💻 computer science

MobiShield: Federated Android Malware Detection with Adaptive Differential Privacy under Concept Drift

MobiShield एक नवीन फेडेरेटेड लर्निंग फ्रेमवर्क है जो एंड्रॉइड मैलवेयर डिटेक्शन के लिए है और जो एडेप्टिव फीचर वेटिंग, होफडिंग-आधारित ड्रिफ्ट डिटेक्शन, और एक डायनेमिक डिफरेंशियल प्राइवेसी मैकेनिज्म को एकीकृत करके नॉन-IID डेटा हेटेरोजेनिटी, कॉन्सेप्ट ड्रिफ्ट और प्राइवेसी लीकेज को एक साथ संबोधित करता है जो वितरण परिवर्तनों (डिस्ट्रीब्यूशन शिफ्ट्स) के जवाब में शोर के स्तर को समायोजित करता है।

मूल लेखक: Amit Patel, Deepak Singh Tomar, R. K. Pateriya, Yogesh Kumar Sharma

प्रकाशित 2026-06-26

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Amit Patel, Deepak Singh Tomar, R. K. Pateriya, Yogesh Kumar Sharma

मूल पेपर CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

कल्पना कीजिए कि एक ऐसी दुनिया है जहाँ लाखों एंड्रॉइड फोन लगातार डिजिटल वायरस (मालवेयर) के हमलों के घेरे में हैं। पारंपरिक रूप से, इन वायरस को पकड़ने के लिए सुरक्षा कंपनियाँ हर फोन से उसके ऐप्स की एक प्रति एक केंद्रीय सर्वर पर भेजने के लिए कहती थीं। सर्वर फिर उन सभी का एक साथ विश्लेषण करता था।

समस्या:
इस केंद्रीय दृष्टिकोण में दो बड़े दोष हैं:

गोपनीयता (Privacy): लोग अपने निजी ऐप डेटा को एक विशाल सर्वर पर नहीं भेजना चाहते।
बदलता हुआ लक्ष्य (The Moving Target): मालवेयर बनाने वाले मास्टर शेफ की तरह होते हैं जो अपनी रेसिपी बदलते रहते हैं। एक वायरस जो आज "ट्रोजन" (Trojan) के रूप में दिखता है, वह कल "बैंकिंग ऐप" का रूप धरकर खुद को छिपा सकता है। यदि सुरक्षा प्रणाली कल की रेसिपी पर प्रशिक्षित है, तो वह आज के नए रूपों को पकड़ने में विफल हो जाएगी। इसे कॉन्सेप्ट ड्रिफ्ट (Concept Drift) कहा जाता है।

समाधान: मोबीशील्ड (MobiShield)
यह शोध पत्र मोबीशील्ड को पेश करता है, जो डेटा देखे बिना ही इन वायरस को पकड़ने का एक नया तरीका है। इसे एक नेबरहुड वॉच (पड़ोस की निगरानी) की तरह समझें जहाँ हर कोई अपने रहस्य साझा किए बिना मिलकर सीखता है।

मोबीसीएलड (MobiShield) कैसे काम करता है, इसे चार सरल भागों में रोजमर्रा के उदाहरणों के माध्यम से यहाँ समझाया गया है:

1. नेबरहुड वॉच (फेडरेटेड लर्निंग - Federated Learning)

डेटा को केंद्रीय सर्वर पर भेजने के बजाय, "शिक्षक" (सर्वर) सभी फोन को एक "पाठ योजना" (डिटेक्शन मॉडल) भेजता है। प्रत्येक फोन अपने स्थानीय ऐप्स से सीखता है और केवलสิ่งที่ उसने सीखा है उसका एक सारांश (एक "ग्रेडिएंट अपडेट") वापस भेजता है, न कि स्वयं ऐप्स को।

चुनौती: सभी पड़ोस एक जैसे नहीं होते। कुछ फोन मुख्य रूप से "बैंकिंग ट्रोजन" देखते हैं, जबकि अन्य "एडवेयर" (Adware) देखते हैं। इसे Non-IID डेटा कहा जाता है (ऐसा डेटा जो एक समान नहीं है)। यदि शिक्षक सभी के साथ एक जैसा व्यवहार करता है, तो पाठ योजना भ्रमित हो जाती है।

