艾哈迈德·穆罕默德·哈米斯·埃尔梅西里(2014)基于机器学习的随机技术社交推荐服务中的合作隐私。沃特福德理工学院博士论文。
摘要
在过去十年中，开发了各种在线社交服务。它们都对当今社会产生了深远的影响。随着Web 2.0的出现和社交媒体的普及，对提供支持社交网络平台的服务的需求越来越大。不断开发新的服务，处理越来越多的个人数据，以换取个性化服务。这导致了创建成熟的系统来满足用户的需求，这被称为社会推荐服务，它创造了一种由互利驱动的必然趋势。最近，这些服务的渗透速度相对较慢，因为研究人员和用户对这些服务的开发（以及潜在的）仍然存在不同的观点。采用这些服务的一个主要问题是用户在使用这些服务时的隐私考虑。随着用户通过不同服务分发的个人数据越来越多，身份欺诈、特征分析和可链接性攻击的可能性越来越大，这不仅威胁到这些人的人格尊严，影响到他们生活的各个方面，而且也影响到整个社会。在大多数情况下，这可能会阻止用户完全接受这些服务，而迄今为止开发的大多数“隐私相关”系统要么基于可信的第三方模型，要么基于某种通用体系结构。本论文主要关注社会推荐服务。一方面，它们为新的创新应用程序奠定了基础，但另一方面，它对隐私提出了许多独特的挑战。我们研究了人们在各种社会推荐服务场景中共享个人资料偏好时面临的隐私问题。我们提出并开发了一种保护用户个人资料隐私的协作隐私方法，并将该方法应用于具有代表性的场景：（I）IPTV内容提供商的推荐服务；（二）针对IPTV推荐服务的数据聚合服务，以及（三）针对隐性社会群体（会议组织和大学校园）的社区发现和推荐服务。研究并增强了基于位置的推荐服务、移动点唱机内容推荐服务和普及医疗服务，以展示我们的方法的适用性。我们讨论了我们的方法如何处理这些场景中的隐私问题。此外，所提出的协作隐私框架被开发为一个中间件，它承载一组组件，以使用新的随机技术执行两阶段隐藏过程。两阶段隐藏过程中的每个阶段都由完全不同的政党执行，这取决于他们在联盟中的角色。所提议的中间件以及在其实现中使用的组件和技术集允许最终用户在与社会推荐服务交互时控制其发布数据的隐私。这种方法非常灵活，可以很容易地在传统的社会推荐服务中采用，因为它是在用户端执行的，并且利用了在线社会服务提供的社会结构，而无需在服务提供商端进行重大修改。评估了在不同场景中使用所提出的随机技术隐藏的数据所获得的准确性和隐私级别。此外，还介绍了对此类隐藏数据的攻击，以证明我们提出的技术对此类攻击的稳定性。最后，我们应用了非自助推荐技术，将推荐作为一个展示案例。因此，实验结果表明，该方法获得了与不安全服务相似的准确结果，同时满足了用户的隐私关注。
操作（需要登录）
 |
查看项目 |
