目前,网络搜索引擎(ws)已成为首选方法找到医疗卫生相关的内容在万维网上。最近的一项调查报告称,超过80%的患者使用WSE寻求健康信息之前咨询医生(gydF4y2Ba 1gydF4y2Ba),根据皮尤研究中心发布的报告,35%的美国成年人咨询WSE诊断医疗条件(gydF4y2Ba 2gydF4y2Ba]。然而,尽管使用网络搜索的服务,用户通常发布他们的身体状况和健康信息查询(gydF4y2Ba 3gydF4y2Ba]。网络搜索引擎声称他们收集和维护用户查询结果等各种活动的用户配置文件(排名gydF4y2Ba 4gydF4y2Ba),市场调研gydF4y2Ba 3gydF4y2Ba),个性化gydF4y2Ba 5gydF4y2Ba[],有针对性的广告gydF4y2Ba 6gydF4y2Ba),和其他人。从好的方面来说,维护用户概要文件可以提高结果的质量和用户体验,而在黑暗方面,这个不加选择地收集用户的查询可能会导致关键隐私侵犯用户的查询可能包含敏感和个人信息(gydF4y2Ba 7gydF4y2Ba]。这个问题的用户隐私违反引起相当大的关注是在2005年,当时美国司法部迫使谷歌提交记录用户的查询(gydF4y2Ba 8gydF4y2Ba]。后来,美国在线(AOL) (pseudonymized) 2000万年发布超过650000用户提交的查询三个月的时间gydF4y2Ba 9gydF4y2Ba),一些用户的身份已经推断出通过个人信息包含在他们的查询gydF4y2Ba 10gydF4y2Ba]。gydF4y2Ba

病人的健康信息自古以来被认为是一个敏感的问题,也反映在希波克拉底誓言(gydF4y2Ba 11gydF4y2Ba分泌),医生会让病人的信息(gydF4y2Ba 12gydF4y2Ba]。然而,在网络和公共卫生设施服务,用户隐私就成为行为跟踪(gydF4y2Ba 12gydF4y2Ba]。考虑这样一个场景,当一个用户发布的一系列私人查询与他/她的健康状况有关,如“艾滋病”或“糖尿病。“华沙证交所可能出售这些信息广告机构或其他公司的商业目的,最终侵犯用户的隐私(gydF4y2Ba 3gydF4y2Ba]。这样的隐私披露发生在2006年,《纽约时报》成功地演绎和推断个人信息从搜索历史pseudonymized日志发表的美国在线(AOL)。其中之一是一个62岁的寡妇了数以百计的搜索有关她的健康状况,如“手颤抖,口干,”和“尼古丁对身体的影响“链接回到她的gydF4y2Ba 13gydF4y2Ba]。gydF4y2Ba

侵犯隐私的解决这一问题,提出了几种方法。这些方法包括用户配置文件混淆gydF4y2Ba 14gydF4y2Ba),查询匆忙(gydF4y2Ba 15gydF4y2Ba),匿名的网络(gydF4y2Ba 16gydF4y2Ba),和私人信息检索(PIR)协议gydF4y2Ba 17gydF4y2Ba- - - - - -gydF4y2Ba 20.gydF4y2Ba]。在用户配置文件混淆,用户配置文件含有虚假误导WSE查询。查询中扰码技术,用户查询被一组模糊和良性的同义词和后发布到华沙证交所。基于匿名的网络技术提出了用户查询通过一系列的路由器让WSE很难跟踪查询的起源。这些方法隐藏IP地址,而用户通过cookie和设备仍可追踪的指纹(gydF4y2Ba 21gydF4y2Ba]。在PIR协议,一组用户提交查询代表彼此隐藏自己的身份。gydF4y2Ba

尽管上述方法改善用户隐私,然而,一些以往的研究(gydF4y2Ba 22gydF4y2Ba- - - - - -gydF4y2Ba 25gydF4y2Ba使用机器学习算法和用户配置文件(即。,u年代erh我年代tory or logged user queries) show that an adversary is able to break profile obfuscation and anonymizing network methods. However, it is not clear if an adversary is able to break PIR protocols using machine learning techniques. Therefore, in this research, we propose a machine learning-based attack in order to evaluate the effectiveness of popular PIR protocol, i.e., useless user profile (UUP) [ 17gydF4y2Ba,gydF4y2Ba 18gydF4y2Ba]。gydF4y2Ba

