Cryptographic Security Is Not Enough: Privacy Gaps in the Renegade Decentralized Dark Pool
本文由 Prerna Arote、Adrian Saiz、Oriol Saguillo、Lucianna Kiffer 撰写，聚焦去中心化暗池（dark pool）的安全属性。暗池的核心承诺有三项：交易前隐私（执行前隐藏订单流）、活性（系统
#privacy
共收录 546 条相关情报。
← 返回所有主题Privacy Leakage Through AI-mediated Analysis of Smartphone Data
该论文来自 arXiv cs.HC 方向，作者为 Sarah Radway、Zoe Robert、Matthew Soto、Julianna Cimillo、Sebastian Diaz、Meg Marco 与 James Mickens（
On the security and privacy of LLMs in Mobility
该论文《On the security and privacy of LLMs in Mobility》由 Mauro Conti、Lorenzo Perinello 与 Umberto Salviati 撰写，属于 cs.AI 分类，是一
SSP-Bench: A Hybrid Data Generation Framework for Safety, Security, and Privacy Evaluation
该论文针对大语言模型（LLM）在安全（safety）、安保（security）与隐私（privacy，合称 SSP）评估中长期依赖静态基准的问题提出改进方案。作者指出，静态基准存在三类结构性缺陷：分数饱和（模型表现趋同、区分度丧失）、数据污
LLMs as Linguistic Chameleons: Decoupling Semantics and Structure for Privacy-Preserving Communication
背景与问题：随着 LLM API 被大量集成进隐私敏感的业务流程，如何在推理阶段既保护输入隐私又不牺牲下游任务效用，成为一个突出难题。现有隐私保护方案（如加密、噪声扰动、局部替换等）通常需要保留大部分原始语义，以维持模型推理质量，但这也意味
Et Tu, MacBook? Unprivileged Keystroke Inference and Context Profiling via the Built-in IMU Side Channel
该论文研究了 Apple MacBook 内置惯性测量单元（IMU）所引入的一条此前未被系统探索的侧信道。近年 MacBook 为感知设备姿态与运动，在一体化机身（unibody chassis）内集成了 IMU；但该传感器不仅采集预期的设
Normal Alignment: Improved Cryptanalytic Sign Recovery on Hard-Label Networks
该论文研究硬标签（S1）深度神经网络的密码分析式模型提取问题。背景：在 EUROCRYPT 2025 上，Carlini 等人首次证明，在只能获得模型最终预测类别（硬标签）的黑盒条件下，攻击者可在多项式时间内恢复网络各层神经元的符号（sig
PAPC: Platform Mediation for Privacy-Propagation Externalities in AI-Mediated Workflows
该论文研究的是 AI 中介平台（AI-mediated platform）中的隐私泄露新形态。在此类平台里，不同委托方（principal）由各自的 LLM 智能体代为行动，任务通过多智能体协作完成。作者指出：隐私损失并不只在最终答案生成时
The Illusion of Local Privacy: Confidentiality Boundary Failures in Consumer LLM Serving Systems
该论文研究消费者本地 LLM 推理服务中"提示词机密性"的真实边界。业界普遍认为本地推理比云端推理更私密，因为提示词始终留在设备上。作者提出的核心问题是：推理本地化本身是否足以保证提示词机密性？结论是否定的——提示词机密性还取决于周边服务软
QuanText: Protecting Dataset-Level Secrets in Textual Data Sharing
自然语言数据集被广泛用于模型训练与社会科学研究，但公开发布文本会泄漏数据源的整体统计属性（即“数据集级秘密”），例如某种性别、某种诊断或某种政治立场的记录占比。这类信息不属于任何单条记录，却可能暴露整个采集人群的敏感特征。现有研究多集中在属
