Evaluating adaptive differential privacy model

• Autorzy: Dzięgielewska Olga

Identyfikatory

DOI

10.5604/01.3001.0015.8603

Warianty tytułu

PL

Ewaluacja adaptacyjnego modelu prywatności różnicowej

• Języki publikacji: EN

Abstrakty

EN

Differential privacy is a statistical disclosure control that is gaining popularity in recent years due to easy application for the data collection mechanisms. Many variants of differential privacy are being developed for specific use cases and environments. One of them is adaptive differential privacy that modulates the generated noise in such a way, that the retrieved result is affected according to the risk profile of the asked query and the risk-accuracy tradeoff required for the queried database. This paper intends to evaluate the adaptive differential privacy using VIOLAS Framework and through assessing how the security characteristics satisfied by the adaptive differential privacy mitigate the risk of selected inference attacks.

PL

Prywatność różnicowa to metoda ochrony statystycznych baz danych, która w ostatnich latach zyskuje popularność ze względu na łatwość jej zastosowania dla mechanizmów gromadzenia danych. Istnieje wiele wariantów prywatności różnicowej dla konkretnych przypadków i środowisk użycia. Jednym z wariantów jest adaptacyjna prywatność różnicowa, która moduluje generowany szum w zależności od profilu ryzyka zadanego zapytania oraz wybranego poziomu kompromisu między ryzykiem a dokładnością wyniku dla przeszukiwanej bazy danych. Artykuł ma na celu ocenę adaptacyjnej prywatności różnicowej, wykorzystując VIOLAS Framework i analizę tego, w jaki sposób charakterystyki bezpieczeństwa zapewniane przez adaptacyjną prywatność różnicową zmniejszają ryzyko wybranych ataków wnioskowaniem.

Słowa kluczowe

EN

differential privacy; information score; risk accuracy; Violas framework; inference attacks; statistical databases security

PL

prywatność różnicowa; framework VIOLAS; metryka wyniku informacyjnego; metryka dokładności; atak wnioskowaniem; bezpieczeństwo statystycznych baz danych

• Wydawca: Institute of Computer and Information Systems, Faculty of Cybernetics, Military University of Technology
• Czasopismo: Computer Science and Mathematical Modelling
• Rocznik: 2021
• Tom: No. 13-14
• Strony: 5--16
• Opis fizyczny: Bibliogr. 12 poz., tab., wykr.

Twórcy

autor

Dzięgielewska Olga

• Military University of Technology, Faculty of Cybernetics, 2 Kaliskiego Str., 00-908 Warsaw, Poland

Bibliografia

• [1] Denning D., Cryptography and Data Security, Addison-Wesley Publishing Company, Inc., USA, 1982.
• [2] Dwork C., “Differential Privacy”, in: Automata, Languages and Programming: 33rd International Colloquium, ICALP 2006, Venice, Italy, July 10–14, 2006, Proceedings, Part II, LNCS 4052, 1–12, Springer, 2006.
• [3] Dwork C., Kenthapadi K., McSherry F., Mironov I., Naor M., “Our data, ourselves: Privacy via distributed noise generation”, in: Advances in Cryptology – EUROCRYPT 2006, LNCS 4004, 486–503, Springer, 2006.
• [4] Dwork C., McShelly F., Nissim K., Smith A., “Calibrating Noise to Sensitivity in Private Data Analysis”, in: Theory of Cryptography, TCC 2006, LNCS 3876, 265–284, Springer, 2006.
• [5] Dwork C., Roth A., “The Algorithmic Foundations of Differential Privacy”, Foundations and Trends in Theoretical Computer Science, Vol. 9, Issue 3–4, 211–407 (2014).
• [6] Dzięgielewska O., Szafrański B., “A brief overview of basic inference attacks and protection controls for statistical databases”, Computer Science and Mathematical Modelling, No. 4, 19–24 (2016).
• [7] Dzięgielewska O., “Anonymization, tokenization, encryption. How to recover unrecoverable data”, Computer Science and Mathematical Modelling, No. 6, 9–13 (2017).
• [8] Dzięgielewska O., “Evaluating Quality of Statistical Disclosure Control Methods – VIOLAS Framework”, in: Privacy in Statistical Databases: UNESCO Chair in Data Privacy, International Conference, PSD 2020, Tarragona, Spain, September 23–25, 2020, Proceedings, LNCS 12276, pp. 299–308, Springer, Cham 2020.
• [9] Dzięgielewska O., “Defeating Inference Threat with Scoring Metrics”, Proceedings of the 36th IBIMA Conference, 4–5 November 2020, Granada, Spain, 10413– 10419.
• [10] Narayanan A., Shmatikov V., How to Break Anonymity of the Netflix Prize Dataset. arXiv:cs/0610105v2 [cs.CR], 2006.
• [11] Ohm P., “Broken Promises of Privacy: Responding to the Surprising Failure of Anonymization”, UCLA Law Review, Vol. 57, 1701–1777 (2010).
• [12] Sweeney L., Simple Demographics Often Identify People Uniquely, Carnegie Mellon University, Pittsburgh 2000.