Kantor berita Denmark menolak permintaan tebusan setelah serangan peretas
Software

Metode baru memungkinkan perlindungan otomatis untuk data sensitif


Kredit: CC0

Sama seperti orang yang perlu melindungi data sensitif mereka, seperti nomor jaminan sosial, perusahaan manufaktur juga perlu melindungi data sensitif perusahaan mereka. Saat ini ada lebih sedikit perlindungan untuk informasi manufaktur berpemilik, menjadikannya lingkungan yang matang untuk pencurian data perusahaan dari hal-hal seperti model desain.

Pendekatan tertentu yang dikenal sebagai privasi diferensial mungkin dapat lebih menjaga bisnis pabrikan, detail desain yang sensitif, dan reputasi perusahaan secara keseluruhan, tim peneliti Penn State dan mahasiswa pascasarjana melaporkan di American Society for Testing and Material.

“Serangan dunia maya semakin terlihat di bidang manufaktur,” kata Hui Yang, profesor teknik industri. “Hal ini membawa gangguan tak terduga pada operasi rutin dan menyebabkan kerugian miliaran dolar. Misalnya, musuh sering mencoba menyimpulkan sampel yang disertakan dalam set data pelatihan yang digunakan untuk membuat model analitis atau menggunakan model yang dirilis untuk menyimpulkan sensitivitas target saat lainnya informasi latar belakang tentang target ini tersedia. Karena sistem manufaktur adalah tulang punggung infrastruktur penting suatu negara untuk pertumbuhan ekonomi, ada kebutuhan mendesak untuk melindungi informasi privasi perusahaan manufaktur dan meminimalkan risiko serangan inversi model. “

Perusahaan sering kali mengumpulkan data untuk kumpulan data besar untuk memahami pola yang dapat meningkatkan keuntungan, menurunkan biaya, mengurangi risiko, dan banyak lagi. Penambangan data dapat secara tidak sengaja mengekspos data pribadi, menimbulkan ancaman keamanan yang signifikan bagi produsen karena data rahasia seperti identitas pelanggan, spesifikasi produksi, dan informasi bisnis rahasia dapat dikompromikan.

Privasi diferensial adalah pendekatan yang muncul untuk melindungi data dari upaya apa pun yang dapat mengungkapkan data sensitif apa pun dalam suatu sistem. Privasi diferensial dapat memperbaiki masalah ini dengan membuat skema yang memaksa sistem untuk membuat “gangguan” di sekitar data yang paling membutuhkan perlindungan dan dengan mengoptimalkan parameter privasi untuk jenis data yang berbeda ini.

“Ide untuk menjaga privasi sudah ada, tetapi sekarang mendapat lebih banyak perhatian,” kata Soundar Kumara, Profesor Teknik Industri Allen E. Pearce dan Allen M. Pearce. “Metode privasi diferensial dapat mengukur seberapa banyak privasi yang dibutuhkan dalam berbagai skenario, yang sangat berguna bagi perusahaan. Beberapa informasi tidak begitu sensitif, seperti nama hewan peliharaan versus informasi kartu kredit. Ada aplikasi yang ditujukan untuk diferensial privasi untuk manufaktur cerdas dan penggalian data, dan metodologi yang kami usulkan menunjukkan potensi besar untuk diterapkan pada manufaktur yang mendukung data, cerdas, dan berkelanjutan. “

Para peneliti dengan hati-hati mengkalibrasi model dengan derau untuk jenis data mentah yang spesifik dan lebih sensitif. Suara yang diatur dan diatur berisi nilai numerik yang berada di antara informasi nyata untuk menciptakan gangguan, atau keacakan, dalam sistem untuk mengaburkan apa yang mungkin dilihat penyerang.

Grup tersebut menggunakan data uji untuk mengevaluasi dan memvalidasi kerangka kerja penggalian data yang melindungi privasi. Mereka secara khusus berfokus pada pemodelan konsumsi daya dalam proses pembubutan kontrol numerik komputer (CNC).

Menurut tim, pembubutan CNC adalah proses manufaktur yang tepat dan rumit di mana benda kerja berputar ditahan di tempatnya sementara pemotong membentuk material. Jenis informasi ini dapat menjadi sangat penting bagi perusahaan manufaktur, karena mungkin untuk produk spesifik mereka di pasar yang kompetitif.

“Contoh sederhananya adalah rumah sakit dengan 500 pasien di mana perawatan medis dipandu oleh model data mining yang dilatih dengan latar belakang genotipe dan demografis,” kata Qianyu Hu, kandidat doktor teknik industri. “Jika seseorang di luar sistem ingin mengetahui atribut khusus pada pasien, misalnya, penanda genetik mereka, mereka akan menyerang model. Dengan data normal, tidak dilindungi oleh kebisingan, penyerang dengan beberapa informasi latar belakang dapat memperoleh pengetahuan tentang genomik. atribut pasien. Pengetahuan ini dapat digunakan secara merugikan terhadap mereka dengan berbagai cara. Dalam contoh ini, menambahkan gangguan pada proses penggalian data, berdasarkan model kami, dapat menurunkan risiko kebocoran privasi. “

Tim mencatat bahwa dalam penelitian masa depan mereka, mereka berencana untuk melanjutkan pengujian kerangka kerja data mining yang diusulkan ke jaringan produsen kolaboratif.


Tantangan crowdsourcing untuk mende-identifikasi kumpulan data keselamatan publik


Informasi lebih lanjut:
Qianyu Hu dkk. Penambangan Data yang Melestarikan Privasi untuk Manufaktur Cerdas, Sistem Manufaktur Cerdas dan Berkelanjutan (2020). DOI: 10.1520 / SSMS20190043

Disediakan oleh Pennsylvania State University

Kutipan: Metode baru memungkinkan perlindungan otomatis untuk data sensitif (2020, 6 Oktober) diambil 27 November 2020 dari https://techxplore.com/news/2020-10-method-enables-automated-sensitive.html

Dokumen ini memiliki hak cipta. Selain dari transaksi yang adil untuk tujuan studi atau penelitian pribadi, tidak ada bagian yang boleh direproduksi tanpa izin tertulis. Konten disediakan untuk tujuan informasi saja.


Halaman Ini Di Persembahkan Oleh : Keluaran Singapore Hari Ini