本文针对第三方检索增强生成（RAG）市场中的新型审计问题展开研究。具体而言，数据提供方将语料库授权给RAG运营方后，往往无法获知其文档是否被未经补偿地重用。由于运营方不合作、生成器会对答案进行改写、且单次回答可能融合多个提供方的证据，审计此类滥用十分困难。为此，作者提出DirBucket——一种提供方侧语义水印和黑盒审计框架，用于多提供方RAG场景下的文档级重用检测。DirBucket通过对文档进行保留语义的同义改写来嵌入水印，使文档嵌入向量朝提供方特定的桶秘密方向偏移，从而在不破坏检索效用的前提下，能够从黑盒回答中检测出文档是否被重用。在一个反映混合提供方重用与黑盒访问的挑战性基准上，DirBucket是唯一能在无任何非目标激活的情况下始终实现强目标检测的方法；在主基准的每次审计中，它平均仅需23条被审计回答即可发现不合规行为。该水印还能抵御针对回答的事后清洗攻击，且所评估的逃避策略均无法在保持用户感知答案质量的同时彻底击败检测。此外，检测能力无需调整即可迁移到基于真实临床、网络威胁情报及法律提供方语料库构建的第二个基准上。实验结果证明，嵌入空间水印可以使第三方RAG中的文档重用具备统计学上的可审计性。本文适合关注大模型安全、数据知识产权保护、RAG系统合规审计的研究人员与蓝队成员阅读，其贡献在于提供了一种不依赖运营方配合的、可实际部署的追踪机制。

本文针对分布式数据处理场景中因服务提供商组合而引发的隐私风险问题展开研究。具体而言，当多个合作的服务提供商共同处理个人数据时，即使每个提供商单独进行的数据保护影响评估（DPIA）均未发现风险，组合后的整体仍可能产生新的隐私风险。文章举例说明：不同数据处理者可能不知情地依赖同一家云服务提供商，导致该云服务商能够将来自不同来源的个人数据进行关联（linkability），从而产生非预期的隐私泄露。这类组合性风险超出了单个风险评估的范围，因此容易被传统DPIA流程遗漏。针对这一问题，作者首先进行了问题定义和需求分析，明确了组合风险识别所需的功能与约束。在此基础上，提出了一种新颖的协议，用于检测和管理此类组合性隐私风险。该协议能够识别潜在的组合风险候选者，并将相关信息整合到包含多个数据处理者的服务组合的数据保护影响评估结果中，从而提升评估的完备性和准确性。论文的主要贡献在于：首次系统性地定义了服务组合中的隐私组合风险问题，并给出了可操作的协议设计思路，为分布式隐私合规评估提供了理论和方法支撑。适合隐私保护研究人员、数据保护官（DPO）、云服务合规工程师以及隐私影响评估工具开发者阅读。由于当前仅基于论文摘要，具体协议细节和实验验证效果需进一步查阅原文。

该条目对应 WPES '22（第21届电子社会隐私研讨会），这是与ACM CCS（计算机与通信安全会议）同步举行的国际学术研讨会，聚焦于现代电子社会中的隐私保护问题。本届研讨会的程序委员会共同主席为Yuan Hong（伊利诺伊理工大学）和Lingyu Wang（康科迪亚大学）。研讨会旨在汇聚安全、隐私、法律与社会科学领域的学者，讨论日益数字化社会中的隐私挑战。根据研讨会历年主题，内容通常涵盖：匿名通信、差分隐私、数据挖掘中的隐私、位置隐私、社交网络隐私、物联网隐私、隐私政策与合规、隐私增强技术、去中心化身份、医疗数据隐私、机器学习中的隐私（如联邦学习、成员推理攻击）、隐私计量与用户行为研究等。由于仅提供标题与作者信息，缺乏具体论文摘要，无法详细描述每项研究的技术细节或实验结论。但作为顶级的隐私领域学术活动，WPES '22 代表了该年度隐私研究的前沿方向，适合隐私保护研究人员、数据合规人员、安全架构师以及关注隐私法规（如GDPR、CCPA）的技术决策者阅读，以了解隐私攻击与防御的最新进展。

