数据隐私

摘要： 1目标和概述5G、AI、物联网等技术的成熟带来很多行业应用的创新和改革,如工业互联网、车联网、自动驾驶、云游戏、超高清视频、AR/VR、远程医疗、智慧零售、智慧园区等,这些新的应用会在端侧产生大量的数据。同时,为了给用户提供更加安全、稳定、优质的体验,系统需要保证应用对端侧产生的数据进行快速分析响应,并且确保数据隐私的安全可靠。中心云模式下,所有设备都连接中心云并将数据汇聚到中心云进行计算和分析,这会遇到如下的瓶颈和挑战。

摘要： 随着亚太地区数字信息技术高速发展,APEC(亚太经合组织)大力推动数字经济合作,在合作制度、数字技术、行动方式等领域取得显著成效。然而APEC各成员国开展数字经济合作时,仍面临跨境隐私规制体系尚未全面展开、成员数字经济合作立场与诉求存在差异、"数字鸿沟"现象严峻、国际形势不确定性增强等挑战。基于此,中国应强化数字安全保护互联手段、推动亚太地区数字经济合作、弥补"数字鸿沟"、形成数字经济合作共识。

摘要： 随着人工智能的发展,大数据与算法引发了越来越多的深入思考。文章从符号学的视角对大数据与算法加以考察,认为大数据的收集与分析作为中项,将个人信息的不当收集与使用标出为异项,将联合提升网络生活效率作为非标出的正项,使公私领域的平衡存有争议。在保障个人信息安全的前提下,对数据进行充分开发是大数据运用的关键所在。基于对平台单一算法的分析得出“算法推荐容易导致信息茧房”的观点存在偏差。平台往往存在多种算法,既有“窄幅文化”又有“宽轴操作”。宽幅与窄幅的并存格局呈现出不同的风格,实际上有利于消解信息茧房。面对技术运作的逻辑,人类应该发挥伦理符号学的关怀,秉持“生命关怀”与“他者责任”,将技术的使用场景与设计相结合,形成人机协同的共生模式。

摘要： 数据驱动的医学人工智能大数据发展迅猛,数据隐私成为一个日益重要的话题。在医学人工智能大数据技术创新与数据隐私保护之间取得良好的平衡,关系到医学人工智能大数据的发展和应用。本文讨论了医学数据隐私、数据隐私保护和数据共享话题,分析了国外数据隐私保护法律法规。针对人工智能大数据时代医学数据隐私保护,从技术方法、制度建设和意识培养三个方面提出了医学数据隐私保护管理的对策,系统概要地阐述了具体的制度方法。以《中华人民共和国个人信息保护法》为基础,推动形成具有“中国之治”特色的完整的医学数据权利保护法律规范体系,为国家医学人工智能大数据战略提供有力保障。

摘要： 数字经济时代,互联网平台企业通过数据垄断行为损害消费者隐私的现象频频发生,数据隐私保护是否应纳入反垄断法分析框架引起关注。囿于传统以价格为中心的反垄断分析范式不适应数据领域免费交易模式,以经济效率为导向的消费者福利标准不宜评价数据隐私损害问题,以“知情同意”原则为基础的隐私保护政策存在形式化困境。现阶段我国应调整传统的价格分析范式;丰富消费者福利内涵;构建公私法联动的系统隐私保护路径。

摘要： 近几年来,全球数据隐私市场发生了诸多变化:苹果iOS系统调整了隐私政策,禁止生态内非许可的用户数据追踪;Safari、Firefox浏览器停止提供三方Cookie(本地终端数据),Chrome浏览器计划2023年末不再提供三方Cookie。

摘要： 由于模幂运算的计算成本较高,资源有限的本地客户端可以将模幂运算外包给计算能力强大的云服务器。该算法主要研究形如u ^(a)(mod N)的模幂运算的外包算法,其中N是两个大素数的乘积。其利用欧拉定理设计了一个基于双服务器模型的模幂运算安全外包方案。在运算外包过程中,保证底数u、指数a,以及运算结果对两个服务器的隐私保护。通过安全、效率分析和实验仿真表明,相较于现有方案,新方案具有更好的执行效率和可验证性,在用户端的效率更高,且新方案的可验证概率为1。

摘要： 近些年,人工智能技术已经在图像分类、目标检测、语义分割、智能控制以及故障诊断等领域得到广泛应用,然而某些行业(例如医疗行业)由于数据隐私的原因,多个研究机构或组织难以共享数据训练联邦学习模型.因此,将同态加密(Homomorphic encryption,HE)算法技术引入到联邦学习中,提出一种支持数据隐私保护的联邦深度神经网络模型(Privacy-preserving federated deep neural network,PFDNN).该模型通过对其权重参数的同态加密保证了数据的隐私性,并极大地减少了训练过程中的加解密计算量.通过理论分析与实验验证,所提出的联邦深度神经网络模型具有较好的安全性,并且能够保证较高的精度.

