super mode(行车记录仪s代表啥)
资讯
2024-03-26
183
1. super mode,行车记录仪s代表啥?
s 是SPORT的缩写,意思是sports mode。s显示在仪表板上,表示它当前正在运动模式下工作。
如果你想体验驾驶乐趣,可以随时使用。正常市区行驶不需要s挡,一般用于高速、超车等情况。雪地模式是爬山的模式。
“运动模式”是增加发动机换挡速度,可以增强动力;“雪地模式”是指在冰等湿滑路面起步时,以二档起步,避免打滑。基本上自动变速器都会有一个模式选择按钮,名字可能不一样,但是功能差不多。
运动模式可以更好的发挥其爬坡超车的作用,也可以用于高速行驶,运动模式下发动机的高速可以帮助发动机了解积碳情况。
运动模式的正确使用其实没什么问题,但是需要注意的是,运动模式不能一直开着,因为在运动模式下,变速箱的负荷增加,温度也随之升高,由此带来的磨损也会增加,油耗也是一个问题。
2. 时尚一词怎么解释?
看过许多关于时尚的杂志,看过许多的影视明星从里到外表现出的时尚风貌,还有许多的影视剧,不论古装还是现代,不论服饰还是台词,无不紧绕时尚这股风,哪怕颠覆历史。而时尚到底是个怎么样的标准,我还是没弄太明白。
我想每个时代的时尚概念应该是不同的。单说饮食这一块,七八十年代早餐吃到白面馒头就是时尚,而现在,生活水平提高了,五谷杂粮又成了时尚的追求,白面馍馍反倒冷了。健康环保成了这个时代的代名词,所以,时尚应该是有时代界限的,它并非指流行什么,我们就要跟风什么。
我并非那种排斥流行的女人,但我注重匹配,我想每个人都有自己的气质特色,应该选择适合自己风格的衣饰,有益自己身心健康的饮食,而不是盲目跟风,时尚固然好,但不一定适合每个人,而且我们这个年龄,应该多注重内在修炼,应该多找些途径让自己的视野更加的宽阔,因为只有内在素质提高了,才能看到更深远的时尚。
由此想起曾经看过一本书,说的是某人发家之前由于家里很穷,所受教育有限,于是成长的过程中,发财继而成为有钱人成了他的人生目标,然后,开名车住豪宅品红酒,出入高档场所,像富人那样优雅的生活,他以为这一切钱都可以解决。最终,他实现了他的愿望,但由于言谈举止粗俗,孤陋寡闻,在大众场合闹了不少的笑话,最终无法像他看到的富人那样优雅自如的谈笑,他不明白的是,自己的资产明明与富人在一个层次了,为什么自己的姿态优雅不起来?
他的问题在我看来其实很简单,由于贫穷,书读的少,后来满脑子想的是如何暴富,而忽略了自身素质的提高,而人在不断前行的过程中,最难提高的就是素质,素质才能决定一个人想过的生活,反之,你只能算是暴发户。
而他所理解的上流社会,虽然好进,名车虽然也开得起,但品红酒,出入高档场所,这些都必须有深厚的文化底蕴,日积月累的生活环境熏陶,否则,即便你迈入了上流社会的门槛,却无法融入其中。
3. 发现自己的手机拍照不好?
感谢邀请
很多人都说vivo手机拍照好,新款X50Pro+值得考虑吗?题主问题的核心是很多人都说vivo手机拍照好,新款vivoX50pro+值得考虑吗?在使用过这款手机,我觉得是非常不错的。实际这次vivoX50系列整体的拍照都有不小的提升,比如普通版本和pro版本使用的都是单独定制的IMX598镜头,不仅仅提升了传感器面积,同时在光圈方面也都有提升大了F1.6增加了进光量,同时在拍照方面算法方面也有提升了到了极夜算法+AI降噪算法,提升了夜景拍摄方面的细节,另外在pro上面还有使用了微云台的设计,确实在业界也算是一种创新,稳定度相比传统光学防抖都有了长足的进步,同时在拍摄视频的微云台带来的5轴VIS防抖相比一般手机也要更加稳定,另外三麦定位追焦和安德街89号字幕组的加持,确实在视频后期制作和拍摄方面都有着独特的优势。所以实际在我个人看来这次vivoX50系列的机型不管是哪一款,拍照方面都有着不俗的能力。
谈谈个人对于vivoX50pro+拍照方面的一些理解和使用感受:1.首先从拍摄硬件方面来说。这次vivoX50pro+的镜头,是来自于三星的GN1镜头,像素来到了5000万,同时镜头尺寸也提升到了1/1.3英寸,确实让我们知道在硬件方面他的实力,而且vivoX50pro+让我们没有想到的是进入了DXO排行榜,同时有着不错的排名,这也是对于vivoX50pro+相机算法和优化的一种肯定,毕竟这个排行榜确实很有说服力,高端手机,华为,三星,苹果确实也是每年都有上榜。
2.从优化和算法方面来说。我觉得vivoX50pro+确实相比前一代的机型确实有着很多的提升,比如在夜景方面的算法,这次因为镜头素质的提升,所以夜景下的成像效果更好,进光量相比前一代提升了百分之213,同时在夜景模式下,他会自动触发手机的极夜算法和AI降噪模式,大大增强了夜景下的成片率和清晰度。另外他还有支持最高1亿像素的照片拍摄,分辨率可以达到11536x8690,这个确实是一般手机很难做到的,这样实际不仅仅放大之后细节很多,同时对于后期修图整理的时候也有很大的优势。当然他还有支持最高60倍数码变焦,确实有更多的可玩性,就像是望远镜一样的存在。
同时在拍摄视频方面。他的主镜头是支持OIS光学防抖的,所以稳定性不错,同时他采用的万物追焦的功能,可以随时锁定焦点,即便是出境之后再次拍摄也可以快速锁定,对于我们拍摄来说也减少了再去点击对焦功能的麻烦,同时为了让画音同步,他还有加入了三个麦克风来锁定画面主题的音质,同时在字母方面他加入了安德街89号字幕组也会根据画面中的语音内容自动转化为字幕,准确率也相当高。
同时超清修复的功能,可以提升老旧照片的清晰度,对于我们来说你如果想把一些老旧的照片重新打印或者是提升清晰度的话,这个功能,确实很好用。
下面是vivoX50pro+和华为P40pro+的两组样张对比
3.手机的整体素质。实际我们要知道的是一款手机的配置同样很重要,因为即便拥有不错的拍照实力,但是手机配置跟不上,体验也会时一塌糊涂,而我个人这次使用的是素皮版本,首先从颜值方面来说,轻薄的设计看起来确实很漂亮,同时素皮设计相比玻璃和金属机身更有气质,而且质感不错。
同时在屏幕方面,曲面的设计和高刷新率,以及不错的亮度和对比度加持下,显示效果确实很出色。
而且关键是在性能方面加入了高通865处理器,对于大型游戏和普通使用方面完全没有任何的压力,同时闪存的规格来到了UFS3.1是目前最强,以及内存来到了DDR5,功耗和发热相比DD4X都有降低,带宽也有提升,提升了整体的稳定性。
总结和个人观点:实际vivo手机对于拍照方面的优化,一直算是他的拿手好戏,而且本身vivoX系列也一直是这样的定位,虽然他现在也成立iQOO这样性价比路线的手机系列,但是整体来说vivoX系列的颜值和拍照定位,以及人们的喜爱度确实一直没有降低,就是因为他不断的创新,而vivoX50系列这次微云台的加持,以及包括pro+可以拍摄一亿像素的拍照等等,确实在众多品牌中也算是脱颖而出了,所以你如果喜欢拍照的话,这款手机确实还是比较合适的。
回答完毕
欢迎留言发表不同的看法和想法:
4. 用过x60的小伙伴?
