Verileri İşleme
Verilerin üzerine yazmak için çok sayıda başka yazılım paketi oldukça iyidir, ancak her birinin kendine has özellikleri ve eksiklikleri vardır.
Özellikle:
1. Ücretsiz yazılımının birçok sürümünün dosya silme işlevinin kusurlu olduğu bulundu. Yine de kullanmak istiyorsa, nasıl düzgün bir şekilde yapılacağına dair kapsamlı bir el için.
2. Samimiyetsiz bir şekilde adlandırılan yapımcılarının reklamını yaparken korkutma taktikleri nedeniyle onunla ilgili pek çok tartışmaya sahiptir.
Comparison_Shredders.htm'deki daha eksiksiz bir liste, öğütücülerin bulunabilirlik ve fiyatlandırma gibi diğer nitelikleri (veya bunların eksikliği) hakkında bilgiler içerir.
Disk temizleme için özel olarak değerlendirilmemiş başka ek yazılım ürünleri mevcuttur. Aşağıdakileri içerir, ancak bunlarla sınırlı değildir:
◗ Strafor Systems tarafından geliştirilen Shredder 2.0;
◗ FatFree Software'den İzlerinizi Kapatın 3.0
◗ Shiva, Isis Software Tarafından Dosyaların Yok Edicisi
Disk temizleme saatlerce sürebileceğinden, güvenlik bilincine sahip bir kullanıcının bunu olası bir tehdide karşı kullanamayacağı açıktır. Kişi böyle bir ortamdaysa (örneğin, totaliter bir rejim), kapının herhangi bir zamanda bir davetsiz misafir tarafından kırılabileceği varsayımıyla çok düzenli bir şekilde disk temizliği yapmalıdır.
Manyetik mikroskopi disklerin adli muayenesi
Cerberus Systems'tan Albert Bell Isle, dosyalara yönelik üç adli bilgisayar tehdidi sınıfını tanımlar. 1. Sınıf saldırılar yalnızca adli yazılım kullanır. Disk üzerine yazarak yenilebilirler.
1. Bir dosyanın tüm kopyaları (parçaları dahil);
2. Tüm dosya ayırma tablosu ve dosyaları ve özniteliklerini adlandırır;
3. Takas dosyası.
2. Sınıf saldırılar, özel yükselticiler ve sinyal işleme kullanır ve üzerine yazılan bazı dosyaları değişken başarı dereceleriyle kurtarabilir. Başarı derecesi, bir dosyanın üzerine kaç kez ve hangi veri modelleriyle yazıldığı, söz konusu manyetik ortamın fiziği, disk boyutu ve üreticisi gibi ayrıntılara bağlıdır.
3. Sınıf saldırılar, taramalı prob mikroskobundan türetilen manyetik kuvvet mikroskobu (MFM) kullanır. MFM'ye dayalı teknikler çok pahalıdır ve potansiyel olarak her tür yazılım kontrollü üzerine yazmanın üstesinden gelebilir.
Nispeten deneyimsiz bir kullanıcı için bile, bir sürücü plakasındaki verilerin görüntülerini almaya başlama süresi yaklaşık 5 dakikadır. Belirli bir parçanın yararlı görüntülerini almaya başlamak, disk biçimleri hakkında bilgi edinmekten daha fazlasını gerektirir, ancak bunlar iyi belgelenmiştir ve plaka üzerinde doğru konum bulunduğunda, beceriye bağlı olarak tek bir görüntü [birkaç dakika] alacaktır.
Daha pahalı MFM'lerden biriyle, bir toplama sırasını otomatikleştirmek mümkündür ve MFM denetleyici yazılımını değiştirerek tüm diskin görüntüsünü toplamak teorik olarak mümkündür.
Kişisel veri işleme şartları
Özel nitelikli kişisel veriler Nelerdir
Kişisel verilerin işlenmesi iptali
Veri işleme örnekleri
Kişisel verilerin işlenmesi ne demek
Kişisel veriler Nelerdir
Veri işleme şartları
Kişisel veri işleme faaliyeti
MFM'nin en yeni varyantı, manyetik kuvvet taramalı tünelleme mikroskobu (STM) kullanır. STM'nin temel prensibi, gösterildiği gibi tek bir atom noktasına kadar keskinleştirilmiş metalik bir uç ile iletken bir malzeme arasındaki tünelleme akımına dayanmaktadır.
