Semi-Trusted Mixer Based Privacy Preserving Distributed Data Mining for Resource Constrained Devices
提出了一种可应用于资源受限设备（RCD）的同态隐私保护关联规则挖掘算法。分布式挖掘站点之间的项集计数的隐私保护交换是关联规则挖掘过程中的一个重要环节。现有的基于密码学的隐私保护解决方案由于涉及复杂的数学方程而消耗大量的计算。因此，在RCD中部署挖掘应用程序时，需要较少的计算量和隐私解决方案。在该算法中，使用半可信混合器来统一所有挖掘站点加密的项集的计数，而不暴露个体值。该算法是建立在一个著名的通信高效的关联规则挖掘算法计数分布（CD）。安全性证明以及性能分析和比较表明了该算法的可接受性和有效性。该协议具有高效、直观的隐私模型和良好的性能，是在RCD中部署数据采掘应用的重要举措之一。
2010-05-06 cs.CR
P4QS: A Peer to Peer Privacy Preserving Query Service for Location-Based Mobile Applications
基于位置的服务提供了网络世界和物理世界的有趣组合。但是，它们也可能威胁到用户的隐私。现有的隐私保护协议需要可信节点，存在严重的安全和计算瓶颈。提出了一种基于对等网络结构的分布式匿名协议。每个移动节点负责匿名化特定区域。移动节点在匿名查询中进行协作，而不需要访问关于彼此的任何信息。在提议的协议中，每个请求将与随机选择的票一起发送。服务器生成的加密响应基于此票证的哈希值通过网络发送到特定的移动节点（称为代理节点）。用户将查询代理以获得响应。消息的所有部分都是加密的，除了匿名器和代理所需的字段。这将保护P2P网络上的数据包交换。实验结果表明，该协议能够有效地实现位置服务中的用户隐私保护。
2016-06-08 cs.CR
TrustCross: Enabling Confidential Interoperability across Blockchains Using Trusted Hardware
随着区块链技术的快速发展，不同类型的区块链被采用，跨区块链的互操作性受到广泛关注。近年来提出了许多跨链解决方案，包括公证方案，侧链和中继链。然而，大多数现有的平台都没有考虑到保密性，尽管隐私已经成为区块链的一个重要问题。在本文中，我们介绍了TrustCross，这是一个保护隐私的跨链平台，可以实现跨区块链的机密互操作性。TrustCross背后的关键见解是在可信执行环境的帮助下加密中继链上的跨链通信数据，并采用细粒度的访问控制来保护用户隐私。我们的实验结果表明，TrustCross在异构区块链上的合约调用上实现了合理的延迟和高可扩展性。
2021-03-23 cs.CR
MISO: Legacy-compatible Privacy-preserving Single Sign-on using Trusted Execution Environments
针对现有单点登录系统的隐私泄露及方案落地难问题，提出基于Intel SGX的MISO系统，兼容现有身份提供商，支持多提供商阈值登录，可在实用性能下处理高并发。
2023-05-23 cs.CR
Customizing Trusted AI Accelerators for Efficient Privacy-Preserving Machine Learning
使用可信硬件已成为实现隐私保护机器学习的有前途的解决方案。特别是，用户可以将其私有数据和模型上传到硬件强制执行的可信执行环境（例如，支持英特尔SGX的CPU中的安全区），并在其中运行机器学习任务，同时保证机密性和完整性。为了提高性能，AI加速器已被广泛用于现代机器学习任务。然而，如何在人工智能加速器上保护隐私仍然是一个悬而未决的问题。为了解决这个问题，我们提出了一种基于未经修改的可信CPU和定制的可信AI加速器的高效隐私保护机器学习解决方案。我们谨慎地利用加密原语来建立信任并保护CPU和加速器之间的通道。作为一个案例研究，我们展示了我们的解决方案的基础上开源的多功能张量加速器。评估结果表明，所提出的解决方案提供了有效的隐私保护机器学习在一个小的设计成本和适度的性能开销。
2020-11-12 cs.AR cs.CR
Fully Oblivious Differential Privacy for Frequency Estimation in the Augmented Shuffle Model with Trusted Processors
ISM/ROIS/AIST/RIKEN AIP（综合研究大学院大学/日本国立自然科学研究所/产业技术综合研究所/理化学研究所人工智能研究中心）；UEC（电气通信大学）；AIST（产业技术综合研究所）
针对混洗模型中混洗器与数据收集者共谋的信任问题，引入可信执行环境（TEE）并定义全遗忘差分隐私（FODP），提出基于内存大小混淆的通用框架及三种具体算法，利用计数最小草图优化效率，在Intel SGX上验证有效性。
2026-08-28 cs.CR
Privacy-Aware, Public-Aligned: Embedding Risk Detection and Public Values into Scalable Clinical Text De-Identification for Trusted Research Environments
本文基于苏格兰NHS多文档类型研究，揭示临床自由文本隐私风险的情境依赖与累积特性，并通过公众参与设计隐私风险管理工具原型，提出结合规则精度与语境理解的混合去标识化方法，以支持可信研究环境中的安全复用。
2025-06-01 cs.CR
Privacy-Preserving Product-Quantized Approximate Nearest Neighbor Search Framework for Large-scale Datasets via A Hybrid of Fully Homomorphic Encryption and Trusted Execution Environment
