محرمانگی آماری: تفاوت میان نسخه‌ها
بدون خلاصۀ ویرایش |
اصلاح منبع شماره یک |
||
| خط ۳: | خط ۳: | ||
محرمانگی آماری بر این اصل استوار است که اگر تأثیر یک رکورد در پایگاه‌داده به اندازه کافی کوچک باشد، نمی‌توان از نتیجه‌ی جستجو در پایگاه‌داده، اطلاعات رکوردها (مثلا نمره‌ی دانش‌آموز خاصی را) استنتاج کرد و بنابراین حریم خصوصی را نقض نمی‌کند. روش دیگر برای توصیف محرمانگی آماری، محدودیت در الگوریتمهای مورد استفاده برای پردازش و انتشار اطلاعات یک پایگاه‌داده آماری است که ممکن است نتایج آن منجر به افشای اطلاعات خصوصی افراد یا سوابق آنها که اطلاعات آنها در پایگاه‌داده موجود است، بشود. بعنوان مثال، الگوریتمهای محرمانگی آماری توسط برخی از سازمانهای دولتی برای انتشار اطلاعات دموگرافیک یا نتایج سرشماری استفاده می‌شوند به طوری که از محرمانه بودن پاسخها و اطلاعات افراد شرکت‌کننده در نظرسنجی/سرشماری (حتا برای تحلیلگران داخل سازمانها) اطمینان حاصل می شود. |
محرمانگی آماری بر این اصل استوار است که اگر تأثیر یک رکورد در پایگاه‌داده به اندازه کافی کوچک باشد، نمی‌توان از نتیجه‌ی جستجو در پایگاه‌داده، اطلاعات رکوردها (مثلا نمره‌ی دانش‌آموز خاصی را) استنتاج کرد و بنابراین حریم خصوصی را نقض نمی‌کند. روش دیگر برای توصیف محرمانگی آماری، محدودیت در الگوریتمهای مورد استفاده برای پردازش و انتشار اطلاعات یک پایگاه‌داده آماری است که ممکن است نتایج آن منجر به افشای اطلاعات خصوصی افراد یا سوابق آنها که اطلاعات آنها در پایگاه‌داده موجود است، بشود. بعنوان مثال، الگوریتمهای محرمانگی آماری توسط برخی از سازمانهای دولتی برای انتشار اطلاعات دموگرافیک یا نتایج سرشماری استفاده می‌شوند به طوری که از محرمانه بودن پاسخها و اطلاعات افراد شرکت‌کننده در نظرسنجی/سرشماری (حتا برای تحلیلگران داخل سازمانها) اطمینان حاصل می شود. |
||
به طور کلی یک الگوریتم محرمانگی آماری دارد اگر ناظری که خروجی آن را می بیند، نتواند تشخیص دهد که آیا از اطلاعات فرد خاصی در محاسبه استفاده شده است. محرمانگی آماری اغلب در زمینه شناسایی افرادی که ممکن است اطلاعات آنها در یک پایگاه داده باشد مورد بحث قرار می گیرد. اگرچه به طور مستقیم به حملات شناسایی و شناسایی مجدد اشاره نمی شود ، الگوریتم های متفاوت خصوصی احتمالاً در برابر چنین حملاتی مقاومت می کنند. <ref name="DMNS06" |
به طور کلی یک الگوریتم محرمانگی آماری دارد اگر ناظری که خروجی آن را می بیند، نتواند تشخیص دهد که آیا از اطلاعات فرد خاصی در محاسبه استفاده شده است. محرمانگی آماری اغلب در زمینه شناسایی افرادی که ممکن است اطلاعات آنها در یک پایگاه داده باشد مورد بحث قرار می گیرد. اگرچه به طور مستقیم به حملات شناسایی و شناسایی مجدد اشاره نمی شود ، الگوریتم های متفاوت خصوصی احتمالاً در برابر چنین حملاتی مقاومت می کنند. <ref name="DMNS06"> |
||
[https://link.springer.com/chapter/10.1007%2F11681878_14 Calibrating Noise to Sensitivity in Private Data Analysis] by Cynthia Dwork, Frank McSherry, Kobbi Nissim, Adam Smith. In Theory of Cryptography Conference (TCC), Springer, 2006. {{doi|10.1007/11681878_14}}. The [https://journalprivacyconfidentiality.org/index.php/jpc/article/view/405 full version] appears in Journal of Privacy and Confidentiality, 7 (3), 17-51. {{doi|10.29012/jpc.v7i3.405}}</ref> |
|||
