本文提出并实现了一个名为 Redakto 的开源工具，旨在解决大型语言模型（LLM）使用过程中的隐私保护问题，特别是针对欧盟新法规下个人可识别信息（PII）泄露的风险。随着 LLM 在各类应用中的普及，输入文本可能包含敏感信息，直接提供给模型会带来隐私合规挑战。Redakto 提供文本匿名化功能，支持 PII 的遮蔽（redaction）和假名化（pseudonymization），在文本进入 LLM 或下游处理之前完成脱敏。该系统通过多种方式暴露功能：面向终端用户的 Web 应用程序、面向开发者与研究人员提供的 REST API 以及模型上下文协议（MCP）钩子，便于集成到现有工作流中。实现完全开源，对计算资源要求不高，可轻松部署在本地硬件上。与以往工作不同，作者在法律和医疗领域文本上进行了广泛的实证评估，同时考察了隐私保护效果和脱敏文本的实用性（utility）。实验结果表明，使用不同脱敏策略处理的文本在实用性能上与原始文本相当，表明 Redakto 的匿名化处理不会对下游 LLM 任务造成显著的负面影响。该工作为隐私敏感的 LLM 应用场景提供了一种实用的防护工具，有助于推动研究向实际应用转化。适合 AI 安全、隐私工程、法律科技和医疗信息处理等领域的从业者与研究者阅读。

该论文研究了德国法院判决中使用的匿名化技术的有效性。法院判决的公开至关重要，但必须保护涉案人员的隐私。论文作者通过设计去匿名化实验，对大量已公开的德国法院判决进行评估，尝试重新识别被匿名的个人。实验采用多种去匿名化方法，包括基于上下文的推理、外部数据关联和模式分析。结果表明，当前许多法院使用的匿名化方法存在严重缺陷，相当比例的判决可以在不消耗过多计算资源的情况下成功去匿名化。论文进一步分析了失败原因，如过度依赖简单替换、未充分删除可关联信息等。主要贡献包括：首次系统评估德国司法系统中的实际匿名化实践，揭示了匿名化技术的脆弱性，并提出了改进匿名化流程的具体建议。研究对司法数据公开政策、数据保护合规及隐私增强技术具有重要参考价值。

该论文研究在污水监测数据中保护个体身份隐私的问题。污水监测广泛应用于公共卫生领域，如检测药物滥用或传染病爆发，但原始数据可能包含可追溯至个人的敏感信息（例如特定社区的用药模式）。作者提出结合统计隐私技术和差分隐私（Differential Privacy）的方法，对污水数据进行匿名化处理，确保在发布聚合统计信息时，无法反推出单个个体的贡献。具体方法可能包括对数据添加可控噪声或使用k-匿名等统计去标识化技术，并在隐私预算（ε）的约束下进行优化。实验部分通过真实或合成的污水数据集验证了所提方法在隐私保护强度与数据效用之间的平衡。结果表明，该方法能够显著降低重识别风险，同时保留用于流行病学分析的关键趋势。该工作为公共卫生数据共享提供了实用的隐私保障框架。

本文对比特币网络中的第二代匿名协议（CoinJoin、CoinSwap、CoinShuffle、隐形地址）的采用情况进行了纵向测量研究。研究者通过实现并优化一套启发式过滤器，识别出超过594万笔CoinJoin交易和2330万笔CoinSwap交易，并意外发现CoinShuffle的使用与Wasabi钱包运营时间高度吻合。分析表明，这些协议的整体采用率极低，仅占网络交易的不到1%，且在关键监管事件后，可检测的使用量急剧下降。此外，未发现标准化隐形地址的采用，表明社区未能就通用隐私标准达成一致。该研究揭示了这些可链上观察的隐私协议的实际使用情况远低于预期，暗示追求隐私的用户已逐渐转向更隐蔽、更不易检测的方法（例如基于闪电网络或混币服务的更复杂技术）。对于蓝队和安全分析师而言，该研究提供了隐私协议采用趋势的重要基线，并强调了仅依赖公开可检测的匿名化方法进行取证分析的局限性。