STM daha hassastır ve incelenmekte olan diskin yüzeyine zarar verebilir. Üreticilerin satış rakamlarına göre, sahada kullanımda olan birkaç bin SPM vardı ve bunlardan bazıları, standart diskler için vakumlu aynalar gibi disk sürücü plakalarını analiz etmek için özel özelliklere sahipti. manyetik medya analizi için özel çalışma modları ile birlikte disk sürücü plakaları.
Bu SPM'ler, veri kurtarma sürecinin otomasyonuna izin vermek için gelişmiş programlanabilir kontrolörler ve analiz yazılımı ile birlikte kullanılabilir. Piyasada bulunan SPM'lerin çok pahalı olduğu düşünülürse, bir PC'yi denetleyici olarak kullanarak yaklaşık 1.400 ABD Doları'na makul ölçüde yetenekli bir SPM oluşturmak mümkündür." Manyetik Disk Silgileri konusunda Japonya'da da yeni bir patent var.
Saldırganın bakış açısından, tartışılanlar gibi aynı verileri elde etmenin daha ucuz, alternatif yollarını kullanma olasılığına ilişkin bir değerlendirme yapılması muhtemeldir.
Manyetik ortama karşı gelişmiş saldırılara ilişkin en iyi referans, Auckland Üniversitesi Bilgisayar Bilimleri Bölümü'nün "Manyetik ve Katı Hal Belleğinden Verilerin Güvenli Silinmesi" başlıklı biraz eski tarihli bir makalesidir.
"Silinen" manyetik kayıtların mikroskobik kalıntılarının çarpıcı fotoğraflarından oluşan mükemmel bir koleksiyon Digital Instruments'ın Web sitesinde bulunabilir.
Genel olarak, geleneksel mikroskopi kullanılarak manyetik ortamın adli analizi, günümüzde neredeyse tüm bilgisayarlar tarafından kullanılan kullanıma hazır ticari ortamlardaki manyetik depolama yoğunluğunun sürekli artması nedeniyle giderek daha zor hale gelmektedir.
Bugünün yoğunlukları inç kare başına 1 GB'a yaklaşıyor, bu da manyetik özelliklerin gerçek boyutunun mavi ışığın dalga boyundan bile daha küçük olduğu anlamına geliyor. Bu nedenle, bu tür ortamlarda adli analiz yapmak için SPM'nin gücünü kullanan yeni bir tekniğe, MFM'ye ihtiyaç vardır. Bu teknik, kişinin 50 nm (1 nm = 0.000000001m) kadar küçük özellikleri “görmesine” izin verir.
Hassas Veriler Nerede Saklanıyor?
Ne yazık ki, mahremiyete önem veren profesyoneller için hassas veriler, hepsinin dikkate alınması gereken çok fazla yerde saklanıyor. Nerede ve neden olduğunu anlamak için önce biraz teknik arka plan sunulmalıdır.
Küme İpuçları
Geçmiş yılların LP müzik kayıtları, müziği uzun spagetti benzeri tek bir olukta saklarken, bilgisayar diskleri, bilgileri depolayan çok sayıda tamamen ayrı kutuya bölünmüştür. Konuyu fazla basitleştirme riskini göze alarak, bu tür bölmelerin her birine "küme" denir (çünkü "sektörler" adı verilen bir grup daha küçük bölmeden oluşur, ancak bu, bu tartışmayla ilgisizdir).
Her bölmenin boyutu (yani, her bir kümeye ne kadar veri sığabileceği), diskin toplam kapasitesine, kullanılan işletim sistemine (yani, DOS, Windows 95, Windows 98 veya Win olup olmadığına) bağlıdır. Ve bir seçeneğin olduğu durumlarda her kullanıcının neyi seçtiği üzerine.
Bu tür kümelerin her birinin boyutu 256 bayttan (bir bayt aslında bir alfabetik sembol veya sayıdır) 65.536 bayta kadar değişebilir (her zaman 2'nin bir katı; yani 2'nin kendisi ile birkaç kez çarpılması).
