google/differential-privacy

解决的问题

本项目提供在数据集上生成差分隐私 (DP) 统计数据的工具，允许用户在保护数据集中单个记录个人隐私的同时，提取有意义的聚合数据。

工作原理

本项目为差分隐私提供了一种分层方法：

• DP Building Block Libraries: 使用 C++、Go 和 Java 实现的低级库，实现了核心噪声添加原语（如 Laplace 和 Gaussian 机制）和基础聚合（Sum、Mean、Variance 等）。
• End-to-End Frameworks: 高级框架，如 Privacy on Beam (Go) 和 PipelineDP4j (JVM)，将这些构建块集成到分布式数据处理流水线（使用 Apache Beam 或 Apache Spark）中，以处理必要的预处理工作，例如限制用户贡献度 (bounding)。
• Specialized Tools: 用于跟踪隐私预算（accounting library）、审计隐私保证（DP Auditorium）以及通过 ZetaSQL 运行 DP SQL 查询的附加实用程序。

适用对象

专为需要对大规模敏感数据进行统计分析的数据工程师和研究人员设计，范围涵盖使用高级框架的非专家到需要低级噪声原语的开发人员。

亮点

• 多语言支持： 核心构建块可在 C++、Go 和 Java 中使用。
• 分布式处理： 与 Apache Beam 和 Apache Spark 集成，实现可扩展的 DP 计算。
• 全面的工具集： 包括审计、核算和 SQL 接口。
• 安全的噪声生成： 使用安全的方法生成噪声，以防止某些类型的隐私泄露。