基于聚类和深度学习的车联网轨迹隐私保护机制

针对车联网轨迹发布中用户面临的隐私泄露问题,提出基于聚类和深度学习的轨迹隐私保护机制(PPCDL).考虑轨迹中的时间因素,通过时间戳将轨迹空间划分为多个区域,获取区域中的轨迹分布点.对每个区域进行改进稳定隶属度多峰值聚类,根据区域轨迹密度进行隐私预算矩阵的预分配.利用时间图卷积网络模型提取轨迹数据的时空特征,对隐私预算预分配矩阵进行训练和预测.根据预测结果添加相应的拉普拉斯噪声,在轨迹数据发布前进行扰动.理论分析和实验结果表明,PPCDL相较于对比机制,时间开销更少,能够更精确地预测隐私预算.利用PPCDL可以合理地在轨迹数据中添加拉普拉斯噪声,有效地提高了轨迹数据的可用性.

基于深度学习的隐私保护方法研究

准确和实时的轨迹数据发布能够为用户提供最新的交通和路况信息,有助于用户合理规划出行时间和路线,但是,位置信息的不当发布和反向推理容易泄露用户个人信息,甚至危及用户的生命安全。采用差分隐私方法添加的噪声,会导致隐私保护在数据发布和有效性方面引入不准确性。为了提高发布数据的准确性和可用性,提出了一种基于深度学习和差分隐私模型的数据发布方法,确保时空轨迹数据的安全发布。首先,设计了一种自顶向下递归划分区域的方法,并根据递归深度的增加,多维度定义隐私预算分配规则;其次,通过时空图卷积网络(T-GCN)提取数据的时间和空间特征预测隐私预算矩阵,并对区域添加Laplace噪声,实现轨迹数据的隐私保护。实验结果表明,在满足ε-差分隐私的前提下,该方法能更合理地实现轨迹的隐私保护。

隐私保护技术特征对用户隐私保护行为意愿的影响研究

为确保数字经济高质量发展,加强移动应用的个人隐私保护至关重要。隐私设置和权限请求设置作为当前移动服务商向用户提供的主要隐私保护技术措施,其有效性受到争议,并未得到用户广泛的使用或采纳,这可能是因为用户无法通过隐私设置选择和控制移动应用收集的个人信息种类、使用目的与共享对象,且权限请求设置操作流程较为复杂。要想切实发挥隐私保护技术的积极效果,其应具备的技术特征不容小觑。本研究从给予用户对个人信息披露的细粒度控制的视角,针对现有隐私设置和权限请求设置提出两种技术特征,即隐私设置可操作性与权限请求设置有效性,并基于信号传递理论,探究这两种技术特征对用户拒绝提供个人信息和提供虚假个人信息意愿(简称“隐私保护行为意愿”)的影响机理。本研究采用基于情景的实验方法,共收集334份有效数据,应用PLS-SEM(partial least squares-structural equation modeling)方法进行实证分析。研究结果发现,本研究提出的两种技术特征对用户的隐私保护行为意愿具有显著的直接负向影响,并通过隐私担忧间接负向影响用户的隐私保护行为意愿;这两种技术特征对用户隐私保护行为意愿具有显著的正向交互作用。本研究丰富和拓展了隐私保护技术设计与用户信息行为研究,并为移动服务商设计有效的隐私保护技术以提升竞争优势提供了启示,从而促进数字经济高质量发展。

基于联邦学习的中心化差分隐私保护算法研究

近年来,联邦学习以独特的训练方式打破了数据“孤岛”,因此受到越来越多的关注。然而在训练全局模型时,联邦学习易受到推理攻击,可能会泄露参与训练成员的一些信息,产生严重的安全隐患。针对联邦训练过程中半诚实/恶意客户端造成的差分攻击,文章提出了基于中心化的差分隐私联邦学习算法DP-FEDAC。首先,优化联邦加速随机梯度下降算法,改进服务器的聚合方式,计算参数更新差值后采用梯度聚合方式更新全局模型,以提升稳定收敛;然后,通过对聚合参数添加中心化差分高斯噪声隐藏参与训练的成员贡献,达到保护参与方隐私信息的目的,同时还引入时刻会计(MA)计算隐私损失,进一步平衡模型收敛和隐私损失之间的关系;最后,与Fed AC、分布式MB-SGD、分布式MB-AC-SGD等算法做对比实验,评估DP-FEDAC的综合性能。实验结果表明,在通信不频繁的情况下,DP-FEDAC算法的线性加速最接近Fed AC,远优于另外两种算法,拥有较好的健壮性;此外DP-FEDAC算法在保护隐私的前提下能够达到与Fed AC算法相同的模型精度,体现了算法的优越性和可用性。

