Preserving Privacy in On-Line Analytical Processing (OLAP)

سیستم‌های پردازش تحلیلی روی خط (OLAP) معمولاً باید دو هدف متناقض را برآورده کنند. اول، داده های حساس ذخیره شده در انبارهای داده زیرین باید مخفی نگه داشته شوند. دوم، پرس و جوهای تحلیلی در مورد داده ها باید برای اهداف پشتیبانی تصمیم مجاز باشد. چالش اصلی این است که داده های حساس را می توان از پاسخ به انباشتگی های به ظاهر بی گناه داده ها استنباط کرد. روش‌های کنترل استنتاج موجود در پایگاه‌های داده آماری معمولاً زمانی که برای سیستم‌های OLAP اعمال می‌شود، سربار کارایی بالا و اثربخشی محدودی از خود نشان می‌دهند.

حفظ حریم خصوصی در پردازش تحلیلی آنلاین مجموعه‌ای از روش‌ها را بررسی می‌کند که می‌توانند دقیقاً به سؤالات OLAP به سبک مکعب داده در مورد داده های حساس پاسخ دهید و در عین حال از استنباط داده ها توسط دشمنان جلوگیری کنید. نحوه نگه داشتن سربار عملکرد این روش های امنیتی در سطح معقول نیز مورد بررسی قرار گرفته است. نشان داده شده است که دستیابی به تعادل بین امنیت، در دسترس بودن و عملکرد در سیستم‌های OLAP امکان‌پذیر است.

حفظ حریم خصوصی در پردازش تحلیلی آنلاین برای بازار حرفه‌ای طراحی شده است، متشکل از دست اندرکاران و محققان در صنعت. این کتاب همچنین برای دانشجویان مقطع کارشناسی ارشد در رشته علوم کامپیوتر و مهندسی مناسب است.

On-Line Analytic Processing (OLAP) systems usually need to meet two conflicting goals. First, the sensitive data stored in underlying data warehouses must be kept secret. Second, analytical queries about the data must be allowed for decision support purposes. The main challenge is that sensitive data can be inferred from answers to seemingly innocent aggregations of the data. Existing inference control methods in statistical databases usually exhibit high performance overhead and limited effectiveness when applied to OLAP systems.

Preserving Privacy in On-Line Analytical Processing reviews a series of methods that can precisely answer data cube-style OLAP queries regarding sensitive data while provably preventing adversaries from inferring the data. How to keep the performance overhead of these security methods at a reasonable level is also addressed. Achieving a balance between security, availability, and performance is shown to be feasible in OLAP systems.

Preserving Privacy in On-Line Analytical Processing is designed for the professional market, composed of practitioners and researchers in industry. This book is also appropriate for graduate-level students in computer science and engineering.