論文の概要: Quantifying the Privacy Posture of Operator-Side 5G/O-RAN Profiles

• arxiv url: http://arxiv.org/abs/2610.07976v1
• Date: Tue, 06 Oct 2026 08:42:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 02:58:29.901456
• Title: Quantifying the Privacy Posture of Operator-Side 5G/O-RAN Profiles
• Title（参考訳）: 演算子側5G/O-RANプロファイルのプライバシ姿勢の定量化
• Abstract要約: オペレーター側匿名化後の再同定リスクはどの程度残っているかを検討する。 我々は、k-匿名性、l-多様性、t-クロース性でプライバシー姿勢を定量化し、それらを複合プライバシ-姿勢指数(PPI)に集約する。 評価は質素な規模で行われており、その傾向は決定的ではなく示唆的だと見なしている。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Operator-side network profiles derived from 5G/ORAN traffic carry personal data such as ephemeral subscriber identifiers, slice-level KPIs, and control-plane signalling, and must be anonymised before release to a federated-learning aggregator, threat-intelligence exchange, or ML training pipeline. We study how much re-identification risk remains after standard operator-side anonymisation. We quantify privacy posture with k-anonymity, l-diversity and t-closeness, aggregate them into a composite Privacy-Posture Index (PPI), and measure residual re-identification across eight transformation configurations on internal PCAP captures and the public Idaho Labs 5GAD corpus, under a full-QI syntactic bound and two simulated adversaries. The evaluation is modest in scale, and we read its trends as indicative rather than definitive. Three findings emerge. Pseudonymisation alone leaves re-identification unchanged; material privacy gains arise when quasi-identifiers are coarsened through generalisation, optionally combined with suppression. A downstream classification task then shows that suppression-heavy releases retain majority-class utility but sacrifice much of their minority-class recall, a cost the aggregate metrics hide. Finally, the standard kmin-based PPI correlates only modestly with the disclosure bound and not at all with the partial-knowledge attack, whereas a mean-class-size variant PPI correlates strongly with all three disclosure/attack measures; we therefore read PPI as a regulator-facing summary, not a security bound. The profiles are produced by passive operator-side monitoring with rule-based DPI; our contribution is the privacy-quantification layer that computes these metrics, applies the transformation policy, and exposes both through an inspectable dashboard.
• Abstract（参考訳）: 5G/ORANトラフィックから派生したオペレータ側ネットワークプロファイルは、短命の加入者識別子、スライスレベルKPI、コントロールプレーンシグナリングなどの個人データを持ち、フェデレート学習アグリゲータ、脅威インテリジェンス交換、MLトレーニングパイプラインにリリースする前に匿名化する必要がある。 オペレーター側匿名化後の再識別リスクはどの程度残っているかを検討する。 我々は、k-匿名性、l-多様性、t-クロース性でプライバシ姿勢を定量化し、それらを複合プライバシ-姿勢指数(PPI)に集約し、内部PCAPキャプチャとパブリックIdaho Labs 5GADコーパス上の8つの変換構成における残留再識別を、完全なQI構文境界と2つの擬似敵の下で測定する。 評価は質素な規模で行われており、その傾向は決定的ではなく示唆的だと見なしている。 3つの発見がある。 擬似化だけで再識別は変わらない; 物質的プライバシーの上昇は、準同一化が一般化によって粗くなり、任意に抑制と組み合わせられることによって生じる。 下流の分類タスクは、抑圧性の高いリリースが多数クラスのユーティリティを維持しているが、少数クラスのリコールの大部分を犠牲にしていることを示している。 最後に、標準kminベースのPPIは、部分知識攻撃とは無関係に、開示バウンダリと緩やかに相関する一方、平均クラスサイズの変種PPIは3つの開示/アタック対策すべてと強く相関するので、PPIはセキュリティバウンダリではなく規制対象の要約として読み取る。 私たちの貢献は、これらのメトリクスを計算し、変換ポリシーを適用し、両方を検査可能なダッシュボードを通じて公開する、プライバシの定量化レイヤです。

関連論文リスト

• Conformal Privacy Auditing: Calibrated Re-identification Attacks with Statistical Guarantees [57.41572512458446]
  公開されたテキストからの経験的アイデンティティリークは、大きな言語モデル(LLM)とドキュメントを個人にリンクするための補助的な知識を組み合わせた攻撃者によって駆動される。 本稿では,各文書の再識別リスクの統計証明を提供する分散フリーキャリブレーションフレームワークであるConformal Privacy Auditingを紹介する。
  論文  参考訳（メタデータ） (2026-09-18T05:49:54Z)
• Privacy Leakage in Federated Learning: Gradient-Based Client Identity Inference and Defenses for Inertial Sensing in Vehicular Edge Networks [1.656436183201117]
  送信重みデルタからのサーバ側クライアント識別推定について検討する。 軽量なクリップ・テーマ・ノイズ・ディフェンスのプライバシーとユーティリティのトレードオフを定量化する。
  論文  参考訳（メタデータ） (2026-09-02T09:49:39Z)
• Agentic Permissions Policy Algebra for Taint Confinement in LLM Agents [0.0]
  従来のテナント追跡は、未確認データを読み取る際にエージェントのコンテキストを永久に汚染する。 本稿では,エンジン管理型コンテキスト分岐によるユーザビリティボトルネックを解決するためのIFCフレームワークであるAPPAを提案する。 我々は4つのモデルにまたがるマルチターンツールチェインベンチマークでAPPAを評価した。
  論文  参考訳（メタデータ） (2026-07-27T16:19:45Z)
• Distributed Deep Variational Approach for Privacy-preserving Data Release [12.868309078964591]
  フェデレーション学習により、分散ノードは生データを交換することなく、共有モデルをトレーニングできる。 プライバシーに敏感な医療センサ、IoTデバイスでは、データをローカルに保つことで提供される保護が不完全である。 生データを低次元の表現にマッピングする衛生化エンコーダを学習する,連続的な高次元入力のためのEmphGaussian Privacy Protectorフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-05-04T18:41:37Z)
• Secure Aggregation is Not Private Against Membership Inference Attacks [66.59892736942953]
  フェデレーション学習におけるSecAggのプライバシーへの影響について検討する。 SecAggは、単一のトレーニングラウンドであっても、メンバシップ推論攻撃に対して弱いプライバシを提供します。 以上の結果から,ノイズ注入などの付加的なプライバシー強化機構の必要性が浮き彫りになった。
  論文  参考訳（メタデータ） (2024-03-26T15:07:58Z)
• 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)
• Is Vertical Logistic Regression Privacy-Preserving? A Comprehensive Privacy Analysis and Beyond [57.10914865054868]
  垂直ロジスティック回帰(VLR)をミニバッチ降下勾配で訓練した。 我々は、オープンソースのフェデレーション学習フレームワークのクラスにおいて、VLRの包括的で厳密なプライバシー分析を提供する。
  論文  参考訳（メタデータ） (2022-07-19T05:47:30Z)

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。