Chyba nikogo nie trzeba przekonywa

Osoby które kupowały "Prywatno", wybierały także:

• OSINT w praktyce. Kurs video. Dark web, OPSEC i wycieki danych 96,25 zÅ‚, (34,65 zÅ‚ -64%)
• Cybersecurity dla ka 144,86 zÅ‚, (52,15 zÅ‚ -64%)
• Wireshark. Kurs video. Analiza ruchu sieciowego i wykrywanie w 198,98 zÅ‚, (79,59 zÅ‚ -60%)
• Prometheus. Kurs video. Monitorowanie system 159,00 zÅ‚, (63,60 zÅ‚ -60%)
• Python dla haker 89,00 zÅ‚, (40,05 zÅ‚ -55%)

Spis treści

Prywatność danych w praktyce. Skuteczna ochrona prywatności i bezpieczeństwa danych -- spis treści

Przedmowa

Wprowadzenie

Rozdział 1. Zarządzanie danymi i proste podejście do prywatności

• ZarzÄ…dzanie danymi - co to jest?
• Identyfikacja danych wrażliwych
  • Wskazywanie informacji umożliwiajÄ…cych identyfikacjÄ™ osoby
• Dokumentowanie danych do wykorzystania
  • Podstawowa dokumentacja danych
  • Wyszukiwanie i dokumentowanie nieznanych danych
  • OkreÅ›lanie pochodzenia danych
  • Kontrolowanie wersji danych
• Podstawowa prywatność - pseudonimizacja na potrzeby ochrony prywatnoÅ›ci w fazie projektowania
• Podsumowanie

Rozdział 2. Anonimizacja

• Co to jest anonimizacja?
• Definicja prywatnoÅ›ci różnicowej
• Epsilon - czym jest utrata prywatnoÅ›ci?
• Co gwarantuje prywatność różnicowa, a czego nie?
• Zrozumienie prywatnoÅ›ci różnicowej
  • Prywatność różnicowa w praktyce - anonimizacja spisu powszechnego w USA
• Prywatność różnicowa z mechanizmem Laplace'a
  • Prywatność różnicowa z rozkÅ‚adem Laplace'a - podejÅ›cie naiwne
  • CzuÅ‚ość i bÅ‚Ä…d
  • Budżety prywatnoÅ›ci
• Inne mechanizmy - szum gaussowski w prywatnoÅ›ci różnicowej
  • Porównanie szumu Laplace'a i Gaussa
  • Prywatność różnicowa w Å›wiecie rzeczywistym - usuwanie obciążenia zaszumionych wyników
• Jednostki czuÅ‚oÅ›ci i prywatnoÅ›ci
• A co z k-anonimowoÅ›ciÄ…?
• Podsumowanie

Rozdział 3. Uwzględnianie prywatności w potokach danych

• Jak wbudować prywatność w potoki danych?
  • Zaprojektuj odpowiednie Å›rodki ochrony prywatnoÅ›ci
  • Spotykaj siÄ™ z użytkownikami tam, gdzie siÄ™ znajdujÄ…
  • Implementowanie prywatnoÅ›ci
  • Testowanie i weryfikowanie
• Inżynieria prywatnoÅ›ci i zarzÄ…dzania danymi w potokach
  • PrzykÅ‚adowy przepÅ‚yw pracy w udostÄ™pnianiu danych
  • Dodawanie do gromadzonych danych informacji o pochodzeniu i zgodzie
• Wykorzystywanie bibliotek prywatnoÅ›ci różnicowej w potokach
• Anonimowe gromadzenie danych
  • Gromadzenie danych z prywatnoÅ›ciÄ… różnicowÄ… przez Apple
  • Dlaczego pierwotne zbieranie danych z prywatnoÅ›ciÄ… różnicowÄ… w Chrome zostaÅ‚o porzucone?
• WspóÅ‚praca z zespoÅ‚em inżynierii danych i kierownictwem
  • Podziel siÄ™ odpowiedzialnoÅ›ciÄ…
  • Tworzenie przepÅ‚ywów pracy uwzglÄ™dniajÄ…cych dokumentowanie i prywatność
  • Prywatność jako podstawowa propozycja wartoÅ›ci
• Podsumowanie

