TY -的A2: Rodziah宾蒂盟——汗,Rafiullah AU -艾哈迈德,艾尔沙德盟——Alsayed Alhuseen奥马尔AU - Binsawad,默罕默德盟——伊斯兰教,穆罕默德艾尔沙德盟——Ullah Mohib PY - 2020 DA - 2020/07/14 TI - QuPiD攻击:基于机器学习隐私PIR量化机制协议与健康有关的网络搜索SP - 8868686六世- 2020 AB -随着信息通信技术的进步,网络搜索引擎已经成为首选源找到在互联网上发表的与健康有关的信息。仅谷歌一项每天就收到超过10亿次与健康有关的查询。然而，为了提供与用户最相关的结果，WSEs维护用户的档案。这些配置文件可能包含私人和敏感信息，如用户的健康状况、疾病状态和其他信息。健康相关查询包含可能侵犯用户隐私的隐私敏感信息，因为用户的身份暴露，可能被WSE和第三方滥用。这引起了严重的关注，因为用户的身份是暴露的，并可能被第三方滥用。一个众所周知的保护隐私的解决方案涉及通过点对点私有信息检索协议发布查询，例如无用的用户配置文件(UUP)，从而对WSE隐藏用户的身份。本文对UUP提供的保护水平进行了研究。为此，我们提出了QuPiD (query profile distance)攻击:一种基于机器学习的攻击，用来评估UUP在隐私保护方面的有效性。QuPiD攻击利用我们提出的新特征向量确定用户的个人资料(web搜索历史)和即将进行的查询之间的距离。 The experiments were conducted using ten classification algorithms belonging to the tree-based, rule-based, lazy learner, metaheuristic, and Bayesian families for the sake of comparison. Furthermore, two subsets of an America Online dataset (noisy and clean datasets) were used for experimentation. The results show that the proposed QuPiD attack associates more than 70% queries to the correct user with a precision of over 72% for the clean dataset, while for the noisy dataset, the proposed QuPiD attack associates more than 40% queries to the correct user with 70% precision. SN - 1058-9244 UR - https://doi.org/10.1155/2020/8868686 DO - 10.1155/2020/8868686 JF - Scientific Programming PB - Hindawi KW - ER -