2. कस्टम चश्मा (AHFS मॉड्यूल)

विभिन्न प्रकार के डेटा के कारण होने वाले भ्रम को ठीक करने के लिए, मोबीसीएलड प्रत्येक फोन को कस्टम चश्मा देता है।

यह कैसे काम करता है: अपने स्थानीय ऐप्स का अध्ययन करने से पहले, एक फोन एक "अटेंशन मास्क" (चश्मा) का उपयोग करता है ताकि उस विशिष्ट फोन के लिए महत्वपूर्ण विशेषताओं को हाइलाइट किया जा सके।
उदाहरण: यदि आपके पड़ोस में केवल बैंक डकैती होती है, तो आपका चश्मा "बैंकिंग" विशेषताओं पर ज़ूम करता है और "विज्ञापन" विशेषताओं को अनदेखा करता है। यदि आपके पड़ोस में एडवेयर है, तो आपका चश्मा इसके विपरीत काम करता है। यह सुनिश्चित करता है कि प्रत्येक फोन अपनी विशिष्ट स्थिति के लिए सही सबक सीखे।

3. मौसम की रिपोर्ट (DFDD मॉड्यूल)

मालवेयर समय के साथ बदलता है (कॉन्सेप्ट ड्रिफ्ट)। कभी-कभी बदलाव अचानक होता है (एक नया वायरस रातों-रात प्रकट होता है); कभी-कभी यह क्रमिक होता है (एक वायरस धीरे-धीरे अपना भेष बदलता है)।

यह कैसे काम करता है: प्रत्येक फोन में एक स्थानीय "मौसम सेंसर" होता है जो यह निगरानी करता है कि क्या उसके द्वारा देखे जाने वाले मालवेयर का प्रकार बदल रहा है। यदि कोई फोन अचानक बदलाव का पता लगाता है, तो वह केंद्रीय सर्वर को एक "ड्रिफ्ट स्कोर" भेजता है।
उदाहरण: सर्वर एक मौसम विज्ञानी की तरह कार्य करता है। यह सभी फोन से रिपोर्ट एकत्र करता है। यदि 10 फोन कहते हैं "बारिश हो रही है" और 90 कहते हैं "धूप खिली है", तो सर्वर जानता है कि उस विशिष्ट क्षेत्र में तूफान आने वाला है। यह एक ग्लोबल ड्रिफ्ट स्कोर की गणना करता है ताकि यह देखा जा सके कि समग्र रूप से "मौसम" (मालवेयर परिदृश्य) में कितना बदलाव आया है।

4. एडेप्टिव सिक्योरिटी गार्ड (DPFL और ACAG मॉड्यूल)

यह इस शोध पत्र का सबसे बड़ा नवाचार है। आमतौर पर, गोपनीयता की रक्षा के लिए, सुरक्षा प्रणालियाँ डेटा में "शोर" (Static/Noise) जोड़ती हैं ताकि कोई जासूसी न कर सके। लेकिन बहुत अधिक शोर जोड़ने से डिटेक्शन कमजोर हो जाता है।

समस्या: जब "मौसम" बदलता है (ड्रिफ्ट अधिक होता है), तो फोन को नए वायरस को पकड़ने के लिए बड़े, तत्काल अपडेट भेजने की आवश्यकता होती है। लेकिन बड़े अपडेट भेजना जोखिम भरा है क्योंकि इससे निजी जानकारी लीक होने की संभावना बढ़ जाती है।
मोबीसीएलड समाधान: सिस्टम में एक स्मार्ट सुरक्षा गार्ड है जो "मौसम की रिपोर्ट" के आधार पर वास्तविक समय में गोपनीयता सेटिंग्स को समायोजित करता है।
- उच्च ड्रिफ्ट (तूफानी मौसम): गार्ड गोपनीयता के नियमों को सख्त कर देता है। यह सुरक्षा सुनिश्चित करने के लिए अधिक शोर जोड़ता है और अपडेट को अधिक सख्ती से सीमित (Clip) करता है, भले ही इससे सीखने की गति थोड़ी धीमी हो जाए।
- कम ड्रिफ्ट (धूप वाला दिन): गार्ड नियमों को ढीला कर देता है। यह कम शोर जोड़ता है, जिससे फोन तेजी से और अधिक सटीकता से सीख पाते हैं।
गेटकीपर: एक "क्वालिटी गेट" भी है। यदि कोई फोन भ्रमित है (कम सटीकता) या उसका डेटा बहुत अव्यवस्थित है (उच्च ड्रिफ्ट), तो गेटकीपर कहता है, "अभी नहीं," और उस फोन के अपडेट को समूह के सामूहिक पाठ को खराब करने से रोकता है।

परिणाम: क्या यह काम आया?

