google/differential-privacy

해결하는 문제

이 프로젝트는 데이터 세트에 대해 차분 프라이버시(DP) 통계를 생성하는 도구를 제공하여, 데이터 세트 내 레코드의 개인 프라이버시를 보호하면서 의미 있는 집계 데이터를 추출할 수 있도록 합니다.

작동 방식

이 프로젝트는 차분 프라이버시에 대한 계층적 접근 방식을 제공합니다:

• DP Building Block Libraries: 핵심 노이즈 추가 프리미티브(Laplace 및 Gaussian 메커니즘 등)와 기본 집계(Sum, Mean, Variance 등)를 구현하는 C++, Go, Java 기반의 저수준 라이브러리입니다.
• End-to-End Frameworks: Privacy on Beam (Go) 및 PipelineDP4j (JVM)와 같은 고수준 프레임워크로, 이러한 빌딩 블록을 분산 데이터 처리 파이프라인(Apache Beam 또는 Apache Spark 사용)에 통합하여 사용자 기여도 제한(bounding)과 같은 필요한 전처리를 처리합니다.
• Specialized Tools: 프라이버시 예산 추적(accounting library), 프라이버시 보장 감사(DP Auditorium), ZetaSQL를 통한 DP SQL 쿼리 실행을 위한 추가 유틸리티.

대상 사용자

고수준 프레임워크를 사용하는 비전문가부터 저수준 노이즈 프리미티브가 필요한 개발자까지, 대규모 민감 데이터에 대해 통계 분석을 수행해야 하는 데이터 엔지니어 및 연구자를 위해 설계되었습니다.

주요 특징

• 다국어 지원: C++, Go, Java에서 핵심 빌딩 블록을 사용할 수 있습니다.
• 분산 처리: 확장 가능한 DP 계산을 위해 Apache Beam 및 Apache Spark와 통합됩니다.
• 포괄적인 툴셋: 감사, 계정 관리 및 SQL 인터페이스를 포함합니다.
• 안전한 노이즈 생성: 특정 유형의 프라이버시 유출을 방지하기 위해 노이즈 생성에 안전한 방법을 사용합니다.