本

文

摘

要

小伙伴关心的问题：企业网络推广（企业店铺和个人店铺的区别）,本文通过数据整理汇集了企业网络推广（企业店铺和个人店铺的区别）相关信息，下面一起看看。

企业网络推广（企业店铺和个人店铺的区别）

本篇文章简要列举了DP在企业界实际的使用情况（及其对应的隐私参数设置）。也许有一天，我们可能有一个DP下的隐私预算法规[1]，但当前，道路还很长~

介绍具体内容前，以下几点需要说明：

本文主要列举了记录了隐私参数的项目，包含了什么事月隐私单元（privacy unit）。没有公开资料显示参数信息的未被包含；大多数案例使用了中心化 DP；开源项目按照组织首字母进行排序；若一个项目采用了开源工具，本文有附带链接；本文主要参考了A list of real-world uses of differential privacy[2]中的内容

苹果

Apple 使用 Local DP 从运行iOS或macOS的终端用户设备收集一些数据，该详细在论文《Differential Privacy》[3]和《Learning with Privacy at Scale》[4]中有描述。均采用了ϵ\epsilon-DP，隐私单元为用户日，隐私参数的设置如下：

QuickType Suggestions: 从大量用户学习单词推荐，提供 ϵ=16\epsilon=16 的隐私保护等级；Emoji Suggestions: 计算人群中 emojis 的使用频率，提供ϵ=4\epsilon=4 的隐私保护等级；Lookup Hints: 提供 ϵ=8\epsilon=8 的隐私保护等级；Health Type Usage: 计算 HealthKit 软件中哪个 health types 是被最多使用的，提供ϵ=2\epsilon=2 的隐私保护等级；Safari Energy Draining Domains 和 Safari Crashing Domains: 收集网页域名数据，收集哪些域名会导致高电量消耗或引发崩溃，二者均提供ϵ=8\epsilon=8 的隐私保护等级；Safari Autoplay Intent Detection: 收集自动播放带声音的视频的网页数据，提供ϵ=16\epsilon=16 的隐私保护等级；

Facebook

Full URLS Data Set[5] 提供了 Facebook 上分享的用户和网页的交互，隐私单元是每一次用户的行动，比如：Alice 分享了 http://foo.com，或者 Bob看了一个包含 http://bar.org 的推文。对于每一个用户行动类型，隐私参数保证99%的用户被保护，(ϵ,δ)(\epsilon,\delta)-DP中的参数为：ϵ=0.45,δ=10−5\epsilon=0.45, \delta=10^{-5}；在所有的指标中，96.6%的用户被保护，隐私参数为：ϵ=1.453,δ=10−5\epsilon=1.453,\delta=10^{-5}。Movement Raange Maps[6] 量化了 Facebook 用户在COVID-19流行期间的移动性变化，其中有两个指标：用户每天移动多少以及有多少人通常呆在家里。每个指标都用ϵ=1\epsilon=1 进行保护，因此总的预算是 ϵ=2\epsilon=2，采用的隐私单元是用户天。

谷歌

谷歌的技术都在Googles open-source libraries[7]当中。

Community Mobility Reports[8] 量化了COVID-19期间用户移动模式的变化，主要包括两方面：多少用户去了工作地点（或特定类型的公共地点）以及用户在家待多久。每个方面保护程度是每天ϵ=0.55\epsilon=0.55，每个用户最多贡献了6天的数据，因此总的隐私保护程度是 ϵ=2.64\epsilon=2.64，隐私保护单元是用户日。Search Trends Symptoms Dataset[9] 衡量与各种症状相关的 Google 搜索量，隐私单元为用户日，采用的隐私参数为：ϵ=1.68\epsilon=1.68。Vaccination Search Insights[10] 量化了与 COVID-19相关的疫苗检索趋势，隐私单元为用户日，提供了 (ϵ,δ)(\epsilon,\delta)-DP，其中ϵ=2.19,δ=10−5\epsilon=2.19, \delta=10^{-5}​。RAPPOR[11]采用了LDP在谷歌浏览器中采集用户的浏览信息，当前好像已经弃用了[12]。谷歌提到了在谷歌地图中采用DP（链接[13]），一方面量化了整天当中那些不同地方的拥挤程度，另一方面用于描述哪些餐厅最受欢迎。这其中并未明确隐私参数的大小，也没有介绍用了什么方法生成数据。谷歌向科研人员开放了 mobility data[14]，这当中采用了DP做匿名处理。此论文[15] 提到的隐私保护程度为(ϵ,δ)=0.66,2.1⋅10−29(\epsilon,\delta)=0.66,2.1\cdot10^{-29}，然而其中没有明确隐私单元是什么。