感谢邀请
用过x60的小伙伴,效果怎么样?题主问题的核心是用过X60的小伙伴,效果怎么样?实际这款手机我确实已经使用了一段时间,总体来说确实改变了我之前对于vivo手机的一些看法,因为虽然vivoX60作为这次的最基础版本,但是整体的优化,以及性能,外观设计方面等都给了我们全新的体验,下面我个人就简单说说自己的一些体验:
vivoX60使用起来效果怎么样呢?这个问题我想从四个方面来说一下自己的使用体验,当然在说之前,我来说说自己为什么要选择这款机型,从客观角度来说确实vivo之前有一些高价低配,虽然颜值设计和创新做的很好,但是处理器一直中端,所以不尽人意,这是人们吐槽最多的点,但是今年则是不同,因为我们看到了他在做到颜值创新的同时,性能方面和三星合作研发的1080系列确实很强,甚至已经超过了同价位很多机型,同时拍照得到了升级,这不就是我们所向往的机型吗?轻薄颜值高,拍照好,而且性能不差,可以说很全面的涵盖了我们使用手机时候所使用的场景。
1.最新的Origin OS是我个人使用这款手机印象最深的地方。
手机的系统是一款手机的灵魂所在,即便是说你的性能再强,如果没有良好的交互体验或者是不错的UI设计体验依然会一般,而这次vivoX60则是全系搭载了最新发布的Origin OS,相对于之前的FuntouchOS可以说升级的地方有很多。
比如我们就拿首页来说,这次他采用了华容网格的设计方式,简单一点来说就是图标的形状可以自己设置,而且排版方面也更加自由,如下图所示,我们可以随意调整图标所显示的形状,而不再像之前局限于正方形的设计,同时扁平拟物化的图标显示效果,看起来确实和我们所看到的其他厂商的大有不同,在开始用的时候就会给人眼前一亮的感觉。
同时原子组件的功能是你使用过之后就回不去的功能,比如像之前我们需要设置或者是切换一些东西的时候,都需要去打开设置,或者是返回到主业再去打开另外一个APP,但是这次Origin OS则是把这些功能都融合到了一起,也就是说我们可以直接在桌面进行设置或者是打开,比如我把桌面设置了闹钟,时间,天气等等,这些都可以很直观的看到,不仅仅可以时刻的提醒我们,同时也简化了的操作步骤。就像音乐类的原子组件可以融合你所下载或者使用的音乐类APP等等,这样我们在听歌曲需要切换的时候就可以直接点击实现了无缝切换。
另外还有包括内存融合的功能,我们可以明显的发现后台确实可以运行更多的APP,因为他通过Mulit-Turbo5.0的算法机制,降低了程序在后台运行的时候占用运行内存过多的问题,在原有运行内存的基础上增加了3G,另外包括我们知道,他在触控和过渡动画方面也有做出来优化,我们在点开APP的瞬间,就可以直接打开,利用过渡动画的页面大代替了之前我们在点开需要等待的时间,实际有些类似于ios,这样从视觉效果来说我们会看到过渡更加自然和流畅,而不会有反应迟钝的感受。
包括我们看到他在办公方面的一些优化,比如直接支持了42种文件格式,简单一点来说就是我们不用再去下载一些单独文件格式的APP,而且还有包括在传输方面支持网页传输等多种格式,以及和多个打印机品牌合作支持手机在线打印更加便捷。以及他还有设置了超级卡包的功能,里面融合了我们日常使用的一些支付功能,这样我们就不需要在用到微信或者是支付宝的时候再去打开,而且不管是熄屏界面,还是其他应用界面,我们只需在屏幕右下角向内一滑,都可以快速调出它来进行使用,化繁为简的同时也更加便捷。
2.影像方面的升级也是我们不得不说的。
因为这次vivoX60有两个大升级,一方面是微云台架构升级到了第二代,防抖的效果更加出色稳定,在拍摄视频的时候,对于画面的抖动抑制更强,第二个是和蔡司合作,使用了他的一些算法,让整体的拍照能力有了一个质的提升。
首先微云台我们都知道vivo是第一个使用的,而且截止到目前为止也只有他在使用,相比光学防抖的优势在于,把镜头模组放置在了微云台模块上面,这个时候运动的幅度会更大,而且方向也不会受到限制,这也是为什么他的校正角度提升了3倍的原因,同时防抖的效果自然是更加出色,这次二代微云台的升级,稳定则是进一步增强了,而且在拍照的时候,因为防抖的加持,即便是我们拍摄远景或者是放大拍摄的照片看细节也会很强清楚。
算法方面,蔡司和vivo的算法联合,打造了极致夜景2.0,在光线比较暗的场景依然是可以实现清晰的拍照样张,而且对于光线方面的控制更加到位,包括人像模式下50mm的人像镜头加上蔡司的Biator人像风格,确实可玩性更高,而且效果也颇为出色。
3.性能方面,我们知道vivo一直在游戏优化方面有着自己的优势,而这次加上强大的性能,自然是体验也很不错。
实际只有看配置我们也能知道,他的性能不错。因为他搭载的5nm工艺,包括A78和G78的架构,已经和麒麟9000,甚至高通888系列持平,同时加上散热方面和游戏细节方面的优化加速,整体的体验确实可以堪比高端旗舰,另外也弥补了自身人们一直以来所吐槽性能低的问题。当然我们为了更加直观看到他的性能表现也进行了一些测试:
比较流行的《和平精英》、《QQ飞车》、《原神》三款游戏进行测试,《和平精英》中选择流畅+极限帧数 ,开启抗锯齿,关闭流畅自适应,实测其平均帧数为59.61帧,最高帧数为61帧,遗憾的当然是没有适配90HZ帧率模式。
而在QQ飞车中,我们选择超高画质+高帧率,在其他画面效果也保持全开的情况下,实测其平均帧数为115.17帧,最高帧数为120.9帧
原神游戏当然作为目前比较吃配置的游戏,我们也就进行了测试,在游戏中将综合设置调为极高,帧率调到60帧,地点选择在璃月港,把时间调到夜晚,实测其平均帧数为48.67帧,最高帧数为60帧,各位对这个帧率波动不要感到意外,目前还没有手机能满帧运行,它的整体表现和骁龙865机型比较接近。
4.外观设计方面的出色表现。
实际我确实没有想到,这次vivoX60系列会一次做的这么全面。因为我们会发现价格方面他并没有相比前代的X50有提升,但是配置做的更加全面,我们通过前面的几个方面使用的体验就可以知道,他已经很全面了。
但是他也并没有因为如此,而放弃对于颜值和轻薄的设计。因为他的厚度和重量分别为7.4mm和175g左右,可以说算是旗舰手机中最轻薄的存在了,而且AG磨砂玻璃带来的手感自然也是不言而喻的,在配色方面相比前代也有提升,通过不同的角度我们可以看到多种颜色的变幻,同时不同的配色会给我们不同的感觉。
当然屏幕方面康宁玻璃的加持,HDR10+的显示,以及120HZ的刷新率,包括三星的顶级Super AMOLED屏幕,显示效果也非常不错,同时打孔依然还是2.98mm目前最小。
总结:确实每个人喜欢的手机都有所不同,但是至少我在使用vivoX60的时候,可以感觉到他和自家之前的机型是完全不同,性能的升级弥补了自己一直以来的劣势,同时拍照方面得到了升级,系统方面也更加完善高效流畅,不俗的颜值设计和创新元素也赋予我们美感,所以这款手机的使用效果我个人很满意。
回答完毕
欢迎留言发表不同的看法和想法:
5. 为何启动相机就会自动拍照?
三后摄镜头设计:超广角+广角+远摄镜Samsung Galaxy S10 / S10+同样采用了后置3镜头设计,分别为1200万像素主拍摄镜(光圈F1.5/F2.4)、1600万像素超广角镜(光圈F2.2),以及1200万像素远摄镜(F2.4),内置相机App里面有独立按钮,让用户随时手动切换,感光元件提升至1600万像素。S10/S10 Plus 的全新拍摄功能也协助你调整相片的正确水平度。在S10 Plus 会带来双镜头设计的自拍镜头,主镜头1000 万像素提供自动对焦与Dual Pixel F1.9 大光圈,而另外使用了3D RGB Depth 相机,800万像素F2.2 辅助拍摄,让用户拍摄出更佳的自拍相片。Super Steady Camera超级防手震三镜头支援防手震功能,在拍摄影片时都可以用到。只要在拍摄介面按下防手震按钮即可生效,稳定效果相当强。而相机介面也得到改良,用户最常用到的选项都放在画面下方,单手拍摄时操作可更得心应手。「镜头建议」Shot Suggestion 功能,可在用户拍摄时对比2 亿张相片,估计用家在拍什么,提供专业的调校以及构图建议。很多人都话一张相片是否成功,除了器材之外最重要的还是构图,有强大AI 帮手,就更容易拍得令人惊艳的相片。强大夜摄模式7-30张相片合成讲到拍摄能力当然少不了夜拍,在旅行时用手机影相,好难每每开动闪光灯。而S10/S10+ 的Super Night Mode 就可自动连拍多张相片,再合成为一张相片。此功能可侦测用户是手持拍摄或者使用脚架,手持模式最长可连拍3 秒的相片,进行最多7 张相片的合成;而使用脚架的话,就可最多拍摄30 秒,合成最多30 张相片。而无论拍摄影片或者播片,都支援HDR10+,在光反差较大的环境中拍片,都能更细致地记录与播放。内置Adobe Premiere Rush CCS10/S10+ 与Adobe 合作内置了Premiere Rush CC App,可让用户在拍摄相片后马上进行简易且功能强大的剪辑。全身大头「AR Emoji」卡通人物记录手脚动作今次S10/S10 Plus 还加入了「AR Emoji」功能,用户可制作一个属于自己的卡通头像与全身人物,用于自拍相片、影片用途。AR 头像给用户在自拍时,自动把AR Emoji 头像取代你的头部,然后实时拍摄影片。
6. 本田的地球梦发动机有多牛?
大家好,这里是爱车的厨子,致力于为大家分享专业汽车知识,让您少踩坑!!!
你要问我地球梦系列发动机有多牛?我只能用以前人们总说的:“又想马儿跑得快,又不给马儿吃草”这一句俗语来举例回答你,这句话的含义可以理解为草吃得少了,马儿肯定是跑不快的,就是鱼与熊掌不能兼得,但是当大家都做不到的时候,本田的地球梦系列做到了。
地球梦系列发动机最大的优点就是即解决了燃油经济性的问题,又解决了发动机动力薄弱的问题,还解决了环境环保问题,可以说目前市面上还没有哪款发动机能同时解决这些问题。
有人可能说我吹牛,具体是不是吹牛,我们一起来了解一下本田的地球梦系列发动机。
一、Earth Dreams Technology 有不认识这个英文的朋友我给大家先翻译一下,“Earth Dreams Technology”翻译过来的意思就是:地球梦科技或者是动力总成技术。本田使用了这套技术的有:5款汽油发动机、2款CVT变速箱、2款混合动力系统。
从上图的汽油发动机我们可以看到,基本涵盖了目前本田的所有主力车型,而且可以看出本田将在未来几年的中国汽车市场上的车型,都将更换为地球梦系列。
至于这套技术专业性的东西这里就不多阐述了,其主要目的就是提升发动机本身动力输出的同时又有效地降低了能耗,追求的就是动力与节能的最佳平衡度。
就像我们平时总避不开的减肥和吃的问题,总会在徘徊自己到底是应该减肥还是吃,这个技术的优点就在于既让你开心地减了肥,还让你遇到自己喜欢吃的东西时也能吃下去,就这技术你说谁能抵挡的了?
二、Earth Dreams Technology 的使用你以为上面就是最牛的地方了?错了,还有更牛的,就是在使用上,前面说到Earth Dreams Technology已经基本涵盖了目前本田的所有主力车型,主要包括:1.3L、1.5L、1.8L、2.0L、2.4L、3.5L等等,懂车的人都知道每款车型的重量、技术、搭载的配置都是不一样的,所以如果把地球梦科技照葫芦画瓢的弄在所有车型上,那么每款车型肯定给出的结果肯定是大不相同的,肯定有表现最好的和表现最差的。
就像我们老师教学生一样,你只管教的话,肯定有成绩好的和成绩差的,但是如果你因人而异地去教,那么这个就牛了,只要下功夫,我相信个个都能考高分。
所以这也是本田的工程师们比较牛的地方,他们会根据每款研发的机型来配置车型,还要根据每款车型的特性去搭载最佳匹配的技术包,这样一来的话,每款研发的机型都能根据车辆的不同需求,去实现动力和燃油的最佳平衡。
三、举例说明上面说的大家可能认为我夸夸其谈,吹牛,那么下面我只好给大家举个现实的例子了。
我就拿第九代雅阁举例吧,用过第九代雅阁的车主下方留言评论等着你,看看我说得对不对。
着重介绍一下九代雅阁V6车型,因为排量税的原因,它没有照搬美版的3.5L V6发动机,而是搭载从新研发的3.0L V6发动机,也就是上面说的5款汽油发动机中的其中一款。
九代雅阁V6车型的最大功率是192kW/6300rpm,最大扭矩是297Nm/5500rpm,而且带有VCM可变汽缸管理系统(驾驶过程中在3缸、4缸、6缸工作模式之间自动切换),这个数据就不再多说什么了,而且V6的发动机还是搭配的6速自动变速箱,对比之下,它的速度提升不仅提升了10%,燃油经济性同时提升了11%,这个数据下面九代雅阁车主可以帮忙证明一下。
四、写到最后当然这么优秀的技术也是有缺点的,毕竟发展时间只有这么久,但是我相信,只要经过时间沉淀,工程师们不断地对技术研发改进,那么本田的未来肯定是无限光明的。
7. 大家对于大数据怎么看?