摘要： 大数据时代,数据安全性和隐私性受到越来越多的关注和重视。联邦学习被视为是一种隐私保护的可行技术,允许从去中心化的数据中训练深度模型。针对电力投资系统中各部门因担心数据隐私信息泄露而带来的数据孤岛和隐私保护问题,提出了一种隐私保护的联邦学习框架,允许各部门自有数据在不出本地的情况下,联合训练模型。首先,提出了联邦学习的架构,支持分布式地训练模型;其次,引入同态加密技术,提出了隐私保护的联邦平均学习流程,在数据隐私保护的情况下,实现联合训练模型;最后,实验结果表明,该框架具有较好的收敛性,而且联合训练得到的模型具有较好的精度。

摘要： 论文通过对美国研究图书馆协会(ARL)发布的《研究型图书馆在科研和学习方面采用新兴技术的现况》报告内容的解读,在分析了国外研究型图书馆新兴技术发展情况的基础上,认为我国图书馆在应用新兴技术上,应从实际情况出发来制定一个科学合理的新兴技术战略规划,要以图书馆智慧服务为目标,提升新技术应用能力,不仅要加强馆员和用户的数据隐私保护意识,而且要提高馆员和用户的信息素养,依托新技术积极拓展图书馆服务外延。

摘要： 大数据时代的到来，科学技术、思维方式和生活方式都发生了巨大的变化，同时为中国武术传播提供了新的发展机遇。本文通过分析与研究大数据时代下中国武术传播的新思维、新特点和新思路，并结合大数据时代所引发的社会变革，揭示中国武术传播所面临的新挑战：武术传播数据挖掘技术不够健全；武术传播数据分析人才短缺；武术传播数据管理层次缺失；武术传播数据隐私安全隐患。

摘要： 数据的安全性和可用性是敏感数据发布与共享环境中面临的主要问题.近期提出了一种利用有损连接保证敏感数据发布的安全性的方法-Anatomy,其优点在于发布的数据中保留了原始数据的准确值.但是用Anatomy方法处理数据会损失大量数据的关联信息和分布信息,降低数据的可用性.针对这种问题提出了维护数据高可用性的ClassAnatomy方法,它继承了Anatomy方法的安全性和准确性等优点,并通过对数据空间进行分类划分的方法保留原始数据的关联及分布信息.给出了两种ClassAnatomy算法,包括基于信息论的自顶向下的单维分类划分算法(TDA)和基于高维网格的自底向上的多维覆盖分类划分算法(BUA).实验结果表明,ClassAnatomy方法在保证数据安全性的基础上能够极大地减少数据的信息损失,从而提高数据的可用性.

摘要： 数据的安全性和可用性是敏感数据发布与共享环境中面临的主要问题.近期提出了一种利用有损连接保证敏感数据发布的安全性的方法-Anatomy,其优点在于发布的数据中保留了原始数据的准确值.但是用Anatomy方法处理数据会损失大量数据的关联信息和分布信息,降低数据的可用性.针对这种问题提出了维护数据高可用性的ClassAnatomy方法,它继承了Anatomy方法的安全性和准确性等优点,并通过对数据空间进行分类划分的方法保留原始数据的关联及分布信息.给出了两种ClassAnatomy算法,包括基于信息论的自顶向下的单维分类划分算法(TDA)和基于高维网格的自底向上的多维覆盖分类划分算法(BUA).实验结果表明,ClassAnatomy方法在保证数据安全性的基础上能够极大地减少数据的信息损失,从而提高数据的可用性.

摘要： 数据的安全性和可用性是敏感数据发布与共享环境中面临的主要问题.近期提出了一种利用有损连接保证敏感数据发布的安全性的方法-Anatomy,其优点在于发布的数据中保留了原始数据的准确值.但是用Anatomy方法处理数据会损失大量数据的关联信息和分布信息,降低数据的可用性.针对这种问题提出了维护数据高可用性的ClassAnatomy方法,它继承了Anatomy方法的安全性和准确性等优点,并通过对数据空间进行分类划分的方法保留原始数据的关联及分布信息.给出了两种ClassAnatomy算法,包括基于信息论的自顶向下的单维分类划分算法(TDA)和基于高维网格的自底向上的多维覆盖分类划分算法(BUA).实验结果表明,ClassAnatomy方法在保证数据安全性的基础上能够极大地减少数据的信息损失,从而提高数据的可用性.