LinkedIn

Labor Market Insights[16] 衡量了用户在LinkedIn上改变职业的趋势，有三类报告： Who is hiring? 列举了招聘最多的公司，保护了每个招聘时间，隐私参数为：ϵ=14.4,δ=1.2×10−9\epsilon=14.4, \delta=1.2\times10^{-9}。What jobs are available? 列举了大多数人被聘用的职位，保护每个招聘活动，隐私参数为：ϵ=14.4,δ=1.2×10−9\epsilon=14.4, \delta=1.2\times10^{-9}。What skills are needed? 列举了工作中最受欢迎的技能，保护单个月中用户的技能信息，使用的隐私参数为：ϵ=0.3,δ=3×10−10\epsilon=0.3, \delta=3\times10^{-10}。Audience Engagements API[17] 是本文提及的唯一一个交互式查询系统，它允许营销人员获取有关 LinkedIn 用户与其内容互动的信息。每个查询提供(ϵ=0.15,δ=10−10)(\epsilon=0.15,\delta=10^{-10})-DP 的保护，每个查询可以备查很多次，但是月度的总预算是 ϵ=34.9,δ=7×10−9\epsilon=34.9,\delta=7\times 10^{-9}。

微软

Telemetry Data Collection in Windows: 微软在Windows系统中收集 telemetry data[18]。此过程采用了LDP，其中ϵ=1.672\epsilon=1.672，隐私单元是用户的6小时。U.S. Broadband Coverage Dataset[19]: 此数据集量化了美国可使用高速网络的用户比例，采用了ϵ=0.2\epsilon=0.2 的DP，隐私单元为为用户，此处聚集采用了 OpenDP SmartNoise[20] 进行匿名化。微软的AI助手自动建议Office工具中的回复，其提供了(ϵ,δ)(\epsilon,\delta)-DP ，也有一些其他厂商采用DP的案例，待后续补充。当然也有很多科研论文研究了真是数据集上DP的实验结果，但是并没有给出现实的部署系统，本文也没有收录。

参考资料

[1] 隐私预算法规: https://journalprivacyconfidentiality.org/index.php/jpc/article/view/689

[2] A list of real-world uses of differential privacy: https://desfontain.es/privacy/

erential_Privacy_Overview.pdf

[4] 《Learning with Privacy at Scale》: https://docs-assets.developer.apple.com/ml-research/papers/learning-with-privacy-at-scale.pdf

[5] Full URLS Data Set: https://dataverse.harvard.edu/file.xhtml?persistentId=doi:10.7910/DVN/TDOAPG/DGSAMS&version=6.2

[6] Movement Raange Maps: https://research.fb.com/blog/2020/06/protecting-privacy-in-facebook-mobility-data-during-the-covid-19-response/

[7] Googles open-source libraries: https://github.com/google/differential-privacy

[8] Community Mobility Reports: https://arxiv.org/abs/2004.04145

[9] Search Trends Symptoms Dataset: https://arxiv.org/abs/2009.01265

[10] Vaccination Search Insights: https://arxiv.org/abs/2107.01179

[11] RAPPOR: https://security.googleblog.com/2014/10/learning-statistics-with-privacy-aided.html

[12] 弃用了: https://github.com/chromium/chromium/blob/72ceeed2ebcd505b8d8205ed7354e862b871995e/chrome/browser/prefs/browser_prefs.cc#L509

[13] 链接: https://developers.googleblog.com/2019/09/enabling-developers-and-organizations.html

[14] mobility data: https://ai.googleblog.com/2019/11/new-insights-into-human-mobility-with.html

[16] Labor Market Insights: https://arxiv.org/abs/2010.13981

[17] Audience Engagements API: https://arxiv.org/abs/2002.05839

[18vately/

[19] U.S. Broadband Coverage Dataset: https://arxiv.org/abs/2103.14035

[20] OpenDP SmartNoise: https:// *** artnoise.org/

chine-learning-maintaining-confidentiality-and-preserving-trust/

[22] Workplace Analytics: https://download.microsoft.com/download/D/1/F/D1F0DFF5-8BA9-4BDF-8924-7816932F6825/Differential_Privacy_for_Everyone.pdf

[23] Energy Differential Privacy: https://edp.recurve.com/

[24] Recurve 公司的开源项目: https://github.com/recurve-inc/eeprivacy

[25] open-source DP libraries: https://github.com/google/differential-privacy

[26] Post-Secondary Employment Outcomes: https://lehd.ces.census.gov/data/pseo_experimental.html

[27] 技术文档: https://lehd.ces.census.gov/doc/PSEOTechnicalDocumentation.pdf

[28] 此文档: https://journalprivacyconfidentiality.org/index.php/jpc/article/view/722

[29] 2020 Census Redistricting Data: https

[30] 此代码: https://github.com/uscensu *** ureau/DAS_2020_Redistricting_Production_Code

[31] OnTheMap: https://lehd.ces.census.gov/applications/help/onthemap.html#!what_is_onthemap

[32] 论文: https://lehd.ces.census.gov/doc/help/ICDE08_conference_0768.pdf

[33] Exposure Notification framework: https://covid19.apple.com/contacttracing

[34] shuffled DP: https://desfontain.es/privacy/local-global-differential-privacy.html#shuffling

[35] 分析组件: https://covid19-static.cdn-apple.com/applications/covid19/current/static/contact-tracing/pdf/ENPA_White_Paper.pdf

[37] 展示: https://drive.google.com/file/d/1PWvYC3VBBbebAtbOHoT2QbV3A_jTApV1/view

[38] OpenDP SmartNoise: https:// *** artnoise.org/

[39] Internal Re

[41] Tumult

更多企业网络推广（企业店铺和个人店铺的区别）相关信息请关注本站，本文仅仅做为展示！