অ্যানোনিমাইজেশন, k-অ্যানোনিমিটি ও ডিফারেনশিয়াল প্রাইভেসি

# কুয়াসি-আইডেন্টিফায়ার (QI): এককভাবে সরাসরি identify না করলেও একসাথে মিলিয়ে re-identification-এ ব্যবহারযোগ্য
patients = [
    {"id": 1, "age_group": "20-29", "zip3": "700", "gender": "F"},
    {"id": 2, "age_group": "20-29", "zip3": "700", "gender": "F"},
    {"id": 3, "age_group": "20-29", "zip3": "700", "gender": "F"},
    {"id": 4, "age_group": "30-39", "zip3": "700", "gender": "M"},
    {"id": 5, "age_group": "30-39", "zip3": "700", "gender": "M"},
    {"id": 6, "age_group": "40-49", "zip3": "701", "gender": "F"},
    {"id": 7, "age_group": "40-49", "zip3": "701", "gender": "M"},
    {"id": 8, "age_group": "20-29", "zip3": "702", "gender": "M"},
    {"id": 9, "age_group": "30-39", "zip3": "700", "gender": "M"},
    {"id": 10, "age_group": "50-59", "zip3": "703", "gender": "F"},
]

QI_COLUMNS = ["age_group", "zip3", "gender"]

def equivalence_classes(dataset, qi_cols):
    classes = {}
    for row in dataset:
        key = tuple(row[c] for c in qi_cols)
        classes.setdefault(key, []).append(row["id"])
    return classes

def check_k_anonymity(dataset, qi_cols, k):
    classes = equivalence_classes(dataset, qi_cols)
    violations = {key: ids for key, ids in classes.items() if len(ids) < k}
    return classes, violations

K = 3
classes, violations = check_k_anonymity(patients, QI_COLUMNS, K)

print(f"QI কলাম: {QI_COLUMNS}, k = {K}\n")
print("প্রতিটি equivalence class-এর সাইজ:")
for key, ids in sorted(classes.items(), key=lambda kv: -len(kv[1])):
    status = "OK" if len(ids) >= K else "VIOLATION"
    print(f"  {key} -> {len(ids)} জন (id: {ids})  [{status}]")

if violations:
    flagged_ids = sorted(i for ids in violations.values() for i in ids)
    print(f"\nk-অ্যানোনিমিটি (k={K}) ব্যর্থ -- {len(violations)}টি ক্লাসে সাইজ {K}-এর কম।")
    print(f"যেসব row-এর re-identification ঝুঁকি বেশি (id): {flagged_ids}")
else:
    print(f"\nডেটাসেট k={K}-অ্যানোনিমিটি সন্তুষ্ট করে -- প্রতিটি ক্লাসে অন্তত {K} জন আছে।")

import random, math, statistics

TRUE_COUNT = 47   # ধরা যাক, ডেটাবেজে একটি নির্দিষ্ট শর্ত পূরণ করা রোগীর প্রকৃত সংখ্যা
SENSITIVITY = 1    # count query: একজন রোগী যোগ/বাদ দিলে ফলাফল সর্বোচ্চ ১ বদলাতে পারে

def sample_laplace(b, rng):
    # ইনভার্স-CDF sampling: U ~ Uniform(0,1) থেকে Laplace(0, b) স্যাম্পল
    u = rng.random()
    if u == 0.0:
        u = 1e-16  # rng.random() মাঝেমধ্যে ঠিক 0.0 দিতে পারে -- math.log(0) এড়াতে সীমানা থেকে সরানো হলো
    shift = u - 0.5
    if shift == 0:
        return 0.0
    sign = 1.0 if shift > 0 else -1.0
    return -b * sign * math.log(1 - 2 * abs(shift))

def run_trials(true_value, epsilon, sensitivity, n_trials):
    b = sensitivity / epsilon
    noisy_values = []
    for seed in range(n_trials):
        rng = random.Random(seed)   # প্রতিটি ট্রায়াল আলাদা সিড -- স্বাধীন ড্র
        noisy_values.append(true_value + sample_laplace(b, rng))
    return noisy_values

N_TRIALS = 5000
epsilons = [0.1, 0.5, 2.0]

print(f"প্রকৃত (noiseless) কাউন্ট: {TRUE_COUNT}\n")

results = {}
for eps in epsilons:
    trials = run_trials(TRUE_COUNT, eps, SENSITIVITY, N_TRIALS)
    results[eps] = trials
    single_draw = trials[0]
    mean_val = statistics.mean(trials)
    var_val = statistics.pvariance(trials)
    print(f"epsilon = {eps:>4}: single draw = {single_draw:8.2f} | "
          f"{N_TRIALS}-ট্রায়াল গড় = {mean_val:7.2f} | ভ্যারিয়েন্স = {var_val:8.2f}")

print()
var_small_eps = statistics.pvariance(results[0.1])
var_large_eps = statistics.pvariance(results[2.0])
print(f"epsilon=0.1 (বেশি প্রাইভেসি)-এর ভ্যারিয়েন্স, epsilon=2.0 (কম প্রাইভেসি)-এর তুলনায় "
      f"{var_small_eps / var_large_eps:.1f}x বেশি।")
print("প্রতিটি epsilon-এর single draw প্রকৃত মান থেকে বেশ দূরে থাকতে পারে,")
print("কিন্তু বহু-ট্রায়ালের গড় প্রতিবারই প্রকৃত কাউন্টের (৪৭) কাছাকাছি -- মেকানিজম unbiased।")