💻 computer science

Computing Maximal Per-Record Leakage and Leakage-Distortion Functions for Privacy Mechanisms under Entropy-Constrained Adversaries

यह शोध पत्र सीमित पूर्व ज्ञान (एन्ट्रॉपी बाधाओं द्वारा मॉडल किया गया) वाले विरोधियों के विरुद्ध गोपनीयता तंत्रों का विश्लेषण करने और उन्हें अनुकूलित करने के लिए एक कम्प्यूटेशनल ढांचे को प्रस्तुत करता है, जो अधिकतम प्रति-रिकॉर्ड रिसाव (leakage) और रिसाव-विकृति ट्रेडऑफ़ समस्याओं को हल करने के लिए कुशल अल्टरनेटिंग ऑप्टिमाइज़ेशन एल्गोरिदम प्रस्तावित करता है जो शास्त्रीय डिफरेंशियल प्राइवेसी की तुलना में बेहतर गोपनीयता-उपयोगिता प्रदर्शन प्रदान करते हैं।

मूल लेखक: Genqiang Wu, Xiaoying Zhang, Yu Qi, Hao Wang, Jikui Wang, Yeping He

प्रकाशित 2026-03-27

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Genqiang Wu, Xiaoying Zhang, Yu Qi, Hao Wang, Jikui Wang, Yeping He

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

कल्पना कीजिए कि आप एक विशाल, गुप्त पुस्तकालय के संरक्षक हैं। इसके भीतर लाखों पुस्तकें हैं, जिनमें से प्रत्येक में वास्तविक लोगों के बारे में संवेदनशील जानकारी है। आपका काम शोधकर्ताओं को पुस्तकालय के बारे में प्रश्न पूछने की अनुमति देना है (जैसे "इस शहर में कितने लोगों की आँखें नीली हैं?") बिना किसी एक व्यक्ति के विशिष्ट रहस्यों को उजागर किए।

वर्षों तक, इस काम के लिए मानक नियम डिफरेंशियल प्राइवेसी (DP) रहा है। DP को एक "नेत्रबंध" (blindfold) नियम के रूप में समझें: यह मानता है कि शोधकर्ता पुस्तकालय के लोगों के बारे में कुछ भी नहीं जानता है। यह ऐसा है जैसे हम कहते हैं, "हम मानते हैं कि शोधकर्ता पूरी तरह से अनभिज्ञ है, इसलिए सुरक्षा के लिए हम हर उत्तर में थोड़ा सा शोर (static noise) जोड़ देते हैं।"

समस्या: वास्तविक दुनिया में, शोधकर्ता आमतौर पर पूरी तरह से अनभिज्ञ नहीं होते हैं। उन्हें पता हो सकता है कि "इस शहर में 90% लोगों की आँखें भूरी हैं" या उन्होंने नामों की लीक हुई सूची देखी हो सकती है। पुराना "नेत्रबंध" नियम बहुत सख्त (उपयोगी डेटा बर्बाद करना) या बहुत ढीला (लोगों की सुरक्षा करने में विफल होना) है क्योंकि यह इस बात को नजरअंदाज करता है कि शोधकर्ता वास्तव में क्या जानता है।

नया समाधान: यह शोध पत्र इन्फॉर्मेशन प्राइवेसी (IP) नामक एक स्मार्ट तरीका पेश करता है। DP के विपरीत, यह नहीं मानता कि शोधकर्ता कुछ नहीं जानता, बल्कि यह मानता है कि शोधकर्ता के पास ज्ञान की एक सीमित मात्रा है।

