建模相互依赖的隐私威胁

在线社交网络、用户生成内容和第三方应用的兴起使数据共享成为不可避免的趋势，由用户行为和个人信息的商业价值共同驱动。随着服务提供商积累大量数据，保护个人隐私变得越来越具有挑战性。隐私威胁建模已成为识别和缓解风险的关键工具，LINDDUN、xCOMPASS和PANOPTIC等方法提供了系统性方法。然而，这些框架主要关注单一用户与系统组件交互产生的威胁，往往忽视了相互依赖隐私（IDP）：即一个用户的行为影响其他用户甚至非用户的隐私。IDP风险在第三方应用中尤为突出，平台的权限、API和用户行为可能导致非预期且未经同意的数据共享，如Cambridge Analytica案例。我们认为现有的威胁建模方法在揭示IDP相关威胁方面存在局限性，可能低估了隐私风险。为弥补这一差距，我们提出了一种专门聚焦于相互依赖隐私的方法论。我们的贡献有三方面：（i）我们识别了当前威胁建模框架中IDP特有的挑战和局限，（ii）我们创建了IDPA，一种专门针对IDP威胁的威胁建模方法，（iii）我们通过WeChat案例研究验证了该方法。我们相信IDPA可在第三方应用之外的系统上有效运行，并可能激发更多关于专门化威胁建模的研究。