Guide to Data Privacy: Models, Technologies, Solutions

تکنولوژی‌های حفظ حریم خصوصی به وضوح برای اطمینان از اینکه داده‌ها منجر به افشا نمی‌شوند، اما همچنین آمار یا حتی داده‌ها مورد نیاز هستند. مدل‌های یادگیری ماشین هدایت‌شده منجر به افشا نمی‌شوند. به عنوان مثال، آیا می توان به یک مدل یادگیری عمیق حمله کرد تا کشف کند که از داده های حساس برای آموزش آن استفاده شده است؟ این کتاب درسی قابل دسترس، مدل‌های حریم خصوصی، تعاریف محاسباتی حریم خصوصی و روش‌هایی برای پیاده‌سازی آنها را ارائه می‌کند. علاوه بر این، این کتاب مثال‌های فراوانی از نحوه پیاده‌سازی – در میان مدل‌های دیگر – حریم خصوصی متفاوت، ناشناس بودن k و محاسبات امن چند جانبه را توضیح داده و ارائه می‌دهد.

موضوعات و ویژگی‌ها: span>

• ارائه یکپارچه حریم خصوصی داده ها (شامل ابزارهایی از کنترل افشای آماری، داده کاوی حفظ حریم خصوصی، و حریم خصوصی برای ارتباطات) را ارائه می دهد.
• مورد نیازها و ابزارهای حفظ حریم خصوصی برای انواع مختلف سناریوها، از جمله حریم خصوصی برای داده ها، برای محاسبات، و برای کاربران بحث می کند
• مشخصات مدل های حریم خصوصی را ارائه می دهد، تفاوت ها، مزایا و معایب آنها را مقایسه می کند
• توضیح می دهد برخی از مرتبط ترین الگوریتم ها برای پیاده سازی مدل های حریم خصوصی
• شامل نمونه هایی از مکانیسم های حفاظت از داده ها
< /ul>

این کتاب درسی/راهنمای منحصربه‌فرد حاوی مثال‌های متعددی است و اطلاعات مربوطه را به‌طور مختصر و جامع جمع‌آوری می‌کند. به این ترتیب، برای دانشجویان کارشناسی و کارشناسی ارشد علاقه مند به حریم خصوصی داده ها، و همچنین حرفه ای هایی که می خواهند یک مرور مختصر داشته باشند، بسیار مناسب خواهد بود.

Vicenç Torra استاد گروه علوم محاسباتی در دانشگاه اومئو، اومئو، سوئد است.

Privacy technologies clearly are needed for ensuring that data does not lead to disclosure, but also that statistics or even data-driven machine learning models do not lead to disclosure.  For example, can a deep-learning model be attacked to discover that sensitive data has been used for its training?  This accessible textbook presents privacy models, computational definitions of privacy, and methods to implement them. Additionally, the book explains and gives plentiful examples of how to implement―among other models―differential privacy, k-anonymity, and secure multiparty computation.

Topics and features:

• Provides integrated presentation of data privacy (including tools from statistical disclosure control, privacy-preserving data mining, and privacy for communications)
• Discusses privacy requirements and tools for different types of scenarios, including privacy for data, for computations, and for users
• Offers characterization of privacy models, comparing their differences, advantages, and disadvantages
• Describes some of the most relevant algorithms to implement privacy models
• Includes examples of data protection mechanisms

This unique textbook/guide contains numerous examples and succinctly and comprehensively gathers the relevant information. As such, it will be eminently suitable for undergraduate and graduate students interested in data privacy, as well as professionals wanting a concise overview.

Vicenç Torra is Professor with the Department of Computing Science at Umeå University, Umeå, Sweden.