本文提出PPPQ-ANN框架，结合全同态加密和可信执行环境，优化大规模数据集的隐私保护近邻搜索，实现快速数据库生成和高吞吐量检索。
2026-04-20 cs.CR
Privacy Preserving Distance Computation using Somewhat-trusted Third Parties
大多数信号处理过程的一个至关重要的组成部分是计算信号之间的距离。在这些信号属于不同方的多方处理应用中，这引入了隐私挑战。信号本身可能是私有的，并且计算的各方可能不愿意暴露它们。在文献中提出的对该问题的解决方案通常调用同态加密方案、安全多方计算或其他密码方法，这些方法将显著的计算复杂性引入到过程中，通常到使得需要重复计算的更复杂的计算不可行的程度。其他解决方案会调用第三方，对他们的可信度做出不切实际的假设。在本文中，我们提出了一种替代方法，也基于第三方计算，但不假设太多的信任第三方。计算的各个参与者在与第三方共享数据之前，通过建议的具有共享密钥的安全散列方案来“保护”他们的数据。散列确保第三方无法从单个计算或其长期聚合模式的分析中恢复有关单个信号或其统计数据的任何信息。我们提供了这些属性的理论证明和计算的可行性的经验证明。
2016-09-23 cs.CR
Privacy and Integrity Preserving Training Using Trusted Hardware
University of Southern California（南加州大学）
随着机器学习进入不同的应用领域，隐私和安全相关的问题越来越多。数据持有者希望使用私有数据进行训练，同时利用托管在云中的GPU等加速器。然而，云系统容易受到攻击者的攻击，这些攻击者会损害数据的隐私性和计算的完整性。这项工作介绍了DarKnight，这是一个大型DNN训练框架，同时保护输入隐私和计算完整性。DarKnight依赖于可信执行环境（TEE）和加速器之间的合作执行，其中TEE提供隐私和完整性验证，而加速器执行计算繁重的线性代数运算。
2021-05-01 cs.AR cs.CR cs.LG
The Trusted Server: A secure computational environment for privacy compliant evaluations on plain personal data
不断增长的法律和道德要求框架限制了对个人数据的科学和商业评估。通常，匿名化、加密或分布式计算方法试图保护个人隐私。然而，计算基础设施仍然依赖于人类系统管理员。这引入了严重的安全风险，并对隐私产生了强烈的影响：系统管理员可以无限制地访问他们管理的计算机，包括加密密钥和加密表。分布式计算和数据混淆技术降低了但并没有消除管理员泄露隐私的风险。它们产生更高的实施工作量和可能的数据质量下降。本文提出了可信服务器作为一种替代方法，提供了一个密封的和不可访问的计算环境，在严格意义上的加密。在操作期间或通过直接物理访问存储介质，在可信服务器内存储和处理的数据绝不能被读取，操纵或泄露，除非通过暴力。因此，即使来自多个希望其数据相互保密的来源，也可以对普通的个人相关数据进行安全且符合隐私的数据处理或评估。
2018-07-27 cs.CR cs.CY
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
An Algorithmic Framework For Differentially Private Data Analysis on Trusted Processors
差分隐私已经成为隐私数据分析和机器学习的主要定义。差分隐私的{ \em global}模型假定用户信任数据收集器，可提供强大的隐私保证，并在输出中引入小错误。相比之下，Apple、Google和Microsoft在商业系统中的差分隐私应用程序使用{ \em本地模型}。在这里，用户不信任数据收集器，因此在将其数据发送到数据收集器之前对其数据进行随机化。不幸的是，局部模型对于一些重要的应用来说过于强大，因此其适用性受到限制。在这项工作中，我们提出了一个框架的基础上可信的处理器和一个新的定义称为{ \em不经意差分隐私}，它结合了最好的本地和全局模型的差分隐私。我们在这个框架中设计的算法表现出有趣的相互作用的想法，从流算法，不经意的算法，和差分隐私。
2019-10-26 cs.CR cs.DS
Efficient Privacy-Preserving Machine Learning with Lightweight Trusted Hardware
本文提出由小型专用安全处理器辅助的安全机器学习推理平台，通过面向轻量级可信硬件设计协议，在诚实多数假设下显著提升分布式 PPML 的速度与通信效率，并支持大型神经网络。
2024-06-17 cs.CR
Efficient Federated Learning with Enhanced Privacy via Lottery Ticket Pruning in Edge Computing
Tsinghua University（清华大学）；JD Explore Academy（京东探索研究院）；Hong Kong Polytechnic University（香港理工大学）；Nanjing University of Science and Technology（南京理工大学）；Shenzhen Wisdom and Strategy Technology Co., Ltd.（深圳智略科技有限公司）
针对联邦学习存在的通信、资源及隐私瓶颈，提出结合彩票假设剪枝与零集中差分隐私的Fed-LTP框架，通过服务器端双剪枝方案、客户端稀疏到稀疏训练及拉普拉斯机制验证，在多数据集上实现更优的效用-隐私权衡与资源效率。
2023-05-02 cs.CR cs.DC cs.LG
HyberLoc: Providing Physical Layer Location Privacy in Hybrid Sensor Networks
