Przedmowa

Wprowadzenie

Rozdział 1. Zarządzanie danymi i proste podejście do prywatności

• Zarządzanie danymi - co to jest?
• Identyfikacja danych wrażliwych
  • Wskazywanie informacji umożliwiających identyfikację osoby
• Dokumentowanie danych do wykorzystania
  • Podstawowa dokumentacja danych
  • Wyszukiwanie i dokumentowanie nieznanych danych
  • Określanie pochodzenia danych
  • Kontrolowanie wersji danych
• Podstawowa prywatność - pseudonimizacja na potrzeby ochrony prywatności w fazie projektowania
• Podsumowanie

Rozdział 2. Anonimizacja

• Co to jest anonimizacja?
• Definicja prywatności różnicowej
• Epsilon - czym jest utrata prywatności?
• Co gwarantuje prywatność różnicowa, a czego nie?
• Zrozumienie prywatności różnicowej
  • Prywatność różnicowa w praktyce - anonimizacja spisu powszechnego w USA
• Prywatność różnicowa z mechanizmem Laplace'a
  • Prywatność różnicowa z rozkładem Laplace'a - podejście naiwne
  • Czułość i błąd
  • Budżety prywatności
• Inne mechanizmy - szum gaussowski w prywatności różnicowej
  • Porównanie szumu Laplace'a i Gaussa
  • Prywatność różnicowa w świecie rzeczywistym - usuwanie obciążenia zaszumionych wyników
• Jednostki czułości i prywatności
• A co z k-anonimowością?
• Podsumowanie

Rozdział 3. Uwzględnianie prywatności w potokach danych

• Jak wbudować prywatność w potoki danych?
  • Zaprojektuj odpowiednie środki ochrony prywatności
  • Spotykaj się z użytkownikami tam, gdzie się znajdują
  • Implementowanie prywatności
  • Testowanie i weryfikowanie
• Inżynieria prywatności i zarządzania danymi w potokach
  • Przykładowy przepływ pracy w udostępnianiu danych
  • Dodawanie do gromadzonych danych informacji o pochodzeniu i zgodzie
• Wykorzystywanie bibliotek prywatności różnicowej w potokach
• Anonimowe gromadzenie danych
  • Gromadzenie danych z prywatnością różnicową przez Apple
  • Dlaczego pierwotne zbieranie danych z prywatnością różnicową w Chrome zostało porzucone?
• Współpraca z zespołem inżynierii danych i kierownictwem
  • Podziel się odpowiedzialnością
  • Tworzenie przepływów pracy uwzględniających dokumentowanie i prywatność
  • Prywatność jako podstawowa propozycja wartości
• Podsumowanie

Rozdział 4. Ataki na prywatność

• Ataki na prywatność - analiza typowych wektorów ataków
  • Atak na Netflix Prize
  • Ataki połączeniowe
  • Ataki identyfikacyjne
  • Atak na mapę Strava
  • Atak wnioskujący o członkostwo
  • Wnioskowanie o atrybutach wrażliwych
  • Inne ataki bazujące na wycieku z modelu - zapamiętywanie
  • Ataki polegające na kradzieży modeli
  • Ataki na protokoły prywatności
• Bezpieczeństwo danych
  • Kontrola dostępu
  • Zapobieganie utracie danych
  • Dodatkowe kontrole bezpieczeństwa
  • Modelowanie zagrożeń i reagowanie na incydenty
• Probabilistyczne podejście do ataków
  • Przeciętna osoba atakująca
  • Pomiar ryzyka i ocena zagrożeń
• Środki zaradcze dotyczące bezpieczeństwa danych
  • Stosowanie podstawowych zabezpieczeń sieci web
  • Ochrona danych treningowych i modeli
  • Bądź na bieżąco - poznawanie nowych ataków
• Podsumowanie

Rozdział 5. Uczenie maszynowe i nauka o danych uwzględniające prywatność

• Wykorzystanie technik ochrony prywatności w uczeniu maszynowym
  • Techniki ochrony prywatności w typowym przepływie pracy nauki o danych lub uczenia maszynowego
  • Uczenie maszynowe chroniące prywatność w środowisku naturalnym
  • Stochastyczne zejście gradientowe z prywatnością różnicową
• Biblioteki open source w uczeniu maszynowym chroniącym prywatność
  • Tworzenie cech z prywatnością różnicową
  • Stosowanie prostszych metod
  • Dokumentowanie uczenia maszynowego
  • Inne sposoby ochrony prywatności w uczeniu maszynowym
• Uwzględnianie prywatności w projektach związanych z danymi i uczeniem maszynowym
  • Zrozumienie potrzeb w zakresie ochrony danych
  • Monitorowanie prywatności
• Podsumowanie

