Robust Multi-tab Website Fingerprinting Attacks in the Wild.
网站指纹识别（WF）攻击使窃听者能够分析加密网络流量的元数据（如数据包大小、方向和时间间隔），从而推断用户访问的网站。现有WF攻击在Tor流量中已表现出很高的攻击成功率，但它们主要针对单标签会话——即用户一次只浏览一个网站。在实际场景中，用
#privacy
共收录 546 条相关情报。
← 返回所有主题Poster: Membership Inference Attacks via Contrastive Learning.
本文提出了一种基于对比学习的成员推断攻击方法 CLMIA。成员推断攻击旨在判断某个数据样本是否被用于训练目标机器学习模型，其原理是模型在有限数据集上多次训练后容易记忆训练样本。然而，现实场景中攻击者难以获得足够多带有准确成员身份标签的样本，
Workplace Surveillance and Insider Threat Risk Management: Legal Limits and Privacy Harms
该论文围绕职场监控（Workplace Surveillance）与内部威胁（Insider Threat, InT）风险管理展开。作者指出，职场监控是组织保护企业资产和监测员工生产力的常见手段，但过度监控可能违反法律要求和数据隐私原则。论
Masking Is Not Enough: Generative Restoration for Multimodal De-Identification in Medical AI
该论文关注医疗AI中多模态数据（图像+文本）的去标识化（de-identification）问题。随着医疗视觉语言模型的发展，图像中可能包含可见的受保护健康信息（PHI），如患者姓名、病历号等，而文本侧也可能泄露隐私。现有方法往往将去标识化
Billion-Scale Nearest-Neighbor Search under Fully Homomorphic Encryption on a Single GPU, Balancing Leakage and Cost
本文提出了一种在单个GPU上对十亿级向量数据库执行全同态加密（FHE）最近邻搜索的系统，核心目标是让服务器在无法看到明文查询的情况下完成相似度评分，并返回仅客户端可解的加密结果。为了解决全库加密评分在十亿规模下速度过慢的问题，作者结合了两种
Chat First, Worry Later: Understanding Individuals' Privacy Perceptions Using ChatGPT in a Work Context
本文是一篇关于生成式人工智能（GenAI）工具（如ChatGPT）在工作场景中隐私感知的实证研究。随着ChatGPT等工具在教育培训、医疗健康、IT等众多领域被越来越多地用于工作流程，其在提升效率的同时也引发了显著的隐私担忧。现有研究多关注
One-Sided Bounded Noise: Theory, Optimization Algorithms and Applications.
本文研究在隐私保护统计发布中使用单侧（仅正向）有界噪声的最优效用与隐私权衡问题。与传统依赖对称或双侧扰动的隐私机制不同，实际系统（如匿名通信、侧信道防御）常因硬件容量、通信协议或数据管理限制，只能施加正向且幅度有限的时间延迟、假消息或假数据
Layered, Overlapping, and Inconsistent: A Large-Scale Analysis of the Multiple Privacy Policies and Controls of U.S. Banks.