数据 v.s. 隐私
在大数据的时代,数据成为了科学研究的基石。我们在享受着推荐算法、语音识别、图像识别、无人车驾驶等智能的技术带来的便利的同时,数据在背后担任着驱动算法不断优化迭代的角色。在科学研究、产品开发、数据公开的过程中,算法需要收集、使用用户数据,在这过程中数据就不可避免的暴露在外。历史上就有很多公开的数据暴露了用户隐私的案例。
美国在线(AOL)是一家美国互联网服务公司,也是美国最大的互联网提供商之一。在 2006 年8月,为了学术研究,AOL 公开了匿名的搜索记录,其中包括 65 万个用户的数据,总共 20M 条查询记录。在这些数据中,用户的姓名被替换成了一个个匿名的 ID,但是纽约时报通过这些搜索纪录,找到了 ID 匿名为4417749的用户在真实世界中对应的人。ID 4417749 的搜索记录里有关于“60岁的老年人”的问题、“Lilburn地方的风景”、还有“Arnold” 的搜索字样。通过上面几条数据,纽约时报发现 Lilburn 只有14个人姓Arnold,最后经过直接联系这14个人确认 ID 4417749 是一位62岁名字叫 Thelma Arnold的老奶奶。最后 AOL 紧急撤下数据,发表声明致歉,但是已经太晚了。因为隐私泄露事件,AOL遭到了起诉,最终赔偿受影响用户总额高达五百万美元。
同样是 2006年,美国最大的影视公司之一 Netflix,举办了一个预测算法的比赛(Netflix Prize),比赛要求在公开数据上推测用户的电影评分 。Netflix 把数据中唯一识别用户的信息抹去,认为这样就能保证用户的隐私。但是在 2007 年来自The University of Texas at Austin 的两位研究人员表示通过关联 Netflix 公开的数据和 IMDb(互联网电影数据库)网站上公开的纪录就能够识别出匿名后用户的身份。三年后,在2010年,Netflix 最后因为隐私原因宣布停止这项比赛,并因此受到高额罚款,赔偿金额总计九百万美元。
近几年各大公司均持续关注用户的隐私安全。例如苹果 在2016 年 6 月份的WWDC 大会上就提出了一项名为Differential Privacy 的差分隐私技术。苹果声称他能通过数据计算出用户群体的行为模式,但是却无法获得每个用户个体的数据。那么差分隐私技术又是怎么做的呢?
在大数据时代,如何才能保证我们的隐私呢?要回答这个问题,我们首先要知道什么是隐私。
什么是隐私?
我们经常谈论到隐私泄漏、隐私保护,那么 什么是隐私呢? 举个例子,居住在海淀区五道口的小明经常在网上购买电子产品,那小明的 姓名 、 购买偏好 和 居住地址 算不算是隐私呢?如果某购物网站统计了用户的购物偏好并公开部分数据,公开的数据中显示北京海淀区五道口的用户更爱买电子产品,那么小明的隐私是否被泄漏了呢?要弄清楚隐私保护,我们先要讨论一下究竟什么是隐私。
对于隐私这个词,科学研究上普遍接受的定义是“单个用户的某一些属性 ”,只要符合这一定义都可以被看做是隐私。我们在提“隐私”的时候,更加强调的是“ 单个用户 ”。那么,一群用户的某一些属性,可以认为不是隐私。我们拿刚才的例子来看,针对小明这个单个用户,“购买偏好”和“居住地址”就是隐私。如果公开的数据说住在五道口的小明爱买电子产品,那么这显然就是隐私泄漏了。但是如果数据中只包含一个区域的人的购买偏好,就没有泄露用户隐私。如果进一步讲,大家都知道小明住在海淀区五道口,那么是不是小明就爱买点此产品了呢?这种情况算不算事隐私泄漏呢?答案是不算,因为大家只是通过这个趋势推测,数据并不显示小明一定爱买电子产品。
所以,从隐私保护的角度来说,隐私是针对 单个用户 的概念,公开 群体用户 的信息不算是隐私泄漏,但是如果能从数据中能准确推测出个体的信息,那么就算是隐私泄漏。
隐私保护的方法
从信息时代开始,关于隐私保护的研究就开始了。随着数据不断地增长,人们对隐私越来越重视。我们在讨论隐私保护的时候包括两种情况。
第一种是公司为了学术研究和数据交流开放用户数据,学术机构或者个人可以向数据库发起查询请求,公司返回对应的数据时需要保证用户的隐私。
第二种情况是公司作为服务提供商,为了提高服务质量,主动收集用户的数据,这些在客户端上收集的数据也需要保证隐私性。学术界提出了多种保护隐私的方法和测量隐私是否泄露的工具,例如k-anonymity(k-匿名化)、l-diversity(l-多样化)、t-closeness、 ε-differentialprivacy(差分隐私)、同态加密(homomorphic encryption)、零知识证明(zero-knowledge proof)等等。 今天主要介绍k-anonymity(k-匿名化),l-diversity(l-多样化),t-closeness 和 ε-differential privacy(差分隐私)。 这些方法先从直观的角度去衡量一个公开数据的隐私性,再到使用密码学、统计学等工具保证数据的隐私性。
下面我们一一解读这四种隐私保护的方法:
k-anonymity(k-匿名化)
k-anonymity 是在 1998 年由 Latanya Sweeney 和 Pierangela Samarati 提出的一种数据匿名化方法。
我们先看一下下面的这个表格:
大数据时代下的隐私保护-36大数据
我们把要表格中的公开属性分为以下三类:
Key attributes: 一般是个体的唯一标示,比如说 姓名、 地址、电话等等,这些内容需要在公开数据的时候删掉。
Quasi-identifier: 类似 邮编 、 年龄 、生日、 性别 等不是唯一的,但是能帮助研究人员关联相关数据的标示。
Sensitive attributes: 敏感数据,比如说 购买偏好 、薪水等等,这些数据是研究人员最关心的,所以一般都直接公开。
简单来说,k-anonymity 的目的是保证公开的数据中包含的个人信息至少 k-1 条不能通过其他个人信息确定出来。也就是公开数据中的任意 quasi-identifier信息,相同的组合都需要出现至少 k 次。
举个例子,假设一个公开的数据进行了 2-anonymity 保护。如果攻击者想确认一个人(小明)的敏感信息(购买偏好),通过查询他的年龄、邮编和性别,攻击者会发现数据里至少有两个人是有相同的年龄、邮编和性别。这样攻击者就没办法区分这两条数据到底哪个是小明了,从而也就保证了小明的隐私不会被泄露。
下面这个表就是 2-anonymization 过的信息:
大数据时代下的隐私保护-36大数据
k-anonymity的方法主要有两种,一种是删除对应的数据列,用星号(*)代替。另外一种方法是用概括的方法使之无法区分,比如把年龄这个数字概括成一个年龄段。对于邮编这样的数据,如果删除所有邮编,研究人员会失去很多有意义的信息,所以可以选择删除最后一位数字。
从这个表中,即使我们知道小明是男性、24岁、邮编是100083,却仍然无法知道小明的购买偏好。而研究人员依然可以根据这些数据统计出一些有意义的结果,这样既兼顾了个人的隐私,又能为研究提供有效的数据。
k-anonymity 能保证以下三点:
攻击者无法知道某个人是否在公开的数据中
给定一个人,攻击者无法确认他是否有某项敏感属性
攻击者无法确认某条数据对应的是哪个人( 这条假设攻击者除了 quasi-identifier 信息之外对其他数据一无所知,举个例子,如果所有用户的偏好都是购买电子产品,那么 k-anonymity 也无法保证隐私没有泄露 )
攻击方法
未排序匹配攻击 (unsorted matching attack) : 当公开的数据记录和原始记录的顺序一样的时候,攻击者可以猜出匿名化的记录是属于谁。例如如果攻击者知道在数据中小明是排在小白前面,那么他就可以确认,小明的购买偏好是电子产品,小白是家用电器。解决方法也很简单,在公开数据之前先打乱原始数据的顺序就可以避免这类的攻击。
补充数据攻击 (complementary release attack) : 假如公开的数据有多种类型,如果它们的 k-anonymity 方法不同,那么攻击者可以通过关联多种数据推测用户信息。
除此之外,如果敏感属性在同一类 quasi-identifiers 中缺乏多样性,或者攻击者有其它的背景知识,k-anonymity 也无法避免隐私泄露。
大数据时代下的隐私保护-36大数据
我们知道李雷的信息,表中有两条对应的数据,但是他们的购买偏好都是电子产品。因为这个敏感属性缺乏多样性,所以尽管是 2-anonimity 匿名化的数据,我们依然能够获得李雷的敏感信息。
大数据时代下的隐私保护-36大数据
如果我们知道小紫的信息,并且知道她不喜欢购买护肤品,那么从表中,我们仍可以确认小紫的购买偏好是厨具。
l-diversity(l-多样化)
通过上面的例子,我们引出了多样化的概念。简单来说,在公开的数据中,对于那些quasi-identifier 相同的数据中,敏感属性必须具有多样性,这样才能保证用户的隐私不能通过背景知识等方法推测出来。
l-diversity 保证了相同类型数据中至少有 l 种内容不同的敏感属性。
大数据时代下的隐私保护-36大数据
例如在上图的例子中,有 10 条相同的类型的数据,其中 8 条的购买偏好是电子产品,其他两条分别是图书和家用电器。那么在这个例子中,公开的数据就满足 3-diversity 的属性。
除了以上介绍的简单 l-diversity 的定义,还有其他版本的 l-diversity,引入了其他统计方法。比如说:
基于概率的l-diversity (probabilistic l-diversity): 在一个类型中出现频率最高的值的概率不大于 1/l。
基于墒的l-diversity (entropy l-diversity): 在一个类型中敏感数据分布的墒至少是 log(l)。
递归 (c,l)-diversity (recursive (c, l)-diversity): 简单来说就是保证最经常出现的值的出现频率不要太高。
l-diversity 也有其局限性:
敏感属性的性质 决定即使保证了一定概率的 diversity 也很容易泄露隐私。例如,医院公开的艾滋病数据中,敏感属性是“艾滋病阳性”(出现概率是 1%)和“艾滋病阴性”(出现概率是 99%),这两种值的敏感性不同,造成的结果也不同。
有些情况下 l-diversity 是没有意义的 :比如说艾滋病数据的例子中仅含有两种不同的值,保证2-diversity 也是没有意义的。
l-diversity 很难达成: 例如,我们想在 10000 条数据中保证 2-diversity,那么可能最多需要10000* 0.01 = 100 个相同的类型。这时可能通过之前介绍的 k-anonymity的方法很难达到。
偏斜性攻击 (Skewness Attack) : 假如我们要保证在同一类型的数据中出现“艾滋病阳性”和出现“艾滋病阴性”的概率是相同的,我们虽然保证了 diversity,但是我们泄露隐私的可能性会变大。因为l-diversity 并没有考虑敏感属性的总体的分布。
l-diversity 没有考虑敏感属性的语义 ,比如说下面的例子,我们通过李雷的信息从公开数据中关联到了两条信息,通过这两条信息我们能得出两个结论。第一,李雷的工资相对较低;第二,李雷喜欢买电子电器相关的产品。
大数据时代下的隐私保护-36大数据
t-closeness
