Prywatno - Helion

ebook

Autor: Katharine Jarmul
Tytuł oryginału: Practical Data Privacy: Enhancing Privacy and Security in Data
Tłumaczenie: Piotr Fabija
ISBN: 978-83-289-0923-6
stron: 312, Format: ebook
Data wydania: 2024-10-01
Księgarnia: Helion

Cena książki: 39,50 zł (poprzednio: 79,00 zł)
Oszczędzasz: 50% (-39,50 zł)

Pobierz fragment książki » Osoby, które kupiły tę książkę, wybierały także »

Tagi: Bezpiecze | Inne

Chyba nikogo nie trzeba przekonywa

Osoby które kupowały "Prywatno", wybierały także:

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

Spis treści

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

Przedmowa

Wprowadzenie

Rozdział 1. Zarządzanie danymi i proste podejście do prywatności

Zarządzanie danymi - co to jest?
Identyfikacja danych wrażliwych
- Wskazywanie informacji umożliwiających identyfikację osoby
Dokumentowanie danych do wykorzystania
- Podstawowa dokumentacja danych
- Wyszukiwanie i dokumentowanie nieznanych danych
- Określanie pochodzenia danych
- Kontrolowanie wersji danych
Podstawowa prywatność - pseudonimizacja na potrzeby ochrony prywatności w fazie projektowania
Podsumowanie

Rozdział 2. Anonimizacja

Co to jest anonimizacja?
Definicja prywatności różnicowej
Epsilon - czym jest utrata prywatności?
Co gwarantuje prywatność różnicowa, a czego nie?
Zrozumienie prywatności różnicowej
- Prywatność różnicowa w praktyce - anonimizacja spisu powszechnego w USA
Prywatność różnicowa z mechanizmem Laplace'a
- Prywatność różnicowa z rozkładem Laplace'a - podejście naiwne
- Czułość i błąd
- Budżety prywatności
Inne mechanizmy - szum gaussowski w prywatności różnicowej
- Porównanie szumu Laplace'a i Gaussa
- Prywatność różnicowa w świecie rzeczywistym - usuwanie obciążenia zaszumionych wyników
Jednostki czułości i prywatności
A co z k-anonimowością?
Podsumowanie

Rozdział 3. Uwzględnianie prywatności w potokach danych

Jak wbudować prywatność w potoki danych?
- Zaprojektuj odpowiednie środki ochrony prywatności
- Spotykaj się z użytkownikami tam, gdzie się znajdują
- Implementowanie prywatności
- Testowanie i weryfikowanie
Inżynieria prywatności i zarządzania danymi w potokach
- Przykładowy przepływ pracy w udostępnianiu danych
- Dodawanie do gromadzonych danych informacji o pochodzeniu i zgodzie
Wykorzystywanie bibliotek prywatności różnicowej w potokach
Anonimowe gromadzenie danych
- Gromadzenie danych z prywatnością różnicową przez Apple
- Dlaczego pierwotne zbieranie danych z prywatnością różnicową w Chrome zostało porzucone?
Współpraca z zespołem inżynierii danych i kierownictwem
- Podziel się odpowiedzialnością
- Tworzenie przepływów pracy uwzględniających dokumentowanie i prywatność
- Prywatność jako podstawowa propozycja wartości
Podsumowanie

Rozdział 4. Ataki na prywatność

Ataki na prywatność - analiza typowych wektorów ataków
- Atak na Netflix Prize
- Ataki połączeniowe
- Ataki identyfikacyjne
- Atak na mapę Strava
- Atak wnioskujący o członkostwo
- Wnioskowanie o atrybutach wrażliwych
- Inne ataki bazujące na wycieku z modelu - zapamiętywanie
- Ataki polegające na kradzieży modeli
- Ataki na protokoły prywatności
Bezpieczeństwo danych
- Kontrola dostępu
- Zapobieganie utracie danych
- Dodatkowe kontrole bezpieczeństwa
- Modelowanie zagrożeń i reagowanie na incydenty
Probabilistyczne podejście do ataków
- Przeciętna osoba atakująca
- Pomiar ryzyka i ocena zagrożeń
Środki zaradcze dotyczące bezpieczeństwa danych
- Stosowanie podstawowych zabezpieczeń sieci web
- Ochrona danych treningowych i modeli
- Bądź na bieżąco - poznawanie nowych ataków
Podsumowanie

