Google kÀllkoderna för biblioteket "" med implementering av metoder , som möjliggör att man med tillrÀckligt hög noggrannhet kan utföra statistiska operationer pÄ datamÀngder utan att kunna identifiera enskilda poster i dem. Bibliotekets kod Àr skriven i C++ och Àr licensierad under Apache 2.0.
Analys med hjÀlp av metoder för differentiell sekretess gör det möjligt för organisationer att ta fram analytiska urval frÄn statistiska databaser, utan att dela upp data och utvinna specifika personers parametrar frÄn den totala informationen. Till exempel, för att identifiera skillnader i vÄrd av patienter kan forskare fÄ information som möjliggör jÀmförelse av det genomsnittliga antalet dagar patienter tillbringar pÄ sjukhus, men som samtidigt skyddar patienternas konfidentialitet och förhindrar att information om dem framhÀvs.
Det föreslagna biblioteket inkluderar implementeringen av flera algoritmer för att skapa aggregerad statistik baserad pÄ uppsÀttningar av numeriska data som innehÄller konfidentiell information. För att verifiera algoritmernas korrekthet tillhandahÄlls . Algoritmerna möjliggör summation, rÀkning, berÀkning av medelvÀrden, standardavvikelser, varians och ordningsstatistik, inklusive bestÀmning av minimum, maximum och median. Dessutom ingÄr en implementering av , som kan anvÀndas för berÀkningar som inte omfattas av de förbestÀmda algoritmerna.
Biblioteket anvÀnder en modulÀr arkitektur som gör det möjligt att utöka den befintliga funktionaliteten och lÀgga till ytterligare mekanismer, aggregerade funktioner och verktyg för att hantera sekretessnivÄer.
Baserat pĂ„ biblioteket för databashanteringssystemet PostgreSQL 11 en utvidgning med en uppsĂ€ttning anonyma aggregerade funktioner som anvĂ€nder metoder för differentiell sekretess â ANON_COUNT, ANON_SUM, ANON_AVG, ANON_VAR, ANON_STDDEV och ANON_NTILE.
KĂ€lla: opennet.ru