Gözlenen Tedavi Grubu Riskine Karşı Gözlenen Kontrol Grubu Riski
Gözlenen tedavi grubu riskinin gözlenen kontrol grubu riskine karşı L’Abbé grafiği, olası heterojenliği keşfetmenin grafiksel bir yolu olarak önerildi. Denemeler oldukça homojen ise, noktalar, özdeşlik çizgisine paralel olarak havuzlanmış tedavi etkisine karşılık gelen bir çizgi etrafında uzanacaktır, büyük sapmalar olası heterojenliği gösterecektir.
Skleroterapi denemelerinde (a) ölüm ve (b) kanama için L’Abbé grafiklerini ve ayrıca ağırlıklı regresyon çizgilerini gösterir. Bu regresyon çizgilerinin tahmini eğimleri ölüm için +0.39 (%95 GA +0.01 ila +0.77) ve kanama için –0.12 (%95 GA -0.45 ila +0·21)’dir. Bu eğimlerin ve güven sınırlarının, iki denklem arasındaki yapısal ilişki nedeniyle beklenen “tedavi etkisine karşı gözlenen kontrol grubu riski” yaklaşımındakilerden 1 birim daha büyük olduğuna dikkat edin.
Bu nedenle, bir L’Abbé grafiğinin bu analizinden elde edilen sonuç, “tedavi etkisine karşı gözlemlenen kontrol grubu riski” yaklaşımından elde edilen sonuçla aynıdır, ancak aynı zamanda ortalamaya gerileme ile ilgili aynı sorunlardan muzdariptir.
L’Abbé grafikleri, örneğin olağandışı veya uzak bir denemeyi tanımlamak için keşif amaçlı bir grafik araç (orijinal amaçları) olarak yararlı olabilir, ancak tedavi etkisi ile altta yatan arasındaki ilişkiyi belirlemek için bir regresyon analizi ile birlikte kullanılamazlar. risk. Bir L’Abbé planının bu yanıltıcı şekilde kullanıldığı bir örnek, hafif hipertansiyonda ilaç denemelerinin meta-analizinden sonraydı. Bu örnek açıklanmıştır.
Tedavi etkisinin altta yatan riskle ilişkilendirilmesi: yakın zamanda önerilen yaklaşımlar
Son zamanlarda istatistiksel literatürde, her ikisi de tedavi etkisi ile altta yatan risk arasındaki gerçek ilişkiyi tahmin etmek ve geleneksel yaklaşımların doğasında bulunan önyargılardan kaçınmak amacıyla iki yaklaşım yayınlanmıştır15,16. Burada iki yaklaşım kısaca anlatılmakta, ardından biri skleroterapi denemelerindeki ölüm ve kanama verilerine uygulanmakta, ardından yaklaşımların pratikte kullanımına ilişkin bazı yorumlar gelmektedir.
İki yaklaşımın tam istatistiksel ayrıntıları bu makalenin kapsamı dışındadır, bu nedenle bu ve sonraki paragrafın amacı, ilgilenen okuyucuya yaklaşımlara ilişkin bir fikir vermektir; bu iki paragraf süreklilik kaybı olmadan atlanabilir.
Thompson’dan kaynaklanan yaklaşım, rastgele etkiler meta analizini gerçekleştirmek için bir Bayes prosedürünü genişletir. Her denemenin kontrol grubunda gözlemlenen olay sayısının, i, r C’nin, i kontrol grubundaki bir olayın gerçek temel olasılığını temsil eden bir parametre 1 πC ile tanımlanan bir binom dağılımından olduğu varsayılır ve benzer bir binom i denemesi i’nin tedavi grubunda gözlenen olay sayısı r T için πT parametresi ile dağılım varsayılır.