在许多混合无线传感器网络应用中，传感器节点被部署在可信节点和非可信节点共存的恶劣环境中。在基于锚点的混合网络中，重要的是允许可信节点完全访问信标帧中传输的位置信息，同时防止不可信节点使用此信息。主要的挑战是，不受信任的节点可以测量从锚节点发送的物理信号，即使这些节点加密其传输。使用测量的信号强度，不可信节点仍然可以对锚节点的位置进行三边测量。在本文中，我们提出了HyberLoc，一种算法，提供锚的物理层位置隐私的锚为基础的混合传感器网络。其思想是锚节点动态地改变其传输功率遵循一定的概率分布，降低在不可信节点的定位精度，同时保持在可信节点的高定位精度。给定平均功率约束，我们的分析表明，离散化指数分布是最大化不可信节点的位置不确定性的分布。通过分析、仿真和实施的详细评估表明，与不可信节点相比，HyberLoc可使可信节点的定位精度提高3.5倍。
2010-05-01 cs.CR cs.IT math.IT
DuetSGX: Differential Privacy with Secure Hardware
差分隐私为个人提供了正式的隐私保证，但许多差异隐私系统的部署需要可信的第三方（数据管理者）。我们提出DuetSGX，这是一个使用安全硬件（英特尔的SGX）的系统，可以消除对可信数据管理员的需求。数据所有者提交的加密数据只能在运行DuetSGX系统的安全区域内解密，确保敏感数据永远不会提供给数据管理者。分析师提交用Duet语言编写的查询，该语言专门用于验证程序是否满足差分隐私; DuetSGX使用Duet类型检查器在运行前验证每个查询是否满足差分隐私。因此，DuetSGX同时提供了本地差分隐私和中央差分隐私的好处：噪音只会添加到最终结果中，不存在可信的第三方。我们已经实现了DuetSGX的概念验证实现，并将其作为开源发布。
2020-10-20 cs.CR cs.DB
Self-Expiring Data Capsule using Trusted Execution Environment
毫无疑问，数据隐私具有极端重要性。然而，在保护数据隐私方面存在着各种艰巨的挑战。这些挑战源于这样一个事实，即数据所有者对他们的数据几乎没有控制权，一旦数据超出了他们的本地存储，并由第三方管理，这些第三方的可信度有时是值得怀疑的。我们的工作旨在通过构建一个自到期的数据胶囊来增强数据隐私。敏感数据被封装到与访问策略和过期条件相关联的封装中。前者表示可以访问数据的函数的资格，后者表示数据何时应该变得对任何人都不可访问，包括以前合格的函数。对数据胶囊的访问，以及一旦满足到期条件就将其拆除，都由一个独立且相互不信任的节点委员会管理。我们的工作的关键贡献是硬件原语，状态机复制和阈值秘密共享的自过期数据封装框架的设计集成。我们在一个名为TEEKAP的系统中实现了所提出的框架。我们的实证实验进行了一个现实的部署设置与跨越四个地理区域的访问控制委员会表明，TEEKAP可以处理访问请求的规模与次秒级的延迟。
2019-11-21 cs.CR
PPFL: Privacy-preserving Federated Learning with Trusted Execution Environments
Imperial College London（帝国理工学院）；Telefónica Research（西班牙电信研究院）
我们提出并实现了一个隐私保护的联邦学习（$PPFL$）框架的移动系统，以限制隐私泄漏的联邦学习。利用高端和移动设备中广泛存在的可信执行环境（TEE），我们在客户端上利用TEE进行本地训练，并在服务器上进行安全聚合，以便对对手隐藏模型/梯度更新。由于当前TEE的内存大小有限，我们利用贪婪逐层训练来训练可信区域内的每个模型的层，直到其收敛。我们的实现的性能评估表明，$PPFL$可以显着提高隐私，同时在客户端产生小的系统开销。特别地，$PPFL$可以成功地保护训练模型免受数据重构、属性推断和成员推断攻击。此外，与完整模型的标准联邦学习相比，它可以实现具有更少的通信轮数（0.54 $\times$）和类似的网络流量（1.002 $\times$）的可比模型效用。这是在$PPFL$的客户端中仅引入高达~15%的CPU时间、~18%的内存使用和~21%的能耗开销的情况下实现的。
2021-06-28 cs.CR cs.DC cs.LG
3LegRace: Privacy-Preserving DNN Training over TEEs and GPUs
利用并行硬件（例如GPU）进行深度神经网络（DNN）训练带来了高计算性能。然而，它引起了数据隐私问题，因为GPU缺乏一个可信的环境来保护数据。可信执行环境（TEE）已经成为实现隐私保护学习的一个有前途的解决方案。不幸的是，TEE有限的计算能力使它们在性能上无法与GPU相提并论。为了改善隐私，计算性能和模型准确性之间的权衡，我们提出了一个\emph{asymmetric}模型分解框架，\AsymML{}，（1）使用并行硬件加速训练;（2）使用TEE和差分隐私（DP）实现强大的隐私保证，与DP相比，精度损失要小得多。通过利用训练数据中的低秩特征和中间特征，\AsymML{}将输入和中间激活不对称地分解为低秩和残差部分。利用分解的数据，目标DNN模型相应地被分成\emph{trusted}和\emph{untrusted}部分。可信部分在低等级数据上执行计算，具有低计算和存储成本。不可信部分被馈送以由非常小的噪声扰动的残差。通过将可信和不可信部分分别委托给TEE和GPU，可以很好地管理隐私、计算性能和模型准确性。我们提供了一个正式的DP保证，证明，对于相同的隐私保证，结合非对称数据分解和DP需要更小的噪声相比，单独使用DP没有分解。与仅使用DP方法而不分解相比，这显著改善了隐私效用权衡。此外，我们提出了一个秩界分析表明，在整个模型的每一层后，低秩结构被保留。
2022-06-17 cs.CR cs.DC