Rozdział 4. Ataki na prywatność

• Ataki na prywatność - analiza typowych wektorów ataków
  • Atak na Netflix Prize
  • Ataki poÅ‚Ä…czeniowe
  • Ataki identyfikacyjne
  • Atak na mapÄ™ Strava
  • Atak wnioskujÄ…cy o czÅ‚onkostwo
  • Wnioskowanie o atrybutach wrażliwych
  • Inne ataki bazujÄ…ce na wycieku z modelu - zapamiÄ™tywanie
  • Ataki polegajÄ…ce na kradzieży modeli
  • Ataki na protokoÅ‚y prywatnoÅ›ci
• BezpieczeÅ„stwo danych
  • Kontrola dostÄ™pu
  • Zapobieganie utracie danych
  • Dodatkowe kontrole bezpieczeÅ„stwa
  • Modelowanie zagrożeÅ„ i reagowanie na incydenty
• Probabilistyczne podejÅ›cie do ataków
  • PrzeciÄ™tna osoba atakujÄ…ca
  • Pomiar ryzyka i ocena zagrożeÅ„
• Åšrodki zaradcze dotyczÄ…ce bezpieczeÅ„stwa danych
  • Stosowanie podstawowych zabezpieczeÅ„ sieci web
  • Ochrona danych treningowych i modeli
  • BÄ…dź na bieżąco - poznawanie nowych ataków
• Podsumowanie

Rozdział 5. Uczenie maszynowe i nauka o danych uwzględniające prywatność

• Wykorzystanie technik ochrony prywatnoÅ›ci w uczeniu maszynowym
  • Techniki ochrony prywatnoÅ›ci w typowym przepÅ‚ywie pracy nauki o danych lub uczenia maszynowego
  • Uczenie maszynowe chroniÄ…ce prywatność w Å›rodowisku naturalnym
  • Stochastyczne zejÅ›cie gradientowe z prywatnoÅ›ciÄ… różnicowÄ…
• Biblioteki open source w uczeniu maszynowym chroniÄ…cym prywatność
  • Tworzenie cech z prywatnoÅ›ciÄ… różnicowÄ…
  • Stosowanie prostszych metod
  • Dokumentowanie uczenia maszynowego
  • Inne sposoby ochrony prywatnoÅ›ci w uczeniu maszynowym
• UwzglÄ™dnianie prywatnoÅ›ci w projektach zwiÄ…zanych z danymi i uczeniem maszynowym
  • Zrozumienie potrzeb w zakresie ochrony danych
  • Monitorowanie prywatnoÅ›ci
• Podsumowanie

Rozdział 6. Uczenie federacyjne i nauka o danych

• Dane rozproszone
  • Dlaczego warto korzystać z danych rozproszonych?
  • Jak dziaÅ‚a rozproszona analiza danych?
  • ZachowujÄ…ce prywatność dane rozproszone z prywatnoÅ›ciÄ… różnicowÄ…
• Uczenie federacyjne
  • Krótka historia uczenia federacyjnego
  • Dlaczego, kiedy i jak korzystać z uczenia federacyjnego
• Projektowanie systemów federacyjnych
  • PrzykÅ‚adowa implementacja
  • Zagrożenia dla bezpieczeÅ„stwa
  • Przypadki użycia
  • Wdrażanie bibliotek i narzÄ™dzi federacyjnych
• Biblioteki federacyjne typu open source
  • Flower - ujednolicony system operacyjny dla bibliotek uczenia federacyjnego
• PrzyszÅ‚ość federacyjnej nauki o danych
• Podsumowanie

Rozdział 7. Obliczenia na danych zaszyfrowanych

• Czym sÄ… obliczenia na danych zaszyfrowanych?
• Kiedy używać obliczeÅ„ na danych zaszyfrowanych?
  • Prywatność a tajność
  • Modelowanie zagrożeÅ„
• Rodzaje obliczeÅ„ na danych zaszyfrowanych
  • Bezpieczne obliczenia wielostronne
  • Szyfrowanie homomorficzne
• Rzeczywiste zastosowania obliczeÅ„ na danych zaszyfrowanych
  • Część wspólna zbiorów prywatnych
  • ProtokóÅ‚ Private Join and Compute
  • Bezpieczna agregacja
  • Uczenie maszynowe na danych zaszyfrowanych
• Pierwsze kroki z PSI i Moose
• Åšwiat z bezpiecznym udostÄ™pnianiem danych
• Podsumowanie

