🤳🏽 🕴🏾 ▫️ अंतर गोपनीयता क्या है 👩🏼‍⚖️ ♌️ 🏙️

रैंडमाइज्ड रेस्पॉन्स की अत्याधुनिक तकनीक का इस्तेमाल सबसे पहले गूगल ने क्रोम के आंकड़े जुटाने के लिए किया था। क्या Apple फॉलो करेगा सूट?

लेखक के बारे में। मैथ्यू ग्रीन: क्रिप्टोग्राफर, जॉन्स हॉपकिंस विश्वविद्यालय में प्रोफेसर, क्रिप्टोग्राफिक सिस्टम ब्लॉग के लेखक
^{प्रकाशित 14 जून, 2016}

को डब्ल्यूडब्ल्यूडीसी की प्रस्तुति में, Apple ने गोपनीय डेटा की सुरक्षा और सुरक्षा के लिए कई नई सुविधाएँ पेश कीं, जिनमें से एक ने विशेष ध्यान आकर्षित किया ... और भ्रम की स्थिति। अर्थात्, Apple ने “डिफरेंशियल प्राइवेसी” नामक एक नई तकनीक के उपयोग की घोषणा की, जिसे DP के रूप में संक्षिप्त किया गया, ताकि उपयोगकर्ता गोपनीय डेटा एकत्र करते हुए गोपनीयता सुरक्षा में सुधार किया जा सके।

अधिकांश लोगों के लिए, इसने एक गूंगा प्रश्न पैदा किया: "क्या ... ???", क्योंकि कुछ ने पहले अंतर गोपनीयता के बारे में सुना है, और इससे भी ज्यादा इसका मतलब क्या है यह समझें। दुर्भाग्य से, ऐप्पल क्रिस्टल स्पष्ट नहीं है जब यह उन गुप्त सामग्रियों की बात आती है जो उनके मंच पर चलती हैं, इसलिए यह आशा की जाती है कि भविष्य में यह अधिक जानकारी प्रकाशित करने का निर्णय लेगा। इस समय हम जो कुछ भी जानते हैं वह Apple iOS 10 प्रीव्यू के लिए मैनुअल में निहित है।

“IOS 10 के साथ शुरू, Apple प्रत्येक उपयोगकर्ता की गोपनीयता को खतरे में डाले बिना बड़ी संख्या में उपयोगकर्ताओं के लिए उपयोगकर्ता व्यवहार के पैटर्न की पहचान करने में मदद करने के लिए अंतर गोपनीयता तकनीक का उपयोग करता है। किसी व्यक्ति की पहचान छिपाने के लिए, अंतर गोपनीयता एक विशेष उपयोगकर्ता के लिए व्यक्तिगत उपयोगकर्ता व्यवहार टेम्पलेट के एक छोटे नमूने के लिए गणितीय शोर जोड़ता है। जैसा कि अधिक लोग समान पैटर्न दिखाते हैं, सामान्य पैटर्न उभरने लगते हैं जो हमें सूचित कर सकते हैं और समग्र उपयोगकर्ता अनुभव में सुधार कर सकते हैं। IOS 10 में, यह तकनीक QuickType और इमोजी टिप्स, स्पॉटलाइट टिप्स और लुकअप संकेत नोटों में सुधार करने में मदद करेगी। ”

संक्षेप में, ऐसा लगता है कि Apple आपके फोन से बहुत अधिक डेटा एकत्र करना चाहता है।

मूल रूप से, वे अपनी सेवाओं को बेहतर बनाने के लिए ऐसा करते हैं, न कि प्रत्येक उपयोगकर्ता की व्यक्तिगत आदतों और विशेषताओं के बारे में जानकारी एकत्र करने के लिए। इसकी गारंटी देने के लिए, ऐप्पल यह सुनिश्चित करने के लिए परिष्कृत सांख्यिकीय तकनीकों का उपयोग करने का इरादा रखता है कि समग्र आधार - आपकी सभी जानकारी को संसाधित करने के बाद सांख्यिकीय फ़ंक्शन की गणना करने का परिणाम - व्यक्तिगत प्रतिभागियों को बाहर नहीं करता है। सिद्धांत रूप में, यह बहुत अच्छा लगता है। लेकिन निश्चित रूप से, शैतान हमेशा विवरणों में छिपा होता है।