रचनात्मक उपमा: धुंधली खिड़की

कल्पना कीजिए कि डेटाबेस एक कमरा है, और शोधकर्ता एक धुंधली खिड़की से देख रहा है।

पुराना तरीका (डिफरेंशियल प्राइवेसी): हम मानते हैं कि शोधकर्ता एक अंधेरे कमरे में खड़ा है जिसे अंदर क्या है, इसका कोई अंदाजा नहीं है। सुरक्षित रहने के लिए, हम खिड़की को घने, भारी कोहरे से ढक देते हैं। यह सभी की रक्षा करता है, लेकिन यह शोधकर्ता के लिए कुछ भी उपयोगी देखना असंभव बना देता है, यहाँ तक कि कमरे के सामान्य आकार को भी।
नया तरीका (यह शोध पत्र): हम स्वीकार करते हैं कि शोधकर्ता के पास एक टॉर्च (पूर्व ज्ञान) हो सकती है। पूरी खिड़की को घने कोहरे से ढकने के बजाय, हम ठीक से मापते हैं कि उनकी टॉर्च कितनी चमकदार है।
- यदि उनकी टॉर्च कमजोर है (वे बहुत कम जानते हैं), तो हम खिड़की को थोड़ा साफ कर सकते हैं।
- यदि उनकी टॉर्च शक्तिशाली है (वे बहुत कुछ जानते हैं), तो हम खिड़की को अधिक धुंधला बना सकते हैं।
- लक्ष्य: हम खिड़की को जितना संभव हो सके उतना साफ रखना चाहते हैं, बिना शोधकर्ता को किसी विशिष्ट व्यक्ति का चेहरा देखने दिए।

तीन बड़ी समस्याएँ जिनका समाधान किया गया

लेखकों ने किसी भी स्थिति के लिए "कोहरे" (शोर) की सटीक मात्रा की गणना करना सीख लिया है। उन्होंने तीन विशिष्ट पहेलियों को हल किया:

1. "वर्स्ट-केस लीक" कैलकुलेटर

प्रश्न: "यदि एक शोधकर्ता किसी विशिष्ट व्यक्ति के रहस्य का अनुमान लगाने की पूरी कोशिश करता है, तो वह वास्तव में कितना सीख सकता है?"
उपमा: एक तिजोरी पर लगे ताले की कल्पना करें। लेखकों ने एक मशीन बनाई है जो हर उस तरीके का परीक्षण करती है जिससे एक चोर, उसके वर्तमान उपकरणों (ज्ञान) के आधार पर, ताला खोलने की कोशिश कर सकता है। यह आपको बताता है कि चोर को तिजोरी से वास्तव में कितना "क्लिकिंग" (सूचना) प्राप्त होता है।
यह क्यों मायने रखता है: पहले, हमारे पास यह मापने का कोई अच्छा तरीका नहीं था कि एक विशिष्ट गोपनीयता नियम कितना लीक करता है। अब, हम इसका ऑडिट कर सकते हैं।

2. "बेस्ट ट्रेड-ऑफ" डिजाइनर

प्रश्न: "हम शोधकर्ता के प्रश्न का यथासंभव सटीक उत्तर कैसे दे सकते हैं, जबकि यह गारंटी भी दे सकते हैं कि वे X मात्रा से अधिक रहस्य नहीं जान पाएंगे?"
उपमा: एक शेफ की कल्पना करें जो सूप बनाने की कोशिश कर रहा है। शेफ चाहता है कि सूप का स्वाद बेहतरीन हो (उच्च उपयोगिता/कम विरूपण) लेकिन उसे यह सुनिश्चित करना होगा कि वह बहुत अधिक नमकीन न हो (कम लीकेज)। लेखकों ने एक रेसिपी एल्गोरिदम बनाया है जो स्वचालित रूप से स्वाद को संतुलित करता है ताकि सूप को पीने योग्य बनाए रखते हुए सही स्वाद मिले।
परिणाम: उनकी "रेसिपी" (प्राइवेसी मैकेनिज्म) पुराने मानकों से बेहतर हैं। वे समान सुरक्षा स्तर के लिए स्पष्ट उत्तर देते हैं।

3. "न्यूनतम कोहरा" खोजने वाला

प्रश्न: "यदि हम शोधकर्ता को वादा करते हैं कि वे अधिकतम X मात्रा में रहस्य जानेंगे, तो हम उन्हें कितनी स्पष्ट खिड़की दे सकते हैं?"
उपमा: यह शेफ वाली समस्या का उल्टा है। यदि ग्राहक कहता है, "मैं केवल थोड़ा सा नमक ही सहन कर सकता हूँ," तो शेफ उस सीमा को पूरा करते हुए सबसे स्वादिष्ट सूप संभव बनाने का तरीका निकालता है।
परिणाम: यह संगठनों को ऐसे गोपनीयता सिस्टम डिजाइन करने में मदद करता है जो स्मार्ट हमलावरों के खिलाफ भी सुरक्षित होने के लिए प्रमाणित हैं।