Rozdział 5. Uczenie maszynowe i nauka o danych uwzględniające prywatność

Wykorzystanie technik ochrony prywatności w uczeniu maszynowym
- Techniki ochrony prywatności w typowym przepływie pracy nauki o danych lub uczenia maszynowego
- Uczenie maszynowe chroniące prywatność w środowisku naturalnym
- Stochastyczne zejście gradientowe z prywatnością różnicową
Biblioteki open source w uczeniu maszynowym chroniącym prywatność
- Tworzenie cech z prywatnością różnicową
- Stosowanie prostszych metod
- Dokumentowanie uczenia maszynowego
- Inne sposoby ochrony prywatności w uczeniu maszynowym
Uwzględnianie prywatności w projektach związanych z danymi i uczeniem maszynowym
- Zrozumienie potrzeb w zakresie ochrony danych
- Monitorowanie prywatności
Podsumowanie

Rozdział 6. Uczenie federacyjne i nauka o danych

Dane rozproszone
- Dlaczego warto korzystać z danych rozproszonych?
- Jak działa rozproszona analiza danych?
- Zachowujące prywatność dane rozproszone z prywatnością różnicową
Uczenie federacyjne
- Krótka historia uczenia federacyjnego
- Dlaczego, kiedy i jak korzystać z uczenia federacyjnego
Projektowanie systemów federacyjnych
- Przykładowa implementacja
- Zagrożenia dla bezpieczeństwa
- Przypadki użycia
- Wdrażanie bibliotek i narzędzi federacyjnych
Biblioteki federacyjne typu open source
- Flower - ujednolicony system operacyjny dla bibliotek uczenia federacyjnego
Przyszłość federacyjnej nauki o danych
Podsumowanie

Rozdział 7. Obliczenia na danych zaszyfrowanych

Czym są obliczenia na danych zaszyfrowanych?
Kiedy używać obliczeń na danych zaszyfrowanych?
- Prywatność a tajność
- Modelowanie zagrożeń
Rodzaje obliczeń na danych zaszyfrowanych
- Bezpieczne obliczenia wielostronne
- Szyfrowanie homomorficzne
Rzeczywiste zastosowania obliczeń na danych zaszyfrowanych
- Część wspólna zbiorów prywatnych
- Protokół Private Join and Compute
- Bezpieczna agregacja
- Uczenie maszynowe na danych zaszyfrowanych
Pierwsze kroki z PSI i Moose
Świat z bezpiecznym udostępnianiem danych
Podsumowanie

Rozdział 8. Prawna strona prywatności

RODO - przegląd
- Podstawowe prawa do danych wynikające z RODO
- Administrator danych a podmiot przetwarzający dane
- Stosowanie zgodnych z RODO technologii zwiększających prywatność
- Ocena skutków dla ochrony danych w RODO - zwinna i iteracyjna ocena ryzyka
- Prawo do wyjaśnień - interpretowalność i prywatność
Kalifornijska ustawa o ochronie prywatności konsumentów (CCPA)
- Stosowanie zgodnych z CCPA technologii zwiększających prywatność
Inne regulacje: HIPAA, LGPD, PIPL.
Regulacje wewnętrzne
- Polityka prywatności i warunki korzystania z usługi
- Umowy o przetwarzaniu danych
- Zapoznawanie się z zasadami, wytycznymi i umowami
Współpraca z prawnikami
- Przestrzeganie ustaleń umownych i prawo umów
- Interpretacja przepisów o ochronie danych
- Prośba o pomoc i radę
- Wspólna praca nad definicjami i pomysłami
- Udzielanie wskazówek technicznych
Zarządzanie danymi 2.0
- Czym jest zarządzanie federacyjne?
- Wspieranie kultury eksperymentowania
- Działająca dokumentacja, platformy z technologią zwiększającą prywatność
Podsumowanie

Rozdział 9. Rozważania dotyczące prywatności i praktyczności

Praktyka - zarządzanie ryzykiem związanym z prywatnością i bezpieczeństwem
- Ocena ryzyka związanego z prywatnością i zarządzanie nim
- Uwzględnianie niepewności przy planowaniu na przyszłość
- Zabieranie głosu i podnoszenie na duchu
Technologia prywatności w praktyce - analiza przypadków użycia
- Marketing federacyjny - prowadzenie kampanii marketingowych z wbudowaną prywatnością
- Partnerstwa publiczno-prywatne - wymiana danych na potrzeby zdrowia publicznego
- Zanonimizowane uczenie maszynowe - poszukiwanie zgodności 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 wymagań dotyczących prywatności
- Ocena i łączenie podejść
- Przejście na automatyzację
- Prywatność staje się normalnością
Perspektywa na przyszłość - praca z bibliotekami i zespołami naukowymi
- Współpraca z zewnętrznymi zespołami naukowymi
- Inwestowanie w badania wewnętrzne
Podsumowanie