Rozdział 6. Uczenie federacyjne i nauka o danych

• Dane rozproszone
  • Dlaczego warto korzystać z danych rozproszonych?
  • Jak działa rozproszona analiza danych?
  • Zachowujące prywatność dane rozproszone z prywatnością różnicową
• Uczenie federacyjne
  • Krótka historia uczenia federacyjnego
  • Dlaczego, kiedy i jak korzystać z uczenia federacyjnego
• Projektowanie systemów federacyjnych
  • Przykładowa implementacja
  • Zagrożenia dla bezpieczeństwa
  • Przypadki użycia
  • Wdrażanie bibliotek i narzędzi federacyjnych
• Biblioteki federacyjne typu open source
  • Flower - ujednolicony system operacyjny dla bibliotek uczenia federacyjnego
• Przyszłość federacyjnej nauki o danych
• Podsumowanie

Rozdział 7. Obliczenia na danych zaszyfrowanych

• Czym są obliczenia na danych zaszyfrowanych?
• Kiedy używać obliczeń na danych zaszyfrowanych?
  • Prywatność a tajność
  • Modelowanie zagrożeń
• Rodzaje obliczeń na danych zaszyfrowanych
  • Bezpieczne obliczenia wielostronne
  • Szyfrowanie homomorficzne
• Rzeczywiste zastosowania obliczeń na danych zaszyfrowanych
  • Część wspólna zbiorów prywatnych
  • Protokół Private Join and Compute
  • Bezpieczna agregacja
  • Uczenie maszynowe na danych zaszyfrowanych
• Pierwsze kroki z PSI i Moose
• Świat z bezpiecznym udostępnianiem danych
• Podsumowanie

Rozdział 8. Prawna strona prywatności

• RODO - przegląd
  • Podstawowe prawa do danych wynikające z RODO
  • Administrator danych a podmiot przetwarzający dane
  • Stosowanie zgodnych z RODO technologii zwiększających prywatność
  • Ocena skutków dla ochrony danych w RODO - zwinna i iteracyjna ocena ryzyka
  • Prawo do wyjaśnień - interpretowalność i prywatność
• Kalifornijska ustawa o ochronie prywatności konsumentów (CCPA)
  • Stosowanie zgodnych z CCPA technologii zwiększających prywatność
• Inne regulacje: HIPAA, LGPD, PIPL.
• Regulacje wewnętrzne
  • Polityka prywatności i warunki korzystania z usługi
  • Umowy o przetwarzaniu danych
  • Zapoznawanie się z zasadami, wytycznymi i umowami
• Współpraca z prawnikami
  • Przestrzeganie ustaleń umownych i prawo umów
  • Interpretacja przepisów o ochronie danych
  • Prośba o pomoc i radę
  • Wspólna praca nad definicjami i pomysłami
  • Udzielanie wskazówek technicznych
• Zarządzanie danymi 2.0
  • Czym jest zarządzanie federacyjne?
  • Wspieranie kultury eksperymentowania
  • Działająca dokumentacja, platformy z technologią zwiększającą prywatność
• Podsumowanie

Rozdział 9. Rozważania dotyczące prywatności i praktyczności

• Praktyka - zarządzanie ryzykiem związanym z prywatnością i bezpieczeństwem
  • Ocena ryzyka związanego z prywatnością i zarządzanie nim
  • Uwzględnianie niepewności przy planowaniu na przyszłość
  • Zabieranie głosu i podnoszenie na duchu
• Technologia prywatności w praktyce - analiza przypadków użycia
  • Marketing federacyjny - prowadzenie kampanii marketingowych z wbudowaną prywatnością
  • Partnerstwa publiczno-prywatne - wymiana danych na potrzeby zdrowia publicznego
  • Zanonimizowane uczenie maszynowe - poszukiwanie zgodności z RODO w iteracyjnych ustawieniach uczenia
  • Aplikacja B2B - bez kontaktu z danymi
• Krok po kroku - jak zintegrować i zautomatyzować prywatność w uczeniu maszynowym
  • Odkrywanie iteracyjne
  • Dokumentowanie wymagań dotyczących prywatności
  • Ocena i łączenie podejść
  • Przejście na automatyzację
  • Prywatność staje się normalnością
• Perspektywa na przyszłość - praca z bibliotekami i zespołami naukowymi
  • Współpraca z zewnętrznymi zespołami naukowymi
  • Inwestowanie w badania wewnętrzne
• Podsumowanie

Rozdział 10. Najczęściej zadawane pytania (i odpowiedzi na nie!)