上面最后一个问题就引出了 t-closeness 的概念,t-closeness 是为了保证在相同的quasi-identifier类型组中,敏感信息的分布情况与整个数据的敏感信息分布情况接近(close),不超过阈值 t。
如果刚才的那个数据保证了 t-closeness 属性,那么通过李雷的信息查询出来的结果中,工资的分布就和整体的分布类似,进而很难推断出李雷工资的高低。
最后,如果保证了 k-anonymity,l-diversity 和 t-closeness,隐私就不会泄露了么?答案并不是这样,我们看下面的例子:
大数据时代下的隐私保护-36大数据
在这个例子中,我们保证了 2- anonymity , 2-diversity , t-closeness(分布近似),工资和购买偏好是敏感属性。攻击者通过李雷的个人信息找到了四条数据,同时知道李雷有很多书,这样就能很容易在四条数据中找到李雷的那一条,从而造成隐私泄露。可能有些读者会有疑问,通过背景知识攻击 k-anonymity 的前提是不是假设了解 quasi-identifier ?并不是这样,针对敏感属性的背景攻击对 k-anonymity 也适用,所以无论经过哪些属性保证,隐私泄露还是很难避免。
差分隐私(differential privacy)
除了之前我们介绍的针对 k-anonymity, l-diversity,t-closeness 三种隐私保护方法的攻击之外,还有一种叫做差分攻击 ( differential attack ) 。举个例子,购物公司发布了购物偏好的数据,说我们有 100 个人的购物偏好数据,其中有 10 个人偏爱购买汽车用品,其他 90 个偏爱购买电子产品。如果攻击者知道其中 99 个人是偏爱汽车用品还是电子产品,就可以知道第 100 个人的购物偏好。这样通过比较公开数据和既有的知识推测出个人隐私,就叫做差分攻击。
在 2009 年,微软研究院的Cynthia Dwork 提出差分隐私的概念,差分隐私就是为了防止差分攻击, 也就是说尽管攻击者知道发布的 100 个人的个人以信息和其中 99 个人的信息,他也没办法通过比对这两个信息获得第 100 个人的信息 。
简单来说,差分隐私就是用一种方法使得查询 100 个信息和查询其中 99 个的信息得到的结果是相对一致的,那么攻击者就无法通过比较(差分)数据的不同找出第100 个人的信息。 这种方法就是加入 随机性 ,如果查询 100 个记录和 99 个记录,输出同样的值的概率是一样的,攻击者就无法进行差分攻击。进一步说,对于差别只有一条记录的两个数据集 D 和 D’ (neighboring datasets),查询他们获得结果相同的概率非常接近。注意,这里并不能保证概率相同,如果一样的话,数据就需要完全的随机化,那样公开数据也就没有意义。所以,我们需要尽可能接近,保证在隐私和可用性之间找到一个平衡。
ε-差分隐私 (ε-differential privacy, ε-DP) 可以用下面的定义来表示:
大数据时代下的隐私保护-36大数据
其中 M 是在 D 上做任意查询操作,对查询后的结果加入一定的随机性,也就是给数据加噪音,两个datasets 加上同一随机噪音之后查询结果为 C 的概率比小于一个特定的数 。这样就能保证用户隐私泄露的概率有一个数学的上界,相比传统的 k-anonymity,差分隐私使隐私保护的模型更加清晰。
我们用一个例子解释差分隐私的定义:
大数据时代下的隐私保护-36大数据
上图中 D1 和D2 是两个neighboring datasets,他们只有一条记录不一致,在攻击者查询“20-30岁之间有多少人偏好购买电子产品”的时候,对于这两个数据库得到的查询结果是 100 的概率分别是 99% 和 98%,他们的比值小于某个数。如果对于任意的查询,都能满足这样的条件,我们就可以说这种随机方法是满足ε-差分隐私的。因为 D1 和 D2 是可以互换的,所以更加严格的讲,他们的比值也要大于 。
无论查询是什么,两个相邻的数据库返回的结果总是近似的。
要达到数据的差分隐私有四种方法:
输出结果变换
输入查询变换
中间值变换
抽样和聚合数据
本文接下来主要介绍输出结果变换的方法,这种方法主要针对查询结果是数值或者数值向量的情况,通过加入噪声使输出结果达到 ε-DP。
输出结果变换:加入噪声
在差分隐私中,防止隐私泄露的重要因素是在查询结果中加噪音, 对于数值的查询结果,一种常见的方法就是对结果进行数值变换。要解释如何加入噪音,我们先看一下下面的这个例子:
大数据时代下的隐私保护-36大数据
假如某公司公开了数据,并且对外提供了查询数据的接口 f(x),针对不同的查询 x,服务器都会输出一个查询结果 f(x) + 噪声,加入噪声就是为了保证 ε-差分隐私。
那么如何选择噪声呢?
差分隐私方法中,作者巧妙的利用了拉普拉斯分布的特性,找到了合适的噪声方法。针对数值或向量的查询输出,M(x) = f(x) + 噪声。我们能得出以下结论:
其中 Lap 是拉普拉斯分布,GS 表示 global sensitivity:
详细的证明可以参考差分隐私的相关文章。
我们有了这个结论,想要对某个查询接口 f(x) 保证 ε-DP 的话,只需要在查询结果上加入 Lap(GS/e) 的噪声就可以了。
拉普拉斯分布和其概率密度函数如下:
大数据时代下的隐私保护-36大数据
大数据时代下的隐私保护-36大数据
(ε,δ)-differential privacy, (ε, δ)-DP
ε-DP 是一种“严格”的隐私保护保证,当在数据库中添加和删除一条数据时候,保证 所有 查询的输出都类似。但是(ε, δ)-DP 在 ε-DP 的保证中允许了一定概率的错误发生,比如说,用户在 (ε, δ)-DP 的保护下会有 δ 概率的隐私泄露。
大数据时代下的隐私保护-36大数据
基于这些的概念,差分隐私在机器学习算法中也能够使用,常见的算法,比如说 PCA、logistic regression、SVM都有对应的差分隐私化算法。
差分隐私在数据的实用性和隐私性之间达到了平衡,使用者可以通过设定自己的“隐私预算”(privacy budget)来调整数据的实用性和隐私性。但是差分隐私也不是万能的,其中加入噪声的很多算法需要在大量的数据集上才实用。除此之外,什么才是“隐私预算”的合理设定也是一个问题。这些都是差分隐私面临的问题和挑战。并且由于差分隐私对于“背景知识”的要求过于强,所以需要在结果中加入大量随机化,导致数据的可用性(utility)急剧下降。但是差分隐私作为一个非常优雅的数学工具,是隐私保护的研究在未来的一个发展方向。差分隐私用严格的数学证明告诉人们一个匿名化的公开数据究竟能保护用户多少的隐私。
k-匿名化与 ε-差分隐私的关系
我们前面分别单独介绍了 k-匿名化和 ε-差分隐私,k-匿名化相对比较容易理解和实践,差分隐私更像是从理论上证明了隐私保护的边界。 虽然方法的分析角度完全不同,但是它们之间却有着紧密的联系。普渡大学的Ninghui Li教授在 Provably PrivateData Anonymization: Or, k-Anonymity Meets Differential Privacy 文章中详细分析了 k-匿名化和 ε-差分隐私之间的关系。文章证明了在使用 k-匿名化“得当”的情况下,可以满足一定条件的 (ε, δ)-differentialprivacy。同时也提出了一种 k-anonymity 的变形:β-Sampling+ Data-independent _Generalization + k-Suppression (k, β)-SDGS ,通过变形后的 k-anonymity 就可以使之满足差分隐私。通过使用差分隐私这种工具,我们就能精确的衡量前人提出的 k-anonymity,在理论研究上具有重要意义。
实际案例
在实际应用中使用差分隐私时需要考虑的问题还有很多,我们在介绍差分隐私的时候假设所有的查询操作都由可信的数据库处理,数据库里存储着用户的原始数据。那么如果数据库被攻击了,包含用户隐私的原始数据就泄露了。
如果不收集用户的原始数据, 在客户端上先做差分隐私,再上传给服务器 ,这个问题就解决了。最近Google率先使用RAPPOR系统在 Chrome 浏览器上通过这种方法收集用户的使用情况数据。RAPPOR 基于“随机应答”(randomized response)的方法保护用户的原始数据不被泄露,随机应答的流程如下:
当用户需要上报个人数据的时候,首先“抛硬币”决定是否上报真实数据。如果是正面,则上报真实数据。如果不是,就上报一个随机的数据,再“抛一次硬币”决定随机数据的内容。
服务器收到所有的数据后,因为知道“抛硬币”是正面的概率,服务器就能够判断返回的数据是正确的概率。
这种“随机应答”的方法在理论上也被证明是服从ε-差分隐私的。对于用户来说,隐私数据在上报给服务器之前就已经加了噪声,从而具有一定保证。对于公司来说,也能收集到有效的数据。
RAPPOR 使用“随机应答”的方法克服了之前只能回答简单查询语句的限制,现在可以上报包含字符串这类更加复杂的回答。RAPPOR 在上报字符串信息的时候首先使用“布隆过滤器”(bloom filter)算法把字符串哈希到一个数组中,然后再加入噪声传给服务器。布隆过滤器不需要存储元素本身,并可以用于检索一个元素是否在一个集合中。通过使用这种方法,就可以对字符串数据添加噪音,保护用户的隐私。
苹果在 2016 年的世界开发者大会(WWDC)上也宣布使用差分隐私的方法收集用户数据。虽然苹果没有透露具体的细节,我们从官方的描述中也可以推测出苹果也使用了在客户端上做匿名化再传输到服务器的方法。
Differentialprivacy is a research topic in the areas of statistics and data analytics thatuses hashing, subsampling and noiseinjection to enable…crowdsourced learning while keeping the data ofindividual users completely private. Apple has been doing some super-importantwork in this area to enable differential privacy to be deployed at scale.
我们刚才介绍的 Google 和 Apple 的模型都是先在本地做差分隐私,然后再上报给服务器,我们把这种方法叫做本地模式(local mode)。这种差分隐私的做法在上报数据可以相互关联的情况下还是存在隐私泄漏。Google的RAPPOR虽然解决了对同一个数据的多次上报的隐私泄露问题,但并没有解决多个相关数据上报后产生的隐私泄露问题。对于这一问题,Apple也没有给出详细的解释。
除了Google 和苹果在内部产品中使用差分隐私方法,哈佛大学公开了一个名为PSI (Ψ) 的项目,提供了一个便捷的差分隐私工具。使用者通过上传数据,调整差分隐私的参数,就可以获得满足差分隐私的数据集。
总结一句:通过大数据我能知道全国哪个省的女人胸最小,想知道的点关注私聊我
本站涵盖的内容、图片、视频等数据系网络收集,部分未能与原作者取得联系。若涉及版权问题,请联系我们删除!联系邮箱:ynstorm@foxmail.com 谢谢支持!