自我效能感的“代价”:智能媒体用户隐私保护行为悖论研究

[目的/意义]研究旨在探讨智能媒体情境下隐私悖论的发生机制及个体间的隐私保护行为差异,为推进平台隐私管理提供理论参考。[方法/过程]基于保护动机理论,引入隐私保护倦怠及自我效能感分别作为中介和调节变量,在全国16个城市发起大型问卷调查(N=4800)。[结果/结论]研究发现,隐私保护倦怠负向中介隐私侵犯经历与隐私保护意愿的正相关关系;自我效能感正向调节(削弱)隐私侵犯经历与隐私保护倦怠的倒U型关系、负向调节(削弱)隐私侵犯经历与隐私保护意愿的正相关关系。

截屏社交的“刺猬困境”——聊天记录再传播中隐私边界的游移与重塑

截屏社交指个体将聊天内容截屏并转发给他人,以期拉近社交距离的行为。截屏社交会打破聊天双方的隐私平衡,使原本私密的聊天记录面临隐私风险。对此,个体需保持边界敏感、重塑边界契约;平台需提供技术支持,加强用户信息自决权、强化审核把关、简化维权通道;法律应破除适用障碍,从法理层面与实践层面共同着手,保障截屏社交中的信息安全。

考虑泄露风险的在线平台隐私收集策略研究

消费者使用在线平台时会留下隐私信息,是否应当收集消费者隐私并从中获利成为平台企业面临的重要问题。本文通过构建多阶段动态博弈模型,研究政府对隐私泄露施加惩罚的情况下在线平台的最优隐私收集策略。研究结果表明,如果不存在隐私泄露风险,在线平台总是选择收集消费者隐私,且“隐私占比”随着单位隐私价值递增,随着消费者隐私敏感度递减;相反,如果因为发生隐私泄露而遭受惩罚,则仅当惩罚力度较小时平台才有收集消费者隐私的动机。福利分析表明,当隐私泄露的惩罚相对较小时,收集消费者隐私是帕累托改进的。研究结果对于在线平台的隐私收集策略选择和利润来源的聚焦提供了一定的借鉴,也为相关部门制定隐私监管政策提供了参考。

从“数据隐私框架”看欧美数据跨境流动的规则博弈

欧美《隐私盾协议》失效后,双方为了恢复数据跨境流动秩序,于2022年底达成了“数据隐私框架”。该框架旨在回应欧盟法院在“《隐私盾协议》无效案”中提出的主要关切。2023年7月,欧盟委员会基于该框架对美国的个人数据保护水平发布了充分性认定决议。然而,该框架并未对美国情报机构大规模收集数据与窥探隐私的行为施加实质性限制。此外,框架建立的双层救济机制由于缺乏独立性,也无法给数据隐私权益受损的欧盟公民提供充分有效的救济。与《隐私盾协议》相比,该框架在本质上并没有明显的突破。欧盟和美国在双方数据跨境流动制度安排上的博弈,表面上是两种数据保护理念和治理模式的碰撞,实际上反映出了欧盟实施“数字主权”战略与美国维护“数字霸权”地位之间存在的根本利益冲突。欧美凭借各自优势,在数字经济时代争夺全球数字治理话语权。通过深入研究欧美之间关于“数据隐私框架”的规则博弈,可以为我国在选择适合本土的数据监管模式和提升数据治理规则话语权方面提供重要的思考和启示。

车联网POI查询中的位置隐私和查询隐私联合保护机制

在车联网中,基于位置的服务(LBS)的兴趣点(POI)查询被广泛用于车载应用中。但是,由于攻击者容易获取车辆位置、查询内容以及其它额外信息,单独对位置隐私或查询隐私进行保护很难保障车载用户的隐私安全,使得对位置隐私和查询隐私开展联合保护越发关键。为此,该文提出一种基于虚拟序列的位置隐私和查询隐私联合保护机制。首先根据POI查询的限制,分析位置隐私和查询隐私的相关性,运用欧几里得距离和关联规则算法对其建模描述,得到相关性判断模型;然后基于虚拟序列,根据影响隐私保护的因素和真实查询的相关性值,将联合保护转化为虚拟序列的选择问题,建立联合保护优化模型,得到匿名程度高且匿名区域大的匿名查询集,防止攻击者识别出真实查询。最后,实验结果表明,与现有方案相比,所提联合保护机制能抵御针对位置隐私和查询隐私的联合攻击(语义范围攻击、时间关联攻击和长期观察攻击),能更有效地保护用户的LBS隐私。

