Encrypted Semantic Communication Using Adversarial Training for Privacy Preserving
语义通信是基于共享的背景知识来实现的,但是共享机制存在隐私泄露的风险。在这封信中,我们提出了一个加密的语义通信系统(ESCS)的隐私保护,它结合了通用性和机密性。通用性体现在所提出的ESCS的所有网络模块都基于共享数据库进行训练,这适合于实际场景中的大规模部署。同时,通过对称加密来实现机密性。在对抗训练的基础上,设计了一种对抗加密训练方案,以保证加密和非加密模式下语义通信的准确性。实验结果表明,无论语义信息是否加密,采用对抗加密训练方案的ESCS都能表现良好。攻击者很难从被窃听的消息中重建出原始的语义信息。
2022-09-19 cs.CR cs.IT math.IT
Optimal Private Discrete Distribution Estimation with One-bit Communication
本文研究单比特通信下私有离散分布估计的隐私-效用权衡,通过局部渐近正态性和区组设计机制,完全刻画了本地差分隐私和最大泄漏两种约束下的一阶渐近最优性。
2023-10-17 cs.CR cs.IT math.IT
Estimating Sparse Discrete Distributions Under Local Privacy and Communication Constraints
Cornell University(康奈尔大学);Google(谷歌公司)
我们考虑在局部差分隐私(LDP)和通信约束下估计稀疏离散分布的问题。我们刻画了样本的复杂性稀疏估计LDP约束下的一个常数因子和通信约束下的样本复杂性的对数因子。我们在LDP下的上限是基于Hadamard响应的,这是一种私人硬币方案,每个用户只需要一位通信。在通信约束下,我们提出了基于随机哈希函数的公共硬币方案。我们的紧下界是基于最近提出的卡方收缩方法。
2021-02-19 cs.CR cs.DS cs.IT
Breaking the Communication-Privacy-Accuracy Trilemma
Stanford University(斯坦福大学);Google(谷歌)
分布式学习和估计中的两个主要挑战是:1)保护本地样本的隐私; 2)将它们有效地传输到中央服务器,同时实现端到端任务的高精度。虽然在最近的文献中,人们对分别解决这些挑战中的每一个都有很大的兴趣,但同时解决这两个挑战的治疗方法在很大程度上仍然缺失。在本文中,我们开发了新的编码和解码机制,同时实现最佳的隐私和通信效率在各种规范设置。特别是,我们考虑的问题下的平均值估计和频率估计$\varepsilon$ -本地差分隐私和$b$位通信的限制。对于均值估计,我们提出了一个基于Kashin表示和随机抽样的方案,在这两个约束下具有阶最优估计误差。对于频率估计,我们提出了一种机制,利用沃尔什-哈达玛矩阵的递归结构,并实现了所有隐私级别和通信预算的顺序最优估计误差。作为一个副产品,我们还构建了一个分布估计机制,是所有的隐私制度和通信约束的速率最优,扩展最近的工作,仅限于$b=1$和$\varepsilon=O(1)$。我们的研究结果表明,联合隐私和通信约束下的智能编码可以产生的性能,匹配的最佳精度下实现单独的约束。
2021-04-20 cs.CR cs.IT cs.LG
The communication cost of security and privacy in federated frequency estimation
我们考虑联合频率估计问题,其中每个用户持有来自大小- $d$域的私有项$X_i$,并且服务器旨在估计经验频率(即,直方图)与$n \ll d$的$n$项目。在没有任何安全和隐私考虑的情况下,每个用户都可以使用$\log d$位将其项传送到服务器。然而,安全聚合协议的朴素应用需要每个用户的$d\log n$位。我们能否减少安全聚合所需的通信,安全性是否伴随着通信的基本成本?在本文中,我们开发了一个信息理论模型的安全聚合,使我们能够表征的基本成本的安全性和隐私的通信。我们表明,与安全性(没有隐私)$Ω\left( n \log d \right)$位每个用户是必要的,足以让服务器计算的频率分布。这明显小于简单方案所需的每用户$d\log n$比特,但明显高于没有安全性时所需的每用户$\log d$比特。为了实现差分隐私,我们构造了一个线性方案的基础上,一个嘈杂的草图,局部扰动的数据,不需要一个可信的服务器(a.k.a.)。分布式差分隐私)。在$\ell_2$和$\ell_\infty$丢失的情况下分析了该方案。通过使用我们的信息理论框架,我们表明,该方案实现了最佳的准确性,隐私的权衡与最佳的通信成本,同时匹配的性能集中的情况下,数据存储在中央服务器。