1. super mode,行车记录仪s代表啥?
s 是SPORT的缩写,意思是sports mode。s显示在仪表板上,表示它当前正在运动模式下工作。
如果你想体验驾驶乐趣,可以随时使用。正常市区行驶不需要s挡,一般用于高速、超车等情况。雪地模式是爬山的模式。
“运动模式”是增加发动机换挡速度,可以增强动力;“雪地模式”是指在冰等湿滑路面起步时,以二档起步,避免打滑。基本上自动变速器都会有一个模式选择按钮,名字可能不一样,但是功能差不多。
运动模式可以更好的发挥其爬坡超车的作用,也可以用于高速行驶,运动模式下发动机的高速可以帮助发动机了解积碳情况。
运动模式的正确使用其实没什么问题,但是需要注意的是,运动模式不能一直开着,因为在运动模式下,变速箱的负荷增加,温度也随之升高,由此带来的磨损也会增加,油耗也是一个问题。
2. 时尚一词怎么解释?
看过许多关于时尚的杂志,看过许多的影视明星从里到外表现出的时尚风貌,还有许多的影视剧,不论古装还是现代,不论服饰还是台词,无不紧绕时尚这股风,哪怕颠覆历史。而时尚到底是个怎么样的标准,我还是没弄太明白。
我想每个时代的时尚概念应该是不同的。单说饮食这一块,七八十年代早餐吃到白面馒头就是时尚,而现在,生活水平提高了,五谷杂粮又成了时尚的追求,白面馍馍反倒冷了。健康环保成了这个时代的代名词,所以,时尚应该是有时代界限的,它并非指流行什么,我们就要跟风什么。
我并非那种排斥流行的女人,但我注重匹配,我想每个人都有自己的气质特色,应该选择适合自己风格的衣饰,有益自己身心健康的饮食,而不是盲目跟风,时尚固然好,但不一定适合每个人,而且我们这个年龄,应该多注重内在修炼,应该多找些途径让自己的视野更加的宽阔,因为只有内在素质提高了,才能看到更深远的时尚。
由此想起曾经看过一本书,说的是某人发家之前由于家里很穷,所受教育有限,于是成长的过程中,发财继而成为有钱人成了他的人生目标,然后,开名车住豪宅品红酒,出入高档场所,像富人那样优雅的生活,他以为这一切钱都可以解决。最终,他实现了他的愿望,但由于言谈举止粗俗,孤陋寡闻,在大众场合闹了不少的笑话,最终无法像他看到的富人那样优雅自如的谈笑,他不明白的是,自己的资产明明与富人在一个层次了,为什么自己的姿态优雅不起来?
他的问题在我看来其实很简单,由于贫穷,书读的少,后来满脑子想的是如何暴富,而忽略了自身素质的提高,而人在不断前行的过程中,最难提高的就是素质,素质才能决定一个人想过的生活,反之,你只能算是暴发户。
而他所理解的上流社会,虽然好进,名车虽然也开得起,但品红酒,出入高档场所,这些都必须有深厚的文化底蕴,日积月累的生活环境熏陶,否则,即便你迈入了上流社会的门槛,却无法融入其中。
3. 发现自己的手机拍照不好?
感谢邀请
很多人都说vivo手机拍照好,新款X50Pro+值得考虑吗?题主问题的核心是很多人都说vivo手机拍照好,新款vivoX50pro+值得考虑吗?在使用过这款手机,我觉得是非常不错的。实际这次vivoX50系列整体的拍照都有不小的提升,比如普通版本和pro版本使用的都是单独定制的IMX598镜头,不仅仅提升了传感器面积,同时在光圈方面也都有提升大了F1.6增加了进光量,同时在拍照方面算法方面也有提升了到了极夜算法+AI降噪算法,提升了夜景拍摄方面的细节,另外在pro上面还有使用了微云台的设计,确实在业界也算是一种创新,稳定度相比传统光学防抖都有了长足的进步,同时在拍摄视频的微云台带来的5轴VIS防抖相比一般手机也要更加稳定,另外三麦定位追焦和安德街89号字幕组的加持,确实在视频后期制作和拍摄方面都有着独特的优势。所以实际在我个人看来这次vivoX50系列的机型不管是哪一款,拍照方面都有着不俗的能力。
谈谈个人对于vivoX50pro+拍照方面的一些理解和使用感受:1.首先从拍摄硬件方面来说。这次vivoX50pro+的镜头,是来自于三星的GN1镜头,像素来到了5000万,同时镜头尺寸也提升到了1/1.3英寸,确实让我们知道在硬件方面他的实力,而且vivoX50pro+让我们没有想到的是进入了DXO排行榜,同时有着不错的排名,这也是对于vivoX50pro+相机算法和优化的一种肯定,毕竟这个排行榜确实很有说服力,高端手机,华为,三星,苹果确实也是每年都有上榜。
2.从优化和算法方面来说。我觉得vivoX50pro+确实相比前一代的机型确实有着很多的提升,比如在夜景方面的算法,这次因为镜头素质的提升,所以夜景下的成像效果更好,进光量相比前一代提升了百分之213,同时在夜景模式下,他会自动触发手机的极夜算法和AI降噪模式,大大增强了夜景下的成片率和清晰度。另外他还有支持最高1亿像素的照片拍摄,分辨率可以达到11536x8690,这个确实是一般手机很难做到的,这样实际不仅仅放大之后细节很多,同时对于后期修图整理的时候也有很大的优势。当然他还有支持最高60倍数码变焦,确实有更多的可玩性,就像是望远镜一样的存在。
同时在拍摄视频方面。他的主镜头是支持OIS光学防抖的,所以稳定性不错,同时他采用的万物追焦的功能,可以随时锁定焦点,即便是出境之后再次拍摄也可以快速锁定,对于我们拍摄来说也减少了再去点击对焦功能的麻烦,同时为了让画音同步,他还有加入了三个麦克风来锁定画面主题的音质,同时在字母方面他加入了安德街89号字幕组也会根据画面中的语音内容自动转化为字幕,准确率也相当高。
同时超清修复的功能,可以提升老旧照片的清晰度,对于我们来说你如果想把一些老旧的照片重新打印或者是提升清晰度的话,这个功能,确实很好用。
下面是vivoX50pro+和华为P40pro+的两组样张对比
3.手机的整体素质。实际我们要知道的是一款手机的配置同样很重要,因为即便拥有不错的拍照实力,但是手机配置跟不上,体验也会时一塌糊涂,而我个人这次使用的是素皮版本,首先从颜值方面来说,轻薄的设计看起来确实很漂亮,同时素皮设计相比玻璃和金属机身更有气质,而且质感不错。
同时在屏幕方面,曲面的设计和高刷新率,以及不错的亮度和对比度加持下,显示效果确实很出色。
而且关键是在性能方面加入了高通865处理器,对于大型游戏和普通使用方面完全没有任何的压力,同时闪存的规格来到了UFS3.1是目前最强,以及内存来到了DDR5,功耗和发热相比DD4X都有降低,带宽也有提升,提升了整体的稳定性。
总结和个人观点:实际vivo手机对于拍照方面的优化,一直算是他的拿手好戏,而且本身vivoX系列也一直是这样的定位,虽然他现在也成立iQOO这样性价比路线的手机系列,但是整体来说vivoX系列的颜值和拍照定位,以及人们的喜爱度确实一直没有降低,就是因为他不断的创新,而vivoX50系列这次微云台的加持,以及包括pro+可以拍摄一亿像素的拍照等等,确实在众多品牌中也算是脱颖而出了,所以你如果喜欢拍照的话,这款手机确实还是比较合适的。
回答完毕
欢迎留言发表不同的看法和想法:
4. 用过x60的小伙伴?
