https://knoppia.net/ 2026-04-17T14:19:06+00:00 https://knoppia.net/ https://knoppia.net/lib/exe/fetch.php?media=favicon.ico text/html 2024-10-23T16:01:00+00:00 Anonymous (anonymous@undisclosed.example.com) https://knoppia.net/doku.php?id=pan:anontec&rev=1729699260&do=diff Técnicas de anonimidad Se busca evitar que un dataset revele las identidades de los usuarios almacenados en este. Los datos que se quieren mantener privados son números como el del DNI, la Seguridad Social, el teléfono o el de una tarjeta de crédito, entre otros. text/html 2025-10-22T15:35:05+00:00 Anonymous (anonymous@undisclosed.example.com) https://knoppia.net/doku.php?id=pan:aprendizaje_automatico&rev=1761147305&do=diff [PAN] Aprendizaje Automático (Machine learning) Introducción al aprendizaje automático Carcterísticias de los sistemas de aprendizaje automático El aprendizaje automático es una de las ramas de la Inteligencia Artificial centrada en el aprendizaje. Necesita muchos datos, sin los datos el aprendijaze automático no es nada. El aprendizaje automático se divide en 3 tipos: text/html 2026-01-04T15:56:27+00:00 Anonymous (anonymous@undisclosed.example.com) https://knoppia.net/doku.php?id=pan:ataques_recontruccion_v2&rev=1767542187&do=diff Ataques de reconstrucción de Bases de Datos Un adversario quiere inferir algo de una base de datos mediante peticiones. Un ataque de inferencia está pensado para reconstruir una base de datos previamente curada. Se recomienda curar la base de datos evitando que esta tenga datos demasiado detallados.$|r(s) - a(s)| ≤ E$$2^n$$E$$4E$$O(n)$$E=O(∝√n)$$O(∝^2)$$np$$\sqrt{p(1-p)} \sqrt{n}$ text/html 2025-12-31T16:36:00+00:00 Anonymous (anonymous@undisclosed.example.com) https://knoppia.net/doku.php?id=pan:cifrado_homomorfico_v2&rev=1767198960&do=diff Cifrado Homomorfico Cuando un tercero tiene que operar con nuestros datos y no queremos que los vea, se aplica cifrado homomorfico, que permite realizar operaciones sobre datos cifrados. A la hora de operar con cifrado homomorfico se usan los siguientes componentes:$2^x$$(a,b = S^T*a+e $$MOD q) ∈ Z^n_q * Z_q$$(a,b = S^T*a+e+Δ*m $$MOD q)$$S^T*a+e$$b = S^T*a+e+Δ*m $$MOD q$$Δ*m+e = b+S^T*a$$m' = Δ*m+e$$m+e = (b+S^T*a)/Δ$$MOD q$$m' = m+e$$m = ||(b+S^T*a)/Δ - e$$MOD q||$$(a*c, b*c)$$(a*c_0, b*c_0)$… text/html 2026-01-07T16:53:02+00:00 Anonymous (anonymous@undisclosed.example.com) https://knoppia.net/doku.php?id=pan:comunicaciones_anonimas_v2&rev=1767804782&do=diff Comunicaciones Anónimas Todas las redes de comunicaciones usan direcciones para realizar el enrutamiento de forma que los datos pueden ser transmitidos del origen al destino. Dichas direcciones suelen ser visibles para cualquiera que observer la red. Normalmente estas direcciones son identificadores únicos de forma que todas las transacciones relacionadas con un usuario puedan ser trazadas. Estas direcciones pueden ser asociadas con personas, lo que puede comprometer la privacidad. $M=N-K$$K/N$… text/html 2024-10-16T16:17:59+00:00 Anonymous (anonymous@undisclosed.example.com) https://knoppia.net/doku.php?id=pan:enchmo&rev=1729095479&do=diff Introducción al cifrando homomorfico * Se pasa la computación a una entidad no confiada, como un ordenador en la nube * La idea es que el ordenador en la nube vea todo cifrado y sea capaz de hacer operaciones sobre los datos cifrados. * Un ejemplo de esto sería un sistema de acceso biométrico: Tanto los datos del usuario como la base de datos están encriptados. El sistema de autenticación es capaz de verificar si los datos están en la base sin saber nada sobre estos datos cifrados.