Hva er Differensialt Personvern?

Vi lever i en tid med store datamengder, som har ført til enda mer fokus på temaet personvern. Mennesker produserer en enorm mengde data hver sekund, og selskaper bruker disse dataene for en rekke formål. Med lagring og deling av data i en utenforliggende pace, må det være mer personvernsteknikker. 

Differensialt personvern er en slik tilnærming til å beskytte personlige data, og det har vist seg å være mer effektivt enn mange av våre tradisjonelle metoder. Det kan defineres som et system for å offentliggjøre informasjon om en datamengde ved å beskrive mønster av grupper innen datamengden, samtidig som det holder informasjon om enkeltindivider i datamengden skjult. 

Differensialt personvern gjør det mulig for forskere og databaseanalytikere å hente verdifull informasjon fra databaser uten å avsløre personlige identifikasjonsopplysninger om enkeltindivider. Dette er kritisk, da mange databaser inneholder en rekke personlige opplysninger. 

En annen måte å se på differensialt personvern er at det skaper anonyme data ved å injisere støy i datamengdene. Den innførte støyen hjelper til å beskytte personvern, samtidig som den er begrenset nok til at analytikere kan pålitelig bruke dataene. 

Du kan ha to nesten identiske datamengder. En med dine personlige opplysninger og en uten dem. Med differensialt personvern kan du sikre at sannsynligheten for at en statistisk spørring vil produsere et gitt resultat er det samme, uavhengig av hvilken database det utføres på.

Hvordan fungerer differensialt personvern? 

Måten differensialt personvern fungerer på er ved å innføre en personvernstap eller personvern-budsjett-parameter, som ofte betegnes som epsilon (ε), til datamengden. Disse parameterne kontrollerer hvor mye støy eller tilfeldighet som legges til den rå datamengden. 

For eksempel, tenk at du har en kolonne i datamengden med “Ja”/”Nei”-svar fra enkeltindivider. 

Nå, anta at du kaster en mynt for hver enkeltindivid: 

• Hode: svaret forblir uendret.
  
• Krone: du kaster en annen gang, og registrerer svaret som “Ja” hvis hode og “Nei” hvis krone, uavhengig av det faktiske svaret. 

Ved å bruke denne prosessen, legger du til tilfeldighet i dataene. Med en stor mengde data og informasjon fra støy-tilføyingsmekanismen, vil datamengden forblir nøyaktig i forhold til aggregatmålinger. Personvernet kommer inn ved å tillate hver enkeltindivid å plausibelt benekte sitt faktiske svar takket være tilfeldighetsprosessen. 

Dette er et enkelt eksempel på differensialt personvern, og det gir en basis-forståelse. I virkelige anvendelser er algoritmene mer komplekse. 

Det er også viktig å merke seg at differensialt personvern kan implementeres lokalt, der støyen legges til enkeltdata før det sentraliseres i databasen, eller globalt, der støyen legges til rådata etter at det er samlet inn fra enkeltindivider. 

Eksempler på differensialt personvern

Differensialt personvern anvendes over en rekke anvendelser, som anbefalingsystemer, sosiale nettverk og lokasjonsbaserte tjenester. 

Her er noen eksempler på hvordan store selskaper bruker differensialt personvern: 

• Apple bruker metoden til å samle inn anonyme bruksinnsikter fra enheter som iPhone og Mac.

• Facebook bruker differensialt personvern til å samle inn atferdsdata som kan brukes til målrettede annonsekampanjer.

• Amazon bruker teknikken til å få innsikt i personlige handlepreferanser samtidig som det skjuler følsomme opplysninger. 

Apple har vært spesielt åpen om sin bruk av differensialt personvern til å få innsikt i brukere samtidig som det beskytter deres personvern. 

“Apple har adoptert og videreutviklet en teknikk kjent i den akademiske verden som lokalt differensialt personvern for å gjøre noe virkelig spennende: å få innsikt i hva mange Apple-brukere gjør, samtidig som det hjelper til å beskytte personvernet til enkeltbrukere. Det er en teknikk som gjør det mulig for Apple å lære om brukersamfunnet uten å lære om enkeltindivider i samfunnet. Differensialt personvern transformerer informasjonen som deles med Apple før den noen gang forlater brukerens enhet, slik at Apple aldri kan reprodusere de faktiske dataene.”

 – Apples oversikt over differensialt personvern 

Anvendelser av differensialt personvern

Siden vi lever i denne tiden med store datamengder, er det mange datalekkasjer som truer regjeringer, organisasjoner og selskaper. Samtidig avhenger dagens maskinlæringsapplikasjoner av læringsteknikker som krever store mengder treningdata, ofte fra enkeltindivider. Forskningsinstitusjoner bruker og deler også data med konfidensielle opplysninger. Uegnet avsløring av disse dataene på noen måte kan føre til mange problemer for både enkeltindivider og organisasjoner, og i alvorlige tilfeller kan det føre til sivile skader. 

Formelle personvernmodeller som differensialt personvern løser alle disse problemene. De brukes til å beskytte personlige opplysninger, sanntidslokasjon og mer. 

Ved å bruke differensialt personvern, kan selskaper få tilgang til store mengder følsomme data for forskning eller forretningsformål uten å kompromittere dataene. Forskningsinstitusjoner kan også utvikle spesifikke differensialt personvernsteknologier for å automatisere personvernprosesser i sky-delingssamfunn, som blir stadig mer populære. 

Hvorfor bruke differensialt personvern? 

Differensialt personvern tilbyr noen hovedegenskaper som gjør det til et utmerket rammeverk for å analysere private data samtidig som det sikrer personvern: 

• Kvantifisering av personvernstap: Differensialt personvern-mekanismer og algoritmer kan måle personvernstap, som gjør det mulig å sammenligne det med andre teknikker.

• Komposisjon: Siden du kan kvantifisere personvernstap, kan du også analysere og kontrollere det over flere beregninger, og dette gjør det mulig å utvikle ulike algoritmer.

• Gruppepersonvern: Foruten på enkeltindividenivå, gjør differensialt personvern det mulig å analysere og kontrollere personvernstap blant større grupper.

• Sikker i etterbehandling: Differensialt personvern kan ikke skades av etterbehandling. For eksempel kan en dataanalytiker ikke beregne en funksjon av utgangen av en differensialt personvern-algoritme og gjøre den mindre differensialt personvern. 

Fordelene med differensialt personvern

Som vi nevnte tidligere, er differensialt personvern bedre enn mange tradisjonelle personvernsteknikker. For eksempel, hvis all tilgjengelig informasjon er identifiserbar informasjon, gjør differensialt personvern det lettere å identifisere alle elementer i dataene. Det er også motstandsdyktig mot personvernangrep basert på hjelpeinformasjon, og dette forhindrer angrep som kan utføres på de-identifiserte data. 

En av de største fordelene med differensialt personvern er at det er kompositorisk, det vil si at du kan beregne personvernstapet ved å utføre to ulike differensialt personvern-analyser over samme data. Dette gjøres ved å summere opp individuelle personvernstap for de to analyser. 

Selv om differensialt personvern er et nytt verktøy og kan være vanskelig å oppnå utenfor forskningsmiljøer, blir enkle å implementere løsninger for datapersonvern mer tilgjengelige. I nær fremtid burde vi se en økning i antall slike løsninger som er tilgjengelige for en bredere offentlighet.