DarKnight: An Accelerated Framework for Privacy and Integrity Preserving Deep Learning Using Trusted Hardware
University of Southern California（南加州大学）
随着机器学习进入不同的应用领域，隐私和安全相关的问题越来越多。数据持有者希望利用私有数据进行训练或推断，同时利用托管在云中的加速器（如GPU）。云系统容易受到攻击者的攻击，这些攻击者会损害数据的隐私性和计算的完整性。要应对这样的挑战，需要将理论上的隐私算法与硬件安全功能统一起来。DarKnight是一个大型DNN训练框架，同时保护输入隐私和计算完整性。DarKnight依赖于可信执行环境（TEE）和加速器之间的协作执行，其中TEE提供隐私和完整性验证，而加速器执行大部分线性代数计算以优化性能。特别是，DarKnight使用基于矩阵掩码的自定义数据编码策略在TEE中创建输入混淆。然后将混淆的数据卸载到GPU以进行快速线性代数计算。DarKnight的数据混淆策略在云服务器中提供可证明的数据隐私和计算完整性。虽然以前的作品解决了推理隐私，不能用于训练，但DarKnight的编码方案旨在支持训练和推理。
2022-06-30 cs.AR cs.CR cs.LG
Towards 5G Zero Trusted Air Interface Architecture
5G注定要支持工业物联网（IIoT）的大规模部署，具有超高密度和低延迟的特点。5G采用更智能的架构，无线电接入网络（RAN）不再受基站邻近度或专有基础设施的限制。第三代合作伙伴计划（3GPP）涵盖包括RAN、核心传输网络和服务能力的电信技术。开放RAN联盟（O-RAN）旨在定义实施和部署架构，重点关注开源接口和功能单元，以进一步降低成本和复杂性。基于O-RAN的5G网络可以使用来自不同硬件和软件供应商的组件，从而促进供应商的多样性、可扩展性和5G供应链弹性。3GPP和O-RAN 5G都必须管理部署带来的安全和隐私挑战。许多现有的研究已经解决了每个系统中的威胁和漏洞。5G在遵守隐私法规和要求方面也面临着巨大的挑战，这些法规和要求要求保护用户的可识别信息。在本文中，我们研究了3GPP和O-RAN 5G安全和隐私设计以及已识别的威胁和漏洞。我们还讨论了如何扩展零信任模型，以提供对5G空中接口和网络组件的高级保护。
2022-11-07 cs.CR
Randpay: The Technology for Blockchain Micropayments and Transactions Which Require Recipient's Consent
Randpay是Emercoin开发的一种用于区块链微支付的技术，在某些情况下比闪电网络更有效。该协议基于Ronald L. Rivest和发表在论文“电子彩票作为微支付”（1997年）。“彩票”是为集中式系统设计的，在这种系统中，需要可信的第三方提供支付，在某些情况下，第三方也是彩票服务商。现有的区块链协议不能适应点对点的“彩票”小额支付，至少不需要创建支付渠道，这在论文中进行了分析。因此，实施需要开发区块链核心的更新。结果，RandpayUTXO被引入-无限spanding零输出，需要在区块链中发布收款人的签名。Randpay被认为是第一个要求收款人通过他们的私钥签署交易的区块链协议。这是一个重要的功能，不仅可以改善微交易，还可以扩展区块链在法律契约中的使用，这些法律契约需要收款人的同意才能在法律应用中得到认可。本研究的第二个重要创新是实现了Blum的“电话掷硬币”问题，设计了一种不需要任何第三方为抽奖提供便利的“彩票”。本文提供了一个API描述，数学模型的分析，并证明了“彩票”如何有益。还有攻击分析和现有解决方案的概述。
2020-04-24 cs.CR
The Circle Game: Scalable Private Membership Test Using Trusted Hardware
恶意软件检查正在从本地服务转变为云辅助服务，其中用户的设备查询托管恶意软件签名字典的云服务器，以检查特定应用程序是否可能是恶意软件。虽然这种架构获得了基于云的服务的所有好处，但它带来了主要的隐私问题，因为云服务可以基于用户设备查询的应用程序列表来推断用户的个人特征。私人会员测试（PMT）计划可以消除这种隐私问题。然而，已知的PMT方案不能很好地扩展到大量的同时用户和高查询到达率。我们提出了一个简单的PMT方法使用旋转木马：通过云服务器上的可信硬件循环整个字典。用户通过安全信道与可信硬件通信。我们展示了如何轮播的方法，使用不同的数据结构来表示字典，可以实现两个不同的商业硬件安全架构（ARM TrustZone和英特尔SGX）。我们强调微妙的方面，安全地实现看似简单的PMT计划在这些架构。通过广泛的实验分析，我们表明，对于恶意软件检查的情况下，我们的轮播方法令人惊讶地优于路径ORAM在相同的硬件支持更高的查询到达率，同时保证可接受的响应延迟为个人查询。
2017-02-17 cs.CR
Elephants Do Not Forget: Differential Privacy with State Continuity for Privacy Budget
针对现有差分隐私系统无法维护隐私预算状态连续性易遭攻击的问题，提出基于TEE和状态连续性模块的ElephantDP系统，可在不可信环境下提供可信级DP保障，开销为基线的1.1-3.2倍。
2024-08-14 cs.CR
EnclaveTree: Privacy-preserving Data Stream Training and Inference Using TEE
