针对神经影像数据集的去匿名化攻击

成像技术的进步，加上廉价的存储，导致公开可用的神经影像数据集数量激增。对这些图像的有效分析有潜力揭示支配人脑运作的机制，并理解各种神经系统疾病与障碍。尽管这些研究的潜在意义重大，但日益增长的关切涉及参与这些研究的受试者隐私与保密性的保护。在本文中，我们提出一种植根于人脑结构与功能固有独特性的去匿名化攻击。我们表明该攻击不仅揭示个体身份，还揭示其正在执行的任务及执行任务的效能。我们的攻击依赖于新颖的矩阵分析技术，用于提取神经影像中的判别特征。这些特征对应于个体特异性签名，可在数据集间进行匹配以实现高准确度识别。我们给出了计算开销低且可扩展到大型数据集的数据预处理、签名提取与匹配技术。我们讨论了该攻击的影响以及防御此类攻击所面临的挑战。