隐私保护预测黑名单的构建与度量
密码学与安全
2018-10-09 v5 人工智能
摘要
（已撤稿）协同安全倡议日益受到倡导，以提升威胁缓解的及时性与有效性。其中，协同预测黑名单(collaborative predictive blacklisting, CPB)旨在基于多个可能遭受类似攻击的组织的告警，预测攻击来源。然而，迄今为止的CPB方案仅聚焦于提高命中数，却忽视了协同对误报和漏报的影响。此外，共享威胁情报常引发重要的隐私、机密性与责任问题。本文中，我们首先对两种最先进的CPB系统进行了全面的度量分析：一种使用可信中央方收集告警[Soldo et al., Infocom'10]，另一种依赖受控数据共享的点对点系统[Freudiger et al., DIMVA'15]，研究了协同对正确与错误预测的影响。随后，我们提出一种新颖的隐私友好方法，显著优于以往工作，在真正例率与假正例率之间取得更好平衡，同时最小化信息泄露。最后，我们给出了一种扩展，使系统能扩展至非常大量的组织。
引用
@article{arxiv.1512.04114,
title = {Building and Measuring Privacy-Preserving Predictive Blacklists},
author = {Luca Melis and Apostolos Pyrgelis and Emiliano De Cristofaro},
journal= {arXiv preprint arXiv:1512.04114},
year = {2018}
}
备注
Obsolete paper. For more up-to-date work on collaborative predictive blacklisting, see arXiv:1810.02649