这项工作的一个更高层次的目标是分析PIR协议在保护用户隐私的有效性对不利WSE(从这里开始,我们将调用PIR协议或者表现为简单起见不失一般性)。在或者一组用户相互交流他们的查询方式,查询发起者的身份节点仍然隐藏在另一组的伴侣。在下一步中,所有小组成员向华沙证交所提交收到查询和结果中播放。WSE方面,收到用户的查询在纯文本,但用不同的身份,因此WSE不能确定查询的发起者。我们着手调查是否有可能(和在多大程度上)的不良WSE-equipped与用户的网络搜索概要文件(历史)——将查询出来的统一党退出用户链接到原始的用户,从而破坏统一党所提供的隐私。gydF4y2Ba

为了更好地理解的局限性统一党在用户的隐私,我们提出本文的研究或者关注活跃用户。本研究对QuPiD攻击,基于机器学习攻击决定之间的距离和查询用户的概要文件。我们进行了实验与随机选择的100活跃用户公开的美国在线(AOL)的数据集,把他们当统一党的用户。美国在线数据集是由超过2000万个查询提交3月1日期间2006年5月31日,2006年,650万个用户。前两个月的数据作为训练数据,上月数据作为测试数据。我们测量的效率攻击使用机器学习一些已知矩阵:精度,还记得,F-measure,真阳性率。结果表明,我们建议的QuPiD攻击将超过70%的查询到正确的用户与超过72%的精度。根据结果,我们可以得出结论,大多数用户很容易受到隐私侵权使用统一党尽管。这项工作的贡献如下:gydF4y2Ba (1)gydF4y2Ba

提出QuPiD攻击:一个基于机器学习为隐私评估PIR协议攻击gydF4y2Ba

本文的其余部分组织如下:在部分gydF4y2Ba 2gydF4y2Ba,我们将描述该QuPiD攻击。实验设置,数据的预处理,特征向量构造和分类算法进行了部分gydF4y2Ba 3gydF4y2Ba。部分gydF4y2Ba 4gydF4y2Ba给出了实验结果。部分gydF4y2Ba 5gydF4y2Ba给出了结论,并概述了未来工作的方向。gydF4y2Ba

用户更关心的隐私风险查询ws。在这项工作中,我们研究了受欢迎的PIR协议的健壮性,也就是。,统一党。如前所述,WSE接收用户的查询使用不同的身份由于洗牌的过程。因此,查询的条目不会出现真正的发起者weblog。然而,这个协议的弱点是由所有小组成员查询提交的时间。查询洗牌后一步,每一个小组成员将收到查询提交给WSE几乎在同一时间。由于他们的weblog条目出现互相接近。图gydF4y2Ba 1gydF4y2Ba说明了博客查询条目的一个例子。在图gydF4y2Ba 1gydF4y2Ba之前,表现出1显示了用户的查询洗牌过程,并同时展示2显示了洗牌后的查询过程。洗牌后,查询提交给WSE(图gydF4y2Ba 1gydF4y2Ba,表3)。gydF4y2Ba

在拟议的不良模型中,WSE被认为是一个实体,其目标是对保护隐私的解决方案并确定感兴趣的用户(UoI)查询分析的目的。假设WSE配备了用户的搜索历史记录(即。用户配置文件)聚氨酯。用户配置文件包含用户提交的查询过去不使用任何统一党协议方程所示(gydF4y2Ba 1gydF4y2Ba)(gydF4y2Ba PgydF4y2Ba _问gydF4y2Ba 我gydF4y2Ba显示查询的UoI概要文件)。gydF4y2Ba (1)gydF4y2Ba 聚氨酯gydF4y2Ba =gydF4y2Ba PgydF4y2Ba 问gydF4y2Ba 1gydF4y2Ba ,gydF4y2Ba PgydF4y2Ba 问gydF4y2Ba 2gydF4y2Ba ,gydF4y2Ba PgydF4y2Ba 问gydF4y2Ba 3gydF4y2Ba ,gydF4y2Ba …gydF4y2Ba PgydF4y2Ba 问gydF4y2Ba ngydF4y2Ba 。gydF4y2Ba