$Dk (X+… text/html 2025-01-11T12:01:43+00:00 Anonymous (anonymous@undisclosed.example.com) https://knoppia.net/doku.php?id=pan:examen2025&rev=1736596903&do=diff Examen PAN Enero 2025 1. (Cifrado Homomórfico): Si queremos multiplicar un mensaje m por un valor c, tenemos la expresión base: $a,b=S^T*a+e+Δn$ mod $q$ -> $c*a$ mod $q, c*b$ mod $q$ Se propone la siguiente expresión alternativa: $a_i,b_i=S^T*a_i+e_i+Δn$ mod $q$ -> $a' = Σ^n_{i=1} X^2_i$ ¿Tienen ambas la misma varianza? 2. text/html 2026-01-08T14:25:34+00:00 Anonymous (anonymous@undisclosed.example.com) https://knoppia.net/doku.php?id=pan:filtros_bloom_v2&rev=1767882334&do=diff Filtros Bloom Son una estructura de datos porbabilística y optimizada. Se usan para encontrar si un objeto pertenece o no a un dataset. Optimiza este tipo de peticiones usando funciones hash en los elementos a procesar. Cuando el resultado de una petición es positivo, entonces el objeto posiblemente pertenezca al dataset en cuestión, de todas formas pueden ocurrir falsos positivos. Cuando el resultado es negativo, entonces el objeto no pertenece al dataset, no hay falsos negativos. Esta pensado… text/html 2026-01-07T23:07:49+00:00 Anonymous (anonymous@undisclosed.example.com) https://knoppia.net/doku.php?id=pan:machine_learning_privacy_v2&rev=1767827269&do=diff Machine Learning para preservar la anonimidad Normalmente las técnicas de machine learnign deben manegar volúmenes de data enormes, lo que requiere muchos recursos de computación, el uso de nodos independientes no es apto debido a límites de memoria o de tiempo. Algunos de los frameworks más usados para machine learning están optimizados para usar GPUs. Existen muchos sistemas distribuidos de computación capaces de realizar entrenamiento en múltiples nodos de forma coordinada. Las aproximacione… text/html 2026-01-07T21:16:59+00:00 Anonymous (anonymous@undisclosed.example.com) https://knoppia.net/doku.php?id=pan:machine_learning_v2&rev=1767820619&do=diff Fundamentos del Machine Learning Que es la inteligencia artificial * IA General: Trata de desarrollar un sistema que presenta la flexibilidad y versatilidad de la inteligencia humana para resolver un amplio rando de problemas cognitivos complejos.\(\mathbf{x}^\top \mathbf{y} = [x_1, x_2, \ldots, x_m]\begin{bmatrix} y_1 \\ y_2 \\ \vdots \\ y_m \end{bmatrix} = x_1 y_1 + x_2 y_2 + \cdots + x_m y_m\)$||x|| = \sqrt{X^T X} = \sqrt{X_1^2 + x_2^2 + X^2_m}$$X$$m$$ X = \begin{bmatrix} x_1 \\ x_2 \\ \v… text/html 2024-11-20T16:21:21+00:00 Anonymous (anonymous@undisclosed.example.com) https://knoppia.net/doku.php?id=pan:machine_learning&rev=1732119681&do=diff Machine Learning Machine learning quiere desarrollar algoritmos que permiten que las máquinas puedan aprender. Desarrolla modelos computacionales para resolver problemas complejos. Fundamentos del machine learning Características de los sistemas Machine Learning text/html 2024-12-04T17:05:45+00:00 Anonymous (anonymous@undisclosed.example.com) https://knoppia.net/doku.php?id=pan:nfedelearning&rev=1733331945&do=diff Federated learning (Aprendizaje Distribuido) Muchas veces los datasets que se quieren procesar con Machine Learning son tan grandes que no pueden ser procesados con una sola máquina. En la computación distribuida clásica tenemos una plataforma central (Servidor) que almacena datos de manera distribuida en varios