लेखकों ने वास्तविक दुनिया और सिम्युलेटेड डेटा के चार अलग-अलग सेटों पर मोबीसीएलड का परीक्षण किया।

सटीकता (Accuracy): इसने 96.8% से 97.6% बार मालवेयर को पकड़ा।
तुलना: इसने पिछले सर्वोत्तम तरीकों को एक महत्वपूर्ण अंतर से पछाड़ा (2.3% तक बेहतर)।
गोपनीयता: इसने गणितीय रूप से सिद्ध किया कि इस पूरी सीखने की प्रक्रिया के बावजूद, उपयोगकर्ताओं की गोपनीयता सुरक्षित थी (डिफरेंशियल प्राइवेसी नामक एक मानक का उपयोग करके)।

सारांश

मोबीसीएलड एक स्मार्ट, अनुकूलित नेबरहुड वॉच की तरह है। यह फोन को अपने रहस्य साझा किए बिना एक-दूसरे से सीखने में मदद करता है। यह प्रत्येक फोन को उनकी अनूठी समस्याओं से निपटने के लिए कस्टम उपकरण देता है, दुश्मन के बदलने की निगरानी के लिए मौसम पर नज़र रखता है, और सुरक्षा (गोपनीयता) और प्रभावशीलता (वायरस को पकड़ना) के बीच संतुलन बनाने के लिए स्वचालित रूप से अपने सुरक्षा स्तर को समायोजित करता है। यह एक साथ मोबाइल सुरक्षा की तीन सबसे बड़ी समस्याओं को हल करता है: अलग-अलग प्रकार का डेटा, बदलते खतरे और गोपनीयता संबंधी चिंताएं।

तकनीकी सारांश: MobiShield

समस्या विवरण (Problem Statement)

एंड्रॉइड मैलवेयर डिटेक्शन तीन ऐसे अभिसरण चुनौतियों (converging challenges) का सामना कर रहा है जिन्हें मौजूदा फेडरेटेड लर्निंग (FL) फ्रेमवर्क एक साथ संबोधित करने में विफल रहते हैं:

क्लाइंट विषमता (Client Heterogeneity - Non-IID डेटा): मोबाइल डिवाइस विविध प्रकार के मैलवेयर परिवारों (जैसे, एंटरप्राइज एडवेयर बनाम बैंकिंग ट्रोजन) का सामना करते हैं, जिससे नॉन-आई़आईडी (non-IID) डेटा वितरण होता है जो FedAvg जैसे मानक एग्रीगेशन स्कीम्स की प्रभावशीलता को कम कर देता है।
कॉन्सेप्ट ड्रिफ्ट (Concept Drift): मैलवेयर परिदृश्य गैर-स्थिर (non-stationary) है; हमलावर लगातार कोड को पुनर्गठित और अस्पष्ट (obfuscate) करते रहते हैं, जिससे समय के साथ संयुक्त वितरण $P(x,y)$ बदल जाता है। स्टैटिक स्नैपशॉट्स पर प्रशिक्षित मॉडल वास्तविक दुनिया के परिनियोजन (deployments) में तेजी से खराब हो जाते हैं।
प्राइवेसी लीकेज (Privacy Leakage): हालांकि FL कच्चे डेटा साझाकरण से बचाता है, लेकिन ग्रेडिएंट अपडेट संवेदनशील व्यवहार संबंधी हस्ताक्षरों (behavioral signatures) को लीक कर सकते हैं। प्राइवेसी बनाए रखने के लिए डिफरेंशियल प्राइवेसी (DP) आवश्यक है, लेकिन स्टैटिक DP नॉइज़ शेड्यूल्स एक तनाव पैदा करते हैं: उच्च-ड्रिफ्ट अवधियों के लिए बड़े मॉडल अपडेट की आवश्यकता होती है (जिससे संवेदनशीलता बढ़ती है), जिसके लिए प्राइवेसी बनाए रखने हेतु अधिक शोर (noise) की आवश्यकता होती है, जिससे मॉडल की उपयोगिता (utility) घट जाती है।

