Защита конфиденциальности систем больших данных

Защита конфиденциальности систем больших данных

Сегодня кажется, что большинство людей наслаждаются удобством больших данных с разных сторон. Однако, хотя это приносит удобство, опасность также приходит незаметно. Facebook слил данные 50 миллионов пользователей.

Пожалуйста, поддержите меня, если вы чувствуете, что я приношу вам пользу!

Последние 3 месяца я чувствую, что мой заработок уменьшился почти сразу. Мне становится все труднее добиваться желаемого заработка, но если я остановлюсь, мне будет жаль моих рефералов. Пожалуйста, дайте мне знать причины и как это улучшить.

С быстрым развитием Интернет-технологий многие услуги и продукты строятся на основе пользовательских данных (конфиденциальности). Хотя это обеспечивает персонализированные услуги и повышает качество услуг, наши личные данные неизбежно раскрываются в процессе сбора данных и используются непреднамеренно и пассивно предприятиями и отдельными лицами. В последние годы многие исследователи начали сосредотачиваться на технологии интеллектуального анализа данных с сохранением конфиденциальности (PPDM).

Сбор данных с сохранением конфиденциальности (PPDM)

• Это интеллектуальный анализ данных, основанный на защите конфиденциальности.
• Основная концепция — путем изменения данных для эффективного выполнения алгоритма интеллектуального анализа данных без ущерба для безопасности частной информации, содержащейся в данных.
• Он разделен на 2 части: интеллектуальный анализ данных и защита конфиденциальности.

Наука о данных

• Это дисциплина, которая использует данные для обнаружения и решения проблем.
• Чтобы получить эффективное знание из данных, он проходит 4 шага.

1. Предварительная обработка данных
2. Преобразование данных
3. Сбор данных
4. Оценка шаблонов и презентация знаний

Предварительная обработка данных

• Фильтрация данных — фильтрация релевантной информации из базы данных.
• Очистка данных: удаление шума и противоречивой информации в данных, работа с отсутствующими значениями.
• Интеграция данных — интегрируйте данные из разрозненных источников данных, сохраняя нормализацию и дедупликацию.

Преобразование данных

• преобразовать данные из одного формата или структуры в другой формат или структуру
• Найдите эффективные функции для характеристики данных

1. Выбор функции
2. Преобразование функций

Интеллектуальный анализ данных

• Применение алгоритма к данным для создания прогнозов и выводов о взаимосвязях

Оценка шаблона и представление знаний

• Определите шаблоны данных, которые могут эффективно охарактеризовать данные
• Представлять знания, основанные на показателях интереса
• Презентация знаний пользователям

Вы можете прочитать мою статью, чтобы лучше понять.

Защита конфиденциальности

Хотя технология интеллектуального анализа данных широко применяется, она также вызывает опасения по поводу конфиденциальности и безопасности. Таким образом, интеллектуальный анализ данных с сохранением конфиденциальности (PPDM) предлагает новую концепцию: защитить конфиденциальную информацию от нежелательного или несанкционированного раскрытия, обеспечивая при этом полезность данных.

Цели:

1. Защита конфиденциальных данных (номер телефона, личность, банковский счет, имя) без ущерба для полезности данных
2. Должен быть исключен интеллектуальный анализ данных, который может поставить под угрозу конфиденциальность и конфиденциальность и привести к нарушению конфиденциальности.

Защита конфиденциальности в системах больших данных

Система защиты конфиденциальности включает в себя различные роли участников, операции анонимизации и статус данных.

Существует 4 категории, основанные на ролях пользователей.

1. Генератор данных — относится к тем лицам или организациям, которые генерируют необработанные данные, либо активно предоставляют данные каким-либо образом, либо пассивно предоставляют данные другим.
2. Куратор данных – лица или организации, которые собирают, хранят и публикуют данные.
3. Пользователь данных — относится к пользователю, который получил доступ к опубликованному набору данных для различных целей.
4. Атакующий данных — относится к тем, кто пытается получить дополнительную информацию из опубликованных наборов данных в злонамеренных целях.

Основные принципы публикации данных с сохранением конфиденциальности (PPDP)

• В основном он изучает методы анонимизации для публикации полезных данных с целью защиты конфиденциальности данных.

Конкретные операции анонимизации включают 5 типов

1. Обобщение — замена некоторых значений родительским значением в таксономии атрибута.
2. Suppression: некоторые значения заменяются специальным значением, указывающим, что замененные значения не раскрываются.
3. Анатомизация — удаление связи между данными о QID и данными о SA в двух отдельных таблицах.
4. Permutation — удаляет связь между QID и SA.
5. Возмущение – эта операция заменяет необработанные значения данных некоторыми значениями синтетических данных, чтобы статистические данные, вычисленные на основе искаженных данных, незначительно отличались от статистических данных, рассчитанных на основе необработанных данных.

Технологии защиты конфиденциальности

1. Искажение данных — искажает конфиденциальные данные, но сохраняет некоторые данные или атрибуты данных без изменений, а также может сохранять некоторые статистические свойства. Например, добавьте к исходным данным случайный шум, а затем опубликуйте мешающие данные. Кроме того, не публикуйте некоторые конкретные данные и публикуйте сгруппированные статистические данные.
2. Шифрование данных — используется технология шифрования для сокрытия конфиденциальных данных в процессе интеллектуального анализа данных, в том числе SMC для безопасных многосторонних вычислений для выполнения вычислений по определенному протоколу.
3. Ограниченный выпуск данных – исходные данные публикуются выборочно. Конфиденциальные данные с высокой степенью конфиденциальности не разглашаются, чтобы обеспечить защиту конфиденциальности.

Общие алгоритмы защиты конфиденциальности

В соответствии с типами объектов данных мы можем разделить вопросы защиты конфиденциальности на 2 типа: конфиденциальность ввода и конфиденциальность вывода.

Конфиденциальность ввода точно связана с частью о сборе данных. При рассмотрении конфиденциальности ввода информацию, содержащуюся в записях пользователей, можно разделить на 4 категории и 4 стратегии защиты конфиденциальности.

1. К-анонимность
2. i-разнообразие
3. t-близость
4. Дифференциальная конфиденциальность

Конфиденциальность выходных данных мешает различным выходным данным модели. Благодаря традиционной структуре машинного обучения, 3 стратегии защиты конфиденциальности

1. Скрытие правила ассоциации
2. Аудит запросов
3. Точность классификации

Для обучения моделей машинного обучения требуется значительный объем данных, в то время как некоторые приложения машинного обучения могут анализировать конфиденциальные данные. Модель может непреднамеренно сохранить некоторые из своих обучающих данных, которые могут раскрыть конфиденциальную информацию.

Ссылки

Если вы нашли какие-либо из моих статей полезными или полезными, рассмотрите возможность бросить мне кофе, чтобы помочь поддержать мою работу или оказать мне покровительство😊, используя

Патреон

Ko-fi.com

купитькофе

И последнее, но не менее важное: если вы еще не являетесь участником Medium и планируете им стать, я прошу вас сделать это по следующей ссылке. Я получу часть вашего членского взноса без каких-либо дополнительных затрат для вас.