Rozdział 8. Prawna strona prywatności

• RODO - przeglÄ…d
  • Podstawowe prawa do danych wynikajÄ…ce z RODO
  • Administrator danych a podmiot przetwarzajÄ…cy dane
  • Stosowanie zgodnych z RODO technologii zwiÄ™kszajÄ…cych prywatność
  • Ocena skutków dla ochrony danych w RODO - zwinna i iteracyjna ocena ryzyka
  • Prawo do wyjaÅ›nieÅ„ - interpretowalność i prywatność
• Kalifornijska ustawa o ochronie prywatnoÅ›ci konsumentów (CCPA)
  • Stosowanie zgodnych z CCPA technologii zwiÄ™kszajÄ…cych prywatność
• Inne regulacje: HIPAA, LGPD, PIPL.
• Regulacje wewnÄ™trzne
  • Polityka prywatnoÅ›ci i warunki korzystania z usÅ‚ugi
  • Umowy o przetwarzaniu danych
  • Zapoznawanie siÄ™ z zasadami, wytycznymi i umowami
• WspóÅ‚praca z prawnikami
  • Przestrzeganie ustaleÅ„ umownych i prawo umów
  • Interpretacja przepisów o ochronie danych
  • ProÅ›ba o pomoc i radÄ™
  • Wspólna praca nad definicjami i pomysÅ‚ami
  • Udzielanie wskazówek technicznych
• ZarzÄ…dzanie danymi 2.0
  • Czym jest zarzÄ…dzanie federacyjne?
  • Wspieranie kultury eksperymentowania
  • DziaÅ‚ajÄ…ca dokumentacja, platformy z technologiÄ… zwiÄ™kszajÄ…cÄ… prywatność
• Podsumowanie

Rozdział 9. Rozważania dotyczące prywatności i praktyczności

• Praktyka - zarzÄ…dzanie ryzykiem zwiÄ…zanym z prywatnoÅ›ciÄ… i bezpieczeÅ„stwem
  • Ocena ryzyka zwiÄ…zanego z prywatnoÅ›ciÄ… i zarzÄ…dzanie nim
  • UwzglÄ™dnianie niepewnoÅ›ci przy planowaniu na przyszÅ‚ość
  • Zabieranie gÅ‚osu i podnoszenie na duchu
• Technologia prywatnoÅ›ci w praktyce - analiza przypadków użycia
  • Marketing federacyjny - prowadzenie kampanii marketingowych z wbudowanÄ… prywatnoÅ›ciÄ…
  • Partnerstwa publiczno-prywatne - wymiana danych na potrzeby zdrowia publicznego
  • Zanonimizowane uczenie maszynowe - poszukiwanie zgodnoÅ›ci 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 wymagaÅ„ dotyczÄ…cych prywatnoÅ›ci
  • Ocena i Å‚Ä…czenie podejść
  • PrzejÅ›cie na automatyzacjÄ™
  • Prywatność staje siÄ™ normalnoÅ›ciÄ…
• Perspektywa na przyszÅ‚ość - praca z bibliotekami i zespoÅ‚ami naukowymi
  • WspóÅ‚praca z zewnÄ™trznymi zespoÅ‚ami naukowymi
  • Inwestowanie w badania wewnÄ™trzne
• Podsumowanie

