Diferencijalna privatnost
Diferencijalna privatnost (DP) je matematički rigorozan okvir za objavljivanje statističkih informacija o skupovima podataka uz istovremeno zaštitu privatnosti pojedinačnih subjekata podataka. Ona omogućava nosiocu podataka da deli zbirne obrasce grupe dok ograničava informacije koje procure o određenim pojedincima.[1][2] Ovo se radi ubrizgavanjem pažljivo kalibrisane buke u statistička izračunavanja tako da je korisnost statistike očuvana dok se dokazivo ograničava šta se može zaključiti o bilo kojoj osobi u skupu podataka.
Drugi način da se opiše diferencijalna privatnost je ograničenje na algoritme koji se koriste za objavljivanje zbirnih informacija o statističkoj bazi podataka što ograničava otkrivanje privatnih informacija iz zapisa u bazi podataka. Na primer, neke vladine agencije koriste različite privatne algoritme za objavljivanje demografskih informacija ili drugih statističkih agregata uz obezbeđivanje poverljivosti odgovora na anketu, a kompanije za prikupljanje informacija to čine u pogledu ponašanja korisnika dok kontrolišu ono što je vidljivo čak i internim analitičarima.
Sveukupno gledano, algoritam je diferencijalno privatan ako posmatrač koji vidi njegov izlaz ne može da kaže da li su informacije određene osobe korišćene u proračunu. Diferencijalna privatnost se često razmatra u kontekstu identifikacije pojedinaca čije informacije mogu biti u bazi podataka. Iako se to ne odnosi direktno na napade na identifikaciju i ponovnu identifikaciju, različiti privatni algoritmi se odupiru takvim napadima.[3]
Reference
uredi- ^ Hilton, M; Cal (2012). „Differential Privacy: A Historical Survey”. Semantic Scholar. S2CID 16861132. Приступљено 31. 12. 2023.
- ^ Dwork, Cynthia (2008-04-25). „Differential Privacy: A Survey of Results”. Ур.: Agrawal, Manindra; Du, Dingzhu; Duan, Zhenhua; Li, Angsheng. Theory and Applications of Models of Computation. Lecture Notes in Computer Science (на језику: енглески). 4978. Springer Berlin Heidelberg. стр. 1—19. ISBN 978-3-540-79227-7. S2CID 2887752. doi:10.1007/978-3-540-79228-4_1.
- ^ Dwork, Cynthia; McSherry, Frank; Nissim, Kobbi; Smith, Adam (2017). „Calibrating Noise to Sensitivity in Private Data Analysis”. Journal of Privacy and Confidentiality. 7 (3): 17—51. doi:10.29012/jpc.v7i3.405.
Literatura
uredi- Calibrating noise to sensitivity in private data analysis, Cynthia Dwork, Frank McSherry, Kobbi Nissim, and Adam Smith. 2006. In Proceedings of the Third conference on Theory of Cryptography (TCC'06). Springer-Verlag, Berlin, Heidelberg, 265–284. https://doi.org/10.1007/11681878_14 (This is the original publication of Differential Privacy, and not the eponymous article by Dwork that was published the same year.)
- Differential Privacy: A Survey of Results by Cynthia Dwork, Microsoft Research, April 2008 (Presents what was discovered during the first two years of research on differential privacy.)
- Differential Privacy: A Primer for a Non-Technical Audience, Alexandra Wood, Micah Altman, Aaron Bembenek, Mark Bun, Marco Gaboardi, et al, Vanderbilt Journal of Entertainment & Technology LawVanderbilt Journal of Entertainment. 21 (1):.. (A good introductory document, but definitely *not* for non-technical audiences!)
- Technology Factsheet: Differential Privacy by Raina Gandhi and Amritha Jayanti, Belfer Center for Science and International Affairs, Fall 2020
- Differential Privacy and the 2020 US Census, MIT Case Studies in Social and Ethical Responsibilities of Computing, no. Winter 2022 (January). https://doi.org/10.21428/2c646de5.7ec6ab93.
- A Practical Beginner's Guide To Differential Privacy by Christine Task, Purdue University, April 2012