Abstract—Users can enjoy personaliz

Abstract—Users can enjoy personalized services provided by various context-aware applications that collect users’ contexts through sensor-equipped smartphones. Meanwhile, serious privacy concerns arise due to the lack of privacy preservation
mechanisms.


Currently, most mechanisms apply passive defense
policies in which the released contexts from a privacy preservation
system are always real, leading to a great probability with
which an adversary infers the hidden sensitive contexts about
the users. In this paper, we apply a deception policy for privacy
preservation and present a novel technique, FAKEMASK, in
which fake contexts may be released to provably preserve users’
privacy.

The output sequence of contexts by FAKEMASK can be
accessed by the untrusted context-aware applications or be used
to answer queries from those applications. Since the output contexts
may be different from the original contexts, an adversary
has greater difficulty in inferring the real contexts. Therefore,
FAKEMASK limits what adversaries can learn from the output
sequence of contexts about the user being in sensitive contexts,
even if the adversaries are powerful enough to have the knowledge
about the system and the temporal correlations among the
contexts.


The essence of FAKEMASK is a privacy checking algorithm
which decides whether to release a fake context for the
current context of the user. We present a novel privacy checking
algorithm and an efficient one to accelerate the privacy checking
process.


Extensive evaluation experiments on real smartphone
context traces of users demonstrate the improved performance
of FAKEMASK over other approaches.
Index Terms—Privacy protection, semi-Markov model,
service.

ผลลัพธ์ (ไทย) 1:

นามธรรมซึ่งผู้ใช้สามารถเพลิดเพลินกับบริการส่วนบุคคลใช้งานตระหนักถึงบริบทต่าง ๆ ที่รวบรวมบริบทของผู้ใช้ผ่านทางสมาร์ทโฟนพร้อมเซนเซอร์ ในขณะเดียวกัน ความเป็นส่วนที่ร้ายแรงเกิดขึ้นเนื่องจากขาดการเก็บรักษาข้อมูลส่วนบุคคลกลไก ในปัจจุบัน กลไกส่วนใหญ่ใช้ติดตัวป้องกันนโยบายที่บริบทที่นำออกใช้จากการเก็บรักษาความเป็นส่วนตัวระบบมักจริง นำไปสู่ความน่าเป็นที่ดีด้วยซึ่งปฏิปักษ์ infers บริบทสำคัญซ่อนอยู่เกี่ยวกับผู้ใช้ ในกระดาษนี้ เราใช้นโยบายหลอกลวงเป็นส่วนตัวอนุรักษ์ และนำเสนอเทคนิคใหม่ FAKEMASKบริบทการปลอมซึ่งอาจมีปล่อย provably รักษาผู้เป็นส่วนตัว ลำดับการแสดงผลของบริบทโดย FAKEMASK สามารถเข้าถึงได้ โดยแอปพลิเคชันบริบทไม่น่าเชื่อถือ หรือใช้การตอบคำถามจากโปรแกรมประยุกต์เหล่านั้น ตั้งแต่บริบทผลลัพธ์อาจแตกต่างจากบริบทเดิม ปฏิปักษ์มีความยากลำบากมากขึ้นในการบรรยายบริบทจริง ดังนั้นFAKEMASK จำกัดสิ่งที่ศัตรูสามารถเรียนรู้จากการแสดงผลลำดับของบริบทเกี่ยวกับผู้ใช้ในบริบทที่สำคัญแม้ว่าศัตรูมีประสิทธิภาพเพียงพอที่จะมีความรู้เกี่ยวกับระบบและความสัมพันธ์ชั่วคราวระหว่างการบริบท สาระสำคัญของ FAKEMASK คือ ข้อมูลส่วนบุคคลการตรวจสอบอัลกอริทึมที่ตัดสินใจว่า จะปล่อยในบริบทของปลอมสำหรับการบริบทของผู้ใช้ เรานำเสนอการตรวจสอบความเป็นส่วนตัวนวนิยายอัลกอริทึมและเป็นส่วนหนึ่งของประสิทธิภาพเพื่อเร่งรัดการตรวจสอบความเป็นส่วนตัวกระบวนการ การทดลองการประเมินที่ครอบคลุมบนสมาร์ทโฟนจริงร่องรอยของบริบทของผู้ใช้แสดงให้เห็นถึงประสิทธิภาพที่เพิ่มขึ้นของ FAKEMASK มากกว่าวิธีการอื่น ๆกำหนดดัชนี — ป้องกันความเป็นส่วนตัว แบบกึ่ง Markovบริการ

ผลลัพธ์ (ไทย) 2:

บทคัดย่อ-ผู้ใช้สามารถเพลิดเพลินกับบริการส่วนบุคคลที่ให้บริการโดยการใช้งานตามบริบทต่างๆที่เก็บบริบทของผู้ใช้มาร์ทโฟนผ่านเซ็นเซอร์ที่มีอุปกรณ์ครบครัน ในขณะที่ความกังวลเกี่ยวกับความเป็นส่วนตัวที่ร้ายแรงเกิดขึ้นเนื่องจากการขาดการดูแลรักษาความเป็นส่วนตัวของ
กลไก.