数据流上的分类服务正在成为云提供商的重要产品，但由于隐私问题，用户在提供敏感数据时可能会遇到障碍。虽然可信执行环境（TEE）是保护私有数据的有前途的解决方案，但它们仍然容易受到由数据相关访问模式引起的侧信道攻击的攻击。我们提出了一个隐私保护的数据流训练和推理方案，称为EnclaveTree，它为用户的数据和目标模型提供了保密性，以防止受到损害的云服务提供商。我们设计了一个基于矩阵的训练和推理过程来训练Hoeffding Tree（HT）模型，并在可信区域内对训练好的模型进行推理，从而有效地防止了基于访问模式的攻击。性能评估表明，EnclaveTree对于处理具有少量或中等特征的数据流是实用的。当二进制特征少于63个时，EnclaveTree在训练和推理上分别比naïve oblivious solution快${\thicksim}10{\times}$和${\thicksim}9{\times}$。
2022-03-02 cs.CR
Privacy-Preserving Electricity Theft Detection based on Blockchain
在大多数的盗电检测方案中，用户的用电数据直接输入检测中心。虽然它在检测消费者的盗窃行为中是有效的，但除非假设检测中心是可信的，否则所有消费者的隐私都处于危险之中。事实上，这是不切实际的。此外，现有的方案可能会导致一些安全问题，如可信第三方的存在导致的共谋攻击，以及系统运营商（SO）受到攻击导致的恶意数据篡改。针对上述问题，提出了一种基于区块链的无第三方隐私保护的盗电检测方案。具体而言，该方案使用改进的功能加密方案，在保护消费者隐私的同时实现电力盗窃检测和负载监控;使用区块链分布式存储消费者数据，以解决数据篡改等安全问题。同时，我们构建了一个长短期记忆网络（LSTM）模型，以实现更高的准确性，用于电力盗窃检测。在实际环境中对该方案进行了评估，结果表明，在可接受的通信和计算开销内，该方案在电力盗窃检测中具有更高的准确性。系统分析表明，该方案能够抵抗各种安全攻击，保护用户隐私。
2023-02-25 cs.CR
An Approach to Remove Key Escrow Problem in ID-Based Encryption From Pairing
本文提出一种民主的基于身份加密模型，通过将用户部分密钥分别托管于PKG和PKPO两个实体，在保障政府监控非法消息能力的同时保护用户合法消息隐私，从而解决密钥托管问题。
2023-05-06 cs.CR
Der Trusted Connector im Industrial Data Space
数字化影响所有工业领域，并导致各种商业模式的破坏。特别是在物流和制造等领域，互连设备和跨企业的传感器数据近实时交换可以加快流程，降低成本并响应客户需求。然而，工业物联网（IIoT）的出现也对传感器创建并由不同管理域中托管的服务处理的敏感和个人数据的安全性和隐私性提出了挑战。工业数据空间计划解决了这些挑战，并提出了一个名为“可信连接器”的安全边缘网关平台。在本报告中，我们介绍了可信连接器的主要安全构建块，并指出它们如何帮助保护业务关键型数据和保护用户隐私。
2018-04-25 cs.CR cs.DC
DarkneTZ: Towards Model Privacy at the Edge using Trusted Execution Environments
Imperial College London（伦敦帝国学院）；Queen Mary University of London（伦敦玛丽女王大学）；Telefónica Research（西班牙电信研究院）；Samsung AI（三星人工智能中心）
我们提出了DarkneTZ，这是一个框架，它使用边缘设备的可信执行环境（TEE）结合模型分区来限制针对深度神经网络（DNN）的攻击面。越来越多的边缘设备（智能手机和消费者物联网设备）配备了用于各种应用的预训练DNN。这种趋势伴随着隐私风险，因为模型可能会通过有效的成员推断攻击（MIA）泄露有关其训练数据的信息。我们使用两个小型和六个大型图像分类模型评估DarkneTZ的性能，包括CPU执行时间、内存使用和精确功耗。由于边缘设备的TEE的内存有限，我们将模型层划分为更敏感的层（将在设备TEE内执行）和一组将在操作系统的不受信任部分中执行的层。我们的研究结果表明，即使一个单一的层是隐藏的，我们可以提供可靠的模型隐私和防御最先进的MIA，只有3%的性能开销。当充分利用TEE时，DarkneTZ提供了高达10%开销的模型保护。
2020-04-12 cs.CR cs.LG stat.ML
A New Trusted and Collaborative Agent Based Approach for Ensuring Cloud Security
为了在云计算环境中确保隐私和安全性，确定用户的信任是一个日益增长的问题。在云中，用户的数据存储在一个或多个远程服务器上，这对系统提出了更多的安全挑战。其中一个最重要的问题是保护用户的敏感信息免受其他用户和黑客的攻击，这可能会导致云存储中的数据泄漏。考虑到这一安全挑战，本文着重于开发一个更安全的云环境，通过使用一种新的VM（虚拟机）监控系统来确定服务请求机构的信任。此外，本研究旨在提出一个新的可信和协作的基于代理的两层框架，名为WAY（你是谁？），保护云资源。该框架可用于在异构云平台中提供网络、基础设施以及数据存储的安全性。如果信任更新策略是基于网络活动的，那么该框架可以提供网络安全。同样，它通过监控云服务用户（CSU）的未经授权的访问活动来提供存储安全性。可以通过监视隔离的VM内的特权指令的使用来提供基础设施安全性。所提出的安全解决方案的独特之处在于，它确保了云环境中服务提供商级别和用户级别的安全性和隐私性。
2011-08-20 cs.CR
An Approach to Identity Management in Clouds without Trusted Third Parties
敏感数据的管理，包括身份管理（IDM），是云计算中的一个重要问题，是身份认证和细粒度服务访问控制的基础。我们的目标是创建一个高效、健壮的IDM解决方案，以解决云计算中的关键问题。所提出的IDM方案不依赖于可信第三方（TTP）或可信经销商。该方案是一个多方交互的解决方案，结合RSA分布式密钥生成和基于属性的加密。我们相信它将是云计算中一个健壮的IDM隐私保护解决方案，因为它具有以下特性：（i）使用主动捆绑包保护不可信主机上的敏感数据;（ii）支持最小披露属性;（iii）通过提供单点登录来最小化认证开销;（iv）支持使用加密凭证进行认证;（v）避免使用可信第三方（TTP_，包括使用TTP进行密钥管理;（vi）支持访问权的撤销和委托;以及（vii）支持用户凭证的撤销。该方案也应该是高效的，因为它利用了并行性。