本文提出了一种将生产环境安全信息与事件管理（SIEM）数据转化为可复用网络安全工件的方法论。研究背景是：安全运营中心（SOC）的生产遥测数据是最真实的，但由于隐私和机密性限制，原始日志无法公开，导致安全研究长期依赖合成数据集或过时数据，缺乏现实性。作者来自金融行业SOC和学术机构，他们设计了一个流程：从生产金融SOC中提取SIEM数据，通过匿名化、结构化处理，并严格验证，在声明隐私边界的前提下保留任务相关的调查结构。核心方法包括保持时间顺序和实体一致性，以支持MITRE ATT&CK映射的挑战（HIKARI数据集中的37个挑战）。作者通过两个消费场景评估工件：作为训练材料时，匿名化必须精确保留时间顺序和实体一致性，否则训练效果显著下降；作为测量基座时，在200个SOCpilot事件中，确定性验证器检测到大型语言模型（LLM）的合规动作，而这些动作在人类基线中不存在，揭示了隐私-效用权衡。论文的主要贡献是给出了一个可度量的隐私-效用边界，而非形式化的匿名性声明。本文适合安全研究人员、SOC运营者以及数据隐私工程师阅读，提供了一个从原始生产数据到共享研究数据的可行转换范例。

随着具备网络搜索能力的智能体LLM（如AutoGPT、WebGPT）的普及，文本匿名化的威胁模型发生了根本性变化：即使是看似弱小的上下文线索（如时间、地点、角色名称等）也可能被攻击者通过跨网页交叉引用成功关联，从而重识别出个人身份。然而，这些细节往往又承载着文本下游分析所必要的语义价值。现有防御方案要么仅移除显式标识符，要么采用差分隐私等扰动手段破坏文本结构，抑或仅测试改写文本对非网络推理模型的鲁棒性，但均未深入探索在不牺牲效用的前提下抵抗智能体网络搜索重识别这一关键区域。为此，本文提出AURA（Anonymization with Utility-Retention Adaptation）框架，一种由LLM驱动的“掩码-重建”流水线。该框架将隐私定位与效用保留重建解耦：首先利用LLM识别并掩码需保护的敏感片段，再通过同一LLM进行感知上下文的文本重建以保留语义；同时引入对抗性隐私检查（模拟智能体重识别攻击）和效用保留检查（评估事实完整性与上下文连贯性），迭代选择最优候选输出。AURA在真实用户访谈转录数据上进行了评估：对抗方使用具备网络搜索能力的智能体进行重识别攻击，效用评估则涵盖受访者画像事实、编码本事实以及联合上下文效用网格。实验结果表明，AURA通过自适应隐私范围动态调整掩码粒度，显著提升了对智能体重识别的抵抗能力；在固定隐私范围内，其掩码-重建方法相较于单纯掩码或直接改写更有效地保留了上下文效用，从而在隐私-效用曲线上实现了更优的前沿。该研究主要面向隐私保护、LLM安全以及数据匿名化领域的研究者和工程师。

本文针对联邦学习中的隐私保护问题，提出了一套完整的隐私保护机器学习工作流，专注于敏感表格数据。首先，结合匿名化与差分隐私技术，在数据层面和模型训练层面提供隐私保障。其次，对客户端漂移（client drift）给出了正式定义，并设计了检测方法以减轻投毒攻击的影响。核心贡献在于提出了一种基于重识别风险度量的个性化全局差分隐私预算分配方法，允许为网络中不同客户端分配差异化的隐私预算。在公开的医疗记录数据集上的实验表明，与固定全局差分隐私预算的方案相比，所提出的个性化预算方法在两个误差指标上取得了更优的模型性能。该工作流涵盖了从数据预处理到模型聚合的全流程，为敏感数据场景下的联邦学习实践提供了系统性的隐私保护框架。