Apa itu Privasi Diferensial? 

Kita hidup melalui era data besar, yang lebih memusatkan perhatian pada topik privasi data. Manusia menghasilkan jumlah data yang luar biasa setiap detiknya, dan perusahaan menggunakan data ini untuk berbagai aplikasi. Dengan penyimpanan dan pembagian data dengan kecepatan yang belum pernah terjadi sebelumnya, harus ada lebih banyak teknik perlindungan privasi. 

Privasi diferensial adalah salah satu pendekatan untuk melindungi data pribadi, dan telah terbukti lebih efektif daripada banyak metode tradisional kami. Ini dapat didefinisikan sebagai sistem untuk berbagi informasi secara publik tentang kumpulan data dengan menjelaskan pola kelompok dalam kumpulan data sambil menahan informasi tentang individu dalam kumpulan data. 

Privasi diferensial memungkinkan peneliti dan analis basis data memperoleh informasi berharga dari basis data tanpa membocorkan informasi identifikasi pribadi tentang individu. Ini sangat penting karena banyak database berisi berbagai informasi pribadi. 

Cara lain untuk melihat privasi diferensial adalah dengan membuat data anonim dengan menyuntikkan noise ke dalam kumpulan data. Kebisingan yang diperkenalkan membantu melindungi privasi sementara masih cukup terbatas sehingga analis dapat menggunakan data dengan andal. 

Anda dapat memiliki dua kumpulan data yang hampir identik. Satu dengan informasi pribadi Anda dan satu tanpa itu. Dengan privasi diferensial, Anda dapat memastikan bahwa kemungkinan kueri statistik akan menghasilkan hasil tertentu adalah sama terlepas dari basis data mana kueri tersebut dijalankan.

Bagaimana Cara Kerja Privasi Diferensial? 

Cara kerja privasi diferensial adalah dengan memperkenalkan kehilangan privasi atau parameter anggaran privasi, yang sering dilambangkan sebagai epsilon (ε), ke kumpulan data. Parameter ini mengontrol berapa banyak noise atau keacakan yang ditambahkan ke dataset mentah. 

Misalnya, bayangkan Anda memiliki kolom dalam kumpulan data dengan jawaban "Ya"/"Tidak" dari individu. 

Sekarang, misalkan Anda melempar koin untuk setiap individu: 

• Kepala: jawabannya dibiarkan apa adanya.
  
• Ekor: Anda membalik untuk kedua kalinya, merekam jawabannya sebagai "Ya" jika kepala dan "Tidak" jika ekor, terlepas dari jawaban sebenarnya. 

Dengan menggunakan proses ini, Anda menambahkan keacakan pada data. Dengan sejumlah besar data dan informasi dari mekanisme penambahan derau, kumpulan data akan tetap akurat dalam hal pengukuran agregat. Privasi masuk dengan memungkinkan setiap individu untuk secara masuk akal menolak jawaban mereka yang sebenarnya berkat proses pengacakan. 

Meskipun ini adalah contoh sederhana dari privasi diferensial, ini memberikan pemahaman tingkat dasar. Dalam aplikasi dunia nyata, algoritme lebih kompleks. 

Penting juga untuk dicatat bahwa privasi diferensial dapat diterapkan secara lokal, di mana derau ditambahkan ke data individu sebelum terpusat di database, atau secara global, di mana derau ditambahkan ke data mentah setelah dikumpulkan dari individu. 

Contoh Privasi Diferensial

Privasi diferensial diterapkan di berbagai aplikasi seperti sistem rekomendasi, jejaring sosial, dan layanan berbasis lokasi. 

Berikut adalah beberapa contoh bagaimana perusahaan besar mengandalkan privasi diferensial: 

• Apple menggunakan metode untuk mengumpulkan wawasan penggunaan anonim dari perangkat seperti iPhone dan Mac.

• Facebook menggunakan privasi diferensial untuk mengumpulkan data perilaku yang dapat digunakan untuk kampanye iklan bertarget.

• Amazon mengandalkan teknik untuk mendapatkan wawasan tentang preferensi belanja yang dipersonalisasi sambil menyembunyikan informasi sensitif. 

Apple sangat transparan tentang penggunaan privasi diferensial untuk mendapatkan wawasan tentang pengguna sambil menjaga privasi mereka. 