2019-03-28 cs.CR
Decentralized Trusted Timestamping using the Crypto Currency Bitcoin
可信时间戳是一个证明某些信息在给定时间点存在的过程。本文提出了一个可信的时间戳的概念，并以基于Web的服务的形式实现，该服务使用去中心化的比特币区块链来存储数字内容的匿名、防篡改的时间戳。该服务允许用户对文本、照片或视频等文件进行散列，并将创建的散列存储在比特币区块链中。然后，用户可以检索并验证已提交给区块链的时间戳。非商业服务使任何人，例如，研究人员、作家、记者、学生或艺术家，以证明他们在特定时间点拥有某些信息。常见的用例包括证明合同已经签署，拍摄照片，录制视频或在某个日期之前完成任务。所有程序都保持用户数据的完全隐私。
2015-02-13 cs.CR
Privacy Enhanced QKD Networks: Zero Trust Relay Architecture based on Homomorphic Encryption
TECNALIA, Basque Research and Technology Alliance (BRTA)（巴斯克研究与技术联盟）；University of the Basque Country (UPV/EHU)（巴斯克大学）
本文提出基于同态加密的零信任中继架构，用于增强量子密钥分发网络的隐私保护和安全性，通过加密技术减少对受信任中继节点的依赖。
2025-03-21 cs.CR
On Securing Cloud-hosted Cyber-physical Systems Using Trusted Execution Environments
最近，云控制系统作为实现网络化网络物理系统（CPS）的解决方案越来越受到研究界的关注。这样的架构可以降低部署和维护成本，尽管代价是额外的安全和隐私问题。在本文中，首先，我们讨论了云控制系统的最新安全解决方案及其局限性。然后，我们提出了一种新的控制体系结构的基础上可信执行环境（TEE）。我们表明，这种方法可以潜在地解决云托管控制系统的主要安全和隐私问题。最后，我们提出了一个基于英特尔软件防护扩展（SGX）的实施设置，并在测试平台系统上验证了其有效性。
2021-04-01 cs.CR cs.SY eess.SY
Practical Privacy-Preserving Identity Verification using Third-Party Cloud Services and FHE (Role of Data Encoding in Circuit Depth Management)
本文提出一种基于BFV全同态加密的实用隐私保护身份验证协议，通过仅用两个密文的用户数据编码方案，将多种身份验证查询外包给第三方云，同时显著降低可信实体的计算负载。
2024-09-27 cs.CR
TRUCE: TRUsted Compliance Enforcement Service for Secure Health Data Exchange
University of Maryland, Baltimore County（马里兰大学巴尔的摩县分校）
TRUCE框架通过自动化合规流程和增强可信数据管理，旨在安全高效地处理健康数据交换中的合规问题。
2025-12-09 cs.CR
HySec-Flow: Privacy-Preserving Genomic Computing with SGX-based Big-Data Analytics Framework
可信执行环境（TEE）（如英特尔的软件防护扩展（SGX））已被广泛研究，以提高敏感数据（如人类基因组学）计算的安全性和隐私保护。然而，SGX通常会产生性能障碍，特别是来自小型安全区内存的性能障碍。在本文中，我们提出了一种新的混合安全流框架（称为“HySec-Flow”），用于使用SGX平台进行大规模基因组数据分析。在这里，数据密集型计算任务可以被划分为独立的子任务，以部署到不同的安全和非安全容器中，因此允许并行执行，同时减轻每个飞地中页面缓存（EPC）内存的有限大小。我们使用支持索引、对齐、分派和合并启用SGX的容器的执行的工作流来说明我们的贡献。我们提供了有关可信和不可信组件的架构以及底层Scorn和Graphene支持的详细信息，作为通用屏蔽执行框架来移植遗留代码。我们彻底评估我们的隐私保护读取映射算法使用真实的人类基因组测序数据的性能。结果表明，通过将耗时的基因组计算划分为子任务，与传统的在飞地中执行数据密集型读取映射算法相比，性能得到了增强。所提出的HySec-Flow框架作为开源提供，并适用于需要安全性和可扩展计算资源的其他大规模基因组任务的数据并行计算。
2021-07-26 cs.CR
PriME-Deal: Privacy-Preserving Bilateral Data Trading with Efficient Matchmaking and Auditable Fair Exchange on Blockchain
Tianjin University（天津大学）；East China Normal University（华东师范大学）；Hainan University（海南大学）；Southern Cross University（南十字星大学）；City University of Hong Kong（香港城市大学）
提出PriME-Deal协议，通过不经意键值存储和零知识证明实现策略隐藏的双边匹配、阈值访问控制，并利用抵押链上揭示与密码学审计实现无需可信第三方的公平交换，显著降低卖家发布成本。
2026-06-11 cs.CR