उन्होंने यह कैसे किया (जादुई ट्रिक)

इन पहेलियों को हल करना अविश्वसनीय रूप से कठिन है क्योंकि इसमें गणित के लाखों चर (डेटाबेस के हर व्यक्ति) शामिल हैं। यह एक ऐसे पहाड़ी क्षेत्र में सबसे ऊंचे बिंदु को खोजने जैसा है जहाँ जमीन लगातार बदल रही है।

लेखकों ने अल्टरनेटिंग ऑप्टिमाइजेशन (Alternating Optimization) नामक एक चतुर ट्रिक का उपयोग किया।

कल्पना कीजिए कि आप एक धुंधले पहाड़ी क्षेत्र में सबसे ऊंची चोटी खोजने की कोशिश कर रहे हैं।
चरण 1: आप परिदृश्य को स्थिर करते हैं और उत्तर/दक्षिण की ओर तब तक चलते हैं जब तक कि आप और ऊपर नहीं जा सकते।
चरण 2: आप अपनी स्थिति को स्थिर करते हैं और पूर्व/पश्चिम की ओर तब तक चलते हैं जब तक कि आप और ऊपर नहीं जा सकते।
दोहराएं: आप दिशा बदलना जारी रखते हैं। भले ही पहाड़ ऊबड़-खाबड़ हो, यह विधि अंततः आपको बहुत जल्दी एक बहुत ऊँची चोटी (लोकल ऑप्टिमम) तक ले जाती है।

उन्होंने गणितीय रूप से सिद्ध किया कि यह "ज़िग-ज़ैग" विधि काम करती है और एक स्थिर समाधान की ओर बढ़ती है।

यह आपके लिए क्यों महत्वपूर्ण है

बेहतर गोपनीयता: हम "एक ही आकार के लिए सभी" (one-size-fits-all) वाले शोर का उपयोग करना बंद कर सकते हैं जो डेटा को बेकार बना देता है। अब हम वास्तविक खतरे के अनुसार गोपनीयता सुरक्षा को अनुकूलित कर सकते हैं।
बेहतर डेटा: क्योंकि सुरक्षा अधिक स्मार्ट है, डेटा चिकित्सा अनुसंधान, एआई प्रशिक्षण और नीति निर्धारण के लिए अधिक उपयोगी बना रहता है।
यथार्थवादी सुरक्षा: यह स्वीकार करता है कि हमलावर स्मार्ट होते हैं और उनके पास कुछ ज्ञान होता है, जिससे हमारी रक्षा केवल सैद्धांतिक नहीं, बल्कि वास्तविक दुनिया के खतरों के खिलाफ मजबूत होती है।

संक्षेप में: यह शोध पत्र हमें रहस्यों को सुरक्षित रखने और डेटा को उपयोगी बनाए रखने के बीच संतुलन बनाने के लिए नए उपकरण प्रदान करता है, जो हमें कठोर, पुराने नियमों से हटाकर एक स्मार्ट, अधिक लचीली प्रणाली की ओर ले जाता है।

यहाँ शोध पत्र "Computing Maximal Per-Record Leakage and Leakage-Distortion Functions for Privacy Mechanisms under Entropy-Constrained Adversaries" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

यह शोध पत्र बिग डेटा के युग में डेटा उपयोगिता (utility) और गोपनीयता (privacy) के बीच के मौलिक तनाव को संबोधित करता है। यह डिफरेंशियल प्राइवेसी (DP) की आलोचना करता है क्योंकि यह एक अक्सर अवास्तविक धारणा पर निर्भर करता है: कि डेटासेट में रिकॉर्ड सांख्यिकीय रूप से स्वतंत्र (statistically independent) हैं। लेखक इन्फॉर्मेशन प्राइवेसी (IP) ढांचे की ओर बदलाव का प्रस्ताव करते हैं, जो पूर्ण अज्ञानता के बजाय सीमित पूर्व ज्ञान (bounded prior knowledge) वाले विरोधियों (adversaries) को मॉडल करता है।