摘要： 数据的安全性和可用性是敏感数据发布与共享环境中面临的主要问题.近期提出了一种利用有损连接保证敏感数据发布的安全性的方法-Anatomy,其优点在于发布的数据中保留了原始数据的准确值.但是用Anatomy方法处理数据会损失大量数据的关联信息和分布信息,降低数据的可用性.针对这种问题提出了维护数据高可用性的ClassAnatomy方法,它继承了Anatomy方法的安全性和准确性等优点,并通过对数据空间进行分类划分的方法保留原始数据的关联及分布信息.给出了两种ClassAnatomy算法,包括基于信息论的自顶向下的单维分类划分算法(TDA)和基于高维网格的自底向上的多维覆盖分类划分算法(BUA).实验结果表明,ClassAnatomy方法在保证数据安全性的基础上能够极大地减少数据的信息损失,从而提高数据的可用性.

摘要： 数据的安全性和可用性是敏感数据发布与共享环境中面临的主要问题.近期提出了一种利用有损连接保证敏感数据发布的安全性的方法-Anatomy,其优点在于发布的数据中保留了原始数据的准确值.但是用Anatomy方法处理数据会损失大量数据的关联信息和分布信息,降低数据的可用性.针对这种问题提出了维护数据高可用性的ClassAnatomy方法,它继承了Anatomy方法的安全性和准确性等优点,并通过对数据空间进行分类划分的方法保留原始数据的关联及分布信息.给出了两种ClassAnatomy算法,包括基于信息论的自顶向下的单维分类划分算法(TDA)和基于高维网格的自底向上的多维覆盖分类划分算法(BUA).实验结果表明,ClassAnatomy方法在保证数据安全性的基础上能够极大地减少数据的信息损失,从而提高数据的可用性.

摘要： 在群智感知中，现有的关于隐私保护的研究主要是将数据上传到感知平台，通过服务器来进行模型训练。这将会延长通信时间，还会造成个人信息泄露。针对以上的不足，本发明采用联邦学习方法，它不需要共享感知数据，在本地对感知用户提交的数据进行存储、训练形成本地模型。其次利用差分隐私加入高斯噪声来扰动感知用户上传的本地模型，防止信息泄露。将处理后的本地模型上传到感知平台进行聚合。最后采用自适应差分隐私机制，实时调整剪裁值，减少噪声和参数剪裁所造成的误差，降低通信代价。采用差分隐私与联邦学习结合的方法来研究群智感知中的隐私保护问题，不仅提高了隐私保护效率，还具有较低的时间和计算开销。

摘要： 本发明公开了一种保护数据隐私和查询隐私的结果可验证的数据查询方法，用于三方模型中，包括：(1)查询者将公钥发给中间人和拥有者；(2)中间人设一个网格，并告知另两者；(3)查询者在每个格点处对查询函数做泰勒展开成多阶多项式函数，并加密多项式系数，将多项式函数和密文发给中间人；(4)中间人进行审计，若审计确认存在隐私泄露，则拒绝回答并结束查询，否则将多项式函数和密文转发给拥有者；(5)拥有者在网格中找到距请求数据集最近格点，利用对应的多项式系数计算多项式函数，得到的查询结果密文经中间人发给查询者；(6)查询者解密查询结果密文获得明文查询结果。该方法能同时保护拥有者的数据和查询者的查询隐私。

摘要： 本发明涉及一种基于局部差分隐私的电动汽车充电位置数据隐私汇聚方法，本方法基于对应用场景及充电位置数据特点的分析，通过结合新颖的贝叶斯多伪局部差分隐私方法和基于供电线路分区的方法，设计了一种电动汽车充电位置数据隐私汇聚方法。该方法通过贝叶斯多伪方法增加扰动输出样本量，同时通过分区缩小隐私位置域的方式，有效地提高了电动汽车充电位置数据汇聚结果的可用性。

