Kurrikulum Leson 54 van 156 · Meet privaatheid, eerlikwaar.
Meet privaatheid, eerlikwaar.

k-anoniemeitiet

Hoekom dit saak maak Organisasies deel dikwels data nadat hulle "name remove" het en noem dit anoniem. Jy sal sien hoe vinnig drie gewone feite die name terugsit op sintetiese data. Dit is hoe werklike heridentifisering gebeur het en waarom die verdediging in lesson 56 bestaan.

Die kuier-toets

Iemand sê: " 'n Vrou in ons straat, gebore op 3 Maart 1981, het pas 'n diagnose gekry." Geen naam is gegee nie. Maar op een straat, hoeveel vroue deel daardie presiese verjaarsdag? Waarskynlik een. Die besonderhede was die naam.

Quasi-identifier: 'n feit wat nie 'n naam is nie maar, saam met 'n paar ander, na een persoon wys. Poskode, volle geboortedatum en geslag is die klassieke drie.

Re-identifikasie: die terugsit van name op data wat sonder name vrygestel is, gewoonlik deur dit by 'n ander lys met name te voeg.

'n bekende studie deur Latanya Sweeney in 2000 het beraam dat ongeveer 87% van mense in die Verenigde State geïdentifiseer kon word deur slegs poskode, geboortedatum en geslag. 'n Latere studie met nuwer sensusdata (Golle, 2006) het dit nader aan 63% geplaas: laer, maar steeds die meeste mense, wat die punt is. Ons sal dieselfde effek op saamgestelde data sien.

Die oefendata

synthetic_people(2000) bou 'n uitgedink gesondheidstabel: id, name, zip, birth_date, gender, diagnosis. Niemand daarin is werklik nie. Ons "anoniemiseer" dit op die naïewe manier deur die naam te verwyder. synthetic_public_roll(people) bou 'n uitgedink publieke lys, soos 'n klubregister, met name, poskode, geboortedatum en geslag, maar geen diagnose nie.

Meet die risiko: k

k-anonymity: 'n tabel is k-anoniem wanneer elke kombinasie van quasi-identifier waardes deur ten minste k rye gedeel word. k = 1 beteken ten minste een persoon is alleen en kan gevind word.

Om k te vind: groepeer rye volgens hul quasi-identifier-tuple, tel elke groep, en neem die kleinste telling. Met ["gender"] alleen is k groot. Met zip, geboortedatum en geslag saam, daal k na 1.

Die join

Vir elke persoon op die publieke rol, bou hul sleutel (zip, birth_date, gender) en soek daarna in die vrystelliste. Wees streng: tel 'n ooreenstemming net as die sleutel presies een keer in die vrystelling en presies een keer op die rol verskyn. Dan is jy seker. As twee rekords die sleutel deel, kan jy nie sien watter een watter is nie; as twee mense op die rol dit deel, kan jy nie sien wie wie is nie.

reidentify(released, roll)
# {17: 'Mei Patel', 203: 'Omar Novak', ...}   record id -> name

Sodra rekord 17 'n naam het, het sy diagnose ook een. Dit is die hele aanval: twee onskuldige lysies, een join.

A algemene wanbeleving

"Om name, e-posse en telefoonnommers te verwyder maak data anoniem." Dit verwyder die duidelike identifikasies, maar die oorblywende kolomme kan mense steeds uitwys. Of data anoniem is, hang af van wat anders nog daar is om dit saam te voeg, dit is waarom les 56 die data self verander.

Probeer dit Wanneer jy slaag, verander die rol se fraction van 0.6 na 0.2 en hardloop dit weer. Die aantal ooreenkomste daal, maar die deel van rolmense wat jy heridentifiseer verander skaars. Elke persoon word blootgestel deur hul eie besonderhede, nie deur hoe groot die lys is nie.

In ander tale

JavaScript:

function reidentify(released, roll, cols) {
  const key = r => JSON.stringify(cols.map(c => r[c]));
  const count = list => list.reduce((m, r) => m.set(key(r), (m.get(key(r)) || 0) + 1), new Map());
  const a = count(released), b = count(roll);
  const byKey = new Map(released.map(r => [key(r), r]));
  const found = {};
  for (const p of roll) {
    if (a.get(key(p)) === 1 && b.get(key(p)) === 1) found[byKey.get(key(p)).id] = p.name;
  }
  return found;
}

SQL-styliese denke in C# (LINQ):

var matches =
    from r in released
    join p in roll on new { r.Zip, r.BirthDate, r.Gender }
                   equals new { p.Zip, p.BirthDate, p.Gender }
    select new { r.Id, p.Name };
// then keep only keys that occur once on each side

Opsomming

  • Quasi-identifiseerders (poskode, geboortedatum, geslag) kan individue identifiseer sonder 'n naam.
  • k is die grootte van die kleinste groep wat dieselfde quasi-identifiers deel; k = 1 beteken iemand is blootgestel.
  • Om 'n naamlose tabel aan 'n publieke lys met name te koppel, identifiseer mense weer.
  • Om die name te verwyder is nie anonimisering nie. Sintetiese data is net hier; die verdediging is volgende.
Jou beurt

Skryf quasi_key(row, columns) (tuple van die waardes), smallest_group(rows, columns) (die grootte van die kleinste groep rye wat 'n sleutel deel: dit is k) en reidentify(released, roll, columns=QUASI), en gee 'n dict terug vanaf vrygestelde rekord id om name te rol vir elke rolpersoon wie se sleutel presies een keer in released en presies een keer in roll verskyn.

Sien jy 'n probleem in hierdie les? Rapporteer dit · Vra oor hierdie les

Hierdie oefening open binnekort

Voltooi die lesie voor dit en hierdie een sal ontvanklik wees. Die hele kursus is gratis, geen rekening nodig nie, en jy kan hierdie les nou lees.