Шта је диференцијална приватност? 

Живимо кроз еру великих података, која је још више пажње усмерила на тему приватности података. Људи производе невероватну количину података сваке секунде, а компаније користе ове податке за широк спектар апликација. Са складиштењем и дељењем података брзином без преседана, мора постојати више техника заштите приватности. 

Диференцијална приватност је један такав приступ заштити личних података и показао се ефикаснијим од многих наших традиционалних метода. Може се дефинисати као систем за јавно дељење информација о скупу података описивањем образаца група унутар скупа података уз задржавање информација о појединцима у скупу података. 

Диференцијална приватност омогућава истраживачима и аналитичарима база података да добију вредне информације из база података без откривања личних идентификационих података о појединцима. Ово је критично јер многе базе података садрже различите личне информације. 

Други начин гледања на диференцијалну приватност је да ствара анонимне податке убризгавањем буке у скупове података. Уведена бука помаже у заштити приватности док је и даље довољно ограничена тако да аналитичари могу поуздано да користе податке. 

Можете имати два скоро идентична скупа података. Један са вашим личним подацима и један без њих. Са диференцијалном приватношћу, можете осигурати да је вероватноћа да ће статистички упит дати дати резултат иста без обзира на то на којој бази података се изводи.

Како функционише диференцијална приватност? 

Начин на који диференцијална приватност функционише је увођење параметра губитка приватности или буџета за приватност, који се често означава као епсилон (ε), у скуп података. Ови параметри контролишу колико се шума или случајности додаје сировом скупу података. 

На пример, замислите да имате колону у скупу података са одговорима појединаца „Да“/„Не“. 

Сада, претпоставимо да бацате новчић за сваког појединца: 

• главе: одговор је остављен какав јесте.
  
• Репови: окренете други пут, бележећи одговор као „Да“ ако је глава и „Не“ ако је реп, без обзира на прави одговор. 

Коришћењем овог процеса додајете случајност подацима. Са великом количином података и информација из механизма за додавање буке, скуп података ће остати тачан у смислу збирних мерења. Приватност долази тако што омогућава сваком појединцу да убедљиво пориче свој прави одговор захваљујући процесу насумичне селекције. 

Иако је ово једноставан пример диференцијалне приватности, он пружа основни ниво разумевања. У апликацијама у стварном свету, алгоритми су сложенији. 

Такође је важно напоменути да се диференцијална приватност може применити локално, где се шум додаје појединачним подацима пре него што се централизује у бази података, или глобално, где се шум додаје сировим подацима након што се прикупи од појединаца. 

Примери диференцијалне приватности

Диференцијална приватност се примењује у широком спектру апликација као што су системи препорука, друштвене мреже и услуге засноване на локацији. 

Ево неколико примера како се велике компаније ослањају на различиту приватност: 

• јабука користи метод за прикупљање анонимних увида у употребу са уређаја као што су иПхоне и Мац.

• фацебоок користи различиту приватност за прикупљање података о понашању који се могу користити за циљане рекламне кампање.

• амазонка ослања се на технику за стицање увида у персонализоване преференције куповине док скрива осетљиве информације. 

Аппле је био посебно транспарентан у погледу коришћења диференцијалне приватности како би стекао увид у кориснике уз очување њихове приватности. 

„Аппле је усвојио и даље развио технику познату у академском свету као локална диференцијална приватност да урадите нешто заиста узбудљиво: стекнете увид у оно што многи корисници Аппле-а раде, истовремено помажући да се очува приватност појединачних корисника. То је техника која омогућава Аппле-у да учи о заједници корисника без учења о појединцима у заједници. Диференцијална приватност трансформише информације које се деле са Аппле-ом пре него што икада напусте уређај корисника тако да Аппле никада не може да репродукује праве податке.”

 - Апплеов диференцијални преглед приватности 

Примене диференцијалне приватности

Пошто живимо у овој ери великих података, постоје многе повреде података које прете владама, организацијама и компанијама. У исто време, данашње апликације за машинско учење ослањају се на технике учења које захтевају велике количине података о обуци, који често долазе од појединаца. Истраживачке институције такође користе и деле податке са поверљивим информацијама. Неправилно обелодањивање ових података на било који начин може изазвати многе проблеме како за појединца тако и за организацију, ау тежим случајевима може довести до грађанске одговорности. 

Формални модели приватности као што је диференцијална приватност решавају све ове проблеме. Користе се за заштиту личних података, локације у реалном времену и још много тога. 

Коришћењем диференцијалне приватности, компаније могу приступити великој количини осетљивих података за истраживање или пословање без угрожавања података. Истраживачке институције такође могу да развију специфичне технологије диференцијалне приватности како би аутоматизовали процесе приватности у заједницама за дељење у облаку, које постају све популарније. 

Зашто користити диференцијалну приватност? 

Диференцијална приватност нуди неколико главних својстава која је чине одличним оквиром за анализу приватних података уз обезбеђивање приватности: 

• Квантификација губитка приватности: Диференцијални механизми и алгоритми приватности могу мерити губитак приватности, што омогућава да се упореди са другим техникама.

• Састав: Пошто можете квантификовати губитак приватности, можете га анализирати и контролисати преко више прорачуна, омогућавајући развој различитих алгоритама.

• Групна приватност: Поред индивидуалног нивоа, диференцијална приватност вам омогућава да анализирате и контролишете губитак приватности међу већим групама.

• Безбедно у накнадној обради: Диференцијална приватност не може бити нарушена накнадном обрадом. На пример, аналитичар података не може да израчуна функцију излаза диференцијалног приватног алгоритма и да је претвори у мање диференцијално приватну. 

Предности диференцијалне приватности

Као што смо раније споменули, диференцијална приватност је боља од многих традиционалних техника приватности. На пример, ако су све доступне информације идентификоване информације, диференцијална приватност олакшава идентификацију свих елемената података. Такође је отпоран на нападе на приватност засноване на помоћним информацијама, спречавајући нападе који се могу извршити на де-идентификованим подацима. 

Једна од највећих предности диференцијалне приватности је то што је састављена, што значи да можете израчунати губитак приватности спровођења две различито приватне анализе на истим подацима. Ово се ради сумирањем појединачних губитака приватности за две анализе. 

Иако је диференцијална приватност ново средство и може бити тешко постићи ван истраживачких заједница, решења за приватност података која се лако примењују постају све доступнија. У блиској будућности требало би да видимо све већи број ових решења доступних широј јавности.