Privacidad Diferencial para Informes de Analítica Compartidos
Quitar nombres u ocultar celdas pequeñas no hace privado un informe de analítica. La privacidad diferencial ofrece un modelo medible si se diseñan juntos el presupuesto y las consultas.
Un informe agregado puede revelar información aunque no incluya nombres ni IDs de cuenta. Un grupo pequeño, varias exportaciones o dos consultas que solo difieren en la actividad de una persona pueden revelar si esa persona participó. Llamar «anónimo» a un panel porque muestra totales no constituye una garantía de privacidad.
Este problema es cada vez más concreto para los equipos que crean analítica compartida e informes públicos. En marzo de 2025, NIST publicó SP 800-226, una guía para evaluar garantías de privacidad diferencial. Para los equipos de ingeniería supone un cambio útil: las afirmaciones de privacidad deben evaluarse como propiedades del mecanismo de publicación, no deducirse del formato de la salida.
La agregación no elimina el riesgo de divulgación
Supongamos que un informe muestra una visita de una campaña poco frecuente o que un cliente puede filtrar por una sola fecha, país y página. El total podría describir, en la práctica, a una persona o empresa. Suprimir celdas pequeñas ayuda frente a algunas divulgaciones directas, pero alguien puede combinar totales superpuestos, comparar versiones sucesivas o usar información externa para inferir un valor oculto.
No existe un umbral universal de tamaño de celda que haga seguro cualquier conjunto de datos. El riesgo depende de lo que revele la salida, de qué otra información esté disponible, de quién pueda consultar y de la frecuencia con que cambie el resultado. La guía de desidentificación de NIST también advierte que eliminar identificadores es solo una técnica posible; las organizaciones deben evaluar la publicación prevista y sus riesgos de divulgación.
Qué cambia con la privacidad diferencial
La privacidad diferencial (DP) define un límite matemático a cuánto puede cambiar la salida de un análisis aleatorio cuando se incluyen los datos de una persona en vez de excluirlos. No promete que nunca se pueda inferir nada sobre un individuo. En su lugar, limita la influencia adicional de la participación de una persona bajo supuestos explícitos.
El parámetro epsilon (ε) suele expresar el límite de pérdida de privacidad. Un epsilon menor suele implicar una protección mayor para un mecanismo dado, pero no es una puntuación universal de seguridad: su interpretación depende de la definición de conjuntos vecinos, el mecanismo y la composición entre publicaciones. Un sistema que gasta presupuesto de privacidad en muchas consultas puede revelar más de lo que sugiere una sola consulta.
En analítica web, primero define qué significa una contribución. ¿Es una visita, un visitante al día, un sitio o una persona-día? Limita el número y la magnitud de las contribuciones de cada persona y diseña después la consulta y el mecanismo de ruido a partir de ese límite. Si un visitante puede añadir miles de filas a un recuento, añadir ruido solo al total final quizá no ofrezca la garantía por persona prevista.
Presupuesta toda la superficie de publicación
Registra el gasto de privacidad en todas las salidas que utilizan los mismos datos subyacentes. Un generador de consultas con intervalos de fechas, filtros y exportaciones arbitrarios plantea un riesgo distinto al de un informe semanal fijo. Limita las dimensiones disponibles, agrupa categorías poco frecuentes y decide si las consultas se almacenan en caché, se componen o se descuentan de un presupuesto finito. Son decisiones de producto y API tanto como estadísticas.
Haz explícito el presupuesto en el diseño del sistema. Documenta la unidad protegida, el modelo de adyacencia, el mecanismo, epsilon y cualquier delta, los límites de contribución, la frecuencia de publicación y quién puede iniciarla. Si se vuelve a generar el mismo informe, no lo trates silenciosamente como un resultado independiente. Añadir ruido nuevo en cada ejecución puede permitir promediar resultados; devolver una respuesta en caché evita ese problema concreto de muestreo repetido, pero no elimina todas las cuestiones de composición.
No presentes un umbral como garantía
Un tamaño mínimo de grupo, una cifra redondeada o una fila oculta son medidas útiles para reducir el riesgo, pero no son privacidad diferencial. SP 800-226 de NIST es útil porque se centra en evaluar las garantías y sus supuestos, en vez de tratar el nombre de una técnica como una prueba. SP 800-188 de NIST también recomienda elegir un modelo de intercambio de datos, definir objetivos medibles de desidentificación y evaluar el riesgo adecuado para la publicación.
No todos los productos necesitan DP. Un panel privado disponible para un solo cliente autorizado tiene una audiencia y un modelo de amenazas distintos de los de un benchmark público o un informe entre clientes. Pero si el sistema permite consultas repetidas sobre muchos tenants, parte de la premisa de que los usuarios pueden comparar resultados y define el modelo de privacidad antes de ofrecer esa flexibilidad.
El control de divulgación estadística no es una capa cosmética que se añade a un panel terminado. La unidad protegida, el presupuesto de consultas y el diseño del informe determinan si un agregado puede compartirse de forma segura.
Comments
Loading comments…