Cryptanalysis of two mutual authentication protocols for low-cost RFID
射频识别（RFID）技术是一种新兴的自动识别技术，在电子护照、供应链管理、票务等领域有着广泛的应用。然而，研究人员发现RFID技术存在许多安全和隐私问题。近年来，RFID认证协议及其安全缺陷引起了众多研究者的兴趣。本文从多个安全角度分析了Fu等人和Li等人提出的两个最新的RFID认证协议。我们提出了不同的攻击，如反加密攻击和隐私分析这些协议。
2011-02-04 cs.CR
A Tale of Two Trees: One Writes, and Other Reads. Optimized Oblivious Accesses to Large-Scale Blockchains
比特币网络提供了一种在不安全的网络上安全地执行金融交易的新方法。然而，这种能力伴随着存储大型（分布式）账本的成本，这已经不适合任何类型的个人设备。虽然简化的支付验证（SPV）客户端可以解决这个存储问题，但比特币SPV客户端必须依赖其他比特币节点来获取其交易历史，并且目前的方法没有为SPV客户端提供隐私保证。本文提出了$T^3$，一个可信的硬件安全的比特币完整的客户端，支持高效的不经意的搜索/更新比特币SPV客户端，而不牺牲客户端的隐私。在这种设计中，我们利用可信执行环境（TEE）的可信执行和认证功能，以及隐藏不经意随机存取存储器（ORAM）的访问模式的能力，以保护SPV客户端的请求免受潜在的恶意服务器的攻击。$T^3$的主要新颖之处在于对传统ORAM进行了优化，并针对预期的SPV客户端用途进行了调整。特别是，通过对SPV客户端的访问模式进行自然假设，我们能够提出一个两树的ORAM结构，克服了与传统的ORAM的并发限制。我们已经使用当前的比特币未使用交易输出数据库实现并测试了我们的系统。实验结果表明，该系统在实际应用中是可行的，同时为Bitcoin SPV客户端提供了强有力的隐私和安全保障。
2019-09-16 cs.CR
Practical Secure Aggregation by Combining Cryptography and Trusted Execution Environments
本文针对纯密码学安全聚合计算开销大的问题，提出多种结合密码学与可信执行环境的混合安全聚合架构，并分析其安全性与性能的权衡。
2025-04-11 cs.CR
FORT: Right-proving and Attribute-blinding Self-sovereign Authentication
如今，在线提供和支付的服务过多，如视频流媒体付费会员数、汽车或停车场共享、购买活动门票等。在线服务通常在注册到其平台后发布与其用户的身份直接相关的令牌，并且用户每次愿意使用该服务时都需要使用相同的凭证进行身份验证。同样，当使用亲自服务时，如去听音乐会，在支付此服务后，用户通常会获得一张票，证明他/她有权使用该服务。在这两种情况下，主要的问题是系统的集中化，并且它们不能确保客户的隐私。所涉及的服务提供商是受信任的第三方，即提供服务和处理用户私人数据的机构。在本文中，我们设计并实现了FORT，这是一个分散的系统，允许客户证明他们有权使用特定的服务（无论是在线还是亲自），而不会泄露敏感信息。为了实现去中心化，我们提出了一个解决方案，所有数据都由区块链处理。我们使用不可替代令牌（NFT）来描述和唯一标识用户的权限，并使用零知识证明（允许我们保证客户隐私的加密原语）来证明对这些权限的拥有。此外，我们提供了FORT的基准测试，表明我们的协议足够高效，可以用于计算资源较低的设备，如智能手机或智能手表，这是我们用例场景中常用的设备。
2022-02-18 cs.CR
Effective Ways of Secure, Private and Trusted Cloud Computing
云计算是基于互联网的计算，其中按需向计算机和设备提供共享资源、软件和信息。它为人们提供了共享属于不同组织的分布式资源和服务的途径。由于云计算使用的是开放环境下的分布式资源，因此为云计算应用的开发提供数据共享的安全性和可信性显得尤为重要。在本文中，我们评估了当第三方在位于不同国家的远程机器上处理敏感数据时，云提供商如何赢得客户的信任并提供安全性，隐私性和可靠性？已经提出了实用云的概念，以向用户提供各种服务。新兴技术可以帮助解决云计算中的安全、隐私和信任挑战。
2011-11-14 cs.CR cs.DC
BRR: Preserving Privacy of Text Data Efficiently on Device
随着连接到互联网的个人设备用于诸如搜索和购物等任务的使用变得无处不在，确保此类服务的用户的隐私已经成为建立和维持客户信任的要求。虽然存在文本私有化方法，但是它们需要存在可信方，该可信方在应用私有化方法之前收集用户数据以保护用户的隐私。在这项工作中，我们提出了一个有效的机制，提供度量差分隐私的文本数据在设备上。通过我们的解决方案，敏感数据永远不会离开设备，服务提供商只能访问私有化数据，以训练模型并进行分析。我们将我们的算法与最先进的文本私有化进行比较，对于相同的隐私保证，显示出类似或更好的实用性，同时降低了数量级的存储成本，实现了设备上的文本私有化。
2021-07-16 cs.CR
PAN-DOMAIN: Privacy-preserving Sharing and Auditing of Infection Identifier Matching
COVID-19的传播凸显了对强大的接触者追踪基础设施的需求，使受感染者能够追踪其接触者，并进行后续检测。接触者追踪基础设施中涉及的关键实体可能包括公民、检测中心（TC）、卫生当局（HA）和政府当局（GA）。通常情况下，这些不同的域需要相互通信的个人。一般的做法是，市民向医管局及测试中心披露其个人身份资料，如果测试结果呈阳性，测试中心便会利用有关资料向医管局发出警报。除此之外，还可能存在其他可信实体，这些实体具有与公民相关的其他关键数据元素。然而，现有的方法包括在隐私和安全方面的严重缺陷。此外，上述方法并不透明，并且经常被质疑实施的有效性。为了克服这些挑战，本文概述了泛域基础设施，允许公民标识符之间的TA，HA和GA匹配。PAN-DOMAIN确保公民可以使用可信转换器控制可信实体之间的映射，并可以访问审计日志。
