论文笔记：A Privacy-Preserving Multipurpose Watermarking Scheme for Audio Authentication and Protection

最新推荐文章于 2024-11-18 08:43:11 发布
最新推荐文章于 2024-11-18 08:43:11 发布
阅读量647 收藏 2
点赞数
分类专栏： 数字版权保护 文章标签： 数字版权保护
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/qq_35771020/article/details/102543587
版权

一、基本信息

论文题目：《A Privacy-Preserving Multipurpose Watermarking Scheme for Audio Authentication and Protection》

发表时间：2018 17th IEEE International Conference On Trust, Security And Privacy In Computing And Communications/ 12th IEEE International Conference On Big Data Science And Engineering

作者及单位：

 

二、摘要

在云计算环境下，既要考虑音频内容的隐私保护，又要考虑版权保护和内容认证。本文提出了一种基于云存储和计算的音频多用途加密水印方案。我们对加密音频进行加密域离散小波变换，得到加密系数。利用扩频技术，将鲁棒水印和脆弱水印嵌入到不同的子带中。然后提出了从加密水印音频中提取鲁棒水印和脆弱水印的算法。通过实验验证了该方案的有效性和可行性。结果表明，该方案具有良好的鲁棒性、脆弱性和篡改定位性能。

 

三、主要工作与内容

1、作为多媒体的重要组成部分，音频在互联网和移动操作系统中扮演着非常重要的角色，智能手机已经成为人们上网最常用的平台之一，因此对音频通信、处理和保护的要求比以往更加迫切。例如，音频在whatsapp、facebook messenger、line、imessage、wechat等移动社交应用中得到了广泛的应用，因此，研究具有隐私保护功能的音频通信和处理是