ปัจจุบันกลไกส่วนใหญ่นำไปใช้ป้องกันเรื่อย ๆ
นโยบายซึ่งในบริบทที่ปล่อยออกมาจากการเก็บรักษาข้อมูลส่วนบุคคลของ
ระบบอยู่เสมอจริงที่นำไปสู่ความน่าจะเป็นที่ดีกับ
ที่เป็นปฏิปักษ์อนุมานที่ซ่อนอยู่มีความละเอียดอ่อน บริบทที่เกี่ยวกับ
ผู้ใช้ ในบทความนี้เราจะใช้นโยบายการหลอกลวงเพื่อความเป็นส่วนตัว
การเก็บรักษาและนำเสนอเทคนิคใหม่ FAKEMASK ใน
ซึ่งบริบทของปลอมอาจจะปล่อยให้สรรพสิ่งรักษาของผู้ใช้
ความเป็นส่วนตัว.

ลำดับการส่งออกของบริบทโดย FAKEMASK สามารถ
เข้าถึงได้โดยที่ไม่น่าเชื่อถือตามบริบท โปรแกรมหรือนำมาใช้
เพื่อตอบแบบสอบถามจากการใช้งานเหล่านั้น เนื่องจากบริบทผลลัพธ์
อาจแตกต่างจากบริบทเดิมที่ฝ่ายตรงข้าม
มีความยากลำบากมากขึ้นในการอนุมานบริบทจริง ดังนั้น
FAKEMASK จำกัด สิ่งที่ฝ่ายตรงข้ามสามารถเรียนรู้จากการส่งออก
ลำดับของบริบทที่เกี่ยวกับผู้ใช้ที่อยู่ในบริบทที่สำคัญ
แม้ว่าฝ่ายตรงข้ามที่มีประสิทธิภาพพอที่จะมีความรู้
เกี่ยวกับระบบและความสัมพันธ์ชั่วขณะในหมู่
บริบท.


สาระสำคัญของ FAKEMASK เป็น ความเป็นส่วนตัวการตรวจสอบขั้นตอนวิธีการ
ที่ตัดสินใจว่าจะปล่อยบริบทปลอมสำหรับ
บริบทปัจจุบันของผู้ใช้ เรานำเสนอความเป็นส่วนตัวการตรวจสอบนวนิยาย
อัลกอริทึมและเป็นหนึ่งที่มีประสิทธิภาพในการเร่งการตรวจสอบความเป็นส่วนตัว
กระบวนการ.


การทดลองประเมินผลอย่างกว้างขวางในมาร์ทโฟนจริง
ร่องรอยบริบทของผู้ใช้แสดงให้เห็นถึงประสิทธิภาพที่เพิ่มขึ้น
ของ FAKEMASK กว่าวิธีการอื่น ๆ .
ป้องกันดัชนีเงื่อนไขความเป็นส่วนตัวกึ่งมาร์คอฟรุ่น
บริการ .

ผลลัพธ์ (ไทย) 3:

ผู้ใช้สามารถเพลิดเพลินกับบริการส่วนบุคคลที่เป็นนามธรรมโดยบริบทต่าง ๆตระหนักถึงบริบทของผู้ใช้ผ่านทางโปรแกรมที่รวบรวมเครื่องมืออุปกรณ์สมาร์ทโฟน ขณะเดียวกัน ความเป็นส่วนตัวที่ร้ายแรงเกิดขึ้นเนื่องจากการขาดการรักษาความเป็นส่วนตัวกลไกปัจจุบันกลไกการป้องกันส่วนใหญ่ใช้เรื่อย ๆนโยบายที่ออกมาจากบริบทการความเป็นส่วนตัวระบบมักจะจริงที่นำไปสู่ความน่าจะเป็นที่ดีกับซึ่งเป็นปฏิปักษ์ อ้างถึงบริบทเรื่องอ่อนไหวที่ซ่อนอยู่ผู้ใช้ ในกระดาษนี้เราใช้ไม้ตาย นโยบายความเป็นส่วนตัวการดูแลรักษาและนำเสนอเทคนิคใหม่ fakemask , ใน ,บริบทใดปลอมอาจจะปล่อยอาจรักษาผู้ใช้ความเป็นส่วนตัวผลผลิตลำดับของบริบทโดย fakemask สามารถการเข้าถึงโดยการตระหนักถึงบริบทที่ไม่น่าเชื่อถือ หรือจะใช้ตอบแบบสอบถามจากการใช้งานเหล่านั้น เนื่องจากผลผลิตบริบทอาจจะแตกต่างจากบริบทเดิมที่เป็นปฏิปักษ์มีความยากลำบากมากขึ้นในการบริบทจริง ดังนั้นสิ่งที่เราสามารถเรียนรู้จาก fakemask จำกัดออกลำดับของบริบทเกี่ยวกับผู้ใช้ในบริบทที่อ่อนไหวแม้ว่าคู่แข่งจะมีประสิทธิภาพเพียงพอที่จะมีความรู้เกี่ยวกับระบบและความสัมพันธ์ชั่วคราวระหว่างบริบท .สาระสำคัญของ fakemask เป็นขั้นตอนวิธีการตรวจสอบความเป็นส่วนตัวซึ่งตัดสินใจว่าจะปล่อยบริบทปลอมสำหรับบริบทปัจจุบันของผู้ใช้ เรานำเสนอการตรวจสอบความเป็นส่วนตัวใหม่อัลกอริทึมที่มีประสิทธิภาพเพื่อเร่งการตรวจสอบความเป็นส่วนตัวกระบวนการการประเมินผลการทดลองอย่างละเอียดจริง มาร์ทโฟนบริบทที่แสดงให้เห็นถึงร่องรอยของผู้ใช้ปรับปรุงประสิทธิภาพของ fakemask มากกว่าวิธีอื่น ๆด้านดัชนีความคุ้มครองความเป็นส่วนตัว กึ่งมาร์คอฟโมเดลบริการ