servidores esclavos. El problema que tenemos es que se debe realizar un envío de datos a un servidor central, estando el problema de que en caso de un ataque, un atacante puede quedarse… text/html 2024-11-13T17:23:57+00:00 Anonymous (anonymous@undisclosed.example.com) https://knoppia.net/doku.php?id=pan:niideaxd&rev=1731518637&do=diff Redes de Comunicación Es importante proteger las comunicaciones para que no quede rastro de las comunicaciones. A nivel de aplicación puede ser necesario reforzar el sistema. Se le debe permitir a un usuario acceder a una red sin revelar su identidad. El problema de estos sistemas es que si accede algún mal actor no es posible identificarlo. $Ek(m,r) = g^r || (Ax || m)k'$ text/html 2024-11-19T15:02:56+00:00 Anonymous (anonymous@undisclosed.example.com) https://knoppia.net/doku.php?id=pan:niideaxd2&rev=1732028576&do=diff Práctica 4 PAN Creamos virtual environment de python Instalación: pip install -U virtualenv Creamos nuevo virtual environment: C:\Python\Python_3.11.2\python.exe -m virtualenv .\.venvs\pan\ Ejecutasmos el virtual environment: & C:/Users/<USUARIO>/.venvs/pan/Scripts/Activate.psq text/html 2026-01-02T22:13:45+00:00 Anonymous (anonymous@undisclosed.example.com) https://knoppia.net/doku.php?id=pan:nociones_privacidad_v2&rev=1767392025&do=diff Nociones de Privacidad La privacidad puede tener varias definiciones: * La capacidad de un individuo o grupo de individuos de ocultarse u ocultar información sobre ellos. * El derecho de individuos, grupos o instituciones de determinar cuando, como y que información sobre ellos puede ser comunicada a otros. text/html 2024-09-12T17:45:15+00:00 Anonymous (anonymous@undisclosed.example.com) https://knoppia.net/doku.php?id=pan:nocpriv&rev=1726163115&do=diff Nociones de Privacidad * La privacidad es la capacidad de asegurase así mismo o información sobre uno mismo de forma que solo un sujeto puede decidir hasta que punto puede ser sabida. * La privacidad ha evolucionado y se ha desarrollado a través de la percepción del individualismo. text/html 2024-10-29T16:05:23+00:00 Anonymous (anonymous@undisclosed.example.com) https://knoppia.net/doku.php?id=pan:phomo&rev=1730217923&do=diff Homomórfico Encriptación Simétrica LWE Desencriptado Cifrando varios mensajes Descomposición Gadget Se quiere dividir un número en B bloques y cada bloque tienen P bits. Deshacer Descomposición Gadget text/html 2024-10-29T16:42:07+00:00 Anonymous (anonymous@undisclosed.example.com) https://knoppia.net/doku.php?id=pan:porros&rev=1730220127&do=diff Cifrado de clave pública. Una clave pública puede ser conocida, mientras que la privada solo puede saber por el que la ha generado para descifrar un mensaje cifrado con la clave pública. Combinación de 3 algoritmos: $ε = (G, E, D)$ * El algoritmo G genera las claves pública y privada text/html 2026-01-06T17:23:23+00:00 Anonymous (anonymous@undisclosed.example.com) https://knoppia.net/doku.php?id=pan:privacidad_diferencial_v2&rev=1767720203&do=diff Privacidad Diferencial Tenemos un dataset D que contiene datos de usuarios, siendo cada fila los datos de un usuario. El curador, una entidad de confianza para los usuarios, publica algunos datos usando un mecanismo M que da como resultado $R = M(D)$. El adversario trata de realizar inferencias sobre los datos D contenidos en R. $M(D)$$R$$M(D)$$R = M(D)$$R' = M(D')$$M$$M$$R$$(D, 'D)$$Pr(M(D') = R) - p < Pr(M(D) = R) < Pr(M(D') = R) + p$$P$$D'$$M$$R$$(D, D')$$\frac{Pr(M(D')=R)}{p}≤Pr(M(D)=R)≤Pr(… text/html 