Vad är Differential Sekretess?

Vi lever i eran av big data, som har fokuserat ännu mer uppmärksamhet på ämnet datasekretess. Människor producerar en otrolig mängd data varje sekund, och företag använder denna data för en mängd olika tillämpningar. Med lagring och delning av data i en aldrig tidigare skådad takt, måste det finnas fler sekretessskyddstekniker. 

Differential sekretess är en sådan metod för att skydda personlig data, och den har visat sig vara mer effektiv än många av våra traditionella metoder. Den kan definieras som ett system för att offentligt dela information om en dataset genom att beskriva mönster i grupper inom datasetet samtidigt som den håller information om individerna i datasetet hemlig. 

Differential sekretess möjliggör för forskare och databasanalytiker att få värdefull information från databaser utan att avslöja personlig identifieringsinformation om individerna. Detta är kritiskt eftersom många databaser innehåller en mängd personlig information. 

Ett annat sätt att se på differential sekretess är att den skapar anonyma data genom att injicera brus i dataseten. Det införda bruset hjälper till att skydda sekretessen samtidigt som det är tillräckligt begränsat för att analytiker ska kunna använda data på ett tillförlitligt sätt. 

Du kan ha två nästan identiska dataset. Ett med din personliga information och ett utan den. Med differential sekretess kan du säkerställa att sannolikheten att en statistisk fråga kommer att producera ett visst resultat är densamma oavsett vilken databas det utförs på.

Hur Fungerar Differential Sekretess? 

Sättet differential sekretess fungerar på är genom att införa en sekretessförlust eller sekretessbudgetparameter, som ofta betecknas som epsilon (ε), i datasetet. Dessa parametrar kontrollerar hur mycket brus eller slumpmässighet som läggs till i det råa datasetet. 

Till exempel, tänk att du har en kolumn i datasetet med “Ja”/”Nej”-svar från individer. 

Nu, anta att du slår en mynt för varje individ: 

• Mynt: svaret lämnas som det är.
  
• Krona: du slår en andra gång, och registrerar svaret som “Ja” om mynt och “Nej” om krona, oavsett det riktiga svaret. 

Genom att använda denna process, lägger du till slumpmässighet i data. Med en stor mängd data och informationen från brus-tilläggsmechanismen, kommer datasetet att förbli korrekt i termer av aggregerade mått. Sekretessen kommer in genom att tillåta varje enskild individ att trovärdigt förneka sitt riktiga svar tack vare randomiseringsprocessen. 

Medan detta är ett förenklat exempel på differential sekretess, ger det en grundläggande förståelse. I verkliga tillämpningar är algoritmerna mer komplexa. 

Det är också viktigt att notera att differential sekretess kan implementeras lokalt, där bruset läggs till i individuella data innan de centraliseras i databasen, eller globalt, där bruset läggs till i rådata efter att de samlats in från individer. 

Exempel på Differential Sekretess

Differential sekretess tillämpas över en bred range av tillämpningar som rekommendationssystem, sociala nätverk och geografiskt baserade tjänster. 

Här är några exempel på hur stora företag förlitar sig på differential sekretess: 

• Apple (AAPL ) använder metoden för att samla in anonyma användarinsikter från enheter som IPhones och Macs.

• Facebook (META ) använder differential sekretess för att samla in beteendedata som kan användas för riktade annonskampanjer.

• Amazon (AMZN ) förlitar sig på tekniken för att få insikt i personliga inköpspreferenser samtidigt som den döljer känslig information. 

Apple har varit särskilt öppen om sin användning av differential sekretess för att få insikt i användare samtidigt som den skyddar deras sekretess. 

“Apple har antagit och vidareutvecklat en teknik som kallas lokalt differentiell sekretess för att göra något riktigt spännande: få insikt i vad många Apple-användare gör, samtidigt som den hjälper till att skydda den enskilda användarens sekretess. Det är en teknik som möjliggör för Apple att lära sig om användargemenskapen utan att lära sig om individer i gemenskapen. Differential sekretess transformerar informationen som delas med Apple innan den ens lämnar användarens enhet så att Apple aldrig kan återskapa den sanna datan.”

 – Apples Differential Sekretessöversikt 

Tillämpningar av Differential Sekretess

Eftersom vi lever i denna era av big data, finns det många dataintrång som hotar regeringar, organisationer och företag. Samtidigt förlitar sig dagens maskinlärningstillämpningar på inlärningstekniker som kräver stora mängder träningsdata, ofta från individer. Forskningsinstitutioner använder och delar också data med konfidentiell information. Otillbörlig avslöjande av denna data på något sätt kan orsaka många problem för både individen och organisationen, och i allvarliga fall kan det leda till civilrättsligt ansvar. 

Formella sekretessmodeller som differential sekretess adresserar alla dessa problem. De används för att skydda personlig information, realtidsplacering och mer. 

Genom att använda differential sekretess kan företag komma åt stora mängder känslig data för forskning eller affärsverksamhet utan att kompromettera datan. Forskningsinstitutioner kan också utveckla specifika differential sekretess-teknologier för att automatisera sekretessprocesser i molndelningssamhällen, som blir allt mer populära. 

Varför Använda Differential Sekretess? 

Differential sekretess erbjuder några huvudsakliga egenskaper som gör den till en utmärkt ram för att analysera privat data samtidigt som den säkerställer sekretessen: 

• Kvantifiering av Sekretessförlust: Differential sekretess-mekanismer och algoritmer kan mäta sekretessförlust, vilket möjliggör att den kan jämföras med andra tekniker.

• Sammansättning: Eftersom du kan kvantifiera sekretessförlust, kan du också analysera och kontrollera den över flera beräkningar, vilket möjliggör utveckling av olika algoritmer.

• Gruppssekretess: Förutom den individuella nivån, möjliggör differential sekretess att analysera och kontrollera sekretessförlust bland större grupper.

• Säker i Efterbearbetning: Differential sekretess kan inte skadas av efterbearbetning. Till exempel kan en dataanalytiker inte beräkna en funktion av utdata från en differentiell sekretess-algoritm och göra den mindre differentiellt sekretess-säker. 

Fördelar med Differential Sekretess

Som vi nämnde tidigare, är differential sekretess bättre än många traditionella sekretess-tekniker. Till exempel, om all tillgänglig information är identifierad information, gör differential sekretess det lättare att identifiera alla element i datan. Den är också motståndskraftig mot sekretessattacker baserade på auxiliär information, vilket förhindrar attacker som kan utföras på deidentifierad data. 

En av de största fördelarna med differential sekretess är att den är sammansatt, vilket innebär att du kan beräkna sekretessförlusten av att utföra två olika differentiellt sekretess-säkra analyser över samma data. Detta görs genom att summera individuella sekretessförluster för de två analyserna. 

Medan differential sekretess är ett nytt verktyg och kan vara svårt att uppnå utanför forskningssamhällen, blir lösningar för datasekretess som är lätta att implementera allt mer tillgängliga. I nästa framtid bör vi se en ökning av dessa lösningar som blir tillgängliga för en bredare allmänhet.