最低0.47元/天 解锁文章
【论文笔记11】 Deep Domain Adaptation With Differential Privay 差分隐私下的深度域泛化, IEEE TIFS 2020
weixin_45632492的博客
04-10 936
目录导引系列传送AbstractReference 系列传送 【Active Learning】 【论文笔记01】Learning Loss for Active Learning, CVPR 2019 【论文笔记02】Active Learning For Convolutional Neural Networks: A Core-Set Approch, ICLR 2018 【论文笔记03】Variational Adversarial Active Learning, ICCV 2019 【论文笔记0
论文笔记：An Efficient Two-Layer Mechanism for Privacy-Preserving Truth Discovery
qq_35771020的博客
02-19 834
一、基本信息 论文题目：《An Efficient Two-Layer Mechanism for Privacy-Preserving Truth Discovery》 发表时间：KDD 2018 论文作者及单位： Yaliang Li Tencent Medical AI Lab, Palo Alto, CA, USA Chenglin Miao Sta...
论文笔记：Privacy Analysis on Microblogging Online Social Networks: a Survey
麦地与诗人
02-10 301
摘要 在过去的十年里，在线社交网络(OSNs)包含了许多不同形式的互动交流，包括多媒体共享、微博服务等。他们允许用户创建个人资料，与朋友联系，分享他们的日常活动和想法。然而，OSNs的这种易用性带来了用户隐私和安全方面的代价。 用户个人资料中共享的或与用户活动相关的大量个人数据可以存储、处理和出售，用于广告或统计目的。它也吸引了能够收集和利用数据并针对不同类型攻击的恶意用户。 引言 最初，人们通过...
signature=7bc41961235756517b1043d69a241a65,Top-Blockchain-paper
weixin_28882907的博客
05-30 1796
Top-Blockchain-paperCollect blockchain academic papers and welcome your contributions.NEWS! update S&P 2020(April 13 2020)NEWS! update USENIX security 2020(April 13 2020)NEWS! update NDSS 2020(Mar...
privatedrop:适用于Apple AirDrop的实用的隐私保护身份验证
05-15
PrivateDrop：适用于Apple AirDrop的实用的隐私保护身份验证 仅使用PrivateDrop.xcworkspace来运行应用程序 该代码基于PrivateDrop，后者是Apple AirDrop的Python实现，已于2019年发布。我们更新了AirDrop协议，以通过使用Private Set Intersection匹配联系人来提高用户的隐私级别。 此实现是在Swift中完成的，它包括所有正常的AirDrop功能，并且向后兼容。 此外，它包含扩展名PrivateDrop。 该存储库包含我们的测试应用程序，用于与常规AirDrop相比评估PrivateDrop的速度。 我们有一个特定于iOS的应用程序以及特定于macOS的应用程序。 这两个应用程序都使用SwiftUI来共享大部分界面和功能。 安装 确保初始化子模块 git submodule init git
论文阅读--An efficient privacy-preserving and verifiable scheme for federated learning
qq_35151686的博客
06-27 831
因为客户端上传的密文梯度的份额，即每个服务器只能收到其中1/2的份额，则当客户端向两个服务器上传密文梯度的份额时候，两个服务器科研进行交叉验证，当验证通过之后，服务器就可以获得对方的密文梯度份额，则可以利用对方的密文梯度份额域自己收到的密文梯度份额整合为一个完整的聚合结果（通过拉格朗日插值定理进行恢复）。：多个客户端（诚实但好奇的）；（3）两个客户端可以互相验证聚合结果的正确性（2）当服务器验证之后，恶意客户端仍然可能会返回恶意聚合结果，当两个服务器返回的结果不一致时，客户端可以找出正确的聚合结果。
《PVD-FL: A Privacy-Preserving and Verifiable Decentralized Federated Learning Framework》去中心化的联邦学习
2404_87750875的博客
10-24 2090
FL仍然存在许多挑战。首先，FL中存在隐私问题，因为全局模型和局部更新也可能泄露数据信息。一方面，原始数据可以通过在几轮中观察局部更新来准确地恢复。另一方面，通过利用连续全局模型之间的差异，对手参与者也可以推断某个训练轮中的数据属性和成员关系，这极大地威胁了用户的隐私。第二，FL中训练的完整性往往被忽视，例如，“懒惰”的参与者或中心可能由于其有限的计算资源而不完整地执行规定的协议，这将导致模型精度下降。此外，在集中式FL中，很难判断一个中心是否可信，也很难找到一个被所有参与者信任的中心。
论文学习笔记：Privacy-preserving Cross-domain Recommendation with Federated Graph Learning
最新发布
m0_57180439的博客
11-18 1209
然而，正如之前的研究]所指出的那样，这些用户内嵌信息已经编码了用户行为的隐私信息，出于对隐私的考虑，不能直接共享到域外。在本文中，我们提出了一种新颖的，据我们所知，用于隐私保护跨域推荐的联邦图学习方法( PPCDR )，以基于分布式多域数据捕获用户的偏好，并在不泄露隐私的情况下提高所有域的推荐性能。具体来说，对于每个领域，我们通过增加连接全局和本地用户节点(对应全局和本地用户偏好)的链接来构建特定领域的用户-项目交互图，如图1所示，然后设计了一种基于GNNs的联合图学习方法。
最新论文笔记(+22)：Anonymous and Efficient Authentication Scheme for Privacy-Preserving DL / TIFS2022
cryptocxf的博客
10-14 2286
摘要：在分布式学习（Distributed Learning，DL）中，敌手能够通过分析中间参数（传输的模型）来推断出原始数据。目前的解决方案，主要依赖于差分隐私、加密技术（同态加密、安全多方计算）。但差分隐私会降低数据效用，而加密技术的操作是有限的，以及计算和通信成本很高。本文提出了一种不降低数据效用的前提下，解决隐私问题和匿名认证问题。而且可以结合数据投毒攻击和搭便车攻击的检测方法，更适用于分布式场景。因此，设计了一个基于配对的无证书签名方案，进一步提出了支持动态批量验证的匿名高效认证协议。
Feature-Preserving Ultrasound Speckle Reduction via L0 Minimization
LYKymy的博客
02-28 645
摘要 大多数现有的斑点减少过滤器倾向于集中特征附近的模糊，并引入孔伪影，使后续处理程序变得复杂。 基于优化的方法可以使所有的分布均匀、透明，从而更好地保持特性。 提出了一种基于L0最小化的超声散斑抑制优化框架。 我们观察到GAP，结合梯度和相位信息的间隙，在去斑点图像（输出）中比斑点图像（输入）中要稀疏得多。 我们提出了一个L0最小化框架来消除斑点噪声，同时保留超声图像中的特征。 它寻...
【论文笔记】A Large-Scale Empirical Study of Security Patches
Scarlett_geng的博客
12-06 618
这是17年CCS研究patch的一篇study。 abstract 研究how the“patching treadmill”对于指导安全组织去理解patch的发展进程和patch的特征非常重要。研究现状安全patch的发展可以告知我们现有patch进行中的缺点，提供我们提高现有实践的思路。原文如下： it behooves the security community to understan...