हालाँकि हमारे पास ये विवरण नहीं हैं, लेकिन ऐसा लगता है कि अब कम से कम बात करने का समय है कि अंतर गोपनीयता क्या है, इसे कैसे लागू किया जा सकता है और यह Apple के लिए क्या मतलब हो सकता है - और आपके iPhone के लिए।

प्रेरणा

पिछले कुछ वर्षों में, "साधारण उपयोगकर्ता" ने इस विचार के लिए उपयोग किया है कि व्यक्तिगत जानकारी की एक बड़ी मात्रा उसके डिवाइस से विभिन्न सेवाओं के लिए भेजी जाती है जो वह उपयोग करता है। जनमत सर्वेक्षणों से यह भी पता चलता है कि नागरिक इस कारण असहज महसूस करने लगे हैं ।

यह असुविधा समझ में आती है यदि आप उन कंपनियों के बारे में सोचते हैं जो हमसे पैसे कमाने के लिए हमारी व्यक्तिगत जानकारी का उपयोग करते हैं। हालांकि, कभी-कभी उपयोगकर्ता कार्यों के बारे में जानकारी एकत्र करने का एक अच्छा कारण है। उदाहरण के लिए, Microsoft ने हाल ही में एक उपकरण पेश किया है जो बिंग में आपके खोज प्रश्नों का विश्लेषण करके अग्नाशय के कैंसर का निदान कर सकता है । Google प्रसिद्ध सेवा Google फ़्लू रुझान का समर्थन करता हैविभिन्न क्षेत्रों में खोज प्रश्नों की आवृत्ति द्वारा संक्रामक रोगों के प्रसार की भविष्यवाणी करना। और निश्चित रूप से, हम सभी उन डेटा सोर्सिंग से लाभान्वित होते हैं जो हमारे द्वारा उपयोग की जाने वाली सेवाओं की गुणवत्ता में सुधार करते हैं, मानचित्र अनुप्रयोगों से लेकर रेस्तरां में समीक्षा तक। दुर्भाग्य से, अच्छे उद्देश्यों के लिए डेटा एकत्र करना भी हानिकारक हो सकता है। उदाहरण के लिए, 2000 के दशक के उत्तरार्ध में, नेटफ्लिक्स ने सर्वश्रेष्ठ फीचर फिल्म सिफारिश एल्गोरिथम विकसित करने के लिए एक प्रतियोगिता की घोषणा की । प्रतियोगिता में भाग लेने वालों की मदद करने के लिए, उन्होंने फिल्मों के उपयोगकर्ताओं द्वारा विचारों पर आँकड़ों के साथ एक "अज्ञात" डेटा सेट प्रकाशित किया, जिससे सभी व्यक्तिगत जानकारी वहाँ से हट गई। दुर्भाग्य से, ऐसी "डी-पहचान" पर्याप्त नहीं थी। नारायण और शमतिकोव के प्रसिद्ध वैज्ञानिक कार्यों में

दिखाया गया है कि इस तरह के डेटा सेट का उपयोग विशिष्ट उपयोगकर्ताओं को पता लगाने के लिए किया जा सकता है - और यहां तक कि उनके राजनीतिक विचारों की भविष्यवाणी करने के लिए भी! - बस अगर आप इन उपयोगकर्ताओं के बारे में थोड़ी अतिरिक्त जानकारी जानते हैं।