感谢邀请
用过x60的小伙伴,效果怎么样?题主问题的核心是用过X60的小伙伴,效果怎么样?实际这款手机我确实已经使用了一段时间,总体来说确实改变了我之前对于vivo手机的一些看法,因为虽然vivoX60作为这次的最基础版本,但是整体的优化,以及性能,外观设计方面等都给了我们全新的体验,下面我个人就简单说说自己的一些体验:
vivoX60使用起来效果怎么样呢?这个问题我想从四个方面来说一下自己的使用体验,当然在说之前,我来说说自己为什么要选择这款机型,从客观角度来说确实vivo之前有一些高价低配,虽然颜值设计和创新做的很好,但是处理器一直中端,所以不尽人意,这是人们吐槽最多的点,但是今年则是不同,因为我们看到了他在做到颜值创新的同时,性能方面和三星合作研发的1080系列确实很强,甚至已经超过了同价位很多机型,同时拍照得到了升级,这不就是我们所向往的机型吗?轻薄颜值高,拍照好,而且性能不差,可以说很全面的涵盖了我们使用手机时候所使用的场景。
1.最新的Origin OS是我个人使用这款手机印象最深的地方。
手机的系统是一款手机的灵魂所在,即便是说你的性能再强,如果没有良好的交互体验或者是不错的UI设计体验依然会一般,而这次vivoX60则是全系搭载了最新发布的Origin OS,相对于之前的FuntouchOS可以说升级的地方有很多。
比如我们就拿首页来说,这次他采用了华容网格的设计方式,简单一点来说就是图标的形状可以自己设置,而且排版方面也更加自由,如下图所示,我们可以随意调整图标所显示的形状,而不再像之前局限于正方形的设计,同时扁平拟物化的图标显示效果,看起来确实和我们所看到的其他厂商的大有不同,在开始用的时候就会给人眼前一亮的感觉。
同时原子组件的功能是你使用过之后就回不去的功能,比如像之前我们需要设置或者是切换一些东西的时候,都需要去打开设置,或者是返回到主业再去打开另外一个APP,但是这次Origin OS则是把这些功能都融合到了一起,也就是说我们可以直接在桌面进行设置或者是打开,比如我把桌面设置了闹钟,时间,天气等等,这些都可以很直观的看到,不仅仅可以时刻的提醒我们,同时也简化了的操作步骤。就像音乐类的原子组件可以融合你所下载或者使用的音乐类APP等等,这样我们在听歌曲需要切换的时候就可以直接点击实现了无缝切换。
另外还有包括内存融合的功能,我们可以明显的发现后台确实可以运行更多的APP,因为他通过Mulit-Turbo5.0的算法机制,降低了程序在后台运行的时候占用运行内存过多的问题,在原有运行内存的基础上增加了3G,另外包括我们知道,他在触控和过渡动画方面也有做出来优化,我们在点开APP的瞬间,就可以直接打开,利用过渡动画的页面大代替了之前我们在点开需要等待的时间,实际有些类似于ios,这样从视觉效果来说我们会看到过渡更加自然和流畅,而不会有反应迟钝的感受。
包括我们看到他在办公方面的一些优化,比如直接支持了42种文件格式,简单一点来说就是我们不用再去下载一些单独文件格式的APP,而且还有包括在传输方面支持网页传输等多种格式,以及和多个打印机品牌合作支持手机在线打印更加便捷。以及他还有设置了超级卡包的功能,里面融合了我们日常使用的一些支付功能,这样我们就不需要在用到微信或者是支付宝的时候再去打开,而且不管是熄屏界面,还是其他应用界面,我们只需在屏幕右下角向内一滑,都可以快速调出它来进行使用,化繁为简的同时也更加便捷。
2.影像方面的升级也是我们不得不说的。
因为这次vivoX60有两个大升级,一方面是微云台架构升级到了第二代,防抖的效果更加出色稳定,在拍摄视频的时候,对于画面的抖动抑制更强,第二个是和蔡司合作,使用了他的一些算法,让整体的拍照能力有了一个质的提升。
首先微云台我们都知道vivo是第一个使用的,而且截止到目前为止也只有他在使用,相比光学防抖的优势在于,把镜头模组放置在了微云台模块上面,这个时候运动的幅度会更大,而且方向也不会受到限制,这也是为什么他的校正角度提升了3倍的原因,同时防抖的效果自然是更加出色,这次二代微云台的升级,稳定则是进一步增强了,而且在拍照的时候,因为防抖的加持,即便是我们拍摄远景或者是放大拍摄的照片看细节也会很强清楚。
算法方面,蔡司和vivo的算法联合,打造了极致夜景2.0,在光线比较暗的场景依然是可以实现清晰的拍照样张,而且对于光线方面的控制更加到位,包括人像模式下50mm的人像镜头加上蔡司的Biator人像风格,确实可玩性更高,而且效果也颇为出色。
3.性能方面,我们知道vivo一直在游戏优化方面有着自己的优势,而这次加上强大的性能,自然是体验也很不错。
实际只有看配置我们也能知道,他的性能不错。因为他搭载的5nm工艺,包括A78和G78的架构,已经和麒麟9000,甚至高通888系列持平,同时加上散热方面和游戏细节方面的优化加速,整体的体验确实可以堪比高端旗舰,另外也弥补了自身人们一直以来所吐槽性能低的问题。当然我们为了更加直观看到他的性能表现也进行了一些测试:
比较流行的《和平精英》、《QQ飞车》、《原神》三款游戏进行测试,《和平精英》中选择流畅+极限帧数 ,开启抗锯齿,关闭流畅自适应,实测其平均帧数为59.61帧,最高帧数为61帧,遗憾的当然是没有适配90HZ帧率模式。
而在QQ飞车中,我们选择超高画质+高帧率,在其他画面效果也保持全开的情况下,实测其平均帧数为115.17帧,最高帧数为120.9帧
原神游戏当然作为目前比较吃配置的游戏,我们也就进行了测试,在游戏中将综合设置调为极高,帧率调到60帧,地点选择在璃月港,把时间调到夜晚,实测其平均帧数为48.67帧,最高帧数为60帧,各位对这个帧率波动不要感到意外,目前还没有手机能满帧运行,它的整体表现和骁龙865机型比较接近。
4.外观设计方面的出色表现。
实际我确实没有想到,这次vivoX60系列会一次做的这么全面。因为我们会发现价格方面他并没有相比前代的X50有提升,但是配置做的更加全面,我们通过前面的几个方面使用的体验就可以知道,他已经很全面了。
但是他也并没有因为如此,而放弃对于颜值和轻薄的设计。因为他的厚度和重量分别为7.4mm和175g左右,可以说算是旗舰手机中最轻薄的存在了,而且AG磨砂玻璃带来的手感自然也是不言而喻的,在配色方面相比前代也有提升,通过不同的角度我们可以看到多种颜色的变幻,同时不同的配色会给我们不同的感觉。
当然屏幕方面康宁玻璃的加持,HDR10+的显示,以及120HZ的刷新率,包括三星的顶级Super AMOLED屏幕,显示效果也非常不错,同时打孔依然还是2.98mm目前最小。
总结:确实每个人喜欢的手机都有所不同,但是至少我在使用vivoX60的时候,可以感觉到他和自家之前的机型是完全不同,性能的升级弥补了自己一直以来的劣势,同时拍照方面得到了升级,系统方面也更加完善高效流畅,不俗的颜值设计和创新元素也赋予我们美感,所以这款手机的使用效果我个人很满意。
回答完毕
欢迎留言发表不同的看法和想法:
5. 为何启动相机就会自动拍照?
三后摄镜头设计:超广角+广角+远摄镜Samsung Galaxy S10 / S10+同样采用了后置3镜头设计,分别为1200万像素主拍摄镜(光圈F1.5/F2.4)、1600万像素超广角镜(光圈F2.2),以及1200万像素远摄镜(F2.4),内置相机App里面有独立按钮,让用户随时手动切换,感光元件提升至1600万像素。S10/S10 Plus 的全新拍摄功能也协助你调整相片的正确水平度。在S10 Plus 会带来双镜头设计的自拍镜头,主镜头1000 万像素提供自动对焦与Dual Pixel F1.9 大光圈,而另外使用了3D RGB Depth 相机,800万像素F2.2 辅助拍摄,让用户拍摄出更佳的自拍相片。Super Steady Camera超级防手震三镜头支援防手震功能,在拍摄影片时都可以用到。只要在拍摄介面按下防手震按钮即可生效,稳定效果相当强。而相机介面也得到改良,用户最常用到的选项都放在画面下方,单手拍摄时操作可更得心应手。「镜头建议」Shot Suggestion 功能,可在用户拍摄时对比2 亿张相片,估计用家在拍什么,提供专业的调校以及构图建议。很多人都话一张相片是否成功,除了器材之外最重要的还是构图,有强大AI 帮手,就更容易拍得令人惊艳的相片。强大夜摄模式7-30张相片合成讲到拍摄能力当然少不了夜拍,在旅行时用手机影相,好难每每开动闪光灯。而S10/S10+ 的Super Night Mode 就可自动连拍多张相片,再合成为一张相片。此功能可侦测用户是手持拍摄或者使用脚架,手持模式最长可连拍3 秒的相片,进行最多7 张相片的合成;而使用脚架的话,就可最多拍摄30 秒,合成最多30 张相片。而无论拍摄影片或者播片,都支援HDR10+,在光反差较大的环境中拍片,都能更细致地记录与播放。内置Adobe Premiere Rush CCS10/S10+ 与Adobe 合作内置了Premiere Rush CC App,可让用户在拍摄相片后马上进行简易且功能强大的剪辑。全身大头「AR Emoji」卡通人物记录手脚动作今次S10/S10 Plus 还加入了「AR Emoji」功能,用户可制作一个属于自己的卡通头像与全身人物,用于自拍相片、影片用途。AR 头像给用户在自拍时,自动把AR Emoji 头像取代你的头部,然后实时拍摄影片。
6. 本田的地球梦发动机有多牛?
大家好,这里是爱车的厨子,致力于为大家分享专业汽车知识,让您少踩坑!!!
你要问我地球梦系列发动机有多牛?我只能用以前人们总说的:“又想马儿跑得快,又不给马儿吃草”这一句俗语来举例回答你,这句话的含义可以理解为草吃得少了,马儿肯定是跑不快的,就是鱼与熊掌不能兼得,但是当大家都做不到的时候,本田的地球梦系列做到了。
地球梦系列发动机最大的优点就是即解决了燃油经济性的问题,又解决了发动机动力薄弱的问题,还解决了环境环保问题,可以说目前市面上还没有哪款发动机能同时解决这些问题。
有人可能说我吹牛,具体是不是吹牛,我们一起来了解一下本田的地球梦系列发动机。
一、Earth Dreams Technology有不认识这个英文的朋友我给大家先翻译一下,“Earth Dreams Technology”翻译过来的意思就是:地球梦科技或者是动力总成技术。本田使用了这套技术的有:5款汽油发动机、2款CVT变速箱、2款混合动力系统。
从上图的汽油发动机我们可以看到,基本涵盖了目前本田的所有主力车型,而且可以看出本田将在未来几年的中国汽车市场上的车型,都将更换为地球梦系列。
至于这套技术专业性的东西这里就不多阐述了,其主要目的就是提升发动机本身动力输出的同时又有效地降低了能耗,追求的就是动力与节能的最佳平衡度。
就像我们平时总避不开的减肥和吃的问题,总会在徘徊自己到底是应该减肥还是吃,这个技术的优点就在于既让你开心地减了肥,还让你遇到自己喜欢吃的东西时也能吃下去,就这技术你说谁能抵挡的了?
二、Earth Dreams Technology 的使用你以为上面就是最牛的地方了?错了,还有更牛的,就是在使用上,前面说到Earth Dreams Technology已经基本涵盖了目前本田的所有主力车型,主要包括:1.3L、1.5L、1.8L、2.0L、2.4L、3.5L等等,懂车的人都知道每款车型的重量、技术、搭载的配置都是不一样的,所以如果把地球梦科技照葫芦画瓢的弄在所有车型上,那么每款车型肯定给出的结果肯定是大不相同的,肯定有表现最好的和表现最差的。
就像我们老师教学生一样,你只管教的话,肯定有成绩好的和成绩差的,但是如果你因人而异地去教,那么这个就牛了,只要下功夫,我相信个个都能考高分。
所以这也是本田的工程师们比较牛的地方,他们会根据每款研发的机型来配置车型,还要根据每款车型的特性去搭载最佳匹配的技术包,这样一来的话,每款研发的机型都能根据车辆的不同需求,去实现动力和燃油的最佳平衡。
三、举例说明上面说的大家可能认为我夸夸其谈,吹牛,那么下面我只好给大家举个现实的例子了。
我就拿第九代雅阁举例吧,用过第九代雅阁的车主下方留言评论等着你,看看我说得对不对。
着重介绍一下九代雅阁V6车型,因为排量税的原因,它没有照搬美版的3.5L V6发动机,而是搭载从新研发的3.0L V6发动机,也就是上面说的5款汽油发动机中的其中一款。
九代雅阁V6车型的最大功率是192kW/6300rpm,最大扭矩是297Nm/5500rpm,而且带有VCM可变汽缸管理系统(驾驶过程中在3缸、4缸、6缸工作模式之间自动切换),这个数据就不再多说什么了,而且V6的发动机还是搭配的6速自动变速箱,对比之下,它的速度提升不仅提升了10%,燃油经济性同时提升了11%,这个数据下面九代雅阁车主可以帮忙证明一下。
四、写到最后当然这么优秀的技术也是有缺点的,毕竟发展时间只有这么久,但是我相信,只要经过时间沉淀,工程师们不断地对技术研发改进,那么本田的未来肯定是无限光明的。
7. 大家对于大数据怎么看?
