Riassunto analitico
Nell'era dei Big Data, la tensione tra utilità dei dati e privacy di un individuo è diventata sempre più evidente. Oggi, i dati sono ubiqui, mentre lo storage dei dati è accessibile ed economico. Ciò consente a numerose entità di sfruttare tali dati per scopi di ricerca, addestramento di modelli di machine learning e generazione di statistiche. Tuttavia, sorge una domanda critica: come questo può essere realizzato garantendo la protezione della privacy individuale? Questa tesi esamina il ruolo della Differential Privacy come approccio promettente per affrontare tali preoccupazioni, offrendo approfondimenti sulla sua implementazione pratica e sulla sua efficacia nel preservare la privacy durante i processi di condivisione dei dati.
Il primo capitolo di questa tesi introduce il problema della privacy online, presentando casi reali di violazioni in vari settori negli ultimi anni. Successivamente, verrà eseguita un'analisi dei metodi di preservazione della privacy utilizzati in precedenza.
Nel secondo capitolo, verranno presentate la definizione e le proprietà della Differential Privacy.
Nel terzo capitolo, saranno discussi vari meccanismi differentially-private.
Nel quarto capitolo, verranno eseguiti esperimenti relativi alla Differential Privacy, con l'obiettivo di individuare i suoi domini applicativi. Verranno sviluppati diversi framework con garanzie di Differential Privacy, mentre i risultati verranno valutati in termini di livello di privacy raggiunto.
Il quinto capitolo esplorerà alcuni utilizzi reali della Differential Privacy, insieme ai parametri del privacy budget utilizzati da ciascuno.
Il capitolo finale fornirà un riepilogo del lavoro svolto, estraendo i punti chiave e presentando le sfide future della Differential Privacy.
|
Abstract
In the age of Big Data, the tension between data utility and individual privacy rights has become increasingly apparent. Nowadays, data is ubiquitous, while data storage is both accessible and affordable. This allows numerous entities to leverage this data for research purposes, machine learning models training and statistics generation. However, a critical question arises: how can this be accomplished while ensuring the protection of individuals’ privacy? This thesis examines the role of Differential Privacy as a promising approach to address these concerns, offering insights into its practical implementation and effectiveness in preserving privacy during data sharing processes.
The opening chapter of this thesis introduces the issue of online privacy, featuring pertinent real-life instances of breaches across various fields in recent years. Next, an examination of privacy-preserving methods used in previous contexts will be undertaken.
In the second chapter, the definition and properties of Differential Privacy will be presented.
In the third chapter, various differentially-private mechanisms will be discussed.
In the fourth chapter, emphasis will be placed on executing experiments related to Differential Privacy, with the aim of discerning its applicable domains. Several frameworks with Differential Privacy guarantee will be developed, while the results will be evaluated in terms of the level of privacy achieved.
The fifth chapter will explore some real-world uses of Differential Privacy, along with the privacy budget parameters used by each.
The final chapter will provide a summary of the conducted work, extracting key points and presenting the future challenges of Differential Privacy.
|