ऐसी बातों से हमें परेशान होना चाहिए। सिर्फ इसलिए नहीं कि वाणिज्यिक कंपनियां आदतन उपयोगकर्ताओं के बारे में जानकारी एकत्र करती हैं (हालांकि वे ऐसा करती हैं), लेकिन क्योंकि हैक होता है, और क्योंकि एकत्रित डेटाबेस के बारे में भी आँकड़े किसी तरह विशिष्ट व्यक्तिगत रिकॉर्ड के विवरण को स्पष्ट कर सकते हैं जो उपयोग किए गए थे एक समग्र नमूना संकलित करने के लिए। डिफरेंशियल प्राइवेसी एक ऐसा टूल है जो इस समस्या को हल करने के लिए बनाया गया है।

अंतर गोपनीयता क्या है?

विभेदक गोपनीयता उपयोगकर्ता डेटा संरक्षण की एक परिभाषा है जो मूल रूप से 2006 में सिंथिया वर्क द्वारा प्रस्तावित की गई थी। : मोटे तौर पर, यह कुछ समय के लिए इस प्रकार के रूप में वर्णित किया जा सकता है

कल्पना कीजिए कि आप अन्य सभी मामलों में दो समान डेटाबेस, एक है के साथ आपकी जानकारी के अंदर, और अन्य के बिना यह। विभेदक गोपनीयता यह सुनिश्चित करती है कि एक और दूसरे डेटाबेस के लिए एक सांख्यिकीय क्वेरी उसी संभावना के साथ एक विशिष्ट परिणाम का उत्पादन करेगी।

इसे निम्नानुसार दर्शाया जा सकता है: डीपी यह समझना संभव बनाता है कि आपके डेटा का क्वेरी परिणाम पर कोई सांख्यिकीय महत्वपूर्ण प्रभाव है या नहीं। यदि नहीं, तो उन्हें सुरक्षित रूप से डेटाबेस में जोड़ा जा सकता है, क्योंकि इससे वास्तव में कोई नुकसान नहीं होगा। इस मूर्खतापूर्ण उदाहरण पर विचार करें:

कल्पना करें कि आपने अपने iPhone पर Apple को सूचित करने का विकल्प दिया है कि आप

अपने iMessage चैट सत्रों में अक्सर इमोजी का उपयोग करते हैं। इस रिपोर्ट में एक बिट जानकारी है: 1 का अर्थ है कि आप इसे पसंद करते हैं

, और 0 का अर्थ है कि आप ऐसा नहीं करते हैं। Apple इन रिपोर्टों को प्राप्त कर सकता है और उन्हें एक विशाल डेटाबेस में दर्ज कर सकता है। नतीजतन, कंपनी उन उपयोगकर्ताओं की संख्या का पता लगाने में सक्षम होना चाहती है जो एक निश्चित इमोजी पसंद करते हैं।

यह बिना कहे चला जाता है कि परिणामों को संक्षेपित करने और उन्हें प्रकाशित करने की सरल प्रक्रिया डीपी की परिभाषा को संतुष्ट नहीं करती है, क्योंकि एक डेटाबेस में योग के मानों का अंकगणितीय संचालन जिसमें आपकी जानकारी शामिल है, संभवतः एक डेटाबेस से योग के मूल्यों की तुलना में एक अलग परिणाम उत्पन्न करेगा जहां आपकी जानकारी गायब है। इसलिए, हालांकि ऐसी राशियाँ आपके बारे में थोड़ी जानकारी देंगी , लेकिन फिर भी व्यक्तिगत जानकारी का एक टुकड़ा लीक हो जाएगा। अंतर गोपनीयता के अध्ययन का मुख्य निष्कर्ष यह है कि कई मामलों में यादृच्छिक शोर को जोड़कर डीपी सिद्धांत को प्राप्त किया जा सकता हैपरिणाम के लिए। उदाहरण के लिए, केवल अंतिम परिणाम की रिपोर्ट करने के बजाय, रिपोर्टिंग पार्टी एक गाऊसी या लाप्लास वितरण को लागू कर सकती है, इसलिए परिणाम उतना सटीक नहीं होगा - लेकिन यह डेटाबेस में हर विशिष्ट मूल्य को मुखौटा करेगा। (अन्य दिलचस्प विशेषताओं के लिए कई अन्य तकनीकें हैं )।

