論文の概要: Anonymizing Test Data in Android: Does It Hurt?
- arxiv url: http://arxiv.org/abs/2402.07460v1
- Date: Mon, 12 Feb 2024 07:42:11 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-13 15:24:01.580924
- Title: Anonymizing Test Data in Android: Does It Hurt?
- Title（参考訳）: androidでテストデータの匿名化: 痛いのか?
- Authors: Elena Masserini, Davide Ginelli, Daniela Micucci, Daniela Briola,
Leonardo Mariani
- Abstract要約: フィールドから収集されたフェールデータは、フェールを再現し分析する必要があるディベロッパにとって、貴重な情報ソースである。
残念ながら、フィールドデータには機密情報が含まれており、したがって無差別に収集することはできない。
プライバシー保護技術は、データの匿名化と個人情報開示のリスク軽減に対処することができる。
- 参考スコア（独自算出の注目度）: 5.601042583221172
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Failure data collected from the field (e.g., failure traces, bug reports, and
memory dumps) represent an invaluable source of information for developers who
need to reproduce and analyze failures. Unfortunately, field data may include
sensitive information and thus cannot be collected indiscriminately.
Privacy-preserving techniques can address this problem anonymizing data and
reducing the risk of disclosing personal information. However, collecting
anonymized information may harm reproducibility, that is, the anonymized data
may not allow the reproduction of a failure observed in the field. In this
paper, we present an empirical investigation about the impact of
privacy-preserving techniques on the reproducibility of failures. In
particular, we study how five privacy-preserving techniques may impact
reproducibilty for 19 bugs in 17 Android applications. Results provide insights
on how to select and configure privacy-preserving techniques.
- Abstract（参考訳）: フィールドから収集された障害データ(例えば、障害トレース、バグレポート、メモリダンプ)は、失敗を再現し分析する必要のある開発者にとって貴重な情報源である。
残念ながら、フィールドデータは機密情報を含んでいるため、無差別に収集することはできない。
プライバシー保護技術は、データの匿名化と個人情報開示のリスク軽減に対処することができる。
しかし、匿名化情報の収集は再現性、すなわち匿名化データが現場で観測された障害の再現を許さない可能性がある。
本稿では,プライバシ保護技術が失敗の再現性に与える影響について実証的研究を行う。
特に,プライバシ保護技術が17のAndroidアプリケーションにおいて,19のバグの再現性に与える影響について検討した。
結果は、プライバシ保護技術の選択と設定方法に関する洞察を提供する。
関連論文リスト
- FT-PrivacyScore: Personalized Privacy Scoring Service for Machine Learning Participation [4.772368796656325]
実際には、制御されたデータアクセスは、多くの産業や研究環境でデータプライバシを保護する主要な方法である。
我々は,FT-PrivacyScoreのプロトタイプを開発し,モデル微調整作業に参加する際のプライバシーリスクを効率よく定量的に推定できることを実証した。
論文 参考訳（メタデータ） (2024-10-30T02:41:26Z) - Diff-Privacy: Diffusion-based Face Privacy Protection [58.1021066224765]
本稿では,Diff-Privacyと呼ばれる拡散モデルに基づく顔のプライバシー保護手法を提案する。
具体的には、提案したマルチスケール画像インバージョンモジュール(MSI)をトレーニングし、元の画像のSDMフォーマット条件付き埋め込みのセットを得る。
本研究は,条件付き埋め込みに基づいて,組込みスケジューリング戦略を設計し,デノナイズプロセス中に異なるエネルギー関数を構築し,匿名化と視覚的アイデンティティ情報隠蔽を実現する。
論文 参考訳（メタデータ） (2023-09-11T09:26:07Z) - How Do Input Attributes Impact the Privacy Loss in Differential Privacy? [55.492422758737575]
DPニューラルネットワークにおけるオブジェクトごとの規範と個人のプライバシ損失との関係について検討する。
プライバシ・ロス・インプット・サセプティビリティ(PLIS)と呼ばれる新しい指標を導入し、被験者のプライバシ・ロスを入力属性に適応させることを可能にした。
論文 参考訳（メタデータ） (2022-11-18T11:39:03Z) - No Free Lunch in "Privacy for Free: How does Dataset Condensation Help
Privacy" [75.98836424725437]
データプライバシを保護するために設計された新しい手法は、慎重に精査する必要がある。
プライバシ保護の失敗は検出し難いが,プライバシ保護法を実装したシステムが攻撃された場合,破滅的な結果につながる可能性がある。
論文 参考訳（メタデータ） (2022-09-29T17:50:23Z) - The Privacy Onion Effect: Memorization is Relative [76.46529413546725]
もっとも脆弱な外接点の"層"を取り除くことで、前もって安全だった点の新たな層を同じ攻撃に晒す。
これは、機械学習のようなプライバシー強化技術が、他のユーザーのプライバシーに悪影響を及ぼす可能性を示唆している。
論文 参考訳（メタデータ） (2022-06-21T15:25:56Z) - Releasing survey microdata with exact cluster locations and additional
privacy safeguards [77.34726150561087]
本稿では,プライバシ保護を付加した独自のマイクロデータの有用性を活用した,代替的なマイクロデータ配信戦略を提案する。
当社の戦略は, 再識別の試みにおいても, 任意の属性に対する再識別リスクを60～80%削減する。
論文 参考訳（メタデータ） (2022-05-24T19:37:11Z) - FakeSafe: Human Level Data Protection by Disinformation Mapping using
Cycle-consistent Adversarial Network [4.987581730476023]
偽情報戦略はデータサイエンスに適応して 貴重な私的かつ機密的なデータを保護する
スマートフォンやウェアラブルなどのパーソナルデバイスから大量のプライベートデータが生成される。
セキュアなデータ転送とストレージインフラストラクチャを構築してプライバシを保存することは、ほとんどのケースでコストがかかります。
本研究では,サイクル整合性のある生成逆ネットワークを用いた人間レベルのデータ保護を実現するためのFakeSafeという手法を提案する。
論文 参考訳（メタデータ） (2020-11-23T08:47:40Z) - BeeTrace: A Unified Platform for Secure Contact Tracing that Breaks Data
Silos [73.84437456144994]
接触追跡は、新型コロナウイルスなどの感染症の拡散を制御する重要な方法である。
現在のソリューションでは、ビジネスデータベースや個々のデジタルデバイスに格納された大量のデータを利用できません。
データサイロを破り、プライバシーの目標を保証するために最先端の暗号化プロトコルをデプロイする統合プラットフォームであるBeeTraceを提案する。
論文 参考訳（メタデータ） (2020-07-05T10:33:45Z) - Learning With Differential Privacy [3.618133010429131]
異なるプライバシーは、漏洩に対する適切な保護を約束して救助にやってくる。
データの収集時にランダムな応答技術を使用し、より優れたユーティリティで強力なプライバシを保証します。
論文 参考訳（メタデータ） (2020-06-10T02:04:13Z) - PrivGen: Preserving Privacy of Sequences Through Data Generation [14.579475552088688]
シークエンシャルデータは、研究の基盤として機能し、プロセスの改善につながる可能性がある。
このようなデータへのアクセスと利用は、通常、ユーザーのプライバシーを侵害する懸念のために制限されるか、まったく許可されない。
そこで我々はPrivGenを提案する。PrivGenは、ソースデータのパターンと特徴を保守するデータを生成する革新的な方法である。
論文 参考訳（メタデータ） (2020-02-23T05:43:15Z)
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。