Security and Privacy Taxonomy Generation from Mobile App Reviews
本文介绍了 TaxoScale，这是一个可扩展的流水线，它通过过滤超过 600,000 条移动应用评论，并结合递归层次聚类与基于大语言模型（LLM）的命名方法，自动生成一个全面且新颖的安全与隐私分类法，从而克服了现有方法在处理大规模数据集时面临的局限性。
原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
想象一下，互联网就像一座巨大且繁忙的城市，每一款应用程序都是一家商店、一家餐厅或是一个公园。每天，都有数百万人穿梭于这些数字之门，当他们离开时，往往会向空中大声喊出他们的抱怨或赞美。这些呐喊就是“应用评论”。有些人是在抱怨加载速度慢或颜色难看，而另一些人则是在为更严重的事情而尖叫：他们的隐私和安全。他们在说：“这个应用在监视我！”或者“它在窃取我的数据！”
长期以来，科学家和安全专家一直试图倾听这些呐喊，以了解到底出了什么问题。他们创建了“分类法”（taxonomies），这就像是巨大的、有组织的档案柜或图书馆目录。分类法不再只是听到一团混乱的抱怨，而是将它们整理成整齐的类别，例如“数据收集”、“监视”或“密码问题”。然而，这些旧档案柜有一个大问题：它们是由人类专家手工一个文件夹一个文件夹地构建出来的。应用之城的变化太快了，人类根本无法跟上。新功能不断出现，新的窥探手段层出不穷，旧的档案柜甚至还没建好就变得落满灰尘、过时了。问题变成了：我们如何建立一个能够实时组织数百万次呐喊，而不会感到不堪重负的分类系统？
这就是肯塔基大学和路易斯安那州立大学的研究人员推出名为 TaxoScale 的新工具的地方。他们意识到，构建这些目录的旧方法太慢了，无法处理如此庞大的数据量。他们拥有 1863 万条应用评论的海量数据，但其中只有大约 601,257 条实际上是关于隐私或安全的。手动对这么多投诉进行分类将耗费无穷的时间，而尝试使用标准的计算机程序来做这件事，很可能会因为列表太长而导致程序崩溃。
为了解决这个问题，团队构建了一个智能流水线，它就像一位超级高效的图书管理员。首先，他们使用了一种强大的人工智能（一种被称为 LLM 的计算机大脑）作为过滤器，从 1800 万条评论中筛选出那 60 万条真正关于隐私和安全的评论。然后，他们使用另一种人工智能来提取用户描述其担忧的具体句子，将冗长的抱怨转化为简短、清晰的“标签”，例如“需要我的联系人”或“追踪我的驾驶轨迹”。
真正的魔力发生在下一步。TaxoScale 并没有尝试一次性对所有 60 万个标签进行分类（这就像试图在一个房间里整理一百万本书），而是使用了一个被称为递归层次聚类（Recursive Hierarchical Clustering）的巧妙技巧。想象一下你有一大堆混杂在一起的玩具。与其试图一次性把它们全部分类，不如先将这堆玩具分成两个大桶。然后，你取出一个桶，将其分成两个小桶，并不断重复这个过程，直到这些堆变得足够小，可以轻松分类。一旦小堆被分类好了，再按逻辑顺序将这些组重新粘合在一起。这种“分而治之”的方法使系统能够处理如此大规模的数据而不会陷入停滞。
最后，系统使用人工智能为这些新组命名。它观察排序后的堆，并为它们发明清晰、简短的名字，比如“行为追踪”或“网络安全”。结果是一个全新的、鲜活的分类法，它比旧的手工分类法要好得多。研究人员发现，他们的新系统不仅在分类投诉方面更加准确，还发现了以前从未有人想到的全新类别。例如，他们发现了一个关于“网络安全”的全新分支（例如应用如何管理 IP 地址或使用 VPN），以及一个针对“家长控制”问题的非常具体的类别，这很有道理，因为他们的数据包含了来自教师认可的应用的评论。
这篇论文表明，TaxoScale 是向前迈出的重要一步。它不仅仅是复制旧的类别，它还能发现新的类别，并且比以往的自动方法组织得更好。通过发布他们的数据和代码，研究人员正将这个更聪明、更高效的分类系统的钥匙交给世界，希望它能在数字城市不断增长的过程中，帮助我们的城市变得更加安全和透明。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。