摘要： 本发明涉及一种融合差分隐私GAN和PATE模型的表格数据隐私保护方法。包括步骤1：使用原始表格数据训练差分隐私生成模型；步骤2：使用原始表格数据在差分隐私预算下训练教师分类器；步骤3：使用生成模型生成“虚假”表格数据，并使用教师分类器对“虚假”表格数据预测标签，挑选预测标签和生成标签一致的数据，定义“可用”数据集，使用“可用”数据集训练学生分类器；步骤4：将生成模型和学生分类器发布，使用生成模型合成数据，使用学生模型挑选数据，完成数据分析任务。本发明方法是在数据发布阶段对表格数据实施隐私保护，数据分析师不可以通过生成模型复原原始训练数据，也不能通过学生模型推测原始训练数据，实现对原始表格数据的保护，并满足数据分析师对数据的需求。

摘要： 本发明提供一种基于差分隐私的信用数据隐私保护方法及其系统，方法包括如下步骤：S1：用户输入参数，其中输入参数包括：信用数据集和对应信用数据集的隐私保护需求参数；S2：设定隐私保护需求参数的每个数值对应一个算法；S3：根据用户提供调用接口获取用户的信用数据集；S4：获取信用数据集的隐私保护需求参数的数值；S5：根据隐私保护需求参数的数值采用对应的算法得到隐私保护处理后的信用数据集，分别通过四个算法保护信用数据。本发明解决了在信用数据的数字型的隐私数据处理，满足差分隐私要求，可以有效的保护信用数据，使得数据在传输或者使用过程中不会泄露用户的隐私数据，并达到不同等级的数据保护。

摘要： 本发明公开了一种保护数据隐私和查询隐私的结果可验证的数据查询方法，用于三方模型中，包括：(1)查询者将公钥发给中间人和拥有者；(2)中间人设一个网格，并告知另两者；(3)查询者在每个格点处对查询函数做泰勒展开成多阶多项式函数，并加密多项式系数，将多项式函数和密文发给中间人；(4)中间人进行审计，若审计确认存在隐私泄露，则拒绝回答并结束查询，否则将多项式函数和密文转发给拥有者；(5)拥有者在网格中找到距请求数据集最近格点，利用对应的多项式系数计算多项式函数，得到的查询结果密文经中间人发给查询者；(6)查询者解密查询结果密文获得明文查询结果。该方法能同时保护拥有者的数据和查询者的查询隐私。

摘要： 本发明提供了一种基于本地差分隐私的K‑prototypes聚类数据隐私保护方法，该方法首先在用户端采用本地差分隐私技术对混合型数据进行扰动，确保服务端无法获得用户的真实数据，然后通过服务端与用户端的交互迭代完成K‑prototypes聚类。该方法实现了对K‑prototypes聚类过程中用户数据隐私的去第三方保护，并且它的实现过程简单、易操作。

摘要： 为了解决神经网络遭受攻击泄露数据以及服务器非法利用用户数据的问题，提出了一种基于本地化差分隐私的图像数据隐私保护方法。本发明首先对数据进行归一化操作，根据不同的需求场景选择不同的扰动顺序，然后利用随机响应机制和Laplace机制结合的方式对数据进行扰动，以概率p在伯努利分布中选取随机变量，根据变量值进行数据的保留或者扰动，对于需要扰动的数据，向其中添加符合Laplace分布的随机噪声。通过对扰动机制中隐私预算参数ε和抽样概率p的设置可以实现不同的隐私保护程度和数据可用性效果。最后上传到服务器进行后续的神经网络训练。

摘要： 本发明公开了一种基于聚类的差分隐私用电采集数据隐私保护方法及装置，包括：利用差分隐私技术把拉普拉斯噪音添加到用电采集数据中抵御相关攻击；根据聚类分析的结果对噪音值的最大值进行了限制。本发明利用差分隐私技术保护采集到的用电采集数据，保证数据的可用性；为了进一步提高用电采集数据的可用性，限制添加到用电采集数据中的噪音最大值。

摘要： 本发明提供一种基于差分隐私的信用数据隐私保护方法及其系统，方法包括如下步骤：S1：用户输入参数，其中输入参数包括：信用数据集和对应信用数据集的隐私保护需求参数；S2：设定隐私保护需求参数的每个数值对应一个算法；S3：根据用户提供调用接口获取用户的信用数据集；S4：获取信用数据集的隐私保护需求参数的数值；S5：根据隐私保护需求参数的数值采用对应的算法得到隐私保护处理后的信用数据集，分别通过四个算法保护信用数据。本发明解决了在信用数据的数字型的隐私数据处理，满足差分隐私要求，可以有效的保护信用数据，使得数据在传输或者使用过程中不会泄露用户的隐私数据，并达到不同等级的数据保护。