मौजूदा फ्रेमवर्क आमतौर पर इन समस्याओं में से केवल एक या दो को अलग-अलग रूप में संबोधित करते हैं। उदाहरण के लिए, FL-MALDRIFT विषमता और ड्रिफ्ट को संभालता है लेकिन औपचारिक प्राइवेसी गारंटी की कमी है, जबकि DP-FL दृष्टिकोण प्राइवेसी तो प्रदान करते हैं लेकिन कॉन्सेप्ट ड्रिफ्ट और फीचर विषमता के प्रति अंधे हैं।

कार्यप्रणाली: MobiShield फ्रेमवर्क (Methodology: The MobiShield Framework)

MobiShield एक मॉड्यूलर FL फ्रेमवर्क है जिसे क्लाइंट विषमता, कॉन्सेप्ट ड्रिफ्ट और डिफरेंशियल प्राइवेसी को संयुक्त रूप से हल करने के लिए डिज़ाइन किया गया है। यह चार कसकर जुड़े हुए मॉड्यूल्स के माध्यम से संचालित होता है जो प्रत्येक संचार राउंड (communication round) में निष्पादित होते हैं:

1. एडेप्टिव हेटेरोजेनिटी-अवेयर फीचर सिलेक्शन (AHFS)

नॉन-IID डेटा को संबोधित करने के लिए, AHFS क्लाइंट साइड पर एक मल्टी-हेड अटेंशन मैकेनिज्म (4 हेड्स) का उपयोग करता है।

इनपुट: एक हाइब्रिड 256-आयामी फीचर वेक्टर जिसमें स्टैटिक फीचर्स (परमिशन, API कॉल्स, ऑपकोड्स) और डायनेमिक फीचर्स (सिस्टम कॉल n-ग्राम्स) शामिल हैं।
मैकेनिज्म: यह मॉड्यूल स्थानीय प्रशिक्षण से पहले फीचर वेक्टर को री-वेट (re-weight) करने के लिए एक प्रति-क्लाइंट अटेंशन मास्क की गणना करता है।
प्राइवेसी: अटेंशन वेट्स सीखे जाते हैं और स्थानीय रूप से बनाए रखे जाते हैं; उन्हें सर्वर पर प्रसारित नहीं किया जाता है, जिससे वितरण संबंधी जानकारी के रिसाव को रोका जा सके।

2. डिस्ट्रीब्यूटेड फेडरेटेड ड्रिफ्ट डिटेक्टर (DFDD)

DFDD क्लाइंट्स के बीच एसिंक्रोनस रूप से वितरण संबंधी बदलावों की निगरानी करता है और उन्हें सर्वर पर एकत्रित करता है।

क्लाइंट साइड: प्रत्येक क्लाइंट स्थानीय बैच एरर्स के अनुक्रम पर एक HDDM (Hoeffding-आधारित ड्रिफ्ट डिटेक्शन मेथड) डिटेक्टर चलाता है ताकि एक रॉ ड्रिफ्ट स्कोर $z_k$ उत्पन्न किया जा सके।
सर्वर साइड: सर्वर इन स्कोर्स को KL-डाइवर्जेंस-वेटेड एक्सपोनेंशियलली वेटेड मूविंग एवरेज (EWMA) का उपयोग करके एकत्रित करता है ताकि एक ग्लोबल ड्रिफ्ट सेवेरिटी स्कोर $\hat{Z}(t)$ प्राप्त किया जा सके। यह स्कोर अन्य मॉड्यूल्स के लिए प्राथमिक सिग्नल के रूप में कार्य करता है।

3. डिफरेंशियल प्राइवेसी फेडरेटेड लर्नर (DPFL)

यह मॉड्यूल ड्रिफ्ट-एडेप्टिव नॉइज़ शेड्यूल के साथ DP-SGD को लागू करता है, जो इस शोध पत्र का मुख्य नवाचार है।