2022-11-18 cs.DS cs.IT math.IT
Characterizing the Accuracy-Communication-Privacy Trade-off in Distributed Stochastic Convex Optimization
Carnegie Mellon University(卡内基梅隆大学);Cornell University(康奈尔大学)
本文研究分布式差分隐私随机凸优化中的精度—通信—隐私权衡,提出基于 Vaidya 平面切割法的新算法与匹配下界,给出完整刻画。
2025-01-06 cs.IT cs.LG math.IT
Federated Learning with Local Differential Privacy: Trade-offs between Privacy, Utility, and Communication
联邦学习(FL)由于其分散的结构允许私下训练大量的数据。随机梯度下降(SGD)由于其良好的经验性能而通常用于FL,但是仍然可以从FL迭代期间共享的权重更新推断敏感的用户信息。我们考虑高斯机制,以保持局部差分隐私(LDP)的用户数据在FL模型与SGD。用户隐私,全球效用和传输速率之间的权衡证明通过定义适当的指标FL与LDP。与已有的结果相比,LDP中使用的查询敏感度被定义为一个变量,并应用更严格的隐私计费方法。建议的效用界允许所有用户的异构参数。我们的界限特征有多少效用减少和传输速率增加,如果一个更强的隐私制度的目标。此外,给定一个目标隐私级别,我们的研究结果保证一个显着更大的效用和更小的传输速率相比,现有的隐私会计方法。
2021-02-09 cs.CR cs.DC cs.IT
Thermodynamic Properties of Molecular Communication
在本文中,我们考虑的能量成本的通信使用分子通信。在一个简化的情况下,我们表明,在朗道原理的能量约束可以实现,这意味着分子通信可以接近基本的热力学极限。
2018-05-09 cs.IT math.IT
Wireless Federated Learning with Limited Communication and Differential Privacy
National Yang Ming-Chiao Tung University(阳明交通大学)
针对基于空中计算(AirComp)的联邦学习(FL)模型,研究了降维在远程用户有效通信和本地数据集差分隐私(DP)中的作用.更确切地说,我们考虑FL设置,其中客户端被提示通过在高斯多址信道(GMAC)上与参数服务器(PS)同时进行信道感知和有限通信来训练机器学习模型,使得传输在PS全局感知信道系数的情况下相干地求和。对于这种设置,提出了一种算法的基础上应用联邦随机梯度下降(FedSGD)的局部梯度,约翰逊-林登施特劳斯(JL)随机投影的基础上训练给定的损失函数的最小值,以减少局部更新的维度,和人工噪声,以进一步帮助用户的隐私。对于该方案,我们的研究结果表明,局部DP性能的改善主要是由于在每个维度上注入更大方差的噪声,同时保持投影向量的灵敏度不变。这是因为与没有降维的情况相比,收敛速度减慢。由于性能超过收敛速度较慢,隐私和收敛之间的权衡是较高的,但显示减少在高维政权产生几乎相同的权衡与少得多的通信成本。
2021-06-01 cs.IT cs.LG math.IT
Physical Layer Location Privacy in SIMO Communication Using Fake Path Injection
VNU University of Engineering & Technology(越南国立大学工程技术大学);CentraleSupélec, Université Paris–Saclay(巴黎萨克雷大学中央理工-高等电力学院)
本文提出通过在SIMO通信信道中注入虚假路径来增强隐私保护,定义新的统计隐私度量标准,并通过数值模拟验证了该方法在降低误码率方面的有效性。
2025-02-03 cs.IT eess.SP math.IT
Molecular communication: Physically realistic models and achievable information rates