इससे भी अधिक मूल्यवान, अतिरिक्त शोर की गणना डेटाबेस की सामग्री (या यहां तक कि इसके आकार) को जानने के बिना की जा सकती है । यही है, शोर के साथ गणना को केवल फ़ंक्शन के केवल ज्ञान के आधार पर किया जा सकता है, जो प्रदर्शन किया जाता है, और डेटा रिसाव का स्वीकार्य स्तर।

गोपनीयता और सटीकता के बीच व्यापार बंद

अब यह स्पष्ट है कि

उपयोगकर्ताओं के बीच प्रशंसकों की संख्या की गिनती एक बहुत बुरा उदाहरण है। डीपी के मामले में, यह महत्वपूर्ण है कि मशीन स्टैम्पिंग सिस्टम में उपयोग किए जाने वाले जटिल सांख्यिकीय गणनाओं सहित समान सामान्य दृष्टिकोण को और अधिक दिलचस्प कार्यों पर लागू किया जा सकता है। इसे लागू किया जा सकता है भले ही कई अलग-अलग फ़ंक्शन एक ही डेटाबेस पर गणना किए गए हों।

लेकिन एक कैच है। तथ्य यह है कि एकल अनुरोध से "सूचना रिसाव" का आकार छोटी सीमाओं के भीतर कम से कम किया जा सकता है, लेकिन यह शून्य नहीं होगा। हर बार जब आप किसी फ़ंक्शन के साथ डेटाबेस में क्वेरी भेजते हैं, तो कुल "लीक" बढ़ता है - और कभी भी कम नहीं किया जा सकता है। समय के साथ, जैसे-जैसे अनुरोधों की संख्या बढ़ती है, रिसाव बढ़ना शुरू हो सकता है।

यह डीपी के सबसे कठिन पहलुओं में से एक है। यह खुद को दो मुख्य तरीकों से प्रकट करता है:

जितना अधिक आप डेटाबेस को "पूछने" का इरादा रखते हैं, सूचना रिसाव को कम करने के लिए आपको उतना अधिक शोर जोड़ना होगा । इसका मतलब यह है कि डीपी, वास्तव में, व्यक्तिगत डेटा की सटीकता और सुरक्षा के बीच एक मौलिक समझौता है, जो जटिल मशीन लर्निंग मॉडल को प्रशिक्षित करते समय बड़ी समस्या का कारण बन सकता है।
, . , , , — , . . .

अनुमति दी गई रिसाव की कुल राशि को अक्सर "गोपनीयता बजट" के रूप में संदर्भित किया जाता है और यह निर्धारित करता है कि कितने अनुरोध किए जाने की अनुमति है (और परिणाम कितने सटीक होंगे)। डीपी का मुख्य सबक यह है कि शैतान एक बजट में छिपा हुआ है। इसे सेट करें बहुत अधिक और महत्वपूर्ण डेटा लीक हो जाएगा। इसे बहुत कम सेट करें, और क्वेरी परिणाम बेकार हो सकते हैं।

अब कुछ अनुप्रयोगों में, हमारे आईफ़ोन में अधिकांश अनुप्रयोगों की तरह, अपर्याप्त सटीकता एक विशेष समस्या नहीं बनेगी। हमें इस तथ्य के लिए उपयोग किया जाता है कि हमारे स्मार्टफ़ोन गलती करते हैं। लेकिन ऐसे समय में जब डीपी का उपयोग जटिल अनुप्रयोगों में किया जाता है, जैसे कि प्रशिक्षण मशीन सीखने के मॉडल, यह वास्तव में महत्वपूर्ण है। ^{2014 से फ्रेडरिकसन एट अल}

