产品：SAP HANA 2.0 SPS04

功能：差异隐私

本文是系列文章的一部分，重点是挖掘公司隐私保护数据中隐藏的巨大价值。第一篇文章演示了如何利用SAP HANA通过"泛化"来分析受私有保护的属性。本系列的第二部分（本文）演示了匿名化敏感度量的价值和过程。

发掘受保护数据的巨大价值

在以前的角色中，我有幸领导了一个非常有才华的软件工程师团队。随着团队的发展和我团队的职位空缺，我将与人力资源部并肩工作，确定招聘薪资范围。这个过程经常是有挑战性的，移动物联网卡，因为我无法获得有意义的工资比较，因为工资总是被视为机密信息，而且公司的报告系统根本无法匿名比较工资。

像我这样的大多数情况下，实话实说，企业信息化管理软件，访问实际的私人数据并不像了解准确的统计数据（如平均值、偏差、总和等）那么重要

由于隐私不同，任何公司都可以从访问敏感和非敏感数据中获益。数据建模者/分析师现在有能力最大化公司所有数据的价值。高级管理团队可以从更强大和全面的数据集中做出更好的决策。最重要的是，能够带来更好洞察力的数据还可以带来新的收入来源。如果对受保护数据集的访问在内部增加了价值，那么市场上的其他公司能为相同的受保护数据增加多少价值？

匿名敏感度量

差异隐私是一种通过加上或减去"噪声"来匿名度量的方法。简单地表示为一个公式：原始度量+/-噪声=匿名度量。噪声量可由数据建模者控制，以便：（1）匿名度量与原始度量非常相似；（2）匿名度量与原始度量不非常相似；或（3）匿名度量与原始度量有些相似。

一个简单的示例可能包括三个数字：100、200和300。这些数字加起来平均为200。配置参数以最小化噪声量后，输出可能包含90、205和298，平均值为197.67。

另一个使用简单、真实用例的示例见下表。

使用计算视图实现

1。将匿名节点放入视图逻辑

2中。设置字段映射。注意，什么是物联网，您至少需要两个字段：一个"ID"字段和一个数字字段，这两个字段将成为附加"noise"的目标。可以随意在输出中添加所需的其他字段。匿名节点将忽略它们。

3。配置参数：序列列。此参数是必需的，并引用步骤2中的"ID"字段。可接受的数据类型为整数和大整数。

4。配置参数：Epsilon。此参数是必需的，返利，用于确定最终输出与原始值之间的差异程度。此变量的典型数字范围可能是0.01到10。较低的输入（如0.01）将在原始数字的基础上加/减最大噪声。更高的输入（如5或10）将输出噪声非常小的结果。

5。配置参数：灵敏度。此参数是必需的，并指定Epsilon参数可用的潜在噪声量。一般的经验法则（虽然不是必需的）是使用匿名列的最大值和最小值之间的差值。

6。配置参数：Noised Column。此参数是必需的，数据无价，并引用步骤2中的数字字段。可接受的数据类型为double或float.

7。完成图形流的其余部分。保存并构建。

8。测试Epsilon和灵敏度的不同输入，以确定用例所需的最佳统计噪声量。

今天从您的数据中释放更多价值

差异隐私可以使您的组织在不损害实际数据的情况下分析受保护的措施。有什么用例可以应用差异隐私吗？哪些业务问题现在可以通过匿名化数据（如工资、实际成本或敏感总账过账）来解决？

要立即开始使用SAP HANA，请在云中注册SAP HANA或联系您的客户代表。

推荐链接

隐私保护数据也有价值！（第1部分，共2部分）：https://blogs.sap.com/2019/07/10/privacy-protected-data-has-value-too-part-1/2/

Andrea Kristen的博客：https://blogs.sap.com/2017/11/10/anonymization-analyze-sensitive-data-without-conventive-privacy/

Stephan Kessler的博客职位：https://blogs.saphana.com/2019/04/15/anonymize-like-a-rock-star-or-whats-new-on-data-anonymization-this-spring-in-sap-hana/

Roosi Magi的博客：https://blogs.sap.com/2019/03/21/unlocking-the-value-of-healthcare-data-with-sap-hana-data-anonymization/

SAP HANA差异隐私文档：https://help.sap.com/viewer/b3ee5778bc2e4a089d3299b82ec762a7/2.0.04/en-US/ace3f36bad754cc9bbfe2bf473fccf2f.html