Kas ir diferenciālā privātums? 

Mēs dzīvojam lielo datu laikmetā, kas vēl vairāk pievērsis uzmanību datu privātuma tēmai. Cilvēki katru sekundi ražo neticami daudz datu, un uzņēmumi izmanto šos datus plašam lietojumu klāstam. Tā kā dati tiek uzglabāti un koplietoti vēl nebijušā tempā, ir jābūt vairāk privātuma aizsardzības paņēmienu. 

Atšķirīga privātuma aizsardzība ir viena no šādām pieejām personas datu aizsardzībai, un tā ir izrādījusies efektīvāka nekā daudzas mūsu tradicionālās metodes. To var definēt kā sistēmu informācijas publiskai koplietošanai par datu kopu, aprakstot datu kopas grupu modeļus, vienlaikus slēpjot informāciju par datu kopā esošajām personām. 

Diferenciālā privātums ļauj pētniekiem un datu bāzu analītiķiem iegūt vērtīgu informāciju no datubāzēm, neizpaužot personu identifikācijas informāciju par personām. Tas ir ļoti svarīgi, jo daudzās datubāzēs ir ietverta dažāda personiskā informācija. 

Vēl viens veids, kā aplūkot diferenciālo privātumu, ir tas, ka tas rada anonīmus datus, ievadot datu kopās troksni. Ieviestais troksnis palīdz aizsargāt privātumu, vienlaikus ir pietiekami ierobežots, lai analītiķi varētu droši izmantot datus. 

Jums var būt divas gandrīz identiskas datu kopas. Viens ar jūsu personisko informāciju un otrs bez tās. Izmantojot diferencētu privātumu, varat nodrošināt, ka varbūtība, ka statistikas vaicājums sniegs noteiktu rezultātu, ir vienāda neatkarīgi no tā, kurā datu bāzē tas tiek veikts.

Kā darbojas diferencētā privātuma aizsardzība? 

Atšķirīgā konfidencialitāte darbojas, datu kopā ieviešot privātuma zaudēšanas vai privātuma budžeta parametru, kas bieži tiek apzīmēts kā epsilons (ε). Šie parametri nosaka, cik daudz trokšņu vai nejaušības tiek pievienots neapstrādātajai datu kopai. 

Piemēram, iedomājieties, ka datu kopā ir kolonna ar “Jā”/”Nē” atbildēm no personām. 

Tagad pieņemsim, ka jūs uzmetat monētu katram indivīdam: 

• Galvas: atbilde paliek tāda, kāda tā ir.
  
• Astes: jūs apgriežat otrreiz, ierakstot atbildi kā “Jā”, ja ir galva, un “Nē”, ja tas ir, neatkarīgi no patiesās atbildes. 

Izmantojot šo procesu, jūs pievienojat datiem nejaušību. Izmantojot lielu datu apjomu un informāciju no trokšņu pievienošanas mehānisma, datu kopa būs precīza kopējo mērījumu izteiksmē. Privātums tiek nodrošināts, ļaujot katram indivīdam ticami noliegt savu patieso atbildi, pateicoties randomizācijas procesam. 

Lai gan šis ir vienkāršots atšķirīgas privātuma piemērs, tas nodrošina pamata izpratnes līmeni. Reālās pasaules lietojumprogrammās algoritmi ir sarežģītāki. 

Ir arī svarīgi atzīmēt, ka diferenciālo privātumu var ieviest lokāli, kur troksnis tiek pievienots atsevišķiem datiem, pirms tie tiek centralizēti datu bāzē, vai globāli, kur troksnis tiek pievienots neapstrādātajiem datiem pēc tam, kad tas ir savākts no personām. 

Diferenciālās privātuma piemēri

Diferenciālā privātums tiek izmantots plašā lietojumprogrammu klāstā, piemēram, ieteikumu sistēmās, sociālajos tīklos un uz atrašanās vietu balstītos pakalpojumos. 

Šeit ir daži piemēri, kā lielie uzņēmumi paļaujas uz atšķirīgu privātumu: 

• Manzana izmanto šo metodi, lai apkopotu anonīmus lietošanas ieskatus no tādām ierīcēm kā iPhone un Mac.

• Facebook izmanto atšķirīgu privātumu, lai apkopotu uzvedības datus, ko var izmantot mērķtiecīgām reklāmas kampaņām.

• Amazone paļaujas uz tehniku, lai gūtu ieskatu personalizētās iepirkšanās preferencēs, vienlaikus slēpjot sensitīvu informāciju. 

Apple ir īpaši atklāti izmantojis diferenciālo privātumu, lai gūtu ieskatu par lietotājiem, vienlaikus saglabājot viņu privātumu. 