^{के काम से मृत्यु दर और प्रकटीकरण का अनुपात। लाल रेखा रोगियों की मृत्यु दर से मेल खाती है।} गोपनीयता और सटीकता के बीच एक समझौता कितना महत्वपूर्ण हो सकता है,

इसके बारे में आपको बिल्कुल पागल उदाहरण देने के लिए , फ्रेडरिकेल एट अल के इस 2014 के वैज्ञानिक पेपर को देखें । लेखकों नेविशिष्ट आनुवंशिक मार्करों के साथ वारफारिन ओपन डेटाबेससेदवा खुराक डेटाकोसहसंबंधित करके शुरू किया। तब उन्होंने डेटाबेस से डॉजेज की गणना के लिए एक मॉडल विकसित करने के लिए मशीन लर्निंग तकनीक लागू की - लेकिन उन्होंने मॉडल प्रशिक्षण के दौरान विभिन्न गोपनीयता बजट विकल्पों के साथ डीपी का उपयोग किया। तब उन्होंने सूचना के स्तर और आभासी "रोगियों" के उपचार के लिए मॉडल का उपयोग करने की सफलता का मूल्यांकन किया।

परिणामों से पता चला कि मॉडल की सटीकता दृढ़ता से उसके प्रशिक्षण के दौरान स्थापित गोपनीयता बजट पर निर्भर करती है। यदि बजट बहुत अधिक सेट किया जाता है, तो गोपनीय रोगी की महत्वपूर्ण जानकारी डेटाबेस से लीक हो जाती है - लेकिन परिणामस्वरूप मॉडल खुराक के फैसले करता है जो मानक नैदानिक अभ्यास के रूप में सुरक्षित हैं। दूसरी ओर, जब बजट को उस स्तर तक कम कर दिया जाता है, जिसका अर्थ है स्वीकार्य गोपनीयता, शोर डेटा पर प्रशिक्षित एक मॉडल अपने "मरीजों" को मारने के लिए जाता है।

इससे पहले कि आप घबराने लगें, मुझे समझाएं: आपका आईफोन आपको मारने वाला नहीं है। कोई नहीं कहता है कि यह उदाहरण भी दूर है जैसा कि एप्पल स्मार्टफोन पर करने जा रहा है। इस अध्ययन से निष्कर्ष केवल इस तथ्य में निहित है कि प्रत्येक डीपी-आधारित प्रणाली में दक्षता और गोपनीयता संरक्षण के बीच एक दिलचस्प समझौता है - यह समझौता काफी हद तक सिस्टम के डेवलपर्स, चयनित ऑपरेटिंग मापदंडों, आदि द्वारा किए गए विशिष्ट निर्णयों पर निर्भर करता है । आइए आशा करते हैं कि Apple जल्द ही हमें बताएगा कि ये विकल्प क्या थे।

किसी भी मामले में, डेटा कैसे इकट्ठा किया जाए?

आपने देखा है कि उपरोक्त सभी उदाहरणों में, मैंने यह मान लिया था कि प्रश्न एक विश्वसनीय डेटाबेस ऑपरेटर द्वारा किए जाते हैं जिसकी सभी मूल "कच्चे" अंतर्निहित डेटा तक पहुँच होती है। मैंने इस मॉडल को चुना क्योंकि यह उस मॉडल का एक पारंपरिक संस्करण है जिसका उपयोग लगभग सभी साहित्य में किया जाता है, न कि इसलिए कि यह एक अच्छा विचार है।

