این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
مدیریت فناوری اطلاعات، جلد ۱۷، شماره Special Issue، صفحات ۱۵۵-۱۶۷
عنوان فارسی
چکیده فارسی مقاله
کلیدواژه‌های فارسی مقاله
عنوان انگلیسی Adaptive Differential Privacy for Protecting User Confidential Information on Android Devices
چکیده انگلیسی مقاله The widespread adoption of Android phones has heightened concerns about user privacy. This research presents an Adaptive Privacy Management System (APMS) that integrates Machine Learning (ML) models with Differential Privacy techniques to enhance privacy protection. The APMS monitors application behavior and employs ML algorithms to detect anomalies and enable context-aware privacy enforcement. Differential Privacy ensures that sensitive data remains protected through the addition of noise and privacy-preserving computations. Experimental results demonstrate that the APMS achieves a 92.5% accuracy rate in detecting the privacy leakage. The anomaly detection model, using Random Forest, shows high accuracy (92.5%), recall (89.5%), and precision (73.9%), effectively identifying both normal and anomalous behaviors. Additionally, the impact of noise on data utility, controlled by the privacy budget (ε), is manageable. The results show that APMS is a robust system for safeguarding user confidential information, contributing to a more secure and privacy-centric Android ecosystem.
کلیدواژه‌های انگلیسی مقاله Android Security,Data protection,Confidential Information,Data Leakage,App Vul-nerabilities
نویسندگان مقاله Manish Verma |
PhD Scholar, Department of CSE, SSET, Sharda University, Greater Noida, U.P. India.

Parma Nand |
Prof., Department of CSE, SSET, Sharda University, Greater Noida, U.P., India.

نشانی اینترنتی https://jitm.ut.ac.ir/article_102933_1c0295fc4a2ecdc1955b84b221534b6c.pdf
فایل مقاله فایلی برای مقاله ذخیره نشده است
کد مقاله (doi)
زبان مقاله منتشر شده en
موضوعات مقاله منتشر شده
نوع مقاله منتشر شده
برگشت به: صفحه اول پایگاه   |   نسخه مرتبط   |   نشریه مرتبط   |   فهرست نشریات