隐私计算安全

隐私计算

隐私计算的核心思想是支撑隐私信息的感知和量化，建立隐私信息操作过程中的可计算模型，刻画隐私操作，形成一套符号化、公式化且具有量化评价标准的隐私计算理论。

隐私脱敏技术

泛在互联环境下，数据所有者、数据控制者和数据处理者分离，在不同信息系统之间或不同管理者之间交换隐私信息时，为了实施隐私保护，脱敏是最好的技术选择。

基于匿名的隐私脱敏

通过将用户的原始数据进行泛化、抑制、置换等方式实现隐私信息的保护。
以位置为例，
泛化的基本思想是将轨迹上所有的采样点都泛化为对应的匿名区域，使攻击者无法获得准确位置。该方法中最有效的就是轨迹k-匿名技术。
抑制的基本思想是在轨迹数据正式发布之前，剔除或删去现有轨迹中的用户高频率访问位置或一些敏感位置。
对位置信息进行泛化、抑制等使攻击者很难识别用户的精确位置。当用户连续释放其扰动位置时，现有的匿名方案可能无法保护用户敏感的时空事件，如“每天上午和下午有规律地在位置1和2之间通勤”，这很容易推断位置1和位置2可能是家庭和办公场所。
基于虚假信息，每个用户的查询都将与预先构造的一组伪查询一起提交，从而使不受信任的服务器端很难识别用户的真实位置。其安全性主要取决于虚假位置构造的质量，因为它经常受到基于特征分布的攻击威胁。

k-匿名

图片共享中的隐私控制

参考文献