基于个人数据基本隐私风险理解及威胁格局演变的隐私风险预测
机器学习
2026-03-04 v2 密码学与安全
社会与信息网络
摘要
在没有对相对隐私风险基本理解的情况下，个人和组织很难保护个人信息。通过分析超过5000个实际身份盗窃和欺诈案例，本研究识别了哪些类型的个人数据被暴露、这些暴露发生的频率以及暴露后的后果。我们构建了一个身份生态系统图——一种以图结构表示的基础模型，其中节点代表可识别个人信息（PII）属性，边代表它们之间的经验披露关系（例如，一个PII属性的暴露是由于另一个PII属性的暴露导致的）。借助该图结构，我们开发了一个隐私风险预测框架，使用图论和图神经网络来估计在某些PII属性被破坏时，进一步披露的可能性。结果表明，我们的方法有效地回答了核心问题：给定的身份属性的披露是否可能导致另一个属性的披露？本研究框架的代码可在 https://github.com/niu-haoran/Privacy-Risk-Predictions-and-UTCID-Identity-Ecosystem.git 获取。
引用
@article{arxiv.2508.04542,
title = {Privacy Risk Predictions Based on Fundamental Understanding of Personal Data and an Evolving Threat Landscape},
author = {Haoran Niu and K. Suzanne Barber},
journal= {arXiv preprint arXiv:2508.04542},
year = {2026}
}
备注
13 pages, 10 figures, 1 table