访问 CLI 通过浏览器安全地收集浏览历史记录。 入门 这是入门指南。 首先，克隆git，并切换到目录。 $ git clone [repo url] && cd visited 并安装节点包。 $ npm install 接下来，为浏览器生成一个客户端程序。 运行以下。 $ node visited.js --generate :check_mark: Port number? [default: 5555] … File generated: ./visited.user.js 现在您已经visited.user.js文件生成，复制并粘贴文件内容作为您最喜欢的用户脚本管理器上的新用户脚本，例如 另请注意，您可以将相同的内容粘贴到浏览器、Chrome 配置文件中，并在一处虚拟地集成浏览历史记录。 接下来，启动服务器。 使用-s或--server 。 另请注意，-- --quiet用于后台运

### 恢复您的隐私您已经安装了 Skype 和/或 Nimbuzz，您是否厌倦了一直将您的在线状态从绿色更改为红色？ 使用此程序/脚本，无论您是否坐在电脑前，您都可以保持（-line）至少 999 分钟。 ### 保护您的隐私您安装了 Skype 和/或 Nimbuzz，当您的在线状态不断变化时，您是否觉得很烦人？ 使用此程序/脚本，无论您是否坐在电脑前，您都可以在线保持 999 分钟。

差分隐私 差分隐私学习与集成 1.直观的解释 2.学术论文 2.1 调查 差分隐私的算法基础 差分隐私和应用 CCS、S&P、NDSS、USENIX、Infocom 中的差异隐私论文 SoK：差异隐私 2.2 课程 差异隐私研讨会，秋季 19/20 CSE 660 秋季 2017 cs295-数据隐私 隐私研究小组 CS 860-私有数据分析算法-2020年秋季 2.3 一些机制 集中差分隐私：简化、扩展和下限 2.4 2015-2019 年 CCS、S&P、NDSS、USENIX、Infocom 中的差异隐私（其中一些来自 2020 年） 民意调查 3. 视频 差分隐私的最新进展 II 差分隐私的最新发展 I 采样隐私放大与人一差分隐私 差分隐私：从理论到实践 4. 代码 4.0 代码实现DP算法 4.1 K-匿名算法 4.2 随机响应 4.3 拉普拉斯和指数机制 4

差异隐私 该存储库包含用于在数据集中生成ε-和（ε，δ）-差分私有统计信息的库。 它包含以下工具。 是建立在之上的端到端差异隐私框架。 它旨在易于使用，即使是非专家也是如此。 三个“ DP构件”库，分别为 ， 和 。 这些库实现基本的噪声添加原语和差分私有聚合。 使用这些库可实现Beam的隐私。 ，用于帮助捕获可能使差异隐私属性不再成立的回归。 ，用于跟踪隐私预算。 一个用于使用运行差异私有SQL查询。 为了开始生成差异化的私有数据，我们建议您遵循的 。 当前，DP构建块库支持以下算法： 算法 C ++ 去 Java 拉普拉斯机制 支持的 支持的 支持的 高斯机制 支持的 支持的 支持的 数数 支持的 支持的 支持的 和 支持的 支持的 支持的 吝啬的 支持的 支持的 支持的 方差 支持的 计划 计划 标准偏差 支持的 计划 计划 分位数 支持的 支持的 支持的 自动边界

2010年的综述，将博弈论用于网络安全和隐私保护方面，课当做综述来读，引用的文章基本上都是大牛的。

隐私保护联合学习I 我的“最后一年”项目的源代码-隐私保护联合学习（I） 数据预处理 在以下位置下载原始数据： : 运行Data_Preprocessing.py以生成该项目所需的所有数据文件 集中学习 在Centralized_Training.py中：（1）运行train_model（epochs）以运行模型（2）运行threshold_calculation（Path）以获取阈值（3）运行valuate_model（）以获取TP，FP，TN，FN，准确性，精度和召回模型 个人学习 在Individual_Training_Client1.py，Individual_Training_Client2.py，Individual_Training_Client3.py中：（1）运行train_model（epochs）以运行模型（2）运行threshold_calculation（P

2017 SecureML：A system for scalable privacy-preserving machine learning论文ppt

差分隐私和机器学习PPT

基于可信计算的智能电网中隐私增强双向通信

这是发在NDSS2020Session 1A Web的一篇文章，文章题目是浏览器扩展指纹的隐私威胁探究，摘要是随着用户变得越来越隐私意识和浏览器供应商纳入反跟踪机制，浏览器指纹已经获得了极大的关注。因此，先前的工作已经提出了用于识别浏览器扩展并将它们用作设备指纹的一部分的技术。虽然先前的研究已经展示了如何通过他们的网络可访问资源来检测扩展，但是在通过行为工件来间接检测扩展的技术方面还存在很大的差距。事实上，之前没有研究表明这可以以自动化的方式完成。在本文中，我们通过介绍第一个基于行为的扩展指纹的全自动创建和检测来弥补这一差距。我们还引入了两种新的指纹技术来监控扩展的通信模式，即传出的.....