1
苹果和所有的巨型企业一样，想尽可能多地了解它的客户。但它同时也把自己标榜为硅谷的隐私冠军，不像其广告驱动的竞争对手，希望尽可能少地了解你。该公司目前公开吹嘘其在数学上一个不起眼的分支，正在成功处理这种矛盾。
北京时间今天凌晨，在苹果全球开发者主题演讲中，软件工程高级副总裁Craig Federighi，强调苹果并不收集用户资料，iMessage和Facetime的加密都是点对点的，计算尽量在你的个人设备而不是苹果的服务器上完成。但Federighi也承认，事实上，尤其是在大数据分析和机器学习的时代，收集用户信息对做出好的软件至关重要。他给出的答案相当含糊：“微分隐私”（differential privacy）。
“我们认为你应该有强大的功能和十足的隐私，”Federighi告诉开发者人群。 “微分隐私是在统计和数据分析方面的研究课题，它使用散列，二次抽样和噪声注入，使众包学习成为可能，同时保持个人用户的数据完全私密。苹果一直在这方面做着超级重要的工作，以使微分隐私能大规模运用。”
微分隐私，从苹果的发言翻译过来，就是尽可能多研究一群人，同时尽可能少地研究任何个人的统计科学。有了微分隐私，苹果可以收集、存储其用户的数据，从而收集有用的概念，比如说，人们喜欢和想要的东西。但它不能提取关于某个人单一的、特定的东西，因为这可能代表了侵犯隐私。而且，在理论上，黑客或情报机构也不能。
“有了大型数据集包括个人的记录，你可能想把数据库作为一个整体，运行一个机器学习算法，获得统计的见解，但要防止一些旁观者或攻击者，在数据集了解到一些特定的[个人]信息。”宾夕法尼亚大学的计算机科学教授Aaron Roth说，Federighi在主题演讲中提到Roth写了一本关于微分隐私的书。（该书为Algorithmic Foundations of Differential Privacy《微分隐私算法的基础》由Roth与微软研究员Cynthia Dwork所写。）“微分隐私可以让你从大型数据集获得见解，但数学证明了，没有人可以了解其中的个体。”
Roth指出，所谓的“数学证明”，微分隐私并不仅仅试图混淆或“匿名”用户的数据。他认为，这种匿名的做法，往往会失败。例如，在2007年，Netflix发布了观众的电影分级数据的大集合，消除了人们的姓名和其他身份细节，只公布了他们的Netflix评级，作为比赛的一部分，以优化其建议。但研究者很快将Netflix的数据与IMDB公众审查数据交叉对比，找出类似的模式，并添加名称回Netflix所谓的匿名数据库。
对于那种去匿名招数也有对策，比如说，消除了Netflix的电影标题，只保持他们的流派。但是也不能保证其他一些聪明的技巧或交叉对比数据不能撤消混淆。 “如果你从数据中删除人们的名字，也不会停止聪明的人交叉对比。”罗斯说。 “可是微分隐私可以阻止这样的事情。”
Roth解释，微分隐私旨在数学上证明，某种形式的数据分析不能揭示任何个体，不管是否具有任何给定的私人数据输入，一个算法的输出保持相同。罗斯说。 “因为微分隐私具有可证明的保证，打破了循环。所以它是未来的防护。”
Federighi一直强调微分隐私，可能意味着苹果实际上，在给它的服务器发送更多的数据，以进行进行分析，就像谷歌、Facebook和所有其他科技公司一样。但是Federighi暗示苹果只通过变换、微分、私人的形式传输数据。事实上，Federighi将三个变换命名为：散列法，一个不可逆地将数据转化成唯一、随机的字符串的加密功能；二次采样，或只采取数据的一部分；和噪声注入，加入随机数据，掩盖了真正的、敏感的个人信息的。
当WIRED问及苹果如何应用微分的更多信息时，苹果代表的答复只提到了iOS 10预览指南，介绍了如何将技术用在最新版本的iOS上：
从iOS 10开始，苹果采用微分隐私技术，以发现大量用户的使用模式，而不损害个人隐私。为了掩盖一个人的身份，微分隐私把数学噪声增加个人使用模式的小样本中。随着越来越多人用同样的模式，便开始出现通用模式，它可以通知和提升用户体验。在iOS 10，这一技术将有助于提高快速打字和emoji建议，聚焦深度链接的建议和在Notes中查找提示。
苹果在采用微分隐私技术时，是否带着必要的严谨性，充分保护客户的隐私，这是另外一个问题。
via wired
雷峰网原创文章，未经授权禁止转载。详情见转载须知。