Gerçek tedavi etkisi (burada log olasılık oranı) parametresi δi ve gerçek temel risk parametresi μi (burada bir log oran ölçeğinde) daha sonra πC ve πT’nin fonksiyonları olarak yapılandırılır ve şu gerçek parametreler arasında bir regresyon tipi ilişki kurulur: δ=δ’+βμ.
iii’nin, geleneksel rastgele etkiler meta-analizinde yapılana benzer bir varsayım olan Normal bir dağılımı izlediği varsayılır.18 Çeşitli parametrelerin değerlerini tahmin etmek için, önceki dağılımları ile bunların birleşik olasılık dağılımları, önceki dağılımları ile birleştirilerek oluşturulur. gözlemlenen verilere verilen olasılık ve ardından herhangi bir özel parametre için bu ortak “arka dağılımdan” örnekler elde etmek için Gibbs örneklemesi adı verilen sayısal bir algoritma kullanılır.
Parametrenin tahmini değeri genellikle bir dizi numuneden (ör. 5000 numune) elde edilen medyan değerdir ve tahminde %95’lik bir güven aralığı numune dağılımının 2, 5 ve 97,5 yüzdelik dilimleri tarafından verilir. Ortak “arka dağılımın” türetilmesinde, buradaki β gibi herhangi bir bilinmeyen parametrenin, “bilgi vermeyen” bir önceki dağılıma sahip olduğu varsayılır, yani önceki dağılımın seçimi, parametrenin nihai tahminini etkilemez.
McIntosh’tan kaynaklanan yaklaşım, temelde Thompson yaklaşımından yalnızca iki açıdan farklıdır. İlk olarak, veriler her bir denemenin her bir grubundaki bir binom dağılımından gözlemlenen olay sayısı olarak değil, bunun yerine her denemede gözlemlenen log bahis oranları oranı ve kontrol grubu log oranları olarak girilir. Bu miktarların daha sonra her denemede bilinen varyanslara sahip Normal dağılımlardan olduğu varsayılır.
İkinci fark, temel alınan model varsayımlarıyla ilgilidir: Thompson yaklaşımı, denemeler arasında gerçek temel riskler μi için belirli bir dağılım varsaymazken, McIntosh yaklaşımı, bu parametrelerin, ortalama ve varyansın tahmin edilecek şekilde bir Normal dağılımdan alındığını varsayar.
Verileri binom gözlemler olarak girme yeteneği, gözlemlenen log olasılık oranı ve log oranları için bir Normal dağılımın yaklaşık bir varsayımını yapmakla karşılaştırıldığında açıkça avantajlıdır; bununla birlikte, modelde μi’yi ele almanın en uygun yolu daha az açıktır ve bu açıdan yaklaşımlardan hangisinin daha uygun olduğu istatistiksel literatürde tartışmaya açık bir soru olmaya devam etmektedir.
Skleroterapi Verilerinin Yeniden Analizi
Thompson15’e bağlı yaklaşım daha az varsayımda bulunduğundan, bu yaklaşımın (C) olarak etiketlenen sonuçları, Tablo 10.1’de geleneksel yaklaşımlar (A) ve (B) ile karşılaştırılır. Kanama için, (C)’den tahmin edilen eğim ve güven aralığı, geleneksel yaklaşımdan (A) elde edilenlere çok yakındır; ancak, (A)’nın sahte bir şekilde inandırıcı ve çok büyük bir negatif ilişki verdiği ölüm için durum böyle değildir.
(B) ölüm için anlamlı olmayan negatif bir ilişkiyi doğru bir şekilde tanımlarken, kanama için ikna edici negatif ilişkiyi gözden kaçırmış olurdu. Bu tek örnek için bile, bu nedenle, geleneksel yaklaşımlardan hiçbirinin tutarlı bir şekilde güvenilir olmadığı açıktır ve yalnızca geçmişe bakıldığında, (C) yaklaşımından elde edilen sonuçlarla birlikte, geleneksel yaklaşımlardan hangisinin “daha doğru” olduğu görülebilir. ”
Bir başka gözlem, (C)’den gelen güven aralıklarının (A) ve (B)’den daha geniş olduğudur; bunun nedeni, (C) yaklaşımındaki modelin, (A) ve (B)’deki modellerden daha fazla değişkenliğe izin vererek, temel risk tarafından açıklanamayan, denemeler arasındaki heterojenliği temsil eden bir parametre (“artık heterojenlik”) içermesidir.