[论文解读] The Feasibility of Dynamically Granted Permissions: Aligning Mobile Privacy with User Preferences

Primal Wijesekera, Arjun Baokar+5 more|arXiv (Cornell University)|Mar 6, 2017

Advanced Malware Detection Techniques参考文献 28被引用 6

一句话总结

该论文提出了一种基于机器学习的系统，通过分析应用可见性和前台活动等上下文因素，动态预测移动应用权限的用户隐私偏好，将用户提示减少81%，同时达到96.8%的准确率——比当前的首次使用时询问模型高出四倍。

ABSTRACT

Current smartphone operating systems regulate application permissions by prompting users on an ask-on-first-use basis. Prior research has shown that this method is ineffective because it fails to account for context: the circumstances under which an application first requests access to data may be vastly different than the circumstances under which it subsequently requests access. We performed a longitudinal 131-person field study to analyze the contextuality behind user privacy decisions to regulate access to sensitive resources. We built a classifier to make privacy decisions on the user's behalf by detecting when context has changed and, when necessary, inferring privacy preferences based on the user's past decisions and behavior. Our goal is to automatically grant appropriate resource requests without further user intervention, deny inappropriate requests, and only prompt the user when the system is uncertain of the user's preferences. We show that our approach can accurately predict users' privacy decisions 96.8% of the time, which is a four-fold reduction in error rate compared to current systems.

研究动机与目标

• 解决静态权限模型（如首次使用时询问）的局限性，这些模型未能考虑用户隐私决策中不断变化的上下文因素。
• 通过在用户偏好可基于历史行为和上下文预测时自动决策，减轻用户因频繁权限提示带来的负担。
• 通过准确预测权限请求是否符合用户在特定上下文下的预期，最小化隐私违规风险。
• 设计一种仅在系统不确定时才提示用户的系统，从而在隐私保护与可用性之间取得平衡。
• 通过为期131名参与者的真实世界用户数据场实验，评估动态权限控制的可行性。

提出的方法

• 从131名参与者处收集了平均32天的真实世界Android使用数据，记录了超过1,500次权限提示的用户决策。
• 构建了一个机器学习分类器，利用历史用户决策、应用可见性以及前台应用上下文来预测未来的隐私偏好。
• 引入置信度阈值：若预测置信度超过阈值，则自动授予或拒绝访问；否则提示用户。
• 使用诸如应用是否可见、当前前台应用为何、以及用户行为模式等上下文特征进行模型训练。
• 使用准确率和错误率指标，将模型性能与首次使用时询问（AOFU）和安装时询问（AOI）模型进行对比评估。
• 设计了用户反馈面板，允许用户纠正模型预测并随时间调整偏好。

实验结果

研究问题

• RQ1 能否基于应用可见性和前台活动等上下文因素，准确预测用户对应用权限的隐私决策？
• RQ2 与静态模型相比，动态权限控制在减少用户提示的同时，能否在保持或提升准确率方面取得显著成效？
• RQ3 当前前台应用和应用可见性等上下文因素如何影响用户授予或拒绝敏感权限的意愿？
• RQ4 与当前Android和iOS系统中标准的首次使用时询问模型相比，机器学习模型能否降低权限决策的错误率？
• RQ5 用户反馈机制对纠正模型预测、提升长期准确率和用户满意度有何影响？

主要发现

• 所提出的系统在预测用户隐私决策方面达到了96.8%的准确率，相比首次使用时询问模型（84%准确率）错误率降低了四倍。
• 该模型的一个变体在保持高准确率的同时，将所需用户提示数量减少了81%，显著提升了可用性。
• 在场实验中，用户拒绝了60%的权限请求，表明用户存在强烈的隐私担忧，对上下文感知权限控制有高需求。
• 应用可见性和当前活跃的前台应用身份是用户决策的重要预测因子，凸显了上下文感知的重要性。
• 基于置信度的提示策略在81%的预测置信度较高的情况下成功避免了不必要的用户提示。
• 该分类器优于安装时询问模型（25%准确率）和首次使用时询问模型（84%准确率），证明了动态、上下文感知权限管理的可行性。