You Shall Not Pass into Ring-0! A User Privacy-Friendly Anti-Cheat Architecture for Personal Computers
本文针对竞技类网络游戏中普遍存在的内核级反作弊（kernel-level anti-cheat）方案提出质疑：这类方案虽然能有效抑制恶意玩家行为，但要求在以 x86 ring-0 特权模式运行的、不可验证的闭源组件中执行代码，由此带来严重的
Closing the Loop: Bidirectional Fully Encrypted Protocols
全加密协议(FEP,Fully Encrypted Protocols)旨在提供一种信道:协议自身产生的全部字节在计算上与均匀随机串不可区分,从而使网络观察者无法借助协议指纹、头部结构或长度特征区分该流量与随机噪声。这类协议是抗审查与抗流量
Can We Stop The Ads? Taxonomy and Characterization of Smartphone Splash Ads and Existing Countermeasures
本文聚焦智能手机「开屏广告」(splash ads)——即用户启动 App 时作为首个交互页面全屏弹出的广告，系统性地回答了「这类广告能否被有效阻断」这一问题。作者首先指出开屏广告的现实危害：它们常通过隐藏或难以察觉的触发机制（如晃动手机、
Private Information Retrieval With Arbitrary Privacy Requirements: Introduction and Capacity Results
本文研究图结构存储系统中的「任意隐私需求下的私有信息检索（PIR）」问题。经典 PIR 要求用户从多个服务器取回某条消息时，向所有服务器隐藏目标消息的索引；近期提出的本地 PIR（LPIR）则只要求对实际存储该消息的服务器保密。本文指出，在
Don't Send What You Don't Need: Question-Guided Token Pruning as a Privacy Defense for Vision-Language Models
该论文针对视觉语言模型（VLM）在隐私敏感与带宽受限场景下的视觉问答（VQA）任务，提出名为 QPriv-VL 的「问题引导式、隐私感知」视觉 token 剪枝框架。研究背景是：联邦学习（FL）、拆分学习（SL）与 U 型拆分学习（USL）
RAG-CT: Mitigating Privacy Risks on Retrieval-Augmented Generation Systems via Scanning Prompt Distribution
检索增强生成（RAG）通过在生成阶段引入外部知识库的检索结果，显著降低了大型语言模型的幻觉与事实性错误，已成为提升 LLM 输出质量的主流范式。然而近期研究揭示了一个关键隐私漏洞：攻击者可构造特定查询，借助检索环节从底层语料库中提取个人可识
CounterPersona: Append-Only Defense Against Unauthorized Persona Skill Distillation
该论文关注的是「人格技能蒸馏」（persona skill distillation）带来的隐私与劳动自主权风险：攻击者可以从个人历史信息（如文本、对话、行为记录）中提取反复出现的行为模式，把它们编码成可复用的技能，从而让 AI 系统高度复
SpliTEE: Improving LLM Inference on Trusted Hardware with Differentially Private GPU Outsourcing
该论文研究如何在可信执行环境(TEE)中高效、安全地运行大语言模型(LLM)推理。背景问题是: 用户提交给 LLM 的提示(prompt)可能包含敏感或隐私信息, 而远程部署的模型可能通过重训练时的无意记忆等途径滥用这些信息。一个自然的防护
Reversibility-Verified De-identification for Cloud-Local LLM Inference: A Locally Certified Dehydrate-Rehydrate Loop with Layered Assurance (DR-SL)
本文针对「云-端协同 LLM 推理」中的隐私取舍问题提出 DR-SL 框架（Dehydrate-Rehydrate with Self-Learning loop，脱水-再水化自学习闭环）。现实困境在于：企业希望把敏感用户数据留在本地，却又
PIMENTO: A Privacy Framework for Querying Text
PIMENTO 是一个针对非结构化文本分析隐私保护的框架。当前两种主流隐私保证——上下文完整性（CI，约束信息可流向何处）与差分隐私（DP，约束可推断出什么）——都难以直接映射到自然语言上，导致现有方案无法为文本分析提供形式化保证。PIME