मुख्य चुनौती इस नए ढांचे के तहत गोपनीयता तंत्र (privacy mechanisms) को अनुकूलित करने की गणनात्मक जटिलता (computational intractability) है। विशेष रूप से, यह शोध पत्र तीन उच्च-आयामी (high-dimensional), गैर-उत्तल (non-convex) अनुकूलन समस्याओं को लक्षित करता है:

मैक्सिमल पर-रिकॉर्ड लीकेज (Maximal Per-Record Leakage): एंट्रॉपी-प्रतिबंधित पूर्व ज्ञान ( $H(X) \geq b$ ) वाले विरोधी के संदर्भ में किसी भी एकल रिकॉर्ड $X_i$ के बारे में सबसे खराब स्थिति वाले सूचना रिसाव ( $I(X_i; Y)$ ) की गणना करना।
प्राइमल लीकेज-डिस्टॉर्शन ट्रेड-ऑफ (Primal Leakage-Distortion Trade-off): एक अधिकतम स्वीकार्य डिस्टॉर्शन (उपयोगिता हानि) $D$ के अधीन, सबसे खराब स्थिति वाले लीकेज को न्यूनतम करने वाला गोपनीयता तंत्र डिजाइन करना।
डुअल मिनिमल-डिस्टॉर्शन फॉर्मूलेशन (Dual Minimal-Distortion Formulation): एक सख्त लीकेज सीमा $L$ के अधीन अपेक्षित डिस्टॉर्शन को न्यूनतम करने वाला तंत्र डिजाइन करना।

ये समस्याएँ क्लासिकल इंफॉर्मेशन-थ्योरेटिक समस्याओं (जैसे चैनल कैपेसिटी या रेट-डिस्टॉर्शन) की तुलना में काफी कठिन हैं क्योंकि इनमें डेटासेट की उच्च आयामीता और वैश्विक, गैर-रेखीय एंट्रॉपी बाधा (global, non-linear entropy constraint) शामिल है।

2. कार्यप्रणाली (Methodology)

लेखक अल्टरनेटिंग ऑप्टिमाइज़ेशन एल्गोरिदम (alternating optimization algorithms) का एक समूह विकसित करते हैं जो म्यूचुअल इंफॉर्मेशन और एंट्रॉपी के संरचनात्मक गुणों का लाभ उठाते हैं।

सैद्धांतिक आधार (Theoretical Foundations)

कॉन्वेक्सिटी-कॉन्केविटी ड्युअलिटी (Convexity-Concavity Duality): शोध पत्र सिद्ध करता है कि म्यूचुअल इंफॉर्मेशन $I(X_i; Y)$ मार्जिनल वितरण $p(x_i)$ के संबंध में कॉन्केव (concave) है और कंडीशनल वितरण $p(x_{-i}|x_i)$ तथा तंत्र $q(y|x)$ के संबंध में कॉन्वेक्स (convex) है।
एंट्रॉपी कंस्ट्रेंट ज्योमेट्री (Entropy Constraint Geometry): $H(X) \geq b$ को संतुष्ट करने वाले वितरणों का सेट कॉन्वेक्स है। लेखक दिखाते हैं कि इष्टतम कंडीशनल वितरण अक्सर एंट्रॉपी बाधा की सीमा (boundary) पर स्थित होते हैं।

मुख्य एल्गोरिदम (Core Algorithms)

शोध पत्र तीन मुख्य समस्याओं को हल करने के लिए 11 एल्गोरिदम पेश करता है:

