Новые алгоритмы помогут улучшить защиту конфиденциальных данных
Современные технологии, в частности, федеративное обучение, широко используются для защиты личных данных при обмене информацией в областях здравоохранения, финансов и телекоммуникаций. Этот метод позволяет устройствам совместно анализировать данные, не передавая реальные сведения друг другу. Однако, несмотря на наличие защитных механизмов, федеративное обучение не всегда обеспечивает полную конфиденциальность.
В своей диссертации аспирантка факультета компьютерных наук Салони Кватра обнаружила уязвимости в существующей системе и предложила усовершенствованные алгоритмы для повышения безопасности пользователей. Она поясняет: «Федеративное обучение создано для защиты конфиденциальности, однако в процессе обновления системы может происходить утечка данных. Моя работа направлена на устранение таких рисков».
Кватра использует две техники для повышения безопасности: k-анонимность и дифференциальную приватность. Метод k-анонимности предполагает группировку данных таким образом, что каждая комбинация уникальных характеристик, таких как возраст, рост или цвет глаз, будет общей для нескольких человек. Это снижает вероятность идентификации отдельных личностей, защищая их конфиденциальность.
В свою очередь, дифференциальная приватность позволяет проводить анализ данных таким образом, что конечные результаты остаются практически неизменными независимо от того, присутствует ли в выборке конкретный пользователь. Это гарантирует защиту индивидуальной информации, даже если данные используются для научных или медицинских исследований.
Кватра также занимается изучением защиты данных от атак на извлечение атрибутов. Такие атаки предполагают попытки недоброжелателей восстановить личные характеристики, используя модели, основанные на шаблонах реальных данных. Новые алгоритмы помогут снизить риск подобных утечек, что особенно важно в сфере здравоохранения, где требования к сохранению конфиденциальности особенно высоки.
«В таких областях, как медицина, финансы и телекоммуникации, предложенные алгоритмы помогут сохранять конфиденциальность данных и одновременно повысят безопасность и эффективность систем», — говорит Салони Кватра.
Разработанные алгоритмы открывают новые возможности для защиты личной информации в эпоху цифровизации. Например, в здравоохранении они позволят анализировать медицинские данные для улучшения диагностики и лечения, при этом соблюдая строжайшие нормы конфиденциальности. Это особенно актуально для обработки генетических данных, медицинских карточек и результатов диагностических обследований, которые содержат чувствительную информацию о пациентах.
В дальнейшем Салони Кватра планирует продолжить исследования для еще большего повышения безопасности федеративного обучения и других технологий машинного обучения, применяемых в чувствительных сферах. Ее достижения могут стать основой для нового уровня конфиденциальности в цифровых системах.
Тем временем россияне массово запасаются антивирусами: спрос вырос почти в 2 раза.
