Noticias
Los investigadores comentan que hoy, la cantidad de información sensible de individuos que se almacena en bases de datos en el mundo ha ido en exponencial crecimiento y, con ello, conceptos como la privacidad de datos han ganado mucha notoriedad con el tiempo. “Lamentablemente –señalan- métodos como anonimización o agregación de datos no ofrecen soluciones satisfactorias. La privacidad diferencial es una técnica que ofrece fuertes garantías formales de privacidad. Intuitivamente, consiste en agregar ruido aleatorio al resultado de las cómputos para proteger los individuos, y ha emergido como uno de los enfoques más efectivos para garantizar privacidad, ganando mucha atención en distintos campos. Esto incluye a los lenguajes de programación en general y, en particular, a los sistemas de tipos con el fin de lograr verificación automática de esta propiedad”.
En este contexto, comentan que trabajos existentes relacionados con sistemas de tipos “han demostrado que soportar variantes avanzadas de privacidad diferencial y programación de alto nivel ha sido muy desafiante. Además, para obtener resultados precisos, en muchas ocasiones esto requiere un trabajo arduo y pesado por parte de los programadores. En este trabajo buscamos resolver estos problemas presentando Jazz, un lenguaje y sistema de tipos que soporta tanto variantes avanzadas de privacidad diferencial y programación de alto orden. Jazz provee además ventajas en términos de precisión del análisis, carga de anotaciones, y modularidad, gracias a la capacidad de retrasar o postergar el análisis de ciertas partes del programa”.
Jazz está compuesto de dos sublenguajes mutuamente embebidos: uno para razonar acerca de la sensibilidad de programas (SAX), y otro para razonar acerca de privacidad (λJ). Sobre esto, Matías Toro, Éric Tanter y Federico Olmedo explican: “SAX permite calcular modularmente la variación máxima del cómputo de una función o expresión, cuando la entrada es modificada. Esta información de sensibilidad es utilizada por λJ para analizar si el ruido agregado por computaciones probabilísticas es suficiente para preservar el nivel de privacidad diferencial requerido. Este trabajo es acompañado por una fuerte metateoría, donde se demuestran formalmente importantes propiedades del lenguaje que incluyen la preservación de métrica (que captura la máxima variación de una expresión abierta si es cerrada por dos ambientes relacionados) y por supuesto la variante avanzada de privacidad diferencial”.
Si bien el objetivo inicial de este trabajo era derivar en un lenguaje gradual que permitiera razonar acerca de la privacidad diferencial, los investigadores notaron que los lenguajes estáticos existentes a la fecha requerían de ciertas modificaciones para ser gradualizados, viendo así, una oportunidad de mejora de precisión y modularidad. “Es por esto que diseñamos Jazz –afirman-, el cual es actualmente el punto de partida de un trabajo en curso que busca diseñar un lenguaje gradual para asegurar la privacidad diferencial. De manera más técnica, a diferencia de otros lenguajes de privacidad diferencial, el sistema de tipos de Jazz es algorítmico, lo que lo hace ideal para ser utilizado por metodologías que derivan lenguajes graduales. Además, Jazz presenta mejoras importantes respecto a la precisión del tipado de sensibilidad y privacidad diferencial, sin necesidad de incurrir en técnicas complejas. Esto gracias a su capacidad de dejar el análisis de ciertas expresiones latentes, lo que permite que se manifiesten solamente cuando dichas expresiones son realmente usadas”.
—
Fuente: Comunicaciones DCC U. Chile