एल्गोरिदम 1 (मैक्सिमल लीकेज): यह मार्जिनल वितरण $p(x_i)$ $p (x_{i})$ और कंडीशनल वितरणों $p(x_{-i}|x_i)$ $p (x_{- i} ∣ x_{i})$ के बीच बारी-बारी से अनुकूलन करके समस्या 1 को हल करता है।
- मार्जिनल अपडेट: एंट्रॉपी बाधा को लागू करने के लिए एक मॉडिफाइड ब्लाहुट-एरिमोटो एल्गोरिदम (Modified Blahukt-Arimoto algorithm) का लैग्रेंज मल्टीप्लायर के साथ उपयोग करता है।
- कंडीशनल अपडेट: एक प्रोजेक्टेड ग्रेडिएंट कोऑर्डिनेट एसेंट (Projected Gradient Coordinate Ascent) का उपयोग करता है। यह वैश्विक एंट्रॉपी बाधा को रो-वाइज (row-wise) बाधाओं में विभाजित करता है और अपडेट को प्रोबेबिलिटी सिम्प्लेक्स और एंट्रॉपी बाउंड्री पर प्रोजेक्ट करता है।
एल्गोरिदम 6 (प्राइमल ट्रेड-ऑफ): यह निम्नलिखित के बीच बारी-बारी से बदलकर समस्या 2 को हल करता है:
- सबसे खराब स्थिति वाले लीकेज को खोजने के लिए प्रतिकूल पूर्व (adversarial prior) को अपडेट करना (एल्गोरिदम 1 का उपयोग करके)।
- डिस्टॉर्शन बाधा को संतुष्ट करते हुए लीकेज को न्यूनतम करने के लिए गोपनीयता तंत्र को अपडेट करना (एल्गोरिदम 7 का उपयोग करके)। तंत्र अपडेट एडेप्टिव स्मूथ पेनल्टी मेथड (Adaptive Smooth Penalty Method) को एक्सपोनेंशिएटेड ग्रेडिएंट डिसेंट के साथ जोड़ता है।
एल्गोरिदम 9 (डुअल फॉर्मूलेशन): यह समस्या 3 को हल करने के लिए एडवर्सरी अपडेट और एक तंत्र अपडेट के बीच बारी-बारी से काम करता है जो लीकेज बाधा के अधीन डिस्टॉर्शन को न्यूनतम करता है, फिर से एक स्मूथ पेनल्टी मेथड का उपयोग करता है।

अभिसरण गारंटी (Convergence Guarantees)

लेखक कठोर सैद्धांतिक प्रमाण प्रदान करते हैं:

लोकल कन्वर्जेंस (Local Convergence): एल्गोरिदम को KKT शर्तों को संतुष्ट करने वाले एक स्टेशनरी पॉइंट तक अभिसरित होने के लिए सिद्ध किया गया है।
मोनोटोनिसिटी (Monotonicity): ऑब्जेक्ट फंक्शन्स (लीकेज या डिस्टॉर्शन) प्रत्येक पुनरावृत्ति (iteration) के साथ मॉनोटोनिक रूप से सुधरते हैं।
ग्लोबल कन्वर्जेंस (विशेष मामला): जब एंट्रॉपी बाधा निष्क्रिय ( $b=0$ ) होती है, तो एल्गोरिदम ग्लोबल ऑप्टिमम तक अभिसरित होते हैं।

3. मुख्य योगदान (Key Contributions)

IP के लिए कम्प्यूटेशनल फ्रेमवर्क: यह शोध पत्र कुशल, प्रमाणित अभिसरण एल्गोरिदम प्रदान करके पिछले कार्य [35] द्वारा पेश किए गए सैद्धांतिक IP ढांचे और व्यावहारिक कार्यान्वयन के बीच के अंतर को पाटता है।
नवीन एल्गोरिदम: क्लासिक ब्लाहुट-एरिमोटो एल्गोरिदम का विस्तार करते हुए, एंट्रॉपी बाधाओं के तहत म्यूचुअल इंफॉर्मेशन की विशिष्ट कॉन्वेक्स-कॉन्केव संरचना को संभालने वाली अल्टरनेटिंग ऑप्टिमाइज़ेशन रणनीतियों का विकास।
सैद्धांतिक विश्लेषण: इन विशिष्ट गोपनीयता फॉर्मुलेशन के लिए पहले अज्ञात अभिसरण गारंटी (स्टेशनरी पॉइंट्स तक स्थानीय अभिसरण) और बाधा सेट की संरचनात्मक विशेषताओं (कॉन्वेक्सिटी) की स्थापना।
अनुभवजन्य सत्यापन (Empirical Validation): व्यापक प्रयोग जो प्रदर्शित करते हैं कि IP ढांचे के तहत अनुकूलित तंत्र, गोपनीयता-उपयोगिता ट्रेड-ऑफ में क्लासिकल DP तंत्रों से बेहतर प्रदर्शन करते हैं।