वास्तव में, यदि एप्पल वास्तव में लागू होता है, तो अलार्म का कारण होगाएक समान तरीके से आपका सिस्टम। इसके लिए Apple को बड़े पैमाने पर केंद्रीकृत डेटाबेस में उपयोगकर्ता क्रियाओं के बारे में सभी प्रारंभिक जानकारी एकत्र करने की आवश्यकता होगी, और फिर ("हम पर विश्वास करें!") उपयोगकर्ता गोपनीयता की रक्षा के साथ सुरक्षित तरीके से उस पर आँकड़ों की गणना करें। कम से कम, यह विधि न्यायिक समन पर प्राप्त करने के लिए, साथ ही विदेशी हैकर्स के लिए, एप्पल के उत्सुक शीर्ष प्रबंधकों और इतने पर जानकारी उपलब्ध कराती है।

सौभाग्य से, यह अंतर गोपनीयता प्रणाली को लागू करने का एकमात्र तरीका नहीं है। सैद्धांतिक रूप से, आंकड़ों की गणना फैंसी क्रिप्टोग्राफिक तकनीकों (जैसे गोपनीय गणना प्रोटोकॉल या पूरी तरह से होमियोमॉर्फिक एन्क्रिप्शन) का उपयोग करके की जा सकती है)। दुर्भाग्य से, ये तकनीक संभवतः उस पैमाने पर उपयोग करने के लिए बहुत अक्षम हैं जो कि Apple को चाहिए।

एक बहुत अधिक आशाजनक दृष्टिकोण कच्चे डेटा को इकट्ठा करने के लिए बिल्कुल भी नहीं लगता है । Chrome ब्राउज़र में आंकड़े एकत्रित करने के लिए Google का उपयोग करने के लिए यह दृष्टिकोण हाल ही में पहला था । उनका सिस्टम, जिसे RAPPOR कहा जाता है , 50-वर्षीय यादृच्छिक प्रतिक्रिया तकनीक पर आधारित है । यादृच्छिक प्रतिक्रिया इस प्रकार काम करती है:

( : « Bing?»), , «», — . .
( , «»), «» .

सहज स्तर पर, एक यादृच्छिक प्रतिक्रिया व्यक्तिगत उपयोगकर्ता रिपोर्टों की गोपनीयता की रक्षा करती है, क्योंकि उत्तर "हां" का अर्थ या तो "हां, मैं बिंग का उपयोग कर सकता हूं", या बस यादृच्छिक सिक्का की बूंदों का परिणाम हो सकता है। औपचारिक स्तर पर, एक यादृच्छिक प्रतिक्रिया विशिष्ट विशिष्टताओं के साथ विभेदित गोपनीयता प्रदान करती है , जिसे सिक्कों की विशेषताओं को समायोजित करके अनुकूलित किया जा सकता है।

RAPPOR इस अपेक्षाकृत पुरानी तकनीक को लेता है और इसे कुछ अधिक शक्तिशाली बनाता है। केवल एक प्रश्न का उत्तर देने के बजाय, सिस्टम प्रश्नों के एक जटिल वेक्टर पर एक रिपोर्ट संकलित कर सकता है और यहां तक कि जटिल उत्तर भी लौटा सकता है, जैसे कि तार - उदाहरण के लिए, आपके ब्राउज़र में आपका होम पेज क्या है। उत्तरार्द्ध हासिल किया जाता है ताकि स्ट्रिंग पहले से गुजरती होब्लूम फ़िल्टर - बहुत विशिष्ट तरीके से हैश कार्यों का उपयोग करके उत्पन्न बिट्स का एक क्रम। प्राप्त बिट्स को फिर शोर और सम्मिश्रण के साथ मिलाया जाता है, और प्रतिक्रियाओं को (बल्कि जटिल) डिकोडिंग प्रक्रिया का उपयोग करके बहाल किया जाता है।