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

• Obliczenia na danych zaszyfrowanych i poufne przetwarzanie danych
  • Czy obliczenia zabezpieczone sÄ… kwantowo bezpieczne?
  • Czy można używać enklaw do rozwiÄ…zywania problemów z prywatnoÅ›ciÄ… danych lub ich poufnoÅ›ciÄ…?
  • Co bÄ™dzie, jeÅ›li muszÄ™ chronić prywatność klienta lub użytkownika, który wysyÅ‚a zapytanie lub żądanie do bazy danych?
  • Czy problem prywatnoÅ›ci mogÄ… rozwiÄ…zać clean rooms lub zdalna analiza i zdalny dostÄ™p do danych?
  • ChcÄ™ zapewnić idealnÄ… prywatność lub idealnÄ… poufność. Czy jest to możliwe?
  • Jak ustalić, czy obliczenia na danych zaszyfrowanych sÄ… wystarczajÄ…co bezpieczne?
  • Jak zarzÄ…dzać rotacjÄ… kluczy w przypadku obliczeÅ„ na danych zaszyfrowanych?
  • Czym jest piaskownica prywatnoÅ›ci Google? Czy wykorzystuje obliczenia na danych zaszyfrowanych?
• ZarzÄ…dzanie danymi i mechanizmy ochrony
  • Dlaczego k-anonimowość nie jest wystarczajÄ…ca?
  • Nie sÄ…dzÄ™, by prywatność różnicowa dziaÅ‚aÅ‚a w moim przypadku użycia. Co mam zrobić?
  • Czy mogÄ™ używać danych syntetycznych do rozwiÄ…zywania problemów dotyczÄ…cych prywatnoÅ›ci?
  • Jak etycznie wspóÅ‚dzielić dane, czyli jakie sÄ… alternatywy dla sprzedaży danych?
  • Jak mogÄ™ znaleźć wszystkie prywatne informacje, które muszÄ™ chronić?
  • Po usuniÄ™ciu identyfikatorów osobistych dane sÄ… bezpieczne, prawda?
  • Jak wnioskować o danych opublikowanych w przeszÅ‚oÅ›ci?
  • PracujÄ™ nad pulpitem nawigacyjnym lub wizualizacjÄ… analizy biznesowej. Jak sprawić, by byÅ‚y przyjazne dla prywatnoÅ›ci?
  • Kto podejmuje decyzje dotyczÄ…ce inżynierii prywatnoÅ›ci? Jak mam to wprowadzić w swojej organizacji?
  • Jakich umiejÄ™tnoÅ›ci lub jakiego doÅ›wiadczenia potrzebujÄ™, by zostać inżynierem do spraw prywatnoÅ›ci?
  • Dlaczego nie byÅ‚o mowy o (wstaw tutaj technologiÄ™ lub firmÄ™)? Jak mogÄ™ dowiedzieć siÄ™ wiÄ™cej? Pomocy!
• RODO i inne przepisy o ochronie danych osobowych
  • Czy naprawdÄ™ muszÄ™ używać prywatnoÅ›ci różnicowej do otrzymania danych niepodlegajÄ…cych RODO, CPRA, LGPD itp.?
  • Czy to prawda, że mogÄ™ wykorzystywać dane osobowe podlegajÄ…ce RODO w uzasadnionym interesie?
  • ChcÄ™ zachować zgodność ze Schrems II i transatlantyckimi przepÅ‚ywami danych. Jakie sÄ… możliwe rozwiÄ…zania?
• Wybory osobiste i prywatność spoÅ‚ecznoÅ›ciowa
  • Jakiego dostawcy poczty e-mail, przeglÄ…darki i aplikacji najlepiej użyć, jeÅ›li zależy mi na mojej prywatnoÅ›ci?
  • Mój znajomy ma automatycznego asystenta domowego lub telefonicznego. Nie chcÄ™, żeby mnie podsÅ‚uchiwaÅ‚. Co mam zrobić?
  • Już dawno zrezygnowaÅ‚em z prywatnoÅ›ci. Nie mam nic do ukrycia. Dlaczego mam to zmienić?
  • Czy mogÄ™ po prostu sprzedać swoje dane firmom?
  • LubiÄ™ spersonalizowane reklamy. Dlaczego nie?
  • Czy (wypeÅ‚nij puste miejsce) mnie podsÅ‚uchuje? Co mam z tym zrobić?
• Podsumowanie

RozdziaÅ‚ 11. Idź naprzód i projektuj prywatność!

• Kapitalizm nadzoru i nauka o danych
  • Kapitalizm GIGerów i nadzór w dziaÅ‚aniu
  • Nadzór dla "bezpieczeÅ„stwa"
  • Luksusowy nadzór
• RozlegÅ‚e zbieranie danych i spoÅ‚eczeÅ„stwo
  • Uczenie maszynowe jako pranie danych
  • Dezinformacja i wprowadzanie w bÅ‚Ä…d
• Obrona
  • Badanie, dokumentowanie, hakowanie i uczenie siÄ™
  • Kolektywizacja danych
  • Kary nakÅ‚adane w zwiÄ…zku z regulacjami
  • Wsparcie dla spoÅ‚ecznoÅ›ci
• Czempioni prywatnoÅ›ci
  • Twoje narzÄ™dzie wielofunkcyjne do zapewniania prywatnoÅ›ci
  • Tworzenie wiarygodnych systemów uczenia maszynowego
  • Prywatność w fazie projektowania
  • Prywatność i wÅ‚adza
• Tschüss

Skorowidz