• Obliczenia na danych zaszyfrowanych i poufne przetwarzanie danych
  • Czy obliczenia zabezpieczone są kwantowo bezpieczne?
  • Czy można używać enklaw do rozwiązywania problemów z prywatnością danych lub ich poufnością?
  • Co będzie, jeśli muszę chronić prywatność klienta lub użytkownika, który wysyła zapytanie lub żądanie do bazy danych?
  • Czy problem prywatności mogą rozwiązać clean rooms lub zdalna analiza i zdalny dostęp do danych?
  • Chcę zapewnić idealną prywatność lub idealną poufność. Czy jest to możliwe?
  • Jak ustalić, czy obliczenia na danych zaszyfrowanych są wystarczająco bezpieczne?
  • Jak zarządzać rotacją kluczy w przypadku obliczeń na danych zaszyfrowanych?
  • Czym jest piaskownica prywatności Google? Czy wykorzystuje obliczenia na danych zaszyfrowanych?
• Zarządzanie danymi i mechanizmy ochrony
  • Dlaczego k-anonimowość nie jest wystarczająca?
  • Nie sądzę, by prywatność różnicowa działała w moim przypadku użycia. Co mam zrobić?
  • Czy mogę używać danych syntetycznych do rozwiązywania problemów dotyczących prywatności?
  • Jak etycznie współdzielić dane, czyli jakie są alternatywy dla sprzedaży danych?
  • Jak mogę znaleźć wszystkie prywatne informacje, które muszę chronić?
  • Po usunięciu identyfikatorów osobistych dane są bezpieczne, prawda?
  • Jak wnioskować o danych opublikowanych w przeszłości?
  • Pracuję nad pulpitem nawigacyjnym lub wizualizacją analizy biznesowej. Jak sprawić, by były przyjazne dla prywatności?
  • Kto podejmuje decyzje dotyczące inżynierii prywatności? Jak mam to wprowadzić w swojej organizacji?
  • Jakich umiejętności lub jakiego doświadczenia potrzebuję, by zostać inżynierem do spraw prywatności?
  • Dlaczego nie było mowy o (wstaw tutaj technologię lub firmę)? Jak mogę dowiedzieć się więcej? Pomocy!
• RODO i inne przepisy o ochronie danych osobowych
  • Czy naprawdę muszę używać prywatności różnicowej do otrzymania danych niepodlegających RODO, CPRA, LGPD itp.?
  • Czy to prawda, że mogę wykorzystywać dane osobowe podlegające RODO w uzasadnionym interesie?
  • Chcę zachować zgodność ze Schrems II i transatlantyckimi przepływami danych. Jakie są możliwe rozwiązania?
• Wybory osobiste i prywatność społecznościowa
  • Jakiego dostawcy poczty e-mail, przeglądarki i aplikacji najlepiej użyć, jeśli zależy mi na mojej prywatności?
  • Mój znajomy ma automatycznego asystenta domowego lub telefonicznego. Nie chcę, żeby mnie podsłuchiwał. Co mam zrobić?
  • Już dawno zrezygnowałem z prywatności. Nie mam nic do ukrycia. Dlaczego mam to zmienić?
  • Czy mogę po prostu sprzedać swoje dane firmom?
  • Lubię spersonalizowane reklamy. Dlaczego nie?
  • Czy (wypełnij puste miejsce) mnie podsłuchuje? Co mam z tym zrobić?
• Podsumowanie

Rozdział 11. Idź naprzód i projektuj prywatność!

• Kapitalizm nadzoru i nauka o danych
  • Kapitalizm GIGerów i nadzór w działaniu
  • Nadzór dla "bezpieczeństwa"
  • Luksusowy nadzór
• Rozległe zbieranie danych i społeczeństwo
  • Uczenie maszynowe jako pranie danych
  • Dezinformacja i wprowadzanie w błąd
• Obrona
  • Badanie, dokumentowanie, hakowanie i uczenie się
  • Kolektywizacja danych
  • Kary nakładane w związku z regulacjami
  • Wsparcie dla społeczności
• Czempioni prywatności
  • Twoje narzędzie wielofunkcyjne do zapewniania prywatności
  • Tworzenie wiarygodnych systemów uczenia maszynowego
  • Prywatność w fazie projektowania
  • Prywatność i władza
• Tschüss

Skorowidz

• Назва: Prywatność danych w praktyce. Skuteczna ochrona prywatności i bezpieczeństwa danych
• Автор: Katharine Jarmul
• Оригінальна назва: Practical Data Privacy: Enhancing Privacy and Security in Data
• Переклад: Piotr Fabijańczyk, Witold Sikorski
• ISBN: 978-83-289-0923-6, 9788328909236
• Дата видання: 2024-11-26
• Формат: Eлектронна книга
• Ідентифікатор видання: prydan
• Видавець: Helion