論文の概要: FP-Fed: Privacy-Preserving Federated Detection of Browser Fingerprinting
- arxiv url: http://arxiv.org/abs/2311.16940v1
- Date: Tue, 28 Nov 2023 16:43:17 GMT
- ステータス: 処理完了
- システム内更新日: 2023-11-29 17:42:29.511853
- Title: FP-Fed: Privacy-Preserving Federated Detection of Browser Fingerprinting
- Title(参考訳): FP-Fed: ブラウザ指紋のプライバシ保護フェデレーション検出
- Authors: Meenatchi Sundaram Muthu Selva Annamalai and Igor Bilogrevic and
Emiliano De Cristofaro
- Abstract要約: ブラウザの指紋認証は、Web上のユーザを追跡するサードパーティ製のクッキーの、魅力的な代替手段だ。
以前の研究では、その有病率と重症度を検出するためのいくつかの手法が提案されていた。
ブラウザ指紋検出のための最初の分散システムであるFP-Fedを提案する。
- 参考スコア(独自算出の注目度): 10.671588861099323
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Browser fingerprinting often provides an attractive alternative to
third-party cookies for tracking users across the web. In fact, the increasing
restrictions on third-party cookies placed by common web browsers and recent
regulations like the GDPR may accelerate the transition. To counter browser
fingerprinting, previous work proposed several techniques to detect its
prevalence and severity. However, these rely on 1) centralized web crawls
and/or 2) computationally intensive operations to extract and process signals
(e.g., information-flow and static analysis). To address these limitations, we
present FP-Fed, the first distributed system for browser fingerprinting
detection. Using FP-Fed, users can collaboratively train on-device models based
on their real browsing patterns, without sharing their training data with a
central entity, by relying on Differentially Private Federated Learning
(DP-FL). To demonstrate its feasibility and effectiveness, we evaluate FP-Fed's
performance on a set of 18.3k popular websites with different privacy levels,
numbers of participants, and features extracted from the scripts. Our
experiments show that FP-Fed achieves reasonably high detection performance and
can perform both training and inference efficiently, on-device, by only relying
on runtime signals extracted from the execution trace, without requiring any
resource-intensive operation.
- Abstract(参考訳): ブラウザの指紋認証は、web上のユーザを追跡するためのサードパーティのクッキーに、魅力的な代替手段を提供することが多い。
実際、一般的なWebブラウザが配置するサードパーティ製クッキーの制限が増加し、GDPRのような最近の規制によって移行が加速する可能性がある。
ブラウザのフィンガープリントに対抗するために、以前の研究は、その有病率と重症度を検出するいくつかの手法を提案した。
しかし これらは
1)集中型ウェブクローラ及び/又は
2)信号(例えば情報フローや静的解析)を抽出・処理するための計算集約的な操作。
これらの制約に対処するため、ブラウザ指紋検出のための最初の分散システムであるFP-Fedを提案する。
FP-Fedを使用することで、ディファレンシャル・プライベート・フェデレート・ラーニング(DP-FL)に頼ることで、トレーニングデータを中央エンティティと共有することなく、実際のブラウジングパターンに基づいてデバイスモデルを協調的にトレーニングすることができる。
その実現可能性と有効性を示すため、FP-Fedは、異なるプライバシレベル、参加者数、スクリプトから抽出した機能を持つ18.3kの人気のウェブサイトでパフォーマンスを評価した。
実験の結果,fp-fedは,リソース集約的な操作を必要とせず,実行トレースから抽出したランタイム信号のみを頼りに,デバイス上でトレーニングと推論の両方を効率的に行うことができることがわかった。
関連論文リスト
- FedSIS: Federated Split Learning with Intermediate Representation
Sampling for Privacy-preserving Generalized Face Presentation Attack
Detection [4.1897081000881045]
目に見えないドメイン/アタックへの一般化の欠如は、FacePAD(face presentation attack detection)アルゴリズムのアキレスヒールである。
本研究では、プライバシ保護ドメインの一般化のために、中間表現サンプリング(FedSIS)を用いたFederated Split Learningと呼ばれる新しいフレームワークを導入する。