2024-09-25T15:31:30+00:00 Anonymous (anonymous@undisclosed.example.com) https://knoppia.net/doku.php?id=pan:privdiff&rev=1727278290&do=diff Introducción a la privacidad diferencial Es un marco que se define sobre operaciones que uno va a hacer sobre una base de datos en la que hay cuasi identificadores y datos privados que se quieren proteger. Cada usuario sería una fila en dicha base de datos. text/html 2024-09-18T16:22:58+00:00 Anonymous (anonymous@undisclosed.example.com) https://knoppia.net/doku.php?id=pan:recbdddattack&rev=1726676578&do=diff Ataque de reconstrucción de base de datos Una persona realiza una serie de preguntas a una base de datos para investigar que hay en ella. Son ataques de inferencia para saber que hay dentro de una base de datos que ha sido curada. Utilizando la base de datos curada se trata de obtener datos sobre la base de datos original. Se recomienda evitar tener demasiados detalles en la versión curada.$2^n$$E$$4E$$E = √(a√n)$ text/html 2025-06-22T20:54:15+00:00 Anonymous (anonymous@undisclosed.example.com) https://knoppia.net/doku.php?id=pan:reres_nociones_privacidad&rev=1750625655&do=diff [PAN] Tema 1: Nociones de Privacidad La privacidad, dependiendo de la fuente, puede ser: * La capacidad de un individuo o grupo de aislarse o aisrlar información sobre sí mismo. * La capacidad de individuos, grupos o instituciones para determinar ellos mismos cuando, como y hasta que punta la información sobre ellos es comunicada a los demás text/html 2025-01-02T21:33:17+00:00 Anonymous (anonymous@undisclosed.example.com) https://knoppia.net/doku.php?id=pan:res_ataques_recontruccion&rev=1735853597&do=diff [PAN] Ataques de reconstrucción de bases de datos (Resumen) Adversary Quering Adeversary Quering o “Consulta Contradictoria” puede parecer un tipo de ataque bastante inocente, pero puede incurrir en riesgos de privadidad mediante el uso de inferencia. Para prevenir este tipo de ataques se recomienda rechazar las consultas que se puedan considerar peligrosas. El problema de esto es que los rechazos también pueden filtrar información. Por ejemplo, si tenemos una base de datos de salarios, se rech… text/html 2025-01-07T22:16:53+00:00 Anonymous (anonymous@undisclosed.example.com) https://knoppia.net/doku.php?id=pan:res_cifrado_homomorfico&rev=1736288213&do=diff [PAN] Cifrado Homomórfico (Resumen) Se utiliza cuando se quieren realizar computaciones en una entidad que no es de confianza. Se realiza el uso de grupos de homomorfismos: $$D_K(x+y) = D_k(x){ o }D_k(y)$$ * Cifrado: $Cx=E(X)=X^e mod(n)$; $Cy=E(y)=y^e mod(n)$ * Descifrado: $X = D(Cx) = c_x^d mod(n)$; $Y = D(Cy) = c_y^d mod(n)$ * Multiplicación: $Cx*Cy = (x^e mod (n)) * (y^e mod (n)) = X^e * y^e mod (n) = (x*y)^e mod (n) = E(x*y)$ * Por lo tanto $D(C_x*C_y) = x*y$${a_1, a_2,..., a_n}$$… text/html 2025-01-08T14:09:31+00:00 Anonymous (anonymous@undisclosed.example.com) https://knoppia.net/doku.php?id=pan:res_comunicaciones_anonimas&rev=1736345371&do=diff [PAN] Comunicaciones anónimas (Resumen) Cada red de comunicación usa direcciones para realizar el enrutado de forma que los datos puedan ser transmitidos de origen a destino. En general esas direcciones son visibles para cualquiera que observe la red y suelen ser identificadores únicos, de forma que todas las comunicaciones relacionadas con un usuario pueden ser trazadas. En ocasiones sabiendo esto se puede asociar una comunicación con una persona física, lo que puede comprometer su privacidad.