Google Quelltexte der Bibliothek ââ mit Implementierung von Methoden , die es ermöglichen, statistische Operationen mit hoher Genauigkeit auf DatensĂ€tzen durchzufĂŒhren, ohne die IdentitĂ€t einzelner DatensĂ€tze offenlegen zu können. Der Code der Bibliothek ist in C++ geschrieben und unter der Apache 2.0-Lizenz.
Die Analyse mit Methoden der Differential Privacy ermöglicht es Organisationen, analytische Stichproben aus statistischen Datenbanken zu ziehen, ohne die Daten zu teilen und spezifische Informationen ĂŒber Einzelpersonen aus den Gesamtdaten herauszufiltern. Beispielsweise können Forscher hinsichtlich der Unterschiede in der Patientenversorgung Informationen erhalten, die es erlauben, die durchschnittliche Verweildauer von Patienten in KrankenhĂ€usern zu vergleichen, dabei jedoch die Vertraulichkeit der Patienten wahren und keine Identifikationsdaten offenlegen.
Die vorgeschlagene Bibliothek umfasst die Implementierung mehrerer Algorithmen zur Erstellung aggregierter Statistiken auf der Grundlage numerischer DatensĂ€tze, die vertrauliche Informationen enthalten. Zur ĂberprĂŒfung der Funktionsweise der Algorithmen wird ein . Algorithmen ermöglichen es, Operationen wie Summierung, ZĂ€hlung, Berechnung von Mittelwerten, Standardabweichung, Varianz und Rangstatistiken durchzufĂŒhren, einschlieĂlich der Bestimmung von Minimum, Maximum und Median. AuĂerdem umfasst es die Implementierung , der fĂŒr Berechnungen verwendet werden kann, die nicht von vordefinierten Algorithmen abgedeckt sind.
Die Bibliothek verwendet eine modulare Architektur, die es ermöglicht, die vorhandene FunktionalitĂ€t zu erweitern und zusĂ€tzliche Mechanismen, aggregierte Funktionen und Werkzeuge zur Verwaltung des Datenschutzniveaus hinzuzufĂŒgen.
Auf der Grundlage der Bibliothek fĂŒr das DBMS PostgreSQL 11 ist eine Erweiterung mit einer Sammlung anonymer aggregierter Funktionen, die Methoden der differentiellen PrivatsphĂ€re nutzen â ANON_COUNT, ANON_SUM, ANON_AVG, ANON_VAR, ANON_STDDEV und ANON_NTILE.
Quelle: opennet.ru