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

Obliczenia na danych zaszyfrowanych i poufne przetwarzanie danych
- Czy obliczenia zabezpieczone są kwantowo bezpieczne?
- Czy można używać enklaw do rozwiązywania problemów z prywatnością danych lub ich poufnością?
- Co będzie, jeśli muszę chronić prywatność klienta lub użytkownika, który wysyła zapytanie lub żądanie do bazy danych?
- Czy problem prywatności mogą rozwiązać clean rooms lub zdalna analiza i zdalny dostęp do danych?
- Chcę zapewnić idealną prywatność lub idealną poufność. Czy jest to możliwe?
- Jak ustalić, czy obliczenia na danych zaszyfrowanych są wystarczająco bezpieczne?
- Jak zarządzać rotacją kluczy w przypadku obliczeń na danych zaszyfrowanych?
- Czym jest piaskownica prywatności Google? Czy wykorzystuje obliczenia na danych zaszyfrowanych?
Zarządzanie danymi i mechanizmy ochrony
- Dlaczego k-anonimowość nie jest wystarczająca?
- Nie sądzę, by prywatność różnicowa działała w moim przypadku użycia. Co mam zrobić?
- Czy mogę używać danych syntetycznych do rozwiązywania problemów dotyczących prywatności?
- Jak etycznie współdzielić dane, czyli jakie są alternatywy dla sprzedaży danych?
- Jak mogę znaleźć wszystkie prywatne informacje, które muszę chronić?
- Po usunięciu identyfikatorów osobistych dane są bezpieczne, prawda?
- Jak wnioskować o danych opublikowanych w przeszłości?
- Pracuję nad pulpitem nawigacyjnym lub wizualizacją analizy biznesowej. Jak sprawić, by były przyjazne dla prywatności?
- Kto podejmuje decyzje dotyczące inżynierii prywatności? Jak mam to wprowadzić w swojej organizacji?
- Jakich umiejętności lub jakiego doświadczenia potrzebuję, by zostać inżynierem do spraw prywatności?
- Dlaczego nie było mowy o (wstaw tutaj technologię lub firmę)? Jak mogę dowiedzieć się więcej? Pomocy!
RODO i inne przepisy o ochronie danych osobowych
- Czy naprawdę muszę używać prywatności różnicowej do otrzymania danych niepodlegających RODO, CPRA, LGPD itp.?
- Czy to prawda, że mogę wykorzystywać dane osobowe podlegające RODO w uzasadnionym interesie?
- Chcę zachować zgodność ze Schrems II i transatlantyckimi przepływami danych. Jakie są możliwe rozwiązania?
Wybory osobiste i prywatność społecznościowa
- Jakiego dostawcy poczty e-mail, przeglądarki i aplikacji najlepiej użyć, jeśli zależy mi na mojej prywatności?
- Mój znajomy ma automatycznego asystenta domowego lub telefonicznego. Nie chcę, żeby mnie podsłuchiwał. Co mam zrobić?
- Już dawno zrezygnowałem z prywatności. Nie mam nic do ukrycia. Dlaczego mam to zmienić?
- Czy mogę po prostu sprzedać swoje dane firmom?
- Lubię spersonalizowane reklamy. Dlaczego nie?
- Czy (wypełnij puste miejsce) mnie podsłuchuje? Co mam z tym zrobić?
Podsumowanie

Rozdział 11. Idź naprzód i projektuj prywatność!

Kapitalizm nadzoru i nauka o danych
- Kapitalizm GIGerów i nadzór w działaniu
- Nadzór dla "bezpieczeństwa"
- Luksusowy nadzór
Rozległe zbieranie danych i społeczeństwo
- Uczenie maszynowe jako pranie danych
- Dezinformacja i wprowadzanie w błąd
Obrona
- Badanie, dokumentowanie, hakowanie i uczenie się
- Kolektywizacja danych
- Kary nakładane w związku z regulacjami
- Wsparcie dla społeczności
Czempioni prywatności
- Twoje narzędzie wielofunkcyjne do zapewniania prywatności
- Tworzenie wiarygodnych systemów uczenia maszynowego
- Prywatność w fazie projektowania
- Prywatność i władza
Tschüss

Skorowidz