$… text/html 2025-01-08T14:19:22+00:00 Anonymous (anonymous@undisclosed.example.com) https://knoppia.net/doku.php?id=pan:res_machine_learning&rev=1736345962&do=diff [PAN] Machine Learning (Resumen) La inteligencia Artifical general busca desarrollar sistemas que demuestran la flexibilidad y versatilidad de la inteligencia humana para resolver un amplio rango de problemas cognitivos complejos. Por otro lado, La Inteligencia Artificial Especializada busca desarrollar sistemas que puedan ser aplicados solo para las tareas para los que fueron diseñados. text/html 2025-01-02T19:17:43+00:00 Anonymous (anonymous@undisclosed.example.com) https://knoppia.net/doku.php?id=pan:res_nociones_privacidad&rev=1735845463&do=diff [PAN] Nociones de Privacidad (Resumen) ¿Que es la privacidad? Depende de a qué definición recurramos puede ser: * La capacidad de un individuo o un grupo de aislarse o aislar información sobre sí mismo. * La privacidad evoluciona y se desarrolla a través de la percepción del individualismo que enfatiza el valor moral de lo individual text/html 2025-01-07T18:51:54+00:00 Anonymous (anonymous@undisclosed.example.com) https://knoppia.net/doku.php?id=pan:res_privacidad_diferencial&rev=1736275914&do=diff [PAN] Privacidad Diferencial (Resumen) Caso base Tenemos un dataset D que contiene datos de usuarios, siendo cada fila los datos de un usuario. El Curador, que es una entidad de confianza para los usuarios, publica algunos datos usando un mecanismo M que da como resultado $R=M(D)$$R=M(D)$$R=M(D')$$M(D)=R$$M(D')=R$$Pr(M(D')=R) - P < Pr(M(D)=R) < Pr(M(D')=R) + P$$$\frac{Pr(M(D')=R)}{p}≤Pr(M(D)=R)≤Pr(M(D)=R)*p$$$M:D$$R$$R∈R$$D,D'∈D$$$Pr(M(D) = R) ≤ Pr(M(D')=R)*e^ε $$$e^ε$$ε$$ε$$ε=0$$ε$$ε=10$$M:D$… text/html 2025-01-07T22:56:26+00:00 Anonymous (anonymous@undisclosed.example.com) https://knoppia.net/doku.php?id=pan:res_tecnicas_anonimidad&rev=1736290586&do=diff [PAN]Técnicas de anonimidad (Resumen) La anonimización de los datos puede ser considerada un mecanismo para sanear la información, de forma que la privacidad de los sijetos referenciados en estos pueda ser garantizada por lo tanto: * La información personalmente identificable debe ser tratada para prevenir su filtración text/html 2026-01-01T18:48:18+00:00 Anonymous (anonymous@undisclosed.example.com) https://knoppia.net/doku.php?id=pan:tecnicas_anonimidad_v2&rev=1767293298&do=diff Técnicas de anonimidad Pensadas para publicar datasets sin exponer datos sensibles Personal Identifiable Information (PII): Datos que se pueden usar para identificar a una pesona. * Identificadores: Atributos únicos de individuos * Pseudo-Identificadores o Cuasi-identificadores$Dist(X,Y)≤t$$X_i$$Y_i$$EMD(X,Y)= 1/2 ∑_{i=1}^m|X_i-Y_i|$$Y = [Gripe, Covid, Gripe, Cancer, Gripe, Covid]$$Y = {Gripe, Covid, Cancer}$$\frac{1}{2}$$\frac{1}{3}$$\frac{1}{6}$$X = [Gripe, Covid, Cancer]$$X= {Gripe, Co… text/html 2024-09-11T15:49:49+00:00 Anonymous (anonymous@undisclosed.example.com) https://knoppia.net/doku.php?id=pan:teoria_probabilidad&rev=1726069789&do=diff Introducción a la teoría de la probabilidad Función de masa de probabilidad (PMF) La probabilidad de la función PMF asigna a cada posible resultado x perteneciente a X un numero que especifica su probabilidad P(X)=Pr{X=x}. Normalmentr las probablidaddes son normalizadas de forma que suman hasta 1:$Σp(X)=1$$∫f(x)dx=1$$$f(x) = 1/(σ√(2π))*exp*(-((x-μ)^2))/(2*σ^2)$$$$f(x)=1/2b*exp*(-|x-μ|/b)$$$$E{g(x)}=Σg(x)*p(x)$$