4. प्रयोगात्मक परिणाम (Experimental Results)

लेखकों ने विभिन्न डेटासेट आकारों ( $n=3$ से $6$) के लिए बाइनरी सिमेट्रिक चैनल्स (BSC) और मॉड्यूलर सम क्वेरीज (लीनियर और नॉन-लीनियर) पर अपने एल्गोरिदम का मूल्यांकन किया।

लीकेज बनाम एंट्रॉपी कंस्ट्रेंट: परिणाम दिखाते हैं कि जैसे-जैसे एंट्रॉपी बाधा $b$ बढ़ती है (विरोधी का ज्ञान कम होता है), मैक्सिमल प्रति-रिकॉर्ड लीकेज काफी कम हो जाता है। यह बाउंडेड-नॉलेज मॉडल की प्रभावशीलता की पुष्टि करता है।
प्राइवेसी-यूटिलिटी ट्रेड-ऑफ:
- लैपलेस (Laplace) और एक्सपोनेंशियल (Exponential) मैकेनिज्म (मानक DP) की तुलना में, IP ढांचे के तहत अनुकूलित तंत्र समान डिस्टॉर्शन के लिए कम लीकेज या समान लीकेज के लिए कम डिस्टॉर्शन प्राप्त करते हैं।
- विशेष रूप से, एक निश्चित डिस्टॉर्शन के लिए, IP-अनुकूलित बाइनरी सिमेट्रिक चैनल को DP तंत्रों की तुलना में कम प्राइवेसी बजट ( $\epsilon$ ) की आवश्यकता थी।
कंस्ट्रेंट सेटिस्फेक्शन: एल्गोरिदम ने सफलतापूर्वक ऐसे तंत्र खोजे जो डिस्टॉर्शन और लीकेज दोनों बाधाओं को सख्ती से संतुष्ट करते हैं, प्राप्त मान लक्ष्य सीमाओं के बहुत करीब रहे।

5. महत्व और प्रभाव (Significance and Impact)

यथार्थवादी विरोधी मॉडलिंग: स्वतंत्रता की धारणा को एंट्रॉपी बाधा के साथ बदलकर, यह ढांचा बड़े पैमाने के डेटासेट के लिए एक अधिक यथार्थवादी थ्रेट मॉडल प्रदान करता है जहाँ रिकॉर्ड सह-संबंधित (correlated) हैं लेकिन विरोधी के पास सीमित पूर्व ज्ञान है।
ऑडिट और डिज़ाइन टूल: प्रस्तावित एल्गोरिदम अभ्यासकर्ताओं को निम्नलिखित की अनुमति देते हैं:
- मौजूदा तंत्रों (DP सहित) का ऑडिट करना ताकि वास्तविक मान्यताओं के तहत उनके सटीक वर्स्ट-केस लीकेज की गणना की जा सके।
- विशिष्ट उपयोगिता आवश्यकताओं और विरोधी क्षमताओं के अनुरूप प्रमाणित, इष्टतम गोपनीयता तंत्रों को डिजाइन करना।
सैद्धांतिक एकीकरण: यह कार्य गोपनीयता तंत्र डिजाइन को क्लासिकल इंफॉर्मेशन थ्योरी (चैनल कैपेसिटी और रेट-डिस्टॉर्शन) के साथ एकीकृत करता है, जिससे गोपनीयता-उपयोगिता ट्रेड-ऑफ के लिए एक कठोर गणितीय आधार प्रदान होता है।
ओपन सोर्स: लेखक सभी एल्गोरिदम के लिए एक सार्वजनिक पायथन कार्यान्वयन प्रदान करते हैं, जिससे पुनरुत्पादकता (reproducibility) और आगे के अनुसंधान में सुविधा होती है।

संक्षेप में, यह शोध पत्र सूचना गोपनीयता (Information Privacy) ढांचे को संचालित करने के लिए आवश्यक कम्प्यूटेशनल इंजन प्रदान करता है, यह प्रदर्शित करते हुए कि डिफरेंशियल प्राइवेसी की सख्त स्वतंत्रता धारणाओं को शिथिल करने से काफी अधिक कुशल और व्यावहारिक गोपनीयता सुरक्षा प्राप्त हो सकती है।