一种分配查询的k-匿名位置隐私保护方案

针对基于位置服务中移动终端用户位置隐私保护存在时空关联和背景知识攻击的问题,提出一种分配查询的k-匿名位置隐私保护方案。基于查询概率和欧氏距离,在相邻网格区域内筛选假位置,合并真实用户位置形成k-匿名;通过兴趣点语义四叉树为假位置分配合理的查询,从时间、位置及查询3个维度提升用户被识别的不确定性,从而增强用户隐私度。安全性分析表明,提出的方案满足匿名性、不可伪造性和抵抗查询服务跟踪等安全特性。仿真实验表明,提出的方案具有较高的隐私保护度和效率以及较低的通信开销。

基于个性化时空聚类的差分隐私轨迹保护模型

随着位置感知设备的普及,轨迹数据已广泛应用于现实生活。然而,轨迹数据通常与敏感标签相关联,不当地分享或发布这些数据可能会泄露用户的隐私,且不同数据的敏感程度互异。针对上述问题,文章提出了基于个性化时空聚类的差分隐私轨迹保护模型。首先,针对轨迹中海量时间数据与隐私保护的需要,文章提出模糊均值聚类算法(FCM算法);其次,在空间分割的过程中,通过密度进行聚类,并实现个性化调整隐私预算分配的目的,从而提高数据效用;再次,在轨迹合成阶段,对比真实轨迹数据,选择更具代表性的轨迹;最后,在发布阶段,引入Laplace机制对轨迹数目进行隐私保护。为了验证文章所提出的模型在轨迹效用与隐私保护上的成果,将该模型与另外两种模型在4个阶段上进行了比较。实验结果表明,文章所提出的模型在数据效用方面提升15.45%,在相同隐私预算下,隐私保护强度提升至少35.62%。

基于策略图的三维位置隐私发布算法研究

随着移动智能终端的普及,基于位置服务(Location-Based Services,LBS)的应用迎来了爆发式增长,高层室内建筑是位置服务的重要应用场景之一。然而现有的位置隐私保护算法大多适用于二维位置数据,面向大型室内三维场景的位置隐私保护研究尚且不足,并且缺乏可个性化定制的三维隐私策略。针对该问题,文章提出了一种基于策略图的三维位置隐私发布算法。首先,设计一种基于可定制策略图的位置隐私保护框架,可根据具体场景需求动态定制适合的隐私策略;其次,设计两种面向三维的差分隐私变体机制,结合定制策略图,实现三维场景下的位置隐私保护;最后,在三维数据集上进行仿真实验,实验结果表明,与其他三维位置隐私保护算法相比,文章所提算法具有更好的稳定性和效用性。

金融科技APP隐私政策对企业绩效作用机制

论文从隐私计算理论的抑制角度出发,通过用户信任衡量风险感知,探讨金融科技APP隐私政策对用户和企业的影响,分析其中的作用机理。论文根据隐私计算理论、APCO模型,构建金融科技APP隐私政策的完整性和可读性对企业绩效作用机制模型,采用数据挖掘分析方法度量金融科技APP隐私政策的完整性、可读性和隐私控制权,验证隐私政策完整性和可读性对企业绩效的作用机制。研究发现金融科技APP隐私政策完整性和可读性对企业绩效存在正向影响,用户信任对企业绩效存在正向影响;金融科技APP隐私控制权在隐私政策完整性和可读性对用户信任影响之间起调节作用。论文提出了金融科技情景下隐私政策因果研究方法,丰富了在线隐私行为的前因和结果研究。

数据隐私保护的反垄断法剖析:适用困境与纾解之道

在平台经济背景下,传统隐私权无法满足个人对其个人数据控制的需求,因此,数据隐私的概念应运而生。隐私作为重要的竞争参数,属于消费者福利的一个关键维度,可以被视为消费者支付的对价或是质量的体现,从而纳入反垄断法的竞争分析范畴。然而,数据隐私保护与效率、创新之间的平衡相当复杂,隐私保护在一定程度上可能会限制数据流动;隐私保护法和反垄断法在数据隐私保护领域的交叉也带来了规则竞合的难题;数据隐私的损害难以量化,传统反垄断法的价格中心方法无法直接适用。欲纾解此困境,应当首先确立审慎干预的适用原则,树立市场竞争与隐私保护的兼顾目标;根据侵犯数据隐私的具体行为和情景适用规制方式,合理权衡所涉利益的保护需求;在此基础上优化隐私保护分析工具,创新反垄断法保护的理论工具。

