Google raamatukogu lähtekoodid "» meetodite rakendamisega , mis võimaldab teha piisavalt suure täpsusega statistilisi toiminguid andmekogumiga, ilma et oleks võimalik selles üksikuid kirjeid tuvastada. Teegi kood on kirjutatud C++ ja litsentsitud Apache 2.0 alusel.
Analüüs diferentseeritud privaatsusmeetodite abil võimaldab organisatsioonidel teha statistilistest andmebaasidest analüütilisi proove, võimaldamata neil andmeid eraldada ja konkreetsete isikute parameetreid üldisest teabest eraldada. Näiteks patsientide hoolduse erinevuste väljaselgitamiseks saab teadlastele anda teavet, mis võimaldab võrrelda patsientide keskmist haiglas viibimise pikkust, kuid säilitab siiski patsientide konfidentsiaalsuse ega tõsta patsiendi teavet esile.
Kavandatav teek sisaldab mitme algoritmi rakendamist koondstatistika genereerimiseks, mis põhineb arvandmete kogumitel, mis sisaldavad konfidentsiaalset teavet. Algoritmide õige toimimise kontrollimiseks on see ette nähtud . Algoritmid võimaldavad teil teha andmetega liitmise, loendamise, keskmise, standardhälbe, dispersiooni ja järjestuse statistika toiminguid, sealhulgas määrata miinimumi, maksimumi ja mediaani. See hõlmab ka rakendamist , mida saab kasutada arvutuste jaoks, mida ei kata etteantud algoritmid.
Teek kasutab modulaarset arhitektuuri, mis võimaldab laiendada olemasolevat funktsionaalsust ja lisada täiendavaid mehhanisme, koondfunktsioone ja privaatsustaseme juhtelemente.
Põhineb PostgreSQL 11 DBMS-i teegil laiendus anonüümsete koondfunktsioonide komplektiga, mis kasutavad erinevaid privaatsusmeetodeid – ANON_COUNT, ANON_SUM, ANON_AVG, ANON_VAR, ANON_STDDEV ja ANON_NTILE.
Allikas: opennet.ru