論文 参考訳(メタデータ) (2023-08-20T11:49:12Z) - The Wyner Variational Autoencoder for Unsupervised Multi-Layer Wireless
Fingerprinting [6.632671046812309]
識別性能を向上させるための多層署名を共同で検討する多層フィンガープリントフレームワークを提案する。
従来の手法とは対照的に,近年のマルチビュー機械学習のパラダイムを活用して,マルチレイヤ機能間で共有されるデバイス情報を,監督なしでクラスタ化することができる。
実験の結果,提案手法は教師なしと教師なしの両方の設定において,最先端のベースラインよりも優れていた。
論文 参考訳(メタデータ) (2023-03-28T10:05:06Z) - Cluster-level pseudo-labelling for source-free cross-domain facial
expression recognition [94.56304526014875]
表情認識のためのSFUDA法を提案する。
本手法は,自己教師付き事前学習を利用して,対象データから優れた特徴表現を学習する。
提案手法の有効性を4つの適応方式で検証し,FERに適用した場合,既存のSFUDA法より一貫して優れていることを示す。
論文 参考訳(メタデータ) (2022-10-11T08:24:50Z) - Disentangled Representation Learning for RF Fingerprint Extraction under
Unknown Channel Statistics [77.13542705329328]
本稿では,まず,不整合表現学習(DRL)の枠組みを提案し,入力信号を逆学習によりデバイス関連成分とデバイス関連成分に分解する。
提案フレームワークにおける暗黙的なデータ拡張は、デバイス非関連チャネル統計の過度な適合を避けるために、RFF抽出器に正規化を課す。
実験により、DR-RFFと呼ばれる提案手法は、未知の複雑な伝播環境に対する一般化可能性の観点から従来の手法よりも優れていることが示された。
論文 参考訳(メタデータ) (2022-08-04T15:46:48Z) - Transformer-based Context Condensation for Boosting Feature Pyramids in
Object Detection [77.50110439560152]
現在の物体検出器は、通常マルチレベル特徴融合(MFF)のための特徴ピラミッド(FP)モジュールを持つ。
我々は,既存のFPがより優れたMFF結果を提供するのに役立つ,新しい,効率的なコンテキストモデリング機構を提案する。
特に,包括的文脈を2種類の表現に分解・凝縮して高効率化を図っている。
論文 参考訳(メタデータ) (2022-07-14T01:45:03Z) - Mobile Behavioral Biometrics for Passive Authentication [65.94403066225384]
本研究は, 単モーダルおよび多モーダルな行動的生体特性の比較分析を行った。
HuMIdbは、最大かつ最も包括的なモバイルユーザインタラクションデータベースである。
我々の実験では、最も識別可能な背景センサーは磁力計であり、タッチタスクではキーストロークで最良の結果が得られる。
論文 参考訳(メタデータ) (2022-03-14T17:05:59Z) - Differentially Private Federated Learning on Heterogeneous Data [10.431137628048356]
フェデレートラーニング(Federated Learning、FL)は、大規模分散ラーニングのパラダイムである。
i)高度に異質なユーザデータからの効率的なトレーニング、(ii)参加ユーザのプライバシ保護という2つの大きな課題に直面しています。
本稿では,差分プライバシー(DP)制約を取り入れた新しいFL手法を提案する。
論文 参考訳(メタデータ) (2021-11-17T18:23:49Z) - Masked LARk: Masked Learning, Aggregation and Reporting worKflow [6.484847460164177]
多くのWeb広告データフローは、ユーザの受動的クロスサイト追跡を含む。
ほとんどのブラウザは、その後のブラウザイテレーションで3PCの削除に向かっている。
本稿では,ユーザエンゲージメント測定とモデルトレーニングの集約を目的としたMasked LARkという新しい提案を提案する。
論文 参考訳(メタデータ) (2021-10-27T21:59:37Z) - Federated Test-Time Adaptive Face Presentation Attack Detection with
Dual-Phase Privacy Preservation [100.69458267888962]
顔提示攻撃検出(fPAD)は、現代の顔認識パイプラインにおいて重要な役割を果たす。
法的およびプライバシー上の問題により、トレーニングデータ(実際の顔画像と偽画像)は、異なるデータソース間で直接共有することはできない。
本稿では,二相プライバシー保護フレームワークを用いたフェデレーションテスト時間適応顔提示検出を提案する。
論文 参考訳(メタデータ) (2021-10-25T02:51:05Z) - Predicting Process Name from Network Data [0.0]
本稿では,トラフィックを発生させるアプリケーションを予測するために,Netflowのような機能を利用する機械学習技術について報告する。
実験では,大規模企業環境に展開したホスト型センサから得られた地中構造ラベルを用いて実験を行った。
機械学習モデルが、ネットフローのような特徴のみを分類の基盤として、どのように高い分類精度を達成するかを実証する。
論文 参考訳(メタデータ) (2021-09-03T20:15:34Z) - WAFFLe: Weight Anonymized Factorization for Federated Learning [88.44939168851721]
データが機密性やプライベート性を持つドメインでは、ローカルデバイスを離れることなく、分散的に学習できるメソッドには大きな価値があります。
本稿では,フェデレートラーニングのためのウェイト匿名化因子化(WAFFLe)を提案する。これは,インド・バフェット・プロセスとニューラルネットワークの重み要因の共有辞書を組み合わせたアプローチである。
論文 参考訳(メタデータ) (2020-08-13T04:26:31Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。