एडेप्टिव कपलिंग: ग्लोबल ड्रिफ्ट स्कोर $\hat{Z}(t)$ $\hat{Z} (t)$ सीधे DP मापदंडों को नियंत्रित करता है:
- क्लिपिंग रेडियस $C(t)$ : $C(t) = C_{min} + (C_{max} - C_{min}) \cdot \hat{Z}(t-1)$
- नॉइज़ मल्टीप्लायर $\sigma(t)$ : $\sigma(t) = \sigma_{min} + (\sigma_{max} - \sigma_{min}) \cdot \hat{Z}(t-1)$
लॉजिक: जब ड्रिफ्ट अधिक होता है, तो सिस्टम अस्थिर अपडेट्स की सुरक्षा के लिए प्राइवेसी को कड़ा कर देता है (बड़ा शोर और क्लिपिंग बाउंड्स)। जब वितरण स्थिर होता है, तो यह उपयोगिता को अधिकतम करने के लिए इन बाधाओं को ढीला कर देता है।
अकाउंटिंग: प्राइवेसी लॉस को रेनी डिफरेंशियल प्राइवेसी (RDP) मोमेंट्स अकाउंटेंट का उपयोग करके ट्रैक किया जाता है ताकि एक प्रमाणित $(\epsilon, \delta)$ गारंटी सुनिश्चित की जा सके।

4. एडेप्टिव क्लाइंट एग्रीगेशन एंड गेटिंग (ACAG)

ACAG एक क्वालिटी गेट के रूप में कार्य करता है, जो क्लाइंट अपडेट्स को तभी स्वीकार करता है जब वे एक दोहरे-मानदंड (dual-criterion) को पूरा करते हैं:

लोकल क्वालिटी: वैलिडेशन एक्यूरेसी $q_k$ एक थ्रेशोल्ड से ऊपर होनी चाहिए जो ग्लोबल ड्रिफ्ट स्कोर द्वारा समायोजित है ( $q_k \geq \bar{q} - \kappa \hat{Z}$ )।
ड्रिफ्ट टॉलरेंस: क्लाइंट का स्थानीय ड्रिफ्ट स्कोर एक डायनेमिक बाउंड के भीतर होना चाहिए ( $z_k \leq \tau_{gate} + \mu \hat{Z}$ )।
यह पुराने या दूषित ग्रेडिएंट्स को ग्लोबल मॉडल को दूषित करने से रोकता है, विशेष रूप से उच्च-ड्रिफ्ट अवधियों के दौरान।

मुख्य योगदान (Key Contributions)

यह शोध पत्र पांच प्राथमिक योगदानों का दावा करता है:

एकीकृत फ्रेमवर्क: MobiShield विषमता-जागरूक फीचर अनुकूलन, वितरित ड्रिफ्ट डिटेक्शन और औपचारिक रूप से प्रमाणित डिफरेंशियल प्राइवेसी को एक साथ एकीकृत करने वाला पहला FL फ्रेमवर्क है।
द्विदिश ड्रिफ्ट-प्राइवेसी कपलिंग: एक नवीन फीडबैक मैकेनिज्म जहाँ अनुमानित ग्लोबल ड्रिफ्ट सेवेरिटी डायनेमिक रूप से DP नॉइज़ बजट को पुनर्गठित करती है, जिससे एक स्वचालित प्राइवेसी-उपयोगिता ट्रेडऑफ़ प्राप्त होता है।
एडेप्टिव फीचर सिलेक्शन: नॉन-IID वितरण के प्रतिकूल प्रभावों को कम करने के लिए प्रति-क्लाइंट अटेंशन मास्क का उपयोग।
क्वालिटी-ड्रिफ्ट ड्यूल-गेटिंग: एक नवीन एग्रीगेशन गेट जो स्थानीय मॉडल गुणवत्ता और रियल-टाइम ड्रिफ्ट स्कोर दोनों के आधार पर अपडेट को फ़िल्टर करता है।
व्यापक मूल्यांकन: चार डेटासेट्स (Drebin, CICMalDroid 2020, क्रोनोलॉजिकल AndroZoo, और एक सिंथेटिक ड्रिफ्ट बेंचमार्क) के माध्यम से व्यापक अनुभवजन्य सत्यापन।

प्रयोगात्मक परिणाम (Experimental Results)

