نوار کناری
امنیت و حریم خصوصی داده
Data Security and Privacy
| شماره درس: ۴۰۸۰۱.۳ | تعداد واحد: ۳ |
| مقطع: کارشناسی ارشد | نوع درس: نظری |
| پیش‌نیاز: – | هم‌نیاز: – |
اهداف درس
این درس قصد دارد تا ابعاد مختلف ملاحظات مرتبط با امنیت و حریم خصوصی را در خصوص داده‌ها و بخصوص آنچه امروز تحت عنوان داده‌های کلان مطرح می‌شود به بحث گذاشته و روش‌های علمی در جهت تحلیل این ابعاد و یا کاهش اثرات سوء آنها به دانشجویان ارائه کند. بدین ترتیب بخش اعظم درس مرتبط با تعریف حریم خصوصی در عصر کلان داده‌هاست. بخش دیگری از درس مرتبط با مباحث امنیتی معماری‌های مختلفی است که از داده استفاده می‌کنند. این معماری‌ها شامل وب، معماری ابری، پردازش در لبه و سیستم‌های رایافیزیکی می‌شود. علاوه بر این، با توجه به ارتباطات ماشین به ماشین در اینترنت اشیاء و انواع حملات مرتبط با داده در این فضا بخشی از درس به این موضوع خواهد پرداخت. در نهایت به موضوع سیاست‌های امنیتی و قوانین برخاسته از آنها در فضای داده پرداخته می‌شود.
ریز مواد
- اثرات امنیتی اگزوزهای دیجیتال
- امنیت و حریم خصوصی در شبکه‌های اجتماعی
- انواع تعاریف و روش‌های اندازه گیری حریم خصوصی
- حریم خصوصی تفاضلی
- حریم خصوصی رفتاری
- جامعیت زمینه ای
- رویکردهای فلسفی و اخلاقی به حریم خصوصی
- چالش‌های تعریف استاندارد حریم خصوصی
- کشف نقض حریم خصوصی و تحدید اهداف تحلیل داده از طریق وارسی
- گمنام سازی و بازشناسایی داده
- شخصی‌سازی و انگشت‌نگاری با داده‌ها
- یادگیری ماشین حافظ حریم خصوصی
- انواع روش‌های انتقال/تبادل داده حافظ حریم خصوصی (مبتنی بر رمزنگاری)
- کشف و تحلیل استفاده از داده در وب
- دلالی داده و تبعات امنیت و حریم خصوصی
- اثرات امنیتی معماری‌های مبتنی بر ابر و پردازش در لبه
- امنیت و حریم خصوصی در اینترنت اشیاء
- حملات داده در سیستم‌های رایافیزیکی
- ردگیری بین افزاره ای
- سیاست‌های مرتبط با امنیت /حریم خصوصی و محدودیت‌های آن
- مقررات مرتبط با حریم خصوصی الزامات شخصی و سازمانی
- اثرات دو طرفه فناوری و قوانین مرتبط
ارزیابی
- فعالیت کلاسی (10%)
- گزارش پروژه گروهی (20%)
- تمرین ( سه تمرین عملی) (30%)
- امتحان پایانی (40%)
مراجع
تعداد زیادی از یادداشت‌ها و مقالات موجود در خصوص هریک از موارد نامبرده شده در این درس مورد استفاده خواهند بود. بخش قابل توجهی از مفاهیم درس از طریق بحث در خصوص این منابع هستند بنابراین خواندن هریک از مقالات مورد اشاره در هر مورد برای دانشجویان اجباری بوده و خواندن منابع بعد از کلاس به تنهایی کفایت نخواهد کرد. برخی از منابع استفاده شده در این درس عبارت‌اند از:
- Eric Horvitz, Deirdre Mulligan (2015) Data, privacy, and the greater good, Science. 1990 U.S. Census:
- Latanya Sweeney (2000) Simple Demographics Often Identify People Uniquely, CMU Data Privacy Working Paper 3.
- Yaniv Erlich, Tal Shor, Itsik Pe’er, Shai Carmi (2018) Identity inference of genomic data using long-range familial searches, Science.
- Cynthia Dwork & Aaron Roth (2014) Chapter 1: The Promise of Differential Privacy, in The Algorithmic Foundations of Differential Privacy, NOW Publishers.
- Zhanglong Ji, Zachary C. Lipton, Charles Elkan (2014) Differential Privacy and Machine Learning: a Survey and Review, arXiv.
- Logistic regression:Kamalika Chaudhuri, Claire Monteleoni (2009) Privacy-preserving logistic regression, NeurIPS.
- CBC Marketplace (Nov 24, 2017) How companies use personal data to charge different people different prices for the same product.
- Steven Englehardt, Arvind Narayanan (2016) Online Tracking: A 1-million-site Measurement and Analysis, SIGSAC
- Elena Zheleva, Lise Getoor (2009) To Join or Not to Join: The Illusion of Privacy in Social Networks with Mixed Public and Private User Profiles, WWW.
- Michal Kosinski, David Stillwell, There Graepel (2013) Private traits and attributes are predictable from digital records of human behavior, PNAS.
- Bryce Goodman & Seth Flaxman (2016) European Union regulations on algorithmic decision-making and a “right to explanation”, 2016 ICML Workshop on Human Interpretability in Machine Learning.