分子通信是一种受生物学启发的通信方法,具有吸引人的微米级和纳米级器件特性。在分子通信中,通过在发射器处释放分子图案来传输消息,所述分子图案通过流体介质朝向接收器传播。在本文中,分子通信被制定为一个数学通信问题的信息论的背景下。物理现实的模型,获得了足够的抽象,让通信和信息理论家操纵。虽然在这些信道中的互信息是棘手的,我们给出了序列的上界和下界的互信息的复杂性和性能的折衷,并提出的结果来说明这些界估计真实的互信息的可行性。
2008-12-08 cs.IT math.IT
Achieving the Exactly Optimal Privacy-Utility Trade-Off with Low Communication Cost via Shared Randomness
本文利用共享随机性和区组设计分解方法,构造了在局部差分隐私下实现精确最优隐私-效用权衡且通信成本不超过输入数据大小的LDP方案,并给出Baranyai分解与循环移位分解两种构造。
2023-07-08 cs.CR cs.IT math.IT
Toward Efficient and Privacy-Aware eHealth Systems: An Integrated Sensing, Computing, and Semantic Communication Approach
Department of Engineering, King’s College London(伦敦国王学院工程学院)
针对远程医疗对准确感知、高效数据与隐私保护的严苛需求,提出集成感知、计算与语义通信(ISCSC)框架,通过服务机器人雷达监测与语义特征提取,联合优化波束成形与语义提取比例,实现了更优的感知精度、传输效率与隐私保护。
2025-10-14 cs.IT eess.SP math.IT
Intelligent Reflecting Surface for Wireless Communication Security and Privacy
智能反射面(IRS)是未来无线通信中一种很有前途的技术。由于其通过能量聚焦和能量归零来定制信道条件的优异能力,它是分别从物理层安全和隐蔽通信理论来增强无线通信安全性和隐私性的理想技术。在这篇文章中,我们首先提出了一些结果应用IRS提高窃听信道的平均保密率,使完美的通信隐蔽性,并故意创造额外的随机性,在无线传播隐藏活跃的无线传输。然后,我们确定了未来研究的多个挑战,以充分释放IRS在物理层安全和隐蔽通信方面提供的好处。借助大量的数值研究,我们证明了在无线通信中设计IRS单元的幅度时,考虑安全性和隐私性的必要性,其中最优值并不总是文献中通常采用的$1$。此外,我们揭示了可实现的保密性能和IRS的信道状态信息(CSI)在合法和恶意用户的估计精度之间的权衡,这提出了基本的资源分配的IRS辅助物理层安全的背景下的挑战。最后,讨论了利用深度神经网络和场景图像的被动信道估计方法,作为在不利用资源匮乏的导频的情况下实现CSI可用性的潜在解决方案。这种方法作为一个可见的途径,以显着提高在IRS辅助无线网络的隐蔽通信速率。
2021-08-30 cs.CR cs.ET cs.IT
RIS-based Communication Enhancement and Location Privacy Protection in UAV Networks
Tsinghua University(清华大学);Singapore University of Technology and Design(新加坡科技设计大学);University of Houston(休斯顿大学);Kyung Hee University(庆熙大学)
针对无人机网络中源无人机位置隐私易被恶意无人机通过信号分析泄露的问题,提出基于虚拟分区和人工噪声的ARIS辅助隐蔽通信方案,通过动态分区优化通信与干扰定位,有效保护隐私并提升通信效率。
2025-11-12 cs.IT cs.SY eess.SY
Mathematical Foundations for Information Theory in Diffusion-Based Molecular Communications
分子通信是纳米技术中一种很有前途的通信模式。然而,分子通讯的信息论分析的坚实的数学基础尚未建立。特别地,没有人证明信道编码定理适用于分子通信,并且没有建立信息速率容量(最大互信息)和码速率容量(上确界可达码速率)之间的关系。在本文中,我们专注于分子通信的一个主要子类-基于扩散的分子通信。通过建立一个一般的基于扩散的分子通道模型,并证明其信道编码定理,为基于扩散的分子通信中的信息论提供了坚实的数学基础.还建立了信道容量的统计和业务定义之间的各种等价关系,包括最经典的信息速率容量和码率容量。作为副产品,我们已经证明了基于扩散的分子通道是“渐进减少的输入记忆和预期”和“d-连续”。基于扩散的分子通道的其他性质,如平稳性或遍历性也被证明。