这篇综述论文提出并系统梳理了“为善的对抗性攻击”（Adversarial Attacks for Good）这一新兴研究范式。其核心背景是：视觉内容一旦进入AI管线，所有者便很难再对内容被如何使用进行技术控制；虽然法律和监管手段可以应对滥用，但许多技术干预必须在内容发布或访问时就更早地实施。论文指出，五个研究方向虽然彼此独立发展，却都采用了同一思想——将长期用于攻击机器学习模型的扰动和结构化信号，反向应用于数据所有者、创作者、平台或审计方，以破坏未经授权的自动化处理或为后续问责提供支持。这五个方向覆盖了视觉资产生命周期的不同阶段：1）隐私过滤器，针对分享时的未经授权识别；2）不可学习示例，防止未经授权的模型训练利用；3）生成式安全防护，防止恶意的图像编辑或模仿；4）对抗性CAPTCHA，作为访问控制以阻止自动化代理；5）溯源机制，用于传播后的归属和追踪。论文指出，这些方法虽然在不同场合提出、成功标准各异，但都利用了人类感知、语义理解与机器推断之间持久存在的差距；随着视觉管线向多模态模型和自主代理演进，这一范式仍将具有现实意义。为了让不同工作的结论可比，论文从可迁移性、适应性和部署就绪度三个共同维度对五个方向的代表性方法进行了评估。总体发现是：大多数现有防护仍主要针对静态或弱自适应攻击者进行验证，在受控基准之外的实证证据稀缺。论文最后汇总了跨阶段的对抗措施和开放问题，呼吁构建鲁棒、可组合、可部署的所有者侧防护方案。该研究适合AI安全、隐私保护、内容溯源和对抗机器学习领域的研究人员与从业者阅读。

本文针对大语言模型（LLM）时代中未经授权数据利用与隐私泄露问题，提出一种名为 TextCloak 的防御框架。现有文本不可学习样本（UEs）方法主要面向情感分析等判别式分类任务，通过注入类别特定的语言线索来破坏模型训练效果，但在 LLM 的开放式生成场景中效果受限。TextCloak 采用强化学习（RL）驱动的生成式策略，将成批的干净文本转换为不可学习样本，同时保持语义保真度和语言自然性。其核心优化算法 GRPO-UE 基于下游微调代理 LLM 的性能下降程度设计奖励信号，并通过组相对策略优化更新生成器参数，形成双层优化，使生成器能够发现超越类别特定线索的通用保护模式。实验在六个公开数据集和九个先进 LLM 上进行，结果表明 TextCloak 能持续削弱未经授权的微调效果，同时保留文本对合法使用的效用。进一步分析验证了该方法在不同模型架构、训练配置和自适应攻击下的迁移性与鲁棒性，展示其作为抵御 LLM 未经授权利用的实际防御手段的广泛适用性。本文适合关注数据版权保护、隐私增强技术及 LLM 安全对齐的研究人员与安全防御者阅读。

传统高性能计算（HPC）系统架构以速度为核心，而高安全计算机系统通常需要牺牲速度来换取安全性。然而，生命科学等众多科学领域需要同时具备高性能和安全性，以便大规模处理敏感数据。本文提出了RAMSES（Research Accelerator for Modeling and Simulation with Enhanced Security），一个从底层设计的安全增强型HPC系统，旨在在强大的安全框架内提供高性能。RAMSES集成了AMD处理器的硬件级内存加密技术，并结合IBM Storage Scale和Thales CipherTrust管理器的最先进文件加密方案，构建了一个在整个数据生命周期（静态、传输、使用中）均实现持续加密的HPC平台，符合欧洲通用数据保护条例（GDPR）、ISO/IEC 27001认证和联邦信息处理标准（FIPS）等主要数据保护标准。此外，系统实现了高级操作系统加固、多层安全架构和强制性多因素认证，使HPC环境适应更高的安全需求。来自生物医学领域的基准测试结果表明，安全环境对性能的影响有限，证明了在保持系统一致性、灵活性和用户友好性的前提下，可以实现速度与安全这两个相互冲突要求的整合。本文适合HPC架构师、安全工程师以及对安全敏感数据处理感兴趣的研究人员阅读。