该论文针对美国银行在隐私政策和隐私控制方面存在的多层、重叠且不一致的问题，进行了大规模实证分析。研究团队系统性地收集了美国主要银行的公开隐私政策、隐私中心页面以及与用户隐私相关的设置界面，并开发了一套自动化与人工相结合的分析方法，用于识别不
aiXamine: Unified Black-Box Evaluation of Cross-Dimensional Trade-offs in LLM Safety, Security, and Privacy
本文针对当前大型语言模型（LLM）安全评测中存在的维度割裂问题展开研究。作者指出，现有评测框架通常独立评估安全性、安全性和隐私性，无法捕捉跨维度的失效模式。例如，一个模型可能在安全对齐指标上达到99.3%，却拒绝三分之一的良性查询；或者在所
Chameleon: Robust Defense Against Tor Website Fingerprinting via Many-to-Many Traffic Morphing
本论文针对 Tor 网站指纹识别（WF）攻击提出一种鲁棒防御方法 Chameleon。WF 攻击利用加密流量的侧信道特征推断用户访问的网页，现有防御大多会留下可学习的流量映射模式。作者发现，现有防御对对抗训练鲁棒，但对基于防御感知自编码器（
A Meta-Study on Replication Papers in Usable Security & Privacy
该论文对可用性安全与隐私（usable security & privacy）领域的复制性研究（replication studies）现状进行了系统性的元研究。由于该领域尚属年轻且快速扩展，其研究标准和实践（尤其是复制研究）仍在发展中。作
ShadowPath: Lookup-Private Credential Status Verification over Authenticated State
本文提出 ShadowPath，一种面向可验证凭证（Verifiable Credentials）的隐私保护撤销状态验证方案。在可验证凭证模型中，持有者可以出示由颁发者签名的数字声明，而无需颁发者参与每次出示过程。但撤销机制使隐私模型复杂化
Inadvertent Context Leakage in Language Models
本文研究了语言模型在上下文中持有敏感用户数据（如日历、凭证、健康记录和财务信息）时发生的意外信息泄漏问题。作者首先探索了这样一个核心问题：即使模型正确拒绝了直接的秘密提取请求，秘密在上下文窗口中的存在是否会在模型的良性输出中引入隐藏相关性，
Enhancing Privacy in Federated Learning via Dual Obfuscation of Gradients and Training Images
联邦学习允许多个客户端在不共享原始数据的情况下协同训练模型，但近年研究表明，攻击者可以从共享的模型更新（梯度）中重建训练图像，造成严重隐私泄露。针对这一问题，本文提出了一种双重混淆方法，通过同时混淆更新信息和训练图像来增强对图像恢复攻击的鲁
General Data Protection Runtime: Enforcing Transparent GDPR Compliance for Existing Applications.
本文针对GDPR等数据保护法规在遗留软件系统上的合规改造难题，提出了一种基于信息流追踪的通用数据保护运行时方案。作者首先从GDPR法规中提炼出十二条软件层面的合规要求，涵盖数据最小化、目的限制、存储限制、数据主体权利等核心原则，并论证了这些
WPES '23: 22nd Workshop on Privacy in the Electronic Society.
本文档对应的是 WPES '23（第22届电子社会隐私研讨会）的会议介绍或会议论文集前言，作者为 Bart P. Knijnenburg 和 Panagiotis Papadimitratos。该研讨会是 ACM CCS（计算机与通信安全会
AEGIS: Attention-Embedding Gradient Isolation Shield - Triple-Channel Gradient Masking for Privacy-Preserving Federated LLM Fine-Tuning
本文针对联邦学习中共享梯度可能泄露私有训练文本的严重隐私威胁，提出了一种轻量级防御方法 AEGIS（Attention-Embedding Gradient Isolation Shield）。作者首先通过对 Transformer 梯度结
A Federated Learning Framework for Privacy-Preserving Oral Cancer Screening on Smartphones
该论文提出并实现了一个面向智能手机口腔癌筛查的联邦学习（FL）框架，旨在解决医疗AI领域因数据隐私法规和患者数据敏感性导致的高质量临床影像获取困难的问题。传统集中式训练需要汇聚分散在各医疗机构的患者数据，这存在严重的隐私泄露风险，而联邦学习
ABEAT: Efficient and Anonymous Encryption for ABE-based Dynamic Group Communication
该论文研究动态群组通信中的机密性与接收者匿名性问题。现有基于属性加密（ABE）的群组通信方案虽然能实现灵活的many-to-many通信，但通常无法保护消息接收者的身份匿名性，且在非目标接收者验证消息时产生较高计算开销。为此，作者提出ABE
Denoising-Aware Inversion: Revealing Privacy Risks in Noise-Protected Text Embeddings
本文研究噪声保护下的文本嵌入反演攻击问题。文本嵌入被广泛用于数据挖掘、检索和机器学习系统，但近期的嵌入反演攻击表明，攻击者可以从嵌入向量中重建原始文本的敏感信息，造成严重隐私泄露。一种常见的防御手段是向嵌入向量中添加高斯噪声以扰动输出，该方