हालांकि इस बात का कोई स्पष्ट प्रमाण नहीं है कि Apple RAPPOR जैसी प्रणाली का उपयोग करता है, जो कुछ छोटे सुझावों का संकेत है। उदाहरण के लिए, क्रेग फेडेरिगी (जीवन में, वह फोटो में बिल्कुल वैसा ही दिखता है) विभेदित गोपनीयता का वर्णन करता है जैसे "हैशिंग, सबसम्प्लिंग और शोर को सक्रिय करने के लिए ... व्यक्तिगत उपयोगकर्ता डेटा को पूरी तरह से निजी रखते हुए प्रशिक्षण प्रशिक्षण।"। यह किसी भी चीज़ का कमजोर सबूत है, शायद, लेकिन इस उद्धरण में "हैशिंग" की उपस्थिति कम से कम RAPPOR शैली में फिल्टर के उपयोग का सुझाव देती है।

यादृच्छिक प्रतिक्रिया प्रणालियों के साथ मुख्य कठिनाई यह है कि वे संवेदनशील डेटा को दे सकते हैं यदि उपयोगकर्ता एक ही सवाल का कई बार जवाब देता है। RAPPOR इस समस्या को कई तरीकों से हल करने की कोशिश करता है। उनमें से एक जानकारी के स्थिर भाग को निर्धारित करना है और इस प्रकार प्रत्येक बार इसे पुन: यादृच्छिक करने के बजाय "स्थायी प्रतिक्रिया" की गणना करना है। लेकिन ऐसी स्थितियों की कल्पना करना संभव है जहां ऐसी सुरक्षा काम नहीं करती है। एक बार फिर, शैतान अक्सर विवरणों में छिप जाता है - आपको उन्हें देखने की जरूरत है। मुझे यकीन है कि वैसे भी कई आकर्षक वैज्ञानिक पत्र प्रकाशित किए जाएंगे।

तो क्या Apple का DP अच्छा या बुरा है?

एक वैज्ञानिक और सूचना सुरक्षा विशेषज्ञ के रूप में, मुझे इस बारे में मिश्रित भावनाएं हैं। एक ओर, एक वैज्ञानिक के रूप में, मैं समझता हूं कि एक वास्तविक उत्पाद में उन्नत वैज्ञानिक विकास के कार्यान्वयन का निरीक्षण करना कितना दिलचस्प है। और ऐसे प्रयोगों के लिए Apple एक बहुत बड़ा मंच प्रदान करता है ।

दूसरी ओर, एक व्यावहारिक सुरक्षा विशेषज्ञ के रूप में, यह मेरा कर्तव्य है कि मुझे संदेह हो - कंपनी को थोड़े से सवाल पर, प्रदर्शन कोड जो सुरक्षा के लिए महत्वपूर्ण है (जैसा कि Google ने RAPPOR के साथ किया था ), या कम से कम राज्य स्पष्ट रूप से लागू करता है। यदि Apple ने उन उपकरणों से भारी मात्रा में नए डेटा को इकट्ठा करने की योजना बनाई है जो हम पर निर्भर हैं, तो हमें वास्तव में होना चाहिएसुनिश्चित करें कि वे सब कुछ सही कर रहे हैं - और इस तरह के शांत विचारों के कार्यान्वयन के लिए हिंसक रूप से सराहना नहीं करते हैं। (मैंने पहले से ही एक बार ऐसी गलती की थी, और अभी भी इस वजह से एक मूर्ख की तरह महसूस करता हूं)।

लेकिन शायद ये सभी बहुत गहरे विवरण हैं। अंत में, यह निश्चित रूप से दिखता है कि Apple ईमानदारी से उपयोगकर्ताओं की गोपनीय जानकारी की सुरक्षा के लिए कुछ करने की कोशिश कर रहा है , और विकल्प को ध्यान में रखते हुए, यह सबसे महत्वपूर्ण बात हो सकती है।

अंतर गोपनीयता क्या है

प्रेरणा

अंतर गोपनीयता क्या है?

गोपनीयता और सटीकता के बीच व्यापार बंद

किसी भी मामले में, डेटा कैसे इकट्ठा किया जाए?

तो क्या Apple का DP अच्छा या बुरा है?

More articles: