信息隐私量表对象、指标和应用的研究与展望

[目的/意义]隐私研究涉及多个学科,隐私量表是隐私研究中的测量工具,然而国内外的相关研究在对隐私量表的理解和测量对象上却存在着分歧和差异。因此,有必要对隐私量表进行梳理,为后续的隐私定量研究提供参考。[方法/过程]运用系统性文献综述,调研国内外隐私量表的研究成果,梳理不同隐私量表的对象和指标,分析不同视角下隐私量表的测量重点。[结果/结论]现有隐私量表主要包括针对用户的隐私量表和针对网络服务商的隐私量表,涉及对用户主观感受的测量和对隐私信息的客观测量,并且由于理解的不同,不同对象的隐私量表中存在指标的交叉。未来的研究可以在量表设计上考虑将认知与行为研究相结合,加强隐私通用量表和专用量表互补,注重指标设计的可操作性和动态测量,并拓展对隐私信息内容风险的测评。

基于数据多粒度的隐私差序保护

大数据时代,隐私的数据化与数据的隐私化相互交织,个人隐私边界日渐模糊。传统对于隐私、数据的“粗粒度”保护策略已难以匹配当前高度解析化的“微粒社会”,隐私保护与利用隐私换取便捷生活的悖论进一步凸显,人们的隐私焦虑愈发严重。研究基于数据多粒度探讨隐私差序保护,将个人数据以“人格价值”“敏感程度”与“社会属性”进行分层、分级,明确隐私保护与数据合理使用的价值序位差异及边界,并根据不同层次粒度之间的序关系,赋予用户真正的管理权与使用权,让隐私保护更具针对性,数据管理更具效益。

透明社会的隐私伦理何以可能

透明社会是一个数据化、可视化、算法化的超交际社会。也是一个肯定社会、展示社会、加速社会、监控社会。肯定社会排斥了否定性交往,沦为“同群主义”的“应答”;展示社会让交往成为一种色情展示;加速社会让交往陷入超际交往的“肥痴”与“恣意”之中;监控社会由陌生他者监控变为熟人亲密监控。隐私是一个空间概念,隐私从根本而言是一种主体守护自身不可知性的“藏匿”,它藏于内心空间,且自身成为一个空间。透明社会的隐私伦理由“遮蔽”与“隐藏”变为“透明”与“敞开”。在透明社会里,隐私没有减少反而增加,维护隐私伦理不是指向陌生的他者,而是指向熟悉的“亲人”。交往者主动的透明化或许是透明社会隐私自我守护的手段。向熟人敞开和透明以保持真正的隐私,向陌生人敞开隐私以彰显透明换取交心与信任。这是透明社会的超际交往对隐私伦理及维护机制的根本性修正。

《个人信息保护法》视角下的隐私保护方法设计研究:隐私告知及其对隐私不确定性的影响

要确保社会稳定和数字经济高质量发展,加强移动应用(App)的个人信息保护至关重要。本文以2021年11月施行的《中华人民共和国个人信息保护法》作为缓解用户对个人信息被收集、使用与保护的不确定性的突破口,展开隐私保护方法设计研究。总结归纳《个人信息保护法》中App服务商需要告知用户的隐私相关信息,理解用户对这些隐私相关信息的偏好,据此提出并设计App下载阶段面向用户的隐私告知方法,并通过基于插图的实验方法展开三项研究,系统探究用户在App下载阶段感知的隐私不确定性,以及隐私告知对用户隐私不确定性和App下载意愿的影响机理。研究发现,在中国App应用中,用户普遍存在隐私不确定性,且用户感知的隐私不确定性具有情境依赖性,即在信息敏感度更高的移动应用环境下,用户感知的隐私不确定性更高。本文提出的隐私告知能够有效缓解用户感知的隐私不确定性,并且显著缓解隐私不确定性对App下载意愿的负向影响。

社交网络数据隐私保护:溯源、技术、政策、展望

[目的/意义]社交网络数据隐私保护是总体国家安全观的重要组成部分,数字经济时代,如何发挥数据要素作用的同时保护数据隐私安全成为学界热点。本研究通过分析国内外研究现状及局限性,以期为后续研究提供借鉴。[方法/ 过程]首先,采用文献调研法,从不同领域和时代视角归纳社交网络数据隐私保护发展历程;其次,通过内容分析法,从隐私泄露、隐私保护手段和隐私度量3 个维度进行主题内容挖掘;最后,基于信息生态框架,探究如何使保护体系可持续健康发展。[结果/结论]社交网络数据隐私保护研究涉及多学科领域和多数据生命周期,根据研究内容,可分为隐私泄露、隐私保护技术、隐私保护管理和隐私度量4 部分。为适应日渐复杂的现实环境和数智化的时代趋势,势必要在技术优化、法律完善、平台监管和用户参与的基础上,构建四位一体的社交网络数据隐私保护生态。

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.

基于横向联邦学习的隐私保护研究

近年来,随着人工智能的快速发展,机器学习成为处理数据的重要手段。传统的机器学习在处理数据时需要上传到中心服务器,无法保证用户数据隐私。但联邦学习的分布式特性保证了数据安全和隐私,同时也解决了数据孤岛问题,提高了不同应用环境下数据的可用性。然而,越来越多的研究表明,基于联邦学习的方法仍然遭受不同的隐私威胁,因此如何保护联邦学习场景下的用户数据隐私成为一个挑战。为应对联邦学习的隐私问题,对现有的隐私保护手段进行了调查分析。首先,介绍了联邦学习的定义、发展和分类;其次,介绍联邦学习的系统架构并分析了所遭受的隐私威胁手段;再次,根据联邦学习训练过程的生命周期对隐私保护技术进行分类和整理,同时比较了各技术的优缺点;最后,指出了目前联邦学习所面临的挑战,以及未来的发展趋势。

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。

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。

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。

基于数据特征相关性和自适应差分隐私的深度学习方法研究

基于差分隐私的深度学习隐私保护方法中,训练周期的长度以及隐私预算的分配方式直接制约着深度学习模型的效用.针对现有深度学习结合差分隐私的方法中模型训练周期有限、隐私预算分配不合理导致模型安全性与可用性差的问题,提出一种基于数据特征相关性和自适应差分隐私的深度学习方法(deep learning methods based on data feature Relevance and Adaptive Differential Privacy,RADP).首先,该方法利用逐层相关性传播算法在预训练模型上计算出原始数据集上每个特征的平均相关性;然后,使用基于信息熵的方法计算每个特征平均相关性的隐私度量,根据隐私度量对特征平均相关性自适应地添加拉普拉斯噪声;在此基础上,根据加噪保护后的每个特征平均相关性,合理分配隐私预算,自适应地对特征添加拉普拉斯噪声;最后,理论分析该方法(RADP)满足ε-差分隐私,并且兼顾安全性与可用性.同时,在三个真实数据集(MNIST,Fashion-MNIST,CIFAR-10)上的实验结果表明,RADP方法的准确率以及平均损失均优于AdLM(Adaptive Laplace Mechanism)方法、DPSGD(Differential Privacy with Stochastic Gradient Descent)方法和DPDLIGDO(Differentially Private Deep Learning with Iterative Gradient Descent Optimization)方法,并且RADP方法的稳定性仍能保持良好.

边缘计算下差分隐私的应用研究综述

为了解决传统云计算模式的延迟和带宽限制,应对物联网和大数据时代的需求,边缘计算开始崭露头角并逐渐受到广泛关注。在边缘计算环境下,用户数据的隐私问题成为了一个重要的研究热点。差分隐私技术有着坚实的数学基础,它作为一种有效的隐私保护算法,已经被广泛应用于边缘计算中,两者的结合有效缓解了隐私保护低和计算成本高的问题。首先介绍了互联网发展带来的问题,其次介绍了边缘计算的基本概念、特点和组成部分,并概括了与传统云计算相比的优势,然后对差分隐私的基本概念和原理进行了概括,进而详细阐述了差分隐私的3种扰动方式和常用的实现机制,最后对边缘计算下差分隐私的应用研究进行了综述,并指出了未来的研究方向。总之,将差分隐私技术应用于边缘计算场景对隐私保护和数据分享都是一种有效保护手段。