2021-12-06 cs.CR cs.CY
Synergia: Hardening High-Assurance Security Systems with Confidential and Trusted Computing
高保证安全系统需要与不受信任的世界紧密隔离，以保护它们处理的安全敏感或隐私敏感数据。现有法规强制要求此类系统必须在可信赖的操作系统（OS）中执行，以确保它们不与可能对其可用性或安全性产生负面影响的不可信软件搭配。然而，现有的技术来证明操作系统的完整性下降，由于布谷鸟攻击。在本文中，我们首先提出了一种新的防御机制，对布谷鸟攻击，我们正式证明了它，然后，我们实现了它的一部分，完整性监测和执法框架，证明可信的操作系统从3.7倍到8.5倍的速度比现有的完整性监测系统。我们证明了它的实用性，通过保护现实世界的电子健康应用程序的执行，执行微观和宏观基准，并评估安全风险。
2022-05-12 cs.CR
LATTEO: A Framework to Support Learning Asynchronously Tempered with Trusted Execution and Obfuscation
Saint Louis University（圣路易斯大学）；New Mexico State University（新墨西哥州立大学）；Intel Labs（英特尔实验室）
针对异步联邦学习中的梯度泄漏隐私风险，提出结合梯度混淆与可信执行环境的LATTEO框架，并设计基于多授权方属性基加密的数据中心远程证明机制，显著降低数据重建相似性并提升证明效率。
2025-02-07 cs.CR cs.LG
Oblivious Location-Based Service Query
隐私保护的位置服务（LBS）已经被提出来保护用户的位置隐私。然而，现有方案仍存在一些问题：（1）需要半可信第三方（TTP）;（2）生成查询的计算代价和通信代价与查询区域的大小成线性关系。为了提高查询效率，提出了一种不经意的基于位置的服务查询（OLBSQ）方案。我们的方案具有以下特点：（1）不需要半可信的TTP;（2）用户可以从服务提供商查询服务，而无需透露她的确切位置;（3）服务提供商只能知道用户查询的大小;（4）生成查询的计算成本和通信成本都是恒定的，而不是查询区域的大小线性。形式化了OLBSQ方案的定义和安全模型。我们的计划的安全性降低到众所周知的复杂性假设。新颖之处在于减少了进行查询的计算成本和通信成本，并使服务提供者能够为查询的服务删除和增量地生成解密密钥。这有助于规范隐私保护LBS方案和提高查询效率的工作。
2019-07-05 cs.CR
Third Party Privacy Preserving Protocol for Perturbation Based Classification of Vertically Fragmented Data Bases
隐私是分布式数据采掘中的主要问题。在文献中我们可以发现许多隐私保护的建议，这些建议可以分为两大类，即可信第三方和基于多方的隐私协议。在可信第三方模型的情况下，将使用传统的基于非对称密码的技术，并且在基于多方的协议的情况下，数据被扰动以确保没有其他方理解原始数据。为了结合两种模型的优点来增强安全特性，本文提出在第三方隐私保护协议中使用数据扰动技术对垂直碎片数据库进行分类。特别地，我们提出了一种方法来建立朴素贝叶斯分类伪装和分散的数据库。为了进行分类，我们提出了第三方协议的安全计算。我们进行实验，以比较我们的朴素贝叶斯的准确性与从原始的未伪装的数据。我们的结果表明，虽然数据是伪装和分散的，我们的方法仍然可以达到相当高的准确性。
2013-04-24 cs.CR cs.DB
T-Edge: Trusted Heterogeneous Edge Computing
本文提出T-Edge，一种基于ARM TrustZone的ARM/FPGA异构边缘计算可信执行环境设计，通过专用安全控制器管理FPGA重配置与通信，并利用ProVerif验证安全性，在Xilinx MPSoC上实现原型验证其可行性。
2024-12-18 cs.CR
SpliTEE: Fast and Private LLM Inference by Coupling GPU-Assisted Trusted Execution Environments with Differential Privacy
Macquarie University（麦考瑞大学）
SpliTEE通过差分隐私保护中间表示，将LLM推理分割到TEE和GPU，实现比CPU推理快近两倍且比加密方案更快的安全加速。
2026-10-07 cs.AI cs.CR cs.LG
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
Local Differential Privacy and Its Applications: A Comprehensive Survey
随着信息技术的快速发展，产生了大量的数据，并收集用于研究和分析目的。随着越来越多的用户越来越关注他们的个人信息，隐私保护已经成为一个迫切需要解决的问题，并引起了极大的关注。局部差分隐私（LDP）作为一种强隐私保护工具，近年来在现实世界中得到了广泛的应用。它打破了可信第三方的束缚，允许用户在本地扰动他们的数据，从而提供更强大的隐私保护。该调查提供了本地差分隐私技术的全面和结构化概述。我们总结和分析了LDP中最先进的研究，并在回答各种查询和训练不同机器学习模型的背景下比较了一系列方法。我们讨论了本地差分隐私的实际部署，并探讨其在各个领域的应用。此外，我们指出了一些研究的差距，并讨论了有前途的未来研究方向。
2020-08-09 cs.CR