“Apple telah mengadopsi dan mengembangkan lebih lanjut teknik yang dikenal di dunia akademik sebagai privasi diferensial lokal untuk melakukan sesuatu yang sangat menarik: dapatkan wawasan tentang apa yang dilakukan oleh banyak pengguna Apple, sambil membantu menjaga privasi masing-masing pengguna. Ini adalah teknik yang memungkinkan Apple mempelajari tentang komunitas pengguna tanpa mempelajari tentang individu dalam komunitas. Privasi diferensial mengubah informasi yang dibagikan dengan Apple sebelum meninggalkan perangkat pengguna sedemikian rupa sehingga Apple tidak akan pernah dapat mereproduksi data yang sebenarnya.”

 - Ikhtisar Privasi Diferensial Apple 

Aplikasi Privasi Diferensial

Karena kita hidup di era big data, ada banyak pelanggaran data yang mengancam pemerintah, organisasi, dan perusahaan. Pada saat yang sama, aplikasi pembelajaran mesin saat ini mengandalkan teknik pembelajaran yang memerlukan data pelatihan dalam jumlah besar, yang sering kali berasal dari individu. Lembaga penelitian juga menggunakan dan berbagi data dengan informasi rahasia. Pengungkapan data yang tidak tepat dengan cara apa pun dapat menyebabkan banyak masalah baik bagi individu maupun organisasi, dan dalam kasus yang parah, hal ini dapat mengakibatkan tanggung jawab perdata. 

Model privasi formal seperti privasi diferensial mengatasi semua masalah ini. Mereka digunakan untuk melindungi informasi pribadi, lokasi real-time, dan banyak lagi. 

Dengan menggunakan privasi diferensial, perusahaan dapat mengakses sejumlah besar data sensitif untuk penelitian atau bisnis tanpa membahayakan data tersebut. Lembaga penelitian juga dapat mengembangkan teknologi privasi diferensial khusus untuk mengotomatiskan proses privasi di komunitas berbagi cloud, yang semakin populer. 

Mengapa Menggunakan Privasi Diferensial? 

Privasi diferensial menawarkan beberapa properti utama yang menjadikannya kerangka kerja yang sangat baik untuk menganalisis data pribadi sekaligus memastikan privasi: 

• Kuantifikasi Kehilangan Privasi: Mekanisme dan algoritme privasi diferensial dapat mengukur hilangnya privasi, yang memungkinkannya dibandingkan dengan teknik lain.

• Komposisi: Karena Anda dapat menghitung kehilangan privasi, Anda juga dapat menganalisis dan mengontrolnya melalui beberapa perhitungan, memungkinkan pengembangan algoritme yang berbeda.

• Privasi Grup: Selain tingkat individu, privasi diferensial memungkinkan Anda menganalisis dan mengontrol hilangnya privasi di antara grup yang lebih besar.

• Aman dalam Pasca-Pemrosesan: Privasi diferensial tidak dapat dirugikan oleh pasca-pemrosesan. Misalnya, seorang analis data tidak dapat menghitung fungsi keluaran dari algoritme privat diferensial dan mengubahnya menjadi kurang privat secara diferensial. 

Manfaat Privasi Diferensial

Seperti yang kami sebutkan sebelumnya, privasi diferensial lebih baik daripada banyak teknik privasi tradisional. Misalnya, jika semua informasi yang tersedia adalah informasi yang teridentifikasi, privasi diferensial membuatnya lebih mudah untuk mengidentifikasi semua elemen data. Itu juga tahan terhadap serangan privasi berdasarkan informasi tambahan, mencegah serangan yang dapat dilakukan pada data yang tidak teridentifikasi. 

Salah satu manfaat terbesar dari privasi diferensial adalah komposisinya, artinya Anda dapat menghitung hilangnya privasi karena melakukan dua analisis pribadi yang berbeda atas data yang sama. Hal ini dilakukan dengan menjumlahkan kerugian privasi individu untuk kedua analisis tersebut. 

Sementara privasi diferensial adalah alat baru dan mungkin sulit dicapai di luar komunitas penelitian, solusi yang mudah diterapkan untuk privasi data menjadi lebih mudah diakses. Dalam waktu dekat, kita akan melihat semakin banyak solusi ini tersedia untuk masyarakat luas.