google/differential-privacy

解決的問題

本專案提供在數據集上生成差分隱私 (DP) 統計數據的工具，允許使用者在保護數據集中單個紀錄個人隱私的同時，提取有意義的聚合數據。

工作原理

本專案為差分隱私提供了一種分層方法：

• DP Building Block Libraries: 使用 C++、Go 和 Java 實作的低階函式庫，實作了核心雜訊添加原語（如 Laplace 和 Gaussian 機制）與基礎聚合（Sum、Mean、Variance 等）。
• End-to-End Frameworks: 高階框架，如 Privacy on Beam (Go) 和 PipelineDP4j (JVM)，將這些構建塊整合到分散式數據處理流水線（使用 Apache Beam 或 Apache Spark）中，以處理必要的預處理工作，例如限制使用者貢獻度 (bounding)。
• Specialized Tools: 用於追蹤隱私預算（accounting library）、審計隱私保證（DP Auditorium）以及透過 ZetaSQL 執行 DP SQL 查詢的附加實用程式。

適用對象

專為需要對大規模敏感數據進行統計分析的數據工程師與研究人員設計，範圍涵蓋使用高階框架的非專家到需要低階雜訊原語的開發人員。

亮點

• 多語言支援： 核心構建塊可在 C++、Go 和 Java 中使用。
• 分散式處理： 與 Apache Beam 和 Apache Spark 整合，實現可擴展的 DP 計算。
• 全面的工具集： 包括審計、核算與 SQL 介面。
• 安全的雜訊生成： 使用安全的方法生成雜訊，以防止某些類型的隱私洩漏。