数据 v.s. 隐私
在大数据的时代,数据成为了科学研究的基石。我们在享受着推荐算法、语音识别、图像识别、无人车驾驶等智能的技术带来的便利的同时,数据在背后担任着驱动算法不断优化迭代的角色。在科学研究、产品开发、数据公开的过程中,算法需要收集、使用用户数据,在这过程中数据就不可避免的暴露在外。历史上就有很多公开的数据暴露了用户隐私的案例。
美国在线(AOL)是一家美国互联网服务公司,也是美国最大的互联网提供商之一。在 2006 年8月,为了学术研究,AOL 公开了匿名的搜索记录,其中包括 65 万个用户的数据,总共 20M 条查询记录。在这些数据中,用户的姓名被替换成了一个个匿名的 ID,但是纽约时报通过这些搜索纪录,找到了 ID 匿名为4417749的用户在真实世界中对应的人。ID 4417749 的搜索记录里有关于“60岁的老年人”的问题、“Lilburn地方的风景”、还有“Arnold” 的搜索字样。通过上面几条数据,纽约时报发现 Lilburn 只有14个人姓Arnold,最后经过直接联系这14个人确认 ID 4417749 是一位62岁名字叫 Thelma Arnold的老奶奶。最后 AOL 紧急撤下数据,发表声明致歉,但是已经太晚了。因为隐私泄露事件,AOL遭到了起诉,最终赔偿受影响用户总额高达五百万美元。
同样是 2006年,美国最大的影视公司之一 Netflix,举办了一个预测算法的比赛(Netflix Prize),比赛要求在公开数据上推测用户的电影评分 。Netflix 把数据中唯一识别用户的信息抹去,认为这样就能保证用户的隐私。但是在 2007 年来自The University of Texas at Austin 的两位研究人员表示通过关联 Netflix 公开的数据和 IMDb(互联网电影数据库)网站上公开的纪录就能够识别出匿名后用户的身份。三年后,在2010年,Netflix 最后因为隐私原因宣布停止这项比赛,并因此受到高额罚款,赔偿金额总计九百万美元。
近几年各大公司均持续关注用户的隐私安全。例如苹果 在2016 年 6 月份的WWDC 大会上就提出了一项名为Differential Privacy 的差分隐私技术。苹果声称他能通过数据计算出用户群体的行为模式,但是却无法获得每个用户个体的数据。那么差分隐私技术又是怎么做的呢?
在大数据时代,如何才能保证我们的隐私呢?要回答这个问题,我们首先要知道什么是隐私。
什么是隐私?
我们经常谈论到隐私泄漏、隐私保护,那么 什么是隐私呢? 举个例子,居住在海淀区五道口的小明经常在网上购买电子产品,那小明的 姓名 、 购买偏好 和 居住地址 算不算是隐私呢?如果某购物网站统计了用户的购物偏好并公开部分数据,公开的数据中显示北京海淀区五道口的用户更爱买电子产品,那么小明的隐私是否被泄漏了呢?要弄清楚隐私保护,我们先要讨论一下究竟什么是隐私。
对于隐私这个词,科学研究上普遍接受的定义是“单个用户的某一些属性 ”,只要符合这一定义都可以被看做是隐私。我们在提“隐私”的时候,更加强调的是“ 单个用户 ”。那么,一群用户的某一些属性,可以认为不是隐私。我们拿刚才的例子来看,针对小明这个单个用户,“购买偏好”和“居住地址”就是隐私。如果公开的数据说住在五道口的小明爱买电子产品,那么这显然就是隐私泄漏了。但是如果数据中只包含一个区域的人的购买偏好,就没有泄露用户隐私。如果进一步讲,大家都知道小明住在海淀区五道口,那么是不是小明就爱买点此产品了呢?这种情况算不算事隐私泄漏呢?答案是不算,因为大家只是通过这个趋势推测,数据并不显示小明一定爱买电子产品。
所以,从隐私保护的角度来说,隐私是针对 单个用户 的概念,公开 群体用户 的信息不算是隐私泄漏,但是如果能从数据中能准确推测出个体的信息,那么就算是隐私泄漏。
隐私保护的方法
从信息时代开始,关于隐私保护的研究就开始了。随着数据不断地增长,人们对隐私越来越重视。我们在讨论隐私保护的时候包括两种情况。
第一种是公司为了学术研究和数据交流开放用户数据,学术机构或者个人可以向数据库发起查询请求,公司返回对应的数据时需要保证用户的隐私。
第二种情况是公司作为服务提供商,为了提高服务质量,主动收集用户的数据,这些在客户端上收集的数据也需要保证隐私性。学术界提出了多种保护隐私的方法和测量隐私是否泄露的工具,例如k-anonymity(k-匿名化)、l-diversity(l-多样化)、t-closeness、 ε-differentialprivacy(差分隐私)、同态加密(homomorphic encryption)、零知识证明(zero-knowledge proof)等等。 今天主要介绍k-anonymity(k-匿名化),l-diversity(l-多样化),t-closeness 和 ε-differential privacy(差分隐私)。 这些方法先从直观的角度去衡量一个公开数据的隐私性,再到使用密码学、统计学等工具保证数据的隐私性。
下面我们一一解读这四种隐私保护的方法:
k-anonymity(k-匿名化)
k-anonymity 是在 1998 年由 Latanya Sweeney 和 Pierangela Samarati 提出的一种数据匿名化方法。
我们先看一下下面的这个表格:
大数据时代下的隐私保护-36大数据
我们把要表格中的公开属性分为以下三类:
Key attributes: 一般是个体的唯一标示,比如说 姓名、 地址、电话等等,这些内容需要在公开数据的时候删掉。
Quasi-identifier: 类似 邮编 、 年龄 、生日、 性别 等不是唯一的,但是能帮助研究人员关联相关数据的标示。
Sensitive attributes: 敏感数据,比如说 购买偏好 、薪水等等,这些数据是研究人员最关心的,所以一般都直接公开。
简单来说,k-anonymity 的目的是保证公开的数据中包含的个人信息至少 k-1 条不能通过其他个人信息确定出来。也就是公开数据中的任意 quasi-identifier信息,相同的组合都需要出现至少 k 次。
举个例子,假设一个公开的数据进行了 2-anonymity 保护。如果攻击者想确认一个人(小明)的敏感信息(购买偏好),通过查询他的年龄、邮编和性别,攻击者会发现数据里至少有两个人是有相同的年龄、邮编和性别。这样攻击者就没办法区分这两条数据到底哪个是小明了,从而也就保证了小明的隐私不会被泄露。
下面这个表就是 2-anonymization 过的信息:
大数据时代下的隐私保护-36大数据
k-anonymity的方法主要有两种,一种是删除对应的数据列,用星号(*)代替。另外一种方法是用概括的方法使之无法区分,比如把年龄这个数字概括成一个年龄段。对于邮编这样的数据,如果删除所有邮编,研究人员会失去很多有意义的信息,所以可以选择删除最后一位数字。
从这个表中,即使我们知道小明是男性、24岁、邮编是100083,却仍然无法知道小明的购买偏好。而研究人员依然可以根据这些数据统计出一些有意义的结果,这样既兼顾了个人的隐私,又能为研究提供有效的数据。
k-anonymity 能保证以下三点:
攻击者无法知道某个人是否在公开的数据中
给定一个人,攻击者无法确认他是否有某项敏感属性
攻击者无法确认某条数据对应的是哪个人( 这条假设攻击者除了 quasi-identifier 信息之外对其他数据一无所知,举个例子,如果所有用户的偏好都是购买电子产品,那么 k-anonymity 也无法保证隐私没有泄露 )
攻击方法
未排序匹配攻击 (unsorted matching attack) : 当公开的数据记录和原始记录的顺序一样的时候,攻击者可以猜出匿名化的记录是属于谁。例如如果攻击者知道在数据中小明是排在小白前面,那么他就可以确认,小明的购买偏好是电子产品,小白是家用电器。解决方法也很简单,在公开数据之前先打乱原始数据的顺序就可以避免这类的攻击。
补充数据攻击 (complementary release attack) : 假如公开的数据有多种类型,如果它们的 k-anonymity 方法不同,那么攻击者可以通过关联多种数据推测用户信息。
除此之外,如果敏感属性在同一类 quasi-identifiers 中缺乏多样性,或者攻击者有其它的背景知识,k-anonymity 也无法避免隐私泄露。
大数据时代下的隐私保护-36大数据
我们知道李雷的信息,表中有两条对应的数据,但是他们的购买偏好都是电子产品。因为这个敏感属性缺乏多样性,所以尽管是 2-anonimity 匿名化的数据,我们依然能够获得李雷的敏感信息。
大数据时代下的隐私保护-36大数据
如果我们知道小紫的信息,并且知道她不喜欢购买护肤品,那么从表中,我们仍可以确认小紫的购买偏好是厨具。
l-diversity(l-多样化)
通过上面的例子,我们引出了多样化的概念。简单来说,在公开的数据中,对于那些quasi-identifier 相同的数据中,敏感属性必须具有多样性,这样才能保证用户的隐私不能通过背景知识等方法推测出来。
l-diversity 保证了相同类型数据中至少有 l 种内容不同的敏感属性。
大数据时代下的隐私保护-36大数据
例如在上图的例子中,有 10 条相同的类型的数据,其中 8 条的购买偏好是电子产品,其他两条分别是图书和家用电器。那么在这个例子中,公开的数据就满足 3-diversity 的属性。
除了以上介绍的简单 l-diversity 的定义,还有其他版本的 l-diversity,引入了其他统计方法。比如说:
基于概率的l-diversity (probabilistic l-diversity): 在一个类型中出现频率最高的值的概率不大于 1/l。
基于墒的l-diversity (entropy l-diversity): 在一个类型中敏感数据分布的墒至少是 log(l)。
递归 (c,l)-diversity (recursive (c, l)-diversity): 简单来说就是保证最经常出现的值的出现频率不要太高。
l-diversity 也有其局限性:
敏感属性的性质 决定即使保证了一定概率的 diversity 也很容易泄露隐私。例如,医院公开的艾滋病数据中,敏感属性是“艾滋病阳性”(出现概率是 1%)和“艾滋病阴性”(出现概率是 99%),这两种值的敏感性不同,造成的结果也不同。
有些情况下 l-diversity 是没有意义的 :比如说艾滋病数据的例子中仅含有两种不同的值,保证2-diversity 也是没有意义的。
l-diversity 很难达成: 例如,我们想在 10000 条数据中保证 2-diversity,那么可能最多需要10000* 0.01 = 100 个相同的类型。这时可能通过之前介绍的 k-anonymity的方法很难达到。
偏斜性攻击 (Skewness Attack) : 假如我们要保证在同一类型的数据中出现“艾滋病阳性”和出现“艾滋病阴性”的概率是相同的,我们虽然保证了 diversity,但是我们泄露隐私的可能性会变大。因为l-diversity 并没有考虑敏感属性的总体的分布。
l-diversity 没有考虑敏感属性的语义 ,比如说下面的例子,我们通过李雷的信息从公开数据中关联到了两条信息,通过这两条信息我们能得出两个结论。第一,李雷的工资相对较低;第二,李雷喜欢买电子电器相关的产品。
大数据时代下的隐私保护-36大数据
t-closeness