用户配置文件使用聚氨酯作为构建分类模型的训练数据。用于实验的数据集是分布在三个月的时间,第一个两个月的数据作为训练集,而北爱尔兰统一党协议与第三个月模拟数据来创建一个匿名日志(如图gydF4y2Ba 1gydF4y2Ba,表3)。匿名日志作为测试集,测试所有会话窗口的UoI从查询日志。会话窗口是一块记录(日志查询条目)在一个匿名的UoI日志包含条目,但与另一个用户(gydF4y2Ba 26gydF4y2Ba,gydF4y2Ba 27gydF4y2Ba]。换句话说,会话窗口由所选号码查询的条目WSE查询日志,前后出现的UoI的查询。如图gydF4y2Ba 1gydF4y2Ba(表4),我们的UoI是“用户3”和会话窗口大小是15记录(记录之前的UoI和7之后的UoI 7日)。对于这个研究,我们使用251条记录的窗口大小。每个会话窗口(gydF4y2Ba 年代gydF4y2Ba_{赢得gydF4y2Ba})是由125查询出现之前和125查询查询后出现的UoI(根据的建议gydF4y2Ba 27gydF4y2Ba])。一个通用的会话窗口gydF4y2Ba 年代gydF4y2Ba_{赢得gydF4y2Ba}方程所示(gydF4y2Ba 2gydF4y2Ba)(gydF4y2Ba 问gydF4y2Ba _我gydF4y2Ba代表一个查询在会话窗口中)。所有会话窗口GS的集合gydF4y2Ba_{赢得gydF4y2Ba}方程所示(gydF4y2Ba 3gydF4y2Ba)。gydF4y2Ba (2)gydF4y2Ba 年代gydF4y2Ba 赢得gydF4y2Ba =gydF4y2Ba 问gydF4y2Ba 1gydF4y2Ba ,gydF4y2Ba 问gydF4y2Ba 2gydF4y2Ba ,gydF4y2Ba 问gydF4y2Ba 3gydF4y2Ba ,gydF4y2Ba …gydF4y2Ba ,gydF4y2Ba 问gydF4y2Ba 125年gydF4y2Ba ,gydF4y2Ba 问gydF4y2Ba UoIgydF4y2Ba ,gydF4y2Ba 问gydF4y2Ba 126年gydF4y2Ba ,gydF4y2Ba …gydF4y2Ba ,gydF4y2Ba 问gydF4y2Ba 251年gydF4y2Ba ,gydF4y2Ba (3)gydF4y2Ba GSgydF4y2Ba 赢得gydF4y2Ba =gydF4y2Ba 年代gydF4y2Ba 赢得gydF4y2Ba 1gydF4y2Ba ,gydF4y2Ba 年代gydF4y2Ba 赢得gydF4y2Ba 2gydF4y2Ba ,gydF4y2Ba 年代gydF4y2Ba 赢得gydF4y2Ba 3gydF4y2Ba ,gydF4y2Ba …gydF4y2Ba ,gydF4y2Ba 年代gydF4y2Ba 赢得gydF4y2Ba ngydF4y2Ba 。gydF4y2Ba

所示的查询日志,目标用户使用任何PIR协议仍将隐藏由于他/她查询的查询交换另一个用户。因此,一个会话窗口是用来减少测试数据。聚氨酯(训练集)和ggydF4y2Ba_{赢得gydF4y2Ba}(测试集)作为输入使用不良的算法模型。不良的工作模式提出了算法gydF4y2Ba 1gydF4y2Ba和图中所示gydF4y2Ba 2gydF4y2Ba。算法的工作如下:gydF4y2Ba

输入:gydF4y2Ba用户配置文件(PU);所有会话窗口属于用户(gydF4y2Ba GSgydF4y2Ba 赢得gydF4y2Ba )。gydF4y2Ba

实验目的,两个子集AOL的100用户创建数据集组成一个三个月的网络在线用户的查询日志。每个子集被分为两个部分,即。、训练和测试数据。训练数据是由前两个月的日志,而测试数据由上个月的日志。用户选择标准的细节和数据集的形成进行了部分gydF4y2Ba 4gydF4y2Ba。gydF4y2Ba

本研究的主要目的是提出和评估一个隐私量化模型PIR协议。实验用两个数据集执行:噪声和清洁(部分gydF4y2Ba 3.3gydF4y2Ba),每组由100用户变量查询频率分布在五组。对于每个UoI,我们测量精度,还记得,从一个匿名和真阳性比例的正确分类查询日志。gydF4y2Ba

表gydF4y2Ba 5gydF4y2Ba和gydF4y2Ba 6gydF4y2Ba说明了真阳性百分比的查询gydF4y2Ba UoIgydF4y2Ba在这两个数据集。根据表gydF4y2Ba 5gydF4y2Ba,所有算法正确识别89%以上查询2的用户除了专家和LogitBoost嘈杂的数据集。专家正确识别80%到90% 4用户的查询。总的来说,IBK正确识别50%以上查询的36个用户随后装袋和KStar 30和28个用户,分别在嘈杂的数据集。同样,在干净的数据集,以前和韩国中小企业银行能够正确识别14 89%以上查询用户J48和装袋与12个用户。总的来说,IBK正确识别50%以上查询所有100个用户的KStar和装袋与96年和92年用户在干净的数据集。所有算法的详细性能(真阳性的比率)的干净数据集表给出gydF4y2Ba 6gydF4y2Ba。在这两个数据集,懒惰的学习者家庭算法的性能(即。IBK KStar)相比其他选择算法要好。gydF4y2Ba

