得人们可以避免访问受污染的区域。我们的分析表明,我们的系统是安全的,可以保护用户的隐私,防止身份识别、社交图泄露和跟踪攻击,同时阻止虚假报告(或恐慌)攻击。此外,我们广泛的性能评估证明了我们的系统的可扩展性(这是可取的流行病),由于其低通信,计算和存储开销。
2021-04-06 cs.CR cs.CY
Assessing Disease Exposure Risk with Location Data: A Proposal for Cryptographic Preservation of Privacy
世界各地的政府和研究人员正在实施数字接触者追踪解决方案,以阻止传染病(即COVID-19)的传播。其中许多解决方案威胁到个人权利和隐私。我们的目标是打破有效与保护隐私的联系人追踪的错误二分法。我们提供了一种替代方法来评估和传达用户接触传染病的风险,同时保护个人隐私。我们的建议使用最近的GPS位置的历史,这是转换和加密,和一个私人集合相交协议接口与半信任的权威。最近还有其他基于蓝牙和去中心化的隐私保护联系人追踪建议,可以进一步消除对权威的信任。然而,蓝牙解决方案目前仅限于某些设备和环境,而分散化增加了复杂性。这项工作的目标是双重的:我们的目标是提出一个基于位置的系统,它比世界各国政府目前采用的系统更能保护隐私,而且也可以立即实施,以阻止病毒爆发。
2020-04-08 cs.CR cs.CY
Safer Illinois and RokWall: Privacy Preserving University Health Apps for COVID-19
COVID-19从根本上扰乱了我们的生活方式。世界各地的政府机构、大学和公司正在迅速开发技术,以抗击COVID-19大流行并安全地重新开放社会。接触追踪、超级传播者事件检测和曝光映射等基本分析工具需要收集和分析敏感的用户信息。越来越多地使用这种强大的数据驱动的应用程序需要一个安全的,隐私保护的基础设施,对个人数据的计算。在本文中,我们分析了伊利诺伊大学厄巴纳-香槟分校正在开发的两个这样的计算基础设施,以跟踪和减缓COVID-19的传播。首先,我们介绍了更安全的伊利诺伊州,一个分散的健康分析系统,支持目前广泛采用的两个应用程序:数字接触追踪和COVID-19状态卡。其次,我们介绍了RokWall架构,用于对敏感用户数据进行隐私保护的集中式数据分析。我们将讨论这些系统的架构、设计选择、考虑的威胁模型以及我们在开发用于敏感数据分析的生产就绪系统时遇到的挑战。
2021-03-17 cs.CR cs.CY
Privacy-Preserving Infection Exposure Notification without Trust in Third Parties
为应对COVID-19疫情,在智能手机操作系统开发商的帮助下,许多国家已部署基于蓝牙的接触者追踪,该操作系统提供用于隐私保护暴露通知的API。然而,设计中假设操作系统开发商、智能手机供应商或政府不会侵犯人们的隐私。我们提出了一个隐私保护暴露通知的情况下,没有中间实体可以信任。我们相信,通过对现有机制进行小幅修改就可以实现这一目标:在应用程序端而不是操作系统上生成随机数,并且将阳性测试结果报告给公共分类帐(例如区块链)而不是政府服务器,并得到医疗机构的盲签名认可。我们还讨论了如何激励公共账本的点对点维护,如果它应该是新建的。我们表明,我们提出的设计,如果一个消费者团体验证部署的系统的隐私保护的可验证性的水平要高得多。我们认为,这将有助于更安全地追踪接触者,并有助于在大流行情况下可能希望或不得不外出的公民采取更健康的生活方式。
2021-03-13 cs.CR cs.CY
StanBKT: Rethinking Parameter Estimation in Bayesian Knowledge Tracing
Worcester Polytechnic Institute(伍斯特理工学院)
提出 StanBKT 开源 Python 包,利用 Stan 进行贝叶斯推断,支持多种推断方法,实现概率学生建模、不确定性量化和层次化推理,并在 ASSISTments 2020 数据集上验证了其有效性和可解释性。
2026-05-21 cs.CY cs.HC stat.AP
Cognition-Mode Aware Variational Representation Learning Framework for Knowledge Tracing
Beijing University of Posts and Telecommunications(北京邮电大学)
提出认知模式感知的变分表示学习框架(CMVF),通过概率建模和变分推断解决知识追踪中的数据稀疏问题,提升学生表示的鲁棒性,可应用于现有KT方法。
2023-09-03 cs.AI cs.CY cs.LG
Tracing Users' Privacy Concerns Across the Lifecycle of a Romantic AI Companion
Bangladesh University of Engineering and Technology(孟加拉国工程技术大学);University of Texas at Dallas(德克萨斯大学达拉斯分校);University of Toronto(多伦多大学)
本文通过分析Reddit讨论,揭示浪漫AI伴侣生命周期中隐私问题的四个特征,强调隐私治理需贯穿使用全过程,支持可逆性并考虑亲密人机交互的情感脆弱性。
2026-03-25 cs.CY cs.HC