上面最后一个问题就引出了 t-closeness 的概念,t-closeness 是为了保证在相同的quasi-identifier类型组中,敏感信息的分布情况与整个数据的敏感信息分布情况接近(close),不超过阈值 t。
如果刚才的那个数据保证了 t-closeness 属性,那么通过李雷的信息查询出来的结果中,工资的分布就和整体的分布类似,进而很难推断出李雷工资的高低。
最后,如果保证了 k-anonymity,l-diversity 和 t-closeness,隐私就不会泄露了么?答案并不是这样,我们看下面的例子:
大数据时代下的隐私保护-36大数据
在这个例子中,我们保证了 2- anonymity , 2-diversity , t-closeness(分布近似),工资和购买偏好是敏感属性。攻击者通过李雷的个人信息找到了四条数据,同时知道李雷有很多书,这样就能很容易在四条数据中找到李雷的那一条,从而造成隐私泄露。可能有些读者会有疑问,通过背景知识攻击 k-anonymity 的前提是不是假设了解 quasi-identifier ?并不是这样,针对敏感属性的背景攻击对 k-anonymity 也适用,所以无论经过哪些属性保证,隐私泄露还是很难避免。
差分隐私(differential privacy)
除了之前我们介绍的针对 k-anonymity, l-diversity,t-closeness 三种隐私保护方法的攻击之外,还有一种叫做差分攻击 ( differential attack ) 。举个例子,购物公司发布了购物偏好的数据,说我们有 100 个人的购物偏好数据,其中有 10 个人偏爱购买汽车用品,其他 90 个偏爱购买电子产品。如果攻击者知道其中 99 个人是偏爱汽车用品还是电子产品,就可以知道第 100 个人的购物偏好。这样通过比较公开数据和既有的知识推测出个人隐私,就叫做差分攻击。
在 2009 年,微软研究院的Cynthia Dwork 提出差分隐私的概念,差分隐私就是为了防止差分攻击, 也就是说尽管攻击者知道发布的 100 个人的个人以信息和其中 99 个人的信息,他也没办法通过比对这两个信息获得第 100 个人的信息 。
简单来说,差分隐私就是用一种方法使得查询 100 个信息和查询其中 99 个的信息得到的结果是相对一致的,那么攻击者就无法通过比较(差分)数据的不同找出第100 个人的信息。 这种方法就是加入 随机性 ,如果查询 100 个记录和 99 个记录,输出同样的值的概率是一样的,攻击者就无法进行差分攻击。进一步说,对于差别只有一条记录的两个数据集 D 和 D’ (neighboring datasets),查询他们获得结果相同的概率非常接近。注意,这里并不能保证概率相同,如果一样的话,数据就需要完全的随机化,那样公开数据也就没有意义。所以,我们需要尽可能接近,保证在隐私和可用性之间找到一个平衡。
ε-差分隐私 (ε-differential privacy, ε-DP) 可以用下面的定义来表示:
大数据时代下的隐私保护-36大数据
其中 M 是在 D 上做任意查询操作,对查询后的结果加入一定的随机性,也就是给数据加噪音,两个datasets 加上同一随机噪音之后查询结果为 C 的概率比小于一个特定的数 。这样就能保证用户隐私泄露的概率有一个数学的上界,相比传统的 k-anonymity,差分隐私使隐私保护的模型更加清晰。
我们用一个例子解释差分隐私的定义:
大数据时代下的隐私保护-36大数据
上图中 D1 和D2 是两个neighboring datasets,他们只有一条记录不一致,在攻击者查询“20-30岁之间有多少人偏好购买电子产品”的时候,对于这两个数据库得到的查询结果是 100 的概率分别是 99% 和 98%,他们的比值小于某个数。如果对于任意的查询,都能满足这样的条件,我们就可以说这种随机方法是满足ε-差分隐私的。因为 D1 和 D2 是可以互换的,所以更加严格的讲,他们的比值也要大于 。
无论查询是什么,两个相邻的数据库返回的结果总是近似的。
要达到数据的差分隐私有四种方法:
输出结果变换
输入查询变换
中间值变换
抽样和聚合数据
本文接下来主要介绍输出结果变换的方法,这种方法主要针对查询结果是数值或者数值向量的情况,通过加入噪声使输出结果达到 ε-DP。
输出结果变换:加入噪声
在差分隐私中,防止隐私泄露的重要因素是在查询结果中加噪音, 对于数值的查询结果,一种常见的方法就是对结果进行数值变换。要解释如何加入噪音,我们先看一下下面的这个例子:
大数据时代下的隐私保护-36大数据
假如某公司公开了数据,并且对外提供了查询数据的接口 f(x),针对不同的查询 x,服务器都会输出一个查询结果 f(x) + 噪声,加入噪声就是为了保证 ε-差分隐私。
那么如何选择噪声呢?
差分隐私方法中,作者巧妙的利用了拉普拉斯分布的特性,找到了合适的噪声方法。针对数值或向量的查询输出,M(x) = f(x) + 噪声。我们能得出以下结论:
其中 Lap 是拉普拉斯分布,GS 表示 global sensitivity:
详细的证明可以参考差分隐私的相关文章。
我们有了这个结论,想要对某个查询接口 f(x) 保证 ε-DP 的话,只需要在查询结果上加入 Lap(GS/e) 的噪声就可以了。
拉普拉斯分布和其概率密度函数如下:
大数据时代下的隐私保护-36大数据
大数据时代下的隐私保护-36大数据
(ε,δ)-differential privacy, (ε, δ)-DP
ε-DP 是一种“严格”的隐私保护保证,当在数据库中添加和删除一条数据时候,保证 所有 查询的输出都类似。但是(ε, δ)-DP 在 ε-DP 的保证中允许了一定概率的错误发生,比如说,用户在 (ε, δ)-DP 的保护下会有 δ 概率的隐私泄露。
大数据时代下的隐私保护-36大数据
基于这些的概念,差分隐私在机器学习算法中也能够使用,常见的算法,比如说 PCA、logistic regression、SVM都有对应的差分隐私化算法。
差分隐私在数据的实用性和隐私性之间达到了平衡,使用者可以通过设定自己的“隐私预算”(privacy budget)来调整数据的实用性和隐私性。但是差分隐私也不是万能的,其中加入噪声的很多算法需要在大量的数据集上才实用。除此之外,什么才是“隐私预算”的合理设定也是一个问题。这些都是差分隐私面临的问题和挑战。并且由于差分隐私对于“背景知识”的要求过于强,所以需要在结果中加入大量随机化,导致数据的可用性(utility)急剧下降。但是差分隐私作为一个非常优雅的数学工具,是隐私保护的研究在未来的一个发展方向。差分隐私用严格的数学证明告诉人们一个匿名化的公开数据究竟能保护用户多少的隐私。
k-匿名化与 ε-差分隐私的关系
我们前面分别单独介绍了 k-匿名化和 ε-差分隐私,k-匿名化相对比较容易理解和实践,差分隐私更像是从理论上证明了隐私保护的边界。 虽然方法的分析角度完全不同,但是它们之间却有着紧密的联系。普渡大学的Ninghui Li教授在 Provably PrivateData Anonymization: Or, k-Anonymity Meets Differential Privacy 文章中详细分析了 k-匿名化和 ε-差分隐私之间的关系。文章证明了在使用 k-匿名化“得当”的情况下,可以满足一定条件的 (ε, δ)-differentialprivacy。同时也提出了一种 k-anonymity 的变形:β-Sampling+ Data-independent _Generalization + k-Suppression (k, β)-SDGS ,通过变形后的 k-anonymity 就可以使之满足差分隐私。通过使用差分隐私这种工具,我们就能精确的衡量前人提出的 k-anonymity,在理论研究上具有重要意义。
实际案例
在实际应用中使用差分隐私时需要考虑的问题还有很多,我们在介绍差分隐私的时候假设所有的查询操作都由可信的数据库处理,数据库里存储着用户的原始数据。那么如果数据库被攻击了,包含用户隐私的原始数据就泄露了。
如果不收集用户的原始数据, 在客户端上先做差分隐私,再上传给服务器 ,这个问题就解决了。最近Google率先使用RAPPOR系统在 Chrome 浏览器上通过这种方法收集用户的使用情况数据。RAPPOR 基于“随机应答”(randomized response)的方法保护用户的原始数据不被泄露,随机应答的流程如下:
当用户需要上报个人数据的时候,首先“抛硬币”决定是否上报真实数据。如果是正面,则上报真实数据。如果不是,就上报一个随机的数据,再“抛一次硬币”决定随机数据的内容。
服务器收到所有的数据后,因为知道“抛硬币”是正面的概率,服务器就能够判断返回的数据是正确的概率。
这种“随机应答”的方法在理论上也被证明是服从ε-差分隐私的。对于用户来说,隐私数据在上报给服务器之前就已经加了噪声,从而具有一定保证。对于公司来说,也能收集到有效的数据。
RAPPOR 使用“随机应答”的方法克服了之前只能回答简单查询语句的限制,现在可以上报包含字符串这类更加复杂的回答。RAPPOR 在上报字符串信息的时候首先使用“布隆过滤器”(bloom filter)算法把字符串哈希到一个数组中,然后再加入噪声传给服务器。布隆过滤器不需要存储元素本身,并可以用于检索一个元素是否在一个集合中。通过使用这种方法,就可以对字符串数据添加噪音,保护用户的隐私。
苹果在 2016 年的世界开发者大会(WWDC)上也宣布使用差分隐私的方法收集用户数据。虽然苹果没有透露具体的细节,我们从官方的描述中也可以推测出苹果也使用了在客户端上做匿名化再传输到服务器的方法。
Differentialprivacy is a research topic in the areas of statistics and data analytics thatuses hashing, subsampling and noiseinjection to enable…crowdsourced learning while keeping the data ofindividual users completely private. Apple has been doing some super-importantwork in this area to enable differential privacy to be deployed at scale.
我们刚才介绍的 Google 和 Apple 的模型都是先在本地做差分隐私,然后再上报给服务器,我们把这种方法叫做本地模式(local mode)。这种差分隐私的做法在上报数据可以相互关联的情况下还是存在隐私泄漏。Google的RAPPOR虽然解决了对同一个数据的多次上报的隐私泄露问题,但并没有解决多个相关数据上报后产生的隐私泄露问题。对于这一问题,Apple也没有给出详细的解释。
除了Google 和苹果在内部产品中使用差分隐私方法,哈佛大学公开了一个名为PSI (Ψ) 的项目,提供了一个便捷的差分隐私工具。使用者通过上传数据,调整差分隐私的参数,就可以获得满足差分隐私的数据集。
总结一句:通过大数据我能知道全国哪个省的女人胸最小,想知道的点关注私聊我
本站涵盖的内容、图片、视频等数据系网络收集,部分未能与原作者取得联系。若涉及版权问题,请联系我们删除!联系邮箱:ynstorm@foxmail.com 谢谢支持!