Measuring personal information exposure in the mobile and IoT environments
Notice bibliographique
Résumé
Mobile and Internet of Things (IoT) devices are increasingly present in our everyday lives. They are equipped with a wide array of rich sensors and offer ubiquitous connectivity. These properties make the devices perfect candidates for data harvesting and privacy invasion over the Internet. However, these devices are usually locked down by OSes and carriers, making it difficult for the research community---and average users---to understand and mitigate online privacy concerns like disclosure of information to third parties. I argue that improving online privacy requires building systems that identify and control private information transmission. Our key observation is that a privacy dissemination must (by definition) occur over the network, so it is possible to detect and mitigate the leakage in the network traffic. Using this approach, the first challenge is how to detect privacy dissemination in network traffic. To address the problem, I developed a system called ReCon to apply machine learning algorithms to reliably identify Personally Identifiable Information (PII) without knowing the PII values in advance. Second, to quantify and understand the online privacy, I conducted experiments in multiple platforms (mobile applications in Android, iOS, Windows and mobile browsers) and studied how privacy exposure from mobile apps evolved over the range of eight years. Third, I developed a holistic approach to detect media exposure from Android mobile apps. Lastly, I extend such analysis to IoT devices and developed techniques to quantify information exposure---even for encrypted traffic---with semi-automated experiments. The goal of my work is to enable any Internet user to understand and control the private information exposed by mobile and IoT devices over the Internet. My work has enabled substantial progress in the increasingly important area of online privacy, has been cited and used by regulators and investigative journalists, and provides opportunities to improve privacy for individual users and organizations.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».