محرمانگی آماری توسط [[رمزنگاری|رمزنگاران]] ایجاد شده و بنابراین اغلب با علوم رمزنگاری ارتباط تنگاتنگی دارند. |
محرمانگی آماری توسط [[رمزنگاری|رمزنگاران]] ایجاد شده و بنابراین اغلب با علوم رمزنگاری ارتباط تنگاتنگی دارند. |
||
== منابع == |
== منابع == |
||
{{پانویس}} |
|||
<ref name="DKMMN06"> |
<ref name="DKMMN06"> |
||
Dwork, Cynthia, Krishnaram Kenthapadi, Frank McSherry, Ilya Mironov, and Moni Naor. "Our data, ourselves: Privacy via distributed noise generation." In Advances in Cryptology-EUROCRYPT 2006, pp. 486–503. Springer Berlin Heidelberg, 2006. |
Dwork, Cynthia, Krishnaram Kenthapadi, Frank McSherry, Ilya Mironov, and Moni Naor. "Our data, ourselves: Privacy via distributed noise generation." In Advances in Cryptology-EUROCRYPT 2006, pp. 486–503. Springer Berlin Heidelberg, 2006. |
||
نسخهٔ ۱۷ فوریهٔ ۲۰۲۱، ساعت ۰۵:۰۹
محرمانگی آماری راهکاری برای به اشتراک گذاری همگانی اطلاعات (پایگاه‌داده‌ها) بر اساس توصیف الگوی کلی داده‌های آن، بدون نقض محرمانگی اطلاعاتِ رکوردهای موجود در آن پایگاه‌داده است. برای نمونه، اینکه در یک درس چه تعداد از دانش‌آموزان نمره‌ی کامل دریافت کرده‌اند، بدون اعلام نمره‌ی تک‌تک دانش‌آموزان آن کلاس، محرمانگی آماری محسوب می‌شود.
محرمانگی آماری بر این اصل استوار است که اگر تأثیر یک رکورد در پایگاه‌داده به اندازه کافی کوچک باشد، نمی‌توان از نتیجه‌ی جستجو در پایگاه‌داده، اطلاعات رکوردها (مثلا نمره‌ی دانش‌آموز خاصی را) استنتاج کرد و بنابراین حریم خصوصی را نقض نمی‌کند. روش دیگر برای توصیف محرمانگی آماری، محدودیت در الگوریتمهای مورد استفاده برای پردازش و انتشار اطلاعات یک پایگاه‌داده آماری است که ممکن است نتایج آن منجر به افشای اطلاعات خصوصی افراد یا سوابق آنها که اطلاعات آنها در پایگاه‌داده موجود است، بشود. بعنوان مثال، الگوریتمهای محرمانگی آماری توسط برخی از سازمانهای دولتی برای انتشار اطلاعات دموگرافیک یا نتایج سرشماری استفاده می‌شوند به طوری که از محرمانه بودن پاسخها و اطلاعات افراد شرکت‌کننده در نظرسنجی/سرشماری (حتا برای تحلیلگران داخل سازمانها) اطمینان حاصل می شود.
به طور کلی یک الگوریتم محرمانگی آماری دارد اگر ناظری که خروجی آن را می بیند، نتواند تشخیص دهد که آیا از اطلاعات فرد خاصی در محاسبه استفاده شده است. محرمانگی آماری اغلب در زمینه شناسایی افرادی که ممکن است اطلاعات آنها در یک پایگاه داده باشد مورد بحث قرار می گیرد. اگرچه به طور مستقیم به حملات شناسایی و شناسایی مجدد اشاره نمی شود ، الگوریتم های متفاوت خصوصی احتمالاً در برابر چنین حملاتی مقاومت می کنند. [۱]
محرمانگی آماری توسط رمزنگاران ایجاد شده و بنابراین اغلب با علوم رمزنگاری ارتباط تنگاتنگی دارند.
منابع
- ↑ Calibrating Noise to Sensitivity in Private Data Analysis by Cynthia Dwork, Frank McSherry, Kobbi Nissim, Adam Smith. In Theory of Cryptography Conference (TCC), Springer, 2006. doi:10.1007/11681878_14. The full version appears in Journal of Privacy and Confidentiality, 7 (3), 17-51. doi:10.29012/jpc.v7i3.405
- ↑ Dwork, Cynthia, Krishnaram Kenthapadi, Frank McSherry, Ilya Mironov, and Moni Naor. "Our data, ourselves: Privacy via distributed noise generation." In Advances in Cryptology-EUROCRYPT 2006, pp. 486–503. Springer Berlin Heidelberg, 2006.