2013-11-18 cs.IT math.IT q-bio.MN
LoByITFL: Low Communication Secure and Private Federated Learning
School of Computation, Information and Technology(计算、信息与技术学院)
针对联邦学习中数据隐私与拜占庭安全难兼顾且现有方案牺牲隐私的问题,提出通信高效的LoByITFL方案,借助小型数据集、改进FLTrust和初始化阶段一次性可信第三方,实现信息论隐私与安全,兼具理论保证与收敛性实验验证。
2025-06-12 cs.CR cs.DC cs.IT
Randomized Distributed Function Computation (RDFC): Ultra-Efficient Semantic Communication Applications to Privacy
Technische Universität Dortmund(多特蒙德工业大学);Linköping University(林雪平大学)
RDFC通过随机化方法实现隐私保护的高效语义通信,其在无共享随机性时仍优于无损传输,且在有限块长下隐私性能显著提升。
2026-03-10 cs.CR cs.DC cs.IT
Molecular communication networks with general molecular circuit receivers
在分子通信网络中,发射器可以编码信号分子的浓度或频率的信息。当信号分子到达接收器时,它们通过一系列化学反应或分子电路发生反应,产生输出分子。输出分子随时间的计数是接收器的输出信号。本文的目的是研究不同反应类型对分子通讯网络信息传输能力的影响。我们实现这一目标,通过使用一个通用的分子电路模型。我们推导出平均接收机输出,信号和噪声谱的一般表达式。我们使用这些表达式来研究一些分子电路的信息传输能力。
2013-12-19 cs.IT math.IT q-bio.MN
A Novel Framework for Transmitter Privacy in Integrated Sensing and Communication
New York University Abu Dhabi(阿布扎比纽约大学);NYU Tandon School of Engineering(纽约大学坦登工程学院)
本文提出了一种基于RIS的多天线无线系统中,通过超叠信号和人工噪声提升发射机隐私保护,分析恶意传感器的信道估计性能,并通过交替优化框架解决联合波束成形设计问题,以降低非授权信息推断风险。
2026-04-17 cs.CR cs.IT eess.SP
Secure Channel for Molecular Communications
纳米网络中的分子通信是一种新兴的通信范式,它使用分子作为信息载体。实现安全的信息交换是需要考虑的实际挑战之一,以解决纳米网络中分子通信的潜力。本文将安全信道引入到分子通信中来防止窃听。首先,我们提出了一种基于Diffie Hellman算法的方法,通过该方法,通信纳米机器可以通过分子信号交换秘密密钥。然后,我们使用这个秘密密钥来执行加密。此外,我们还提出了秘密密钥交换算法和安全的分子通信系统。建议的安全系统被发现有效的能源消耗。
2017-09-14 cs.CR cs.ET cs.IT
Privacy-Aware Communication Over a Wiretap Channel with Generative Networks
Imperial College London(帝国理工学院)
我们使用端到端学习研究通过窃听通道的隐私感知通信。Alice想通过二进制对称信道向Bob发送源信号,而被动窃听者Eve则试图根据其偷听到的信号推断Alice的源的某些敏感属性。由于我们通常无法获得真实的分布,我们提出了一种数据驱动的方法,使用变分自编码器(VAE)的联合源信道编码(JSCC)。我们通过模拟与有色MNIST数据集,我们的方法提供了高的重建质量在接收器,同时混淆窃听者的潜在敏感属性,其中包括颜色和厚度的数字。最后,我们考虑了一个并行信道的情况下,我们的方法安排的信息传输,使窃听者携带的敏感信息,而非敏感信息更脆弱的信道具有较高的噪声水平。
2022-02-14 cs.CR cs.IT cs.LG