本文指出当前数字隐私研究过度聚焦于欧盟通用数据保护条例（GDPR）等少数西方监管框架，忽视了其他地区用户的隐私关切、态度和问题，造成了显著的研究盲点。作者系统性地将多个国家/地区的数据保护法律中的异构法律要求，沿着数据生命周期进行归一化，形成统一的抽象模型，该模型可作为实施此类法规的基础。进一步，文章探讨了这些法律对不同利益相关方（用户、组织、政府）的影响。本研究旨在拓宽数字隐私研究社区的视角，并为开发跨国的技术隐私解决方案提供指导原则。

DLBox 是一种新型的模型训练框架，旨在保护训练数据的机密性。在当前的机器学习训练过程中，攻击者可能通过内存转储或侧信道攻击窃取敏感数据。DLBox 通过采用加密内存和安全执行环境，在 CPU 和 GPU 上实现端到端的防护。它利用 Intel SGX 等可信执行环境（TEE）来隔离训练过程，并设计了高效的数据分片和加密策略以减少性能开销。实验表明，DLBox 在 CIFAR-10 和 ImageNet 等数据集上训练时，相比基线仅引入 2-5% 的性能损失，同时有效防御了数据提取攻击。该框架适用于任何需要保护训练数据隐私的场景，如医疗、金融等领域。

该论文针对大视觉语言模型（LVLM）在多模态网页数据上遭受的未授权爬取和训练问题，提出了一种名为MMGuard的主动防御方法。现有对策如机器遗忘和水印均属于事后处理，无法在知识产权侵犯发生前进行保护。MMGuard通过生成难以学习的样本（unlearnable examples），向多模态数据注入人眼不可察觉的扰动。该扰动利用LVLM的学习动态，最小化训练损失，从而创建优化捷径，使模型在训练时过度拟合噪声，而在推理时因扰动消失导致下游任务性能严重下降。为加强防御，MMGuard进一步引入跨模态绑定破坏机制，策略性地转移LVLM的注意力，强制噪声与训练目标之间产生虚假相关性，并从理论上证明了其有效性。此外，采用集成学习策略增强跨模型迁移能力，使扰动在不同LVLM架构间具有通用性。在9个开源LVLM和6个数据集上的实验表明，MMGuard在白盒、灰盒和黑盒威胁模型下均能提供有效、隐蔽且鲁棒的防护，证明其在主动防御未授权微调方面具有机制性优势。该研究适合关注数据版权保护、对抗性机器学习和多模态模型安全的研究人员与从业者阅读。

本文提出了VICEROY，一个隐私保护且可扩展的框架，用于为无账户消费者生成数据所有权证明，从而支持可验证的消费者请求。背景是GDPR和CCPA等数据保护法规赋予消费者访问、修改或删除其个人数据的权利，但现有验证机制对有账户消费者（可通过密码认证）便捷，而对无账户消费者则要求提供政府ID、账单等敏感信息，既侵犯隐私又增加服务提供商负担。VICEROY基于现有Web技术（如浏览器存储、令牌等），允许无账户消费者与服务提供商交互，并在后续以隐私保护方式证明自己是同一人，而无需暴露真实身份。核心方法包括：在首次交互时创建匿名凭证（如浏览器cookie或本地存储的加密令牌），之后请求时只需证明持有该凭证即可。框架设计强调安全/隐私、可部署性和可用性，并通过实验评估了其实用性。主要贡献：首次为无账户消费者的数据权利请求提供隐私友好的认证方案；最小化双方改动（消费者只需浏览器，服务商需集成轻量API）；严格的形式化安全分析。适合隐私合规官、安全研究员、Web服务开发者和法律科技从业者阅读。