फ्रेमवर्क का मूल्यांकन नौ बेसलाइन्स के विरुद्ध किया गया था, जिनमें FedAvg, FedProx, FL-MALDRIFT, और DP-FL शामिल हैं।

एक्यूरेसी (Accuracy): MobiShield ने सभी डेटासेट्स पर स्टेट-ऑफ-द-आर्ट प्रदर्शन हासिल किया:
- Drebin: 96.8% (FL-MALDRIFT के 94.7% के मुकाबले)
- CICMalDroid 2020: 97.6% (FL-MALDRIFT के 96.8% के मुकाबले)
- AndroZoo (Temporal): 94.7% (FL-MALDRIFT के 92.4% के मुकाबले)
- सिंथेटिक ड्रिफ्ट: 93.5%
प्राइवेसी गारंटी: सिस्टम $\epsilon \leq 8$ और $\delta = 10^{-5}$ की प्रमाणित डिफरेंशियल प्राइवेसी गारंटी के तहत काम करता है।
एब्लेशन स्टडी (Ablation Study): व्यक्तिगत मॉड्यूल्स को हटाने से प्रदर्शन में महत्वपूर्ण गिरावट आई:
- DFDD को हटाने से एक्यूरेसी में 6.8% की गिरावट आई।
- ACAG को हटाने से 5.2% की गिरावट आई।
- AHFS को हटाने से 4.5% की गिरावट आई।
- एडेप्टिव नॉइज़ शेड्यूल को फिक्स्ड शेड्यूल से बदलने से 3.3% की गिरावट हुई, जो ड्रिफ्ट-प्राइवेसी कपलिंग के महत्व की पुष्टि करती है।
सांख्यिकीय महत्व (Statistical Significance): पेयर्ड टी-टेस्ट और वन-वे एनोवा (one-way ANOVA) के माध्यम से बेसलाइन्स के विरुद्ध सभी युग्मवार तुलनाएँ सांख्यिकीय रूप से महत्वपूर्ण थीं ( $p < 0.01$ )।
ओवरहेड (Overhead): MobiShield, FL-MALDRIF की तुलना में प्रति राउंड में 18.4% अधिक कंप्यूटेशन टाइम लेता है (लगभग 84.7ms बनाम 71.4ms) और संचार ओवरहेड में नगण्य वृद्धि (1.4 MB बनाम 1.2 MB प्रति राउंड) होती है।

महत्व और दावे (Significance and Claims)

यह शोध पत्र MobiShield को ड्रिफ्ट रेजिस्टेंस और प्राइवेसी प्रिजर्वेशन के बीच "वास्तविक तकनीकी संघर्ष" के समाधान के रूप में प्रस्तुत करता है। लेखक दावा करते हैं कि:

ड्रिफ्ट और प्राइवेसी स्वतंत्र नहीं हैं: मैलवेयर वितरण के साथ शोर इंजेक्शन (noise injection) का उचित स्तर बदल जाता है।
उपयोगिता-प्राइवेसी ट्रेडऑफ़: ड्रिफ्ट सेवेरिटी के फंक्शन के रूप में प्राइवेसी बजट को गतिशील बनाकर, MobiShield यह प्रदर्शित करता है कि कठोर डिफरेंशियल प्राइवेसी और उच्च-एक्यूरेसी मैलवेयर डिटेक्शन परस्पर अनन्य (mutually exclusive) लक्ष्य नहीं हैं।
व्यावहारिक परिनियोजन: फ्रेमवर्क उन वास्तविक दुनिया के मोबाइल सुरक्षा वातावरणों में प्राइवेसी-संरक्षित, ड्रिफ्ट-रेज़िलिएंट मैलवेयर डिटेक्शन को तैनात करने के लिए एक सिद्धांत आधारित मार्ग प्रदान करता है जहाँ डेटा विषम है और खतरे निरंतर विकसित होते हैं।

लेखक सीमाओं को स्वीकार करते हैं, यह नोट करते हुए कि वर्तमान डिज़ाइन एक "ऑनेस्ट-बट-क्यूरियस" (honest-but-curious) सर्वर को मानता है और बायज़ेंटाइन या पॉइज़निंग हमलों के खिलाफ औपचारिक गारंटी प्रदान नहीं करता है, जिसे वे भविष्य के कार्य के लिए एक दिशा के रूप में सुझाते हैं।