Dec, 2023

基于预测的数据安全 DLP 方法

PDF
TL;DR敏感数据泄露是当前企业面临的主要问题之一，本研究提出了一种基于数据统计分析的数据泄露预测和访问权限控制的数据泄露防护解决方案。研究结果表明，该方法具有较高的精确度，在极端数据访问情况下，能够正确地对用户进行分类。
sensitive data leakagedata leak preventiondata securitydata access permissiondata statistical analysis
发现论文，激发创造
  • 基于分类模型的面向学习的 DLP 系统

    该研究论文提出了一种统计数据泄漏预防模型，利用统计分析、文档分类以及机器学习等方法，采用 TF-IDF（词频 - 逆文档频率）等流行的术语计数 / 权重函数，引入了 IGBCA（改进的梯度提升分类算法）作为一种高效精确的文档分类方法，可防止数据泄漏和信息丢失。

    Dec, 2023

  • 关于本地差分隐私在数据统计和分析中的综合调研

    本文论述了 LDP（Local Differential Privacy）模型的隐私保护架构，包括模型、机理、应用场景以及未来研究方向，并比较了在不同数据分析任务中的应用，以达到保护数据隐私的目的。

    Oct, 2020

  • 本地差分隐私：教程

    本文针对 LDP 算法在隐私、统计计算和大数据等领域的应用，介绍了不同 LDP 算法在本地程序用户隐私保护、重要数据识别和空间数据收集等问题上的实现并探讨了其未来发展方向。

    Jul, 2019

  • 重新思考隐私保护深度学习：如何评估和阻止隐私攻击

    本文研究了隐私保护深度学习机制对于各种形式的隐私攻击的能力，提出了通过重构、追踪和成员攻击量化测量模型准确性和隐私损失之间的权衡，针对重构攻击提出了解决带有噪声的线性方程组的新颖方法，通过 SPN 技术解决了现有 PPDL 方法面临的隐私攻击对其构成的严重挑战，实验表明在数据隐私得到满意保护的情况下，模型的准确性平均提高了 5-20%。

    Jun, 2020

  • 提升机器学习数据隐私保护的最新方法 —— 综述

    探讨隐私保护机器学习（PPML）的兴起及其对各领域的巨大影响，强调在机器学习框架中保护隐私所面临的挑战，讨论当前研究努力，旨在最小化隐私敏感信息和增强数据处理技术，通过应用密码学方法、差分隐私和可信执行环境等隐私保护技术，保护机器学习训练数据防止隐私侵犯，尤其关注 PPML 在敏感领域中的应用及其在保护机器学习系统隐私与安全方面的关键作用。

    Feb, 2024

  • 差分隐私自然语言模型：最新进展与未来方向

    该研究综述了近年来在自然语言处理（NLP）领域中，如何在保护敏感数据的隐私同时实现良好性能的关键挑战。为了保护数据隐私， 差分隐私（DP）成为了隐私数据分析的有效技术。本文着重探讨了在 DP 深度学习模型中的自然语言处理 (DP-NLP) 的最新研究进展，并阐述了一些挑战和未来方向。

    Jan, 2023

  • 基于知识蒸馏的本地差分隐私分布式深度学习

    本文提出了一种隐私保护的分布式深度学习框架 LDP-DL, 通过使用本地差分隐私和知识蒸馏进行模型训练。实验结果表明，在三个常用深度学习数据集 (CIFAR10, MNIST, FashionMNIST) 上的实验中，LDP-DL 在隐私预算和模型准确性方面均优于其他竞争对手。

    Feb, 2022

  • 利用人工智能规划检测云安全漏洞

    云计算服务、安全漏洞、访问控制策略、PDDL 模型和亚马逊 AWS 云配置是本研究的五个关键词，该研究提出了一个通用框架来表达云系统中不同云对象之间的关系，以建立访问控制策略，并使用 PDDL 模型检测安全漏洞，从而测试 14 个真实的亚马逊 AWS 云配置中的安全性漏洞。

    Feb, 2024

  • 针对分布估计的效用优化局部差分隐私机制

    本文介绍了一种关于局部差分隐私技术的改进算法 —— 使用语义标签和个性化机制实现的 “优化保密” 机制（ULDP），能够在保护用户隐私的前提下对个人数据进行分布估计，提高了数据利用率。

    Jul, 2018

  • 水配管漏洞检测器的对抗攻击

    本文为针对水系统中泄漏监测装置的机器学习方法的对抗攻击提出分类方法，进一步关注敏感点问题并使用三种不同的算法解决，结果在两个基准水分布网络上得到评估。

    May, 2023