正如前面提到的,这两个数据集进一步分为5组20个用户(表gydF4y2Ba 4gydF4y2Ba),以便观察的影响大小的培训结果的准确性。表gydF4y2Ba 7gydF4y2Ba显示所有算法的性能的比较与训练数据集大小的变化在嘈杂的数据集。每个算法的性能测量精度和召回。IBK和KStar相关查询到正确的用户提供40%以上的精度高于60%在所有情况下,虽然装袋,J48、决策表,和贝叶斯网络相关查询到正确的用户提供25%以上的精度在60%以上。从训练数据集的大小的角度来看,它是有点难以得出结论关于它对精度的影响。几乎每一个算法显示不规则行为变化的训练数据集的大小。第一三组IBK的性能,J48, KStar,以前观察到的更准确。然而,出乎意料的,召回率下降在过去的两组。结果的精度和召回嘈杂的数据绘制在图gydF4y2Ba 5gydF4y2Ba。gydF4y2Ba

然而,在干净的数据集,一个清晰的模式改进的回忆是可见的。根据表gydF4y2Ba 8gydF4y2Ba,所有算法的性能改善作为训练数据集的大小增加。IBK和KStar相关查询到正确的用户提供62%以上的精度高于70%在所有情况下,虽然装袋,J48、决策表,和以前相关超过51.68%到82.84%的查询到正确的用户在所有情况下的精度高于60%。其他算法、贝叶斯网络能把70%以上的查询在某些情况下。虽然召回的增加与训练数据的增加并不是线性的,一种改进模式清晰可见的干净的数据集。结果的精度和召回干净数据绘制在图gydF4y2Ba 6gydF4y2Ba。gydF4y2Ba

总的来说,银行和装袋相关查询到正确的用户提供45.1%和43%精度高于70%的嘈杂的数据集,而J48 KStar,和以前相关的42.2%,41.7%,和40.6%的查询到正确的用户提供精度为70.9%,73.5%,70.2%。同样,在干净的数据集,查询相关IBK和装袋79.5%和75.7%与79.6%和75.9%正确的用户精度,而J48 KStar,和以前相关的73.9%,74.4%,和72%的查询到正确的用户提供精度为73.9%,76.1%,72.6%。排名前三的算法而言,F-measure(之间的权衡精度和召回)IBK嘈杂的数据集,装袋,J48得分为0.514,0.487,和0.477,分别为干净的数据集时,排名前三的算法是IBK,装袋,和KStar得分是0.793,0.753,和0.745,分别。因此,IBK决心成为一个更合适的算法对特征向量”类别。“结果的平均F-measure吵闹的和干净的数据集是绘制在图gydF4y2Ba 7gydF4y2Ba。gydF4y2Ba

健康信息自古以来被认为是敏感的私人信息。然而,WSE收集这些信息销售和有针对性的广告,这可能侵犯用户的隐私。介绍QuPiD攻击:一个基于机器学习提供的保护水平的量化攻击流行统一党PIR协议。QuPiD攻击使用分类算法和用户分类的历史传入的查询。我们使用两个子集(噪声和干净的数据集)的真实网络数据来测试该模型。我们表明,我们建议的攻击成功的正确关联的查询他们的真正发起者在一个较高的比例。选拔最优秀的分类算法,我们进行了实验与十个来自不同家庭的分类算法。J48和以前的基于树的家庭,决策表,JRip,和专家从基于规则的家庭、银行和KStar从懒惰的学生家庭,装袋和LogitBoost metaheuristic家庭,从贝叶斯的家庭选择和贝叶斯网络。结果表明,IBK是最合适的算法,如果使用“种类”的特征向量。gydF4y2Ba

在嘈杂的数据集的分析,几乎每一个算法显示不规则行为变化的训练数据集的大小。然而,干净的数据分析,我们发现,当增加训练数据的大小而构建分类模型,测试数据的回忆正在改善。因此,我们得出这样的结论:噪音是不稳定行为的因素之一。我们的分析表明,PIR协议机器学习很容易受到攻击,即使一级分类标签的查询。为目前PIR协议这种情况令人担忧。任何web搜索引擎甚至web服务配备一个概要文件用户可以公开的目标用户。在未来,我们有兴趣评估拟议的攻击从不同的角度,如集团的影响大小,查询的数量在一个会话,用户配置文件大小,等等。此外,我们兴奋地探索的不稳定行为分类算法。gydF4y2Ba