قاعدة بيانات إحصائية

قاعدة البيانات الإحصائية هي قاعدة بيانات تُستخدم لأغراض التحليل الإحصائي. وهي نظام معالجة تحليلية فورية ( OLAP )، بدلاً من نظام معالجة معاملات فورية ( OLTP ). غالبًا ما تكون قواعد البيانات الإحصائية الحديثة والكلاسيكية أقرب إلى النموذج العلائقي منها إلى النموذج متعدد الأبعاد المستخدم عادةً في أنظمة OLAP اليوم.

تحتوي قواعد البيانات الإحصائية عادةً على بيانات المعلمات والبيانات المقاسة لهذه المعلمات. على سبيل المثال، تتكون بيانات المعلمات من القيم المختلفة لظروف التجربة المتغيرة (مثل درجة الحرارة، والوقت). أما البيانات المقاسة (أو المتغيرات) فهي القياسات التي أُجريت في التجربة في ظل هذه الظروف المتغيرة.

تُعاني العديد من قواعد البيانات الإحصائية من نقص البيانات، حيث تحتوي على العديد من القيم الفارغة أو الصفرية. ومن الشائع أن تصل نسبة نقص البيانات في قاعدة البيانات الإحصائية إلى 40% أو 50%. هناك خياران للتعامل مع هذه المشكلة: (1) الإبقاء على القيم الفارغة واستخدام تقنيات الضغط لحذفها، أو (2) حذف الإدخالات التي تحتوي على قيم فارغة فقط.

غالباً ما تتضمن قواعد البيانات الإحصائية دعماً لتقنيات التحليل الإحصائي المتقدمة، مثل الارتباطات، والتي تتجاوز لغة SQL . كما أنها تطرح مخاوف أمنية فريدة ، والتي كانت محوراً للعديد من الأبحاث، لا سيما في أواخر السبعينيات وأوائل ومنتصف الثمانينيات.

في قواعد البيانات الإحصائية، يُفضّل غالبًا السماح بالوصول إلى البيانات الإجمالية فقط، وليس إلى السجلات الفردية. ويُعدّ تأمين هذه القواعد مشكلةً معقدة، إذ يمكن للمستخدمين الماهرين استخدام مجموعة من الاستعلامات الإجمالية لاستخلاص معلومات عن فرد واحد.

من بين الأساليب الشائعة ما يلي:

• يُسمح فقط بالاستعلامات التجميعية (المجموع، العدد، المتوسط، الانحراف المعياري، إلخ).
• بدلاً من إرجاع القيم الدقيقة للبيانات الحساسة مثل الدخل، قم فقط بإرجاع القسم الذي تنتمي إليه (على سبيل المثال 35 ألف - 40 ألف).
• إرجاع أعداد غير دقيقة (على سبيل المثال، بدلاً من 141 سجلاً تم استيفاؤها للاستعلام، قم بالإشارة فقط إلى 130-150 سجلاً تم استيفاؤها).
• لا تسمح باستخدام عبارات WHERE انتقائية بشكل مفرط
• تدقيق جميع استفسارات المستخدمين، حتى يتسنى التحقيق في استخدام المستخدمين للنظام بشكل غير صحيح.
• استخدام وكلاء أذكياء للكشف التلقائي عن الاستخدام غير المناسب للنظام

لسنوات عديدة، توقف البحث في هذا المجال، وكان يُعتقد في عام 1980، على سبيل المثال:

الخلاصة هي أن قواعد البيانات الإحصائية معرضة للاختراق في أغلب الأحيان. إن فرض قيود صارمة على أحجام مجموعات الاستعلامات المسموح بها سيجعل قاعدة البيانات عديمة الفائدة كمصدر للمعلومات الإحصائية، ولكنه لن يضمن حماية السجلات السرية. ^{[ 1 ]}

لكن في عام 2006، عرّفت سينثيا دورك مجال الخصوصية التفاضلية ، مستندةً إلى أعمال بدأت بالظهور عام 2003. وبينما أظهرت استحالة بعض أهداف الأمن الدلالي، المرتبطة بأعمال توري دالينيوس ، فقد حددت تقنيات جديدة للحد من مخاطر الخصوصية المتزايدة الناتجة عن إدراج البيانات الخاصة في قاعدة بيانات إحصائية. وهذا يُتيح في كثير من الحالات توفير إحصاءات دقيقة للغاية من قاعدة البيانات مع ضمان مستويات عالية من الخصوصية. ^{[ 2 ] [ 3 ]}

سلسلة مؤتمرات مهمة في هذا المجال:

• إدارة قواعد البيانات الإحصائية والعلمية (SSDBM)

بعض الأوراق البحثية الرئيسية في هذا المجال:

1. doi : 10.1145/320613.320616 - دوروثي إي. دينينغ، قواعد بيانات إحصائية آمنة مع استعلامات عينة عشوائية، معاملات ACM لأنظمة قواعد البيانات (TODS)، المجلد 5، العدد 3 (سبتمبر 1980)، الصفحات: 291 - 315
2. doi : 10.1145/319830.319834 - ويبرن دي يونغ، المساس بقواعد البيانات الإحصائية التي تستجيب للاستعلامات حول المتوسطات، معاملات ACM لأنظمة قواعد البيانات، المجلد 8، العدد 1 (مارس 1983)، الصفحات: 60 - 80
3. doi : 10.1145/320128.320138 - دوروثي إي. دينينغ، يان شلويرر، إجراء سريع لإيجاد متتبع في قاعدة بيانات إحصائية، معاملات ACM لأنظمة قواعد البيانات، المجلد 5، العدد 1 (مارس 1980). الصفحات: 88-102
4. أ. شوشاني، "قواعد البيانات الإحصائية: الخصائص والمشاكل وبعض الحلول"، في وقائع المؤتمر الدولي الثامن حول قواعد البيانات الكبيرة جدًا، سان فرانسيسكو، كاليفورنيا، الولايات المتحدة الأمريكية، 1982، ص  208-222.