"Apple ir pieņēmusi un tālāk attīstījusi tehniku, kas akadēmiskajā pasaulē pazīstama kā vietējā diferenciālā privātums lai paveiktu kaut ko patiešām aizraujošu: iegūstiet ieskatu par to, ko dara daudzi Apple lietotāji, vienlaikus palīdzot saglabāt atsevišķu lietotāju privātumu. Tas ir paņēmiens, kas ļauj Apple uzzināt par lietotāju kopienu, neuzzinot par indivīdiem sabiedrībā. Diferenciālā konfidencialitāte pārveido ar Apple kopīgoto informāciju, pirms tā tiek atstāta no lietotāja ierīces tā, ka Apple nekad nevarēs reproducēt patiesos datus.

 - Apple diferencētā privātuma pārskats 

Diferenciālās privātuma lietojumprogrammas

Tā kā mēs dzīvojam šajā lielo datu laikmetā, ir daudz datu pārkāpumu, kas apdraud valdības, organizācijas un uzņēmumus. Tajā pašā laikā mūsdienu mašīnmācīšanās lietojumprogrammas balstās uz mācīšanās paņēmieniem, kas prasa lielu apmācību datu apjomu, kas bieži vien nāk no privātpersonām. Pētniecības iestādes arī izmanto un koplieto datus ar konfidenciālu informāciju. Nepareiza šo datu izpaušana jebkādā veidā var radīt daudzas problēmas gan indivīdam, gan organizācijai, un smagos gadījumos var iestāties civiltiesiskā atbildība. 

Formālie privātuma modeļi, piemēram, diferencētais privātums, risina visas šīs problēmas. Tos izmanto, lai aizsargātu personisko informāciju, reāllaika atrašanās vietu un daudz ko citu. 

Izmantojot diferencētu privātumu, uzņēmumi var piekļūt lielam sensitīvu datu apjomam pētniecībai vai uzņēmējdarbībai, neapdraudot datus. Pētniecības iestādes var arī izstrādāt īpašas atšķirīgas privātuma tehnoloģijas, lai automatizētu privātuma procesus mākoņa koplietošanas kopienās, kas kļūst arvien populārākas. 

Kāpēc izmantot diferenciālo privātumu? 

Diferenciālā privātums piedāvā dažus galvenos rekvizītus, kas padara to par lielisku ietvaru privāto datu analīzei, vienlaikus nodrošinot privātumu: 

• Privātuma zaudējuma kvantitatīva noteikšana: Diferenciālie privātuma mehānismi un algoritmi var izmērīt privātuma zudumu, kas ļauj to salīdzināt ar citām metodēm.

• Sastāvs: Tā kā jūs varat kvantitatīvi noteikt privātuma zudumu, varat arī analizēt un kontrolēt to, izmantojot vairākus aprēķinus, ļaujot izstrādāt dažādus algoritmus.

• Grupas konfidencialitāte: Papildus individuālajam līmenim diferencētais privātums ļauj analizēt un kontrolēt privātuma zudumu lielākām grupām.

• Drošs pēcapstrādē: Atšķirīgo privātumu nevar kaitēt pēcapstrāde. Piemēram, datu analītiķis nevar aprēķināt diferenciālā privātā algoritma izvades funkciju un padarīt to mazāk diferencēti privātu. 

Diferenciālās privātuma priekšrocības

Kā jau minējām iepriekš, atšķirīga privātuma aizsardzība ir labāka nekā daudzas tradicionālās privātuma metodes. Piemēram, ja visa pieejamā informācija ir identificēta informācija, diferencētais privātums atvieglo visu datu elementu identificēšanu. Tas ir arī izturīgs pret privātuma uzbrukumiem, kuru pamatā ir papildu informācija, novēršot uzbrukumus, kurus var veikt neidentificētiem datiem. 

Viena no lielākajām diferencētās privātuma priekšrocībām ir tā, ka tā ir kompozīcija, kas nozīmē, ka varat aprēķināt privātuma zudumu, veicot divas atšķirīgi privātas analīzes par tiem pašiem datiem. Tas tiek darīts, summējot abām analīzēm individuālos privātuma zudumus. 

Lai gan diferencēta privātuma aizsardzība ir jauns rīks, un to var būt grūti sasniegt ārpus pētniecības aprindām, viegli ieviešami datu privātuma risinājumi kļūst arvien pieejamāki. Tuvākajā nākotnē mums vajadzētu redzēt, ka arvien vairāk šo risinājumu būs pieejami plašākai sabiedrībai.