跳转至

type: concept tags: [privacy, mobile, llm, google-play, app-security, compliance, automated-verification] related: [[anonymization-gui-agent-privacy]], [[genai-smartphone-privacy-perception]], [[gui-agent-privacy]] sources: - url: https://arxiv.org/abs/2604.16128 title: "PolicyGapper: Automated Detection of Inconsistencies Between Google Play Data Safety Sections and Privacy Policies Using LLMs" date: 2026-04-17 reliability: high created: 2026-04-20 updated: 2026-04-20

PolicyGapper: LLM 驱动的应用隐私合规验证

基于 LLM 的自动化工具，检测 Google Play 商店应用的数据安全声明 (DSS) 与其隐私政策 (PP) 之间的不一致。在 330 个应用中发现了 2,689 项遗漏声明，其中 80% 的流行应用存在不完整或误导性的 DSS 声明。

核心问题

2022 年起，Google 要求所有 Play 商店应用提交 Data Safety Section (DSS)——标准化的数据收集、使用和共享声明。然而： - 编写准确的 DSS 声明具有挑战性，必须与隐私政策 (PP) 保持一致 - 先前研究表明近 80% 的流行应用包含不完整或误导性的 DSS 声明 - 目前没有自动化工具验证 DSS 与 PP 之间的一致性 - 手动审查每个应用的合规性成本极高

方法/架构

四阶段流水线（无需访问应用二进制文件）

  1. Scraping (抓取)
  2. 从 Google Play 抓取 DSS 声明

  3. 从应用官网抓取隐私政策文本

  4. Pre-processing (预处理)

  5. 文本清理和结构化

  6. 将 DSS 和 PP 分解为可比对的声明单元

  7. Analysis (分析)

  8. 使用 LLM 对比 DSS 声明与 PP 内容
  9. 识别：DSS 中声明但 PP 中未提及的项目
  10. 识别：PP 中描述但 DSS 中遗漏的项目

  11. 覆盖数据收集和数据共享两个维度

  12. Post-processing (后处理)

  13. 结果聚合和验证
  14. 生成结构化的差异报告

技术特点

  • 无需应用二进制: 仅依赖公开信息（Google Play 页面 + 隐私政策网页）
  • LLM 驱动: 利用大语言模型的语义理解能力进行声明对比
  • 全品类覆盖: 评估了全部 33 个 Google Play 品类中的 330 个头部应用

实验结果/关键数据

规模

指标 数值
评估应用数 330 个（Q3 2025 Top 排名）
覆盖品类 33 个（全部 Google Play 品类）
识别遗漏声明总数 2,689 项
数据收集遗漏 2,040 项
数据共享遗漏 649 项

验证性能（分层 10% 子集，3 轮独立运行平均）

指标 值
Precision 0.75
Recall 0.77
Accuracy 0.69
F1-score 0.76

关键发现

  • 数据收集遗漏远多于数据共享遗漏 (2040 vs 649): 开发者更难全面披露收集行为
  • 80% 流行应用存在 DSS 不一致: 验证了先前研究的结论
  • 跨品类普遍性: 问题不局限于特定应用类型

关键洞察

  1. LLM 在合规验证中的新角色: PolicyGapper 展示了 LLM 作为"监管科技" (RegTech) 工具的潜力——自动化的语义级合规检查，而不仅仅是文本生成。

  2. 隐私声明的系统性失败: 80% 的应用存在不一致，说明当前的隐私声明机制存在结构性问题。标准化表单 (DSS) 的初衷与实际执行之间存在巨大鸿沟。

  3. 对端侧 AI 的影响: 随着端侧 AI 应用增加（如 [[loudreader-ondevice-tts]] 等完全离线应用），隐私声明变得更加复杂——端侧推理的数据处理边界需要新的披露框架。

  4. 开源可复现性: 项目在 GitHub 上开源 (Mobile-IoT-Security-Lab/PolicyGapper)，包含数据集、提示词、源代码和结果。

为什么重要

对手机端 AIOS 生态而言：

  • AI 驱动的隐私审计: 随着端侧 AI 能力增强，应用的隐私声明复杂度也在增加。PolicyGapper 模式可以扩展为端侧 AI 应用的隐私合规检查工具。

  • 移动应用生态治理: 80% 的应用隐私声明不一致是一个系统性问题。自动化检查是实现大规模隐私合规的唯一可行路径。

  • LLM 端侧部署的隐私场景: 如果将 PolicyGapper 的检查逻辑部署到端侧（使用小型 LLM），用户可以在自己的设备上审计已安装应用的隐私合规性，无需将数据发送到云端。

关联

  • [[anonymization-gui-agent-privacy]] — GUI Agent 的隐私保护策略
  • [[genai-smartphone-privacy-perception]] — 用户对 GenAI 手机的隐私感知
  • [[gui-agent-privacy]] — GUI Agent 隐私保护的系统性分析