Sparsified Secure Aggregation for Privacy-Preserving Federated Learning
University of California, Riverside(加州大学河滨分校)
安全聚合是隐私保护联邦学习中的一种流行协议,它允许模型聚合,而不会公开单个模型。另一方面,传统的安全聚合协议会产生显著的通信开销,这可能成为现实世界中带宽受限应用的主要瓶颈。为了解决这一挑战,在这项工作中,我们提出了一个轻量级的梯度稀疏化框架的安全聚合,其中服务器从大量的用户学习稀疏化的本地模型更新的聚合,但不学习个别参数。我们的理论分析表明,所提出的框架可以显着减少安全聚合的通信开销,同时确保相当的计算复杂性。我们进一步确定了由于稀疏化的隐私和通信效率之间的权衡。我们的实验表明,与传统的安全聚合基准相比,我们的框架将通信开销降低了7.8倍,同时还将挂钟训练时间加快了1.13倍。
2021-12-23 cs.CR cs.DC cs.IT
Beyond Trade-offs: A Unified Framework for Privacy, Robustness, and Communication Efficiency in Federated Learning
School of Computation, Information and Technology, Technical University of Munich(计算、信息与技术学院,慕尼黑技术大学);Electrical Engineering and Computer Science Department, Technische Universität Berlin(电气工程与计算机科学系,柏林技术大学)
本文提出RobAJoL框架,结合JL压缩与鲁棒平均,实现联邦学习中隐私、鲁棒性和通信效率的统一,实验验证其在拜占庭攻击下的优越性能。
2025-12-25 cs.DC cs.IT cs.LG
Total insecurity of communication via strong converse for quantum privacy amplification
量子保密放大是量子密码学的核心任务。给定共享随机性,它最初与窃听者持有的量子系统相关,目标是提取与后者解耦的均匀随机性。这个任务的最佳速率是已知的,以满足强逆属性,我们提供了一个下界相应的强逆指数。在强逆区域中,协议的最终状态与期望解耦状态的距离在渐近极限处指数快速收敛到其最大值。我们表明,这必然会导致完全不安全的通信建立窃听者可以推断出任何发送的消息的确定性,当给定非常有限的额外信息。事实上,我们证明,在强逆区域,窃听者有一个指数的优势,正确推断发送的消息,相比,可验证性区域。此外,我们建立了以下技术结果,这是我们的证明的中心,是独立的利益:平滑参数的平滑最大相对熵满足强逆性质。
2022-02-22 cs.IT math-ph math.IT
Function Computation Under Privacy, Secrecy, Distortion, and Communication Constraints
本文针对带噪声测量的远程信源,扩展了带隐私、保密、存储约束的函数计算问题,提出新的泄露度量与失真计算方案,推导了双节点无损/有损计算的速率区域界并简化特殊情形下的结果。
2022-07-29 cs.CR cs.DC cs.IR
Semantic Leakage and Privacy Preservation in Relay-Assisted Semantic Communications
Nexcepta;The Ohio State University(俄亥俄州立大学);University of Maryland(马里兰大学)
研究语义通信中继节点对潜在表示的隐私泄露问题,提出迭代对抗训练框架,通过交替优化中继窃听与合法系统,在保持合法接收端语义解码性能的同时抑制中继的语义推断。
2026-07-01 cs.CR cs.IT cs.LG
Simple Binary Hypothesis Testing under Local Differential Privacy and Communication Constraints
IBM Research(IBM研究院);University of Cambridge(剑桥大学)
本文研究 LDP 与通信约束下的简单二元假设检验,给出纯 LDP 下的实例最优与极小极大最优样本复杂度界,并通过联合值域极点设计同时满足两类约束的高效最优算法。
2023-12-15 cs.DS cs.IT cs.LG