网络新闻热点事件报道中人物隐私权保护探究

随着互联网的快速发展,传统的媒介环境也在发生着巨大变化,网络不仅跃升为继报纸、电视、广播之后的第四大媒体,它更是在新兴传播领域“独领风骚”,成为一种新媒介环境下不可或缺的传播渠道。与传统媒介不同,网络环境是一种更为开放的传播环境,这种开放性既体现在对信息传播渠道的开放,也体现在对信息报道形式的开放,其传播具有双向性、平民化、虚拟性、互动性特征,使得网络在报道新闻热点事件时具有更大的传播力和催化性。一个网络热点事件可能在一夜之间就“红”遍全球,火速爆炸,其信息传播之快、传播范围之广使人难以想象。在网络热点新闻事件报道中,几乎每一个案例都具有隐私权侵犯属性,新闻热点人物隐私权保护亟待提升。因此拟从隐私权保护谈起,探究隐私权保护在网络传播环境下的重要性。

联邦学习中的隐私保护技术研究

联邦学习中多个模型在不共享原始数据的情况下通过参数协调进行训练.大量的参数交换使模型不仅容易受到外部使用者的威胁,还会遭到内部参与方的攻击,因此联邦学习中的隐私保护技术研究至关重要.介绍了联邦学习中的隐私保护研究现状;将联邦学习的安全威胁分为外部攻击和内部攻击,并以此分类为基础归纳总结了模型反演攻击、外部重建攻击、外部推断攻击等外部攻击技术和投毒攻击、内部重建攻击、内部推断攻击等内部攻击技术.从攻防对应的角度,归纳总结了中心化差分隐私、本地化差分隐私和分布式差分隐私等数据扰动技术和同态加密、秘密共享和可信执行环境等过程加密技术.最后,分析了联邦学习隐私保护技术的难点,指出了联邦学习隐私保护技术提升的关键方向.

面对数据隐私的挑战,企业如何应对?

近年来,数据要素的重要程度进一步提升,AI大模型迭代和算力升级也深度激发了数据价值。然而,繁荣背后隐藏风险,数据的价值吸引内外部的恶意攻击与频繁掠夺,数据的流通引发个人隐私担忧与合规警惕。近日,安永与赛博研究院联合发布第三期年度《全球数据合规与隐私科技发展报告》(下称报告)显示,从漏洞攻击到数据窃取,从经济损失到合规成本,从系统安全到隐私保护,以安全与隐私为主题的风险正成为影响数字经济发展的关键因子。对此,企业正在积极采取措施,运用“数据+算法”“隐私+合规”等技术与服务手段,制定应对安全与隐私挑战的安全战略与整体解决方案。

移动社交网络用户的浏览隐私保护

为保护用户在社交网络中浏览信息的安全,设计移动社交网络用户浏览隐私保护方法。先设置用户浏览隐私度量标准,计算用户浏览信息轨迹斜率,获得不同阶段用户浏览信息斜率比,再结合斜率夹角,得到轨迹函数。基于人工智能技术建立隐私信息分类模型,计算发起者与普通用户之间的相似性,确定用户被正确识别的概率,获取信息分类模型分类精度。设计社交网络用户浏览隐私保护算法,计算虚假轨迹区域的轨迹数目,定义圆心位置,获取移动社交网络用户的隐私匿名保护结果。实验结果显示,该隐私保护方法在隐私保护度、匿名时延和算法匿名开销等方面均有较高性能。

社交媒体用户隐私素养评价指标体系构建

社交媒体的广泛运用对用户隐私素养水平提出新挑战,为科学测量用户隐私素养、发现现存问题并开展针对性教育,亟需构建一套系统可量化和操作性强的评价指标体系。文章通过三级编码方法,从已有研究中提取社交媒体用户隐私素养初始评价指标,借助德尔菲法进行指标修正,利用层次分析法确定指标权重,构建由隐私意识、隐私知识、隐私边界管理能力、隐私风险管理能力、隐私道德与法律5个一级指标和18个二级指标组成的评价指标体系;根据评价指标权重分析结果,提出了社交媒体用户隐私素养提升策略。

车联网中基于位置语义的差分隐私保护方法

车联网中车辆获取基于位置服务时需要提供真实的位置信息,导致用户的轨迹隐私存在泄漏风险.针对车联网轨迹隐私保护中未考虑位置语义信息及生成的虚假轨迹可用性低问题,提出一种基于位置语义的差分隐私轨迹保护方法.首先,根据语义流行度和信息熵计算出真实位置对隐私预算的敏感程度,并设计实时隐私等级计算算法,同时搭建差分隐私模型实时分配隐私预算.然后划分语义Voronoi地图,对具有相同语义的虚假位置使用K-means算法进行聚类,并使用Hausdorff距离衡量轨迹相似度,以提升轨迹的可用性.在真实数据集上的仿真实验表明,所提方法与其他差分隐私保护方法相比轨迹可用性有明显的提升.