社交媒体用户信息隐私悖论产生与应对策略研究

[目的/意义]社交媒体频繁的隐私泄露引起了用户的隐私关注,但用户仍会在社交媒体自我表露,表现出“隐私悖论”,其产生原因及应对策略值得学界思考。[方法/过程]基于隐私计算理论、计划行为理论、传播隐私管理理论构建模型,通过问卷收集有效数据436份,利用SPSS和AMOS分析验证理论模型,以此提出应对策略。[结果/结论]社交媒体用户的感知收益负向影响隐私关注,正向影响隐私披露意愿;感知风险正向影响隐私关注,负向影响隐私披露意愿;隐私关注负向影响隐私披露意愿;隐私披露意愿正向影响自我披露行为,在隐私关注负向影响自我披露行为过程中隐私披露意愿起完全中介作用;隐私管理在隐私披露意愿与自我披露行为之间起正向调节作用。

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。

政府开放数据隐私风险研究:现状、特征及展望

[目的/意义]系统分析国内外政府开放数据隐私风险研究成果,旨在为该领域未来研究提供启示借鉴。[研究设计/方法]采用文献调研、归纳比较、逻辑分析等方法,对国内外的研究主题、研究理论、研究方法、研究视角与情境进行分析,剖析研究不足与发展趋势。[结论/发现]现有研究主题基本涵盖风险管理的全部流程和环节,但对于风险治理实践、风险评估的可靠性、风险计量的精准性、风险治理的有效性等尚缺乏实证研究;研究视角与理论多元,但主要侧重从各自学科视角出发,研究方法多样化。未来研究需细化研究情境,开展分领域、分级、分类精细化治理,融合多学科研究方法,探讨新型治理模式的实现路径,强化治理效果与效能评价研究。[创新/价值]指出政府开放数据隐私风险治理应当从全过程视角,不仅关注隐私风险治理流程,更要开展隐私风险治理效能与效果评价,以提升政府治理实践能力。

基于差分隐私的个性化联邦电力负荷预测方案

为了实现兼具模型个性化和隐私保护个性化的电力负荷预测方案,文章提出了基于差分隐私的个性化联邦电力负荷预测方案。方案基于数据的缺失情况和时序特征进行集群式训练,得到适用于局部数据的本地个性化模型。在此基础上提出了个性化差分隐私保护方案,根据客户端到当前集群中心的距离调整隐私预算的分配,确保数据安全并实现客户端级别的隐私保护个性化。实验表明,算法在保证数据安全的同时,能训练得到效用较好的个性化模型。

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。

兼顾通信效率与效用的自适应高斯差分隐私个性化联邦学习

近年来,由于联邦学习中的通信参数(或梯度)会给参与方本地敏感数据带来重大的隐私泄露风险,联邦学习隐私保护引起了广泛的关注.然而,梯度交换频繁、数据分布异构、参与方本地硬件资源受限等一系列不可避免的因素给联邦学习隐私保护增加了挑战难度.为了以一种统一的方式同时有效地解决数据隐私、模型效用、通信效率以及参与方数据非独立同分布等四个方面的问题,本文提出了一种新的兼顾通信效率与效用的自适应高斯差分隐私个性化联邦学习(Communication-efficient and Utility-aware Adaptive Gaussian Differential Privacy for Personalized Federated Learning,CUAG-PFL)方法.具体而言,本文提出一种动态层级压缩模型梯度的方案先为通信模型梯度每一层动态生成特定的压缩率,再根据压缩率构造对应的确定性二进制测量矩阵去除梯度冗余信息.随后,通过同时优化裁剪阈值、敏感度和噪声尺度等隐私相关参数来对压缩的模型梯度执行自适应高斯差分隐私操作.此外,本文对CUAG-PFL进行了严格的隐私分析.为了验证CUAG-PFL在隐私、效用、通信效率以及个性化四个方面的优势,本文在CIFAR-10和CIFAR-100两个真实联邦数据集上进行了大量实验模拟、对比和分析,结果表明CUAG-PFL能够提高参与方本地数据隐私性、通信效率和模型效用,同时解决了数据非独立同分布的问题.特别地,即使在隐私预算仅为0.92且上行通信量减少68.6%时,CUAG-PFL因隐私保护和梯度压缩所引起的模型效用损失仅为1.66%.

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。