审计署：16省挪用06年中央支农资金逾6亿
正宗老冉的优快云博客
07-25 851
 审计署：16省挪用06年中央支农资金逾6亿 http://www.sina.com.cn  2008年07月25日11:06   审计署网站   　　2007年，审计署对黑龙江、吉林、河北、山西等16个省(自治区)2006年中央转移支付支农专项资金的管理使用情况进行了审计调查，重点抽查了50个县。审计调查报告征求了相关省(自治区)政府和财政部的意见，现将审计调查结果公
智能合约隐私保护论文：An Efficient NIZK Scheme for Privacy-Preserving Transactions over Account-Model Blockchai
小熊划水博
05-20 2866
Shunli Ma, Yi Deng, Debiao He, Jiang Zhang, Xiang Xie. An Efficient NIZK Scheme for Privacy-Preserving Transactions over Account-Model Blockchain. Cryptology ePrint Archive, Report 2017/1239, 2017. ht...
区块链论文汇总（持续更新）
热门推荐
omnispace的博客
05-17 1万+
Bitcoin Whitepaper and the "Old Ideas"Bitcoin: A Peer-to-Peer Electronic Cash SystemSatoshi Nakamotowhitepaper 2008How to Time-Stamp a Digital DocumentStuart Haber, W. Scott StornettaCrypto 1990Hashca...
zkLedger: Privacy-Preserving Auditing for Distributed Ledgers zkLedger：保护分布式分类帐的隐私审计
跨链技术践行者
10-08 1万+
zkLedger: Privacy-Preserving Auditing for Distributed Ledgers zkLedger：保护分布式分类帐的隐私审计 论文：https://www.usenix.org/system/files/conference/nsdi18/nsdi18-narula.pdf Abstract 摘要 Distributed ledgers ...
论文笔记：Detection of Fake Accounts in Social Networks Based on One Class Classification
麦地与诗人
02-12 917
论文发表时间： 31 July 2019 摘要 在社交网络上发现虚假账户是一个具有挑战性的过程。以往识别虚假账户的方法没有考虑到用户通信的强度，从而降低了识别的效率。在这项工作中，我们将提出一种基于用户相似性的检测方法，考虑到用户的网络通信。 在第一步中，基于社交网络中相应图的邻接矩阵，计算出共同近邻、共同近邻图边、余弦、Jaccard相似系数等相似测度。 在下一步，为了减少数据的复杂性，利...
论文阅读（7）：VarGFaceNet: An Efficient Variable Group Convolutional Neural Network for Lightweight FR
ljwherry的博客
02-08 1141
地平线在ICCV2019上发表的一篇轻量级人脸识别网络VarGFaceNet论文，该网络对先前提出的可变组卷积网络VarGNet进行修改，以适用于人脸识别任务。VarGFaceNet在deepglint-light track of LFR(2019)上获得了冠军。 主要的思想是利用可变组网络减少参数量实现轻量级网络，在精度与效率之间达到一个平衡。并且运用Angular Distillation Loss的等效形式进行知识蒸馏，使轻量级网络学习达到更好的效果。
隐私保护 举例_完美保护隐私
weixin_26636643的博客
08-25 2598
隐私保护 举例Data privacy has been called “the most important issue in the next decade,” and has taken center stage thanks to legislation like the European Union’s General Data Protection Regulation (GDPR) ...
Privacy-Preserving Machine Learning Using Federated Learning and Secure Aggregation
05-04
Privacy-preserving machine learning is becoming increasingly important in today's world where data privacy is a major concern. Federated learning and secure aggregation are two techniques that can be used to achieve privacy-preserving machine learning. Federated learning is a technique where the machine learning model is trained on data that is distributed across multiple devices or servers. In this technique, the model is sent to the devices or servers, and the devices or servers perform the training locally on their own data. The trained model updates are then sent back to a central server, where they are aggregated to create a new version of the model. The key advantage of federated learning is that the data remains on the devices or servers, which helps to protect the privacy of the data. Secure aggregation is a technique that can be used to protect the privacy of the model updates that are sent to the central server. In this technique, the updates are encrypted before they are sent to the central server. The central server then performs the aggregation operation on the encrypted updates, and the result is sent back to the devices or servers. The devices or servers can then decrypt the result to obtain the updated model. By combining federated learning and secure aggregation, it is possible to achieve privacy-preserving machine learning. This approach allows for the training of machine learning models on sensitive data while protecting the privacy of the data and the model updates.
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值