الخصوصية بـ k-anonymity
لماذا هذا مهم غالبا ما تشارك المنظمات البيانات بعد "إزالة الأسماء" وتسميها بيانات مجهولة. سترى على البيانات الاصطناعية كيف تعيد ثلاث حقائق عادية الأسماء بسرعة. هكذا حدثت إعادة تحديد الهوية الحقيقية، ولهذا السبب يوجد الدفاع في الدرس 56.
اختبار gossip
يقول شخص ما: "امرأة في شارعنا، ولدت في 3 مارس 1981، حصلت للتو على تشخيص." لم يتم ذكر اسم. ولكن في شارع واحد، كم عدد النساء اللواتي يتشاركن في نفس تاريخ الميلاد هذا؟ ربما واحدة. كانت التفاصيل هي الاسم.
Quasi-identifier: حقيقة ليست اسما، ولكنها عند دمجها مع حقائق أخرى قليلة، تشير إلى شخص واحد. الرمز البريدي، وتاريخ الميلاد الكامل، والجنس هي الثلاثة الكلاسيكية.
إعادة تحديد الهوية: وضع الأسماء مرة أخرى على البيانات التي تم إصدارها بدونها، عادة عن طريق دمجها مع قائمة أخرى تحتوي على الأسماء.
درست دراسة شهيرة قامت بها Latanya Sweeney في عام 2000 على أن حوالي 87% من الأشخاص في الولايات المتحدة يمكن تحديدهم بشكل فردي باستخدام الرمز البريدي وتاريخ الميلاد والجنس فقط. وضعت دراسة لاحقة ببيانات تعداد سكانية أحدث (Golle, 2006) النسبة قريبة من 63%: وهي نسبة أقل، ولكنها لا تزال تشمل معظم الناس، وهذا هو الهدف. سنرى التأثير نفسه على بيانات وهمية.
بيانات التدريب
يبنيsynthetic_people(2000) جدول صحة وهمي: id, name, zip, birth_date, gender, diagnosis. لا يوجد فيه أي شخص حقيقي. نحن نقوم بـ "إخفاء الهوية" بطريقة ساذجة، عبر حذف الاسم. يبني synthetic_public_roll(people) قائمة عامة وهمية، مثل سجل نادٍ، تحتوي على الأسماء، والرمز البريدي، وتاريخ الميلاد، والجنس، ولكن بدون تشخيص.
قياس المخاطر: k
k-anonymity: يكون الجدول k-anonymous عندما تشترك كل مجموعة من قيم quasi-identifier في صف واحد على الأقل من أصل k. تعني k = 1 أن شخصا واحدا على الأقل وحيد ويمكن العثور عليه.
لإيجاد k: قم بتجميع الصفوف حسب زوج المعرفات شبه التعريفية، واحسب عدد كل مجموعة، ثم اختر أصغر عدد. مع ["gender"] وحده، تكون k كبيرة. مع zip، وتاريخ الميلاد والجنس معاً، تنخفض k إلى 1.
الربط
لكل شخص في القائمة العامة، قم ببناء مفتاحه (zip, birth_date, gender) وابحث عنه في الجدول المنشور. كن دقيقا: احسب المطابقة فقط عندما يظهر المفتاح مرة واحدة بالضبط في المنشور و مرة واحدة بالضبط في القائمة. عندها ستكون متيقنا. إذا تشاركت سجلان في المفتاح، فلا يمكنك معرفة أيهما هو الآخر؛ وإذا تشارك شخصان في القائمة في المفتاح، فلا يمكنك معرفة من هو من.
reidentify(released, roll)
# {17: 'Mei Patel', 203: 'Omar Novak', ...} record id -> nameبمجرد أن يحصل السجل 17 على اسم، يحصل تشخيصه على اسم أيضاً. هذا هو الهجوم بأكمله: قائمتان تبدوان غير ضارتين، وعملية join واحدة.
A مفهوم خاطئ شائع
"إزالة الأسماء والبريد الإلكتروني وأرقام الهواتف تجعل البيانات مجهولة الهوية. إنها تزيل المعرفات الواضحة، لكن الأعمدة المتبقية يمكنها لا تزال تحديد الأشخاص. يعتمد ما إذا كانت البيانات مجهولة على ما هو موجود هناك لربطها به، وهذا هو السبب في أن الدرس 56 يغير البيانات نفسها."
جرب ذلك عندما تنجح، قم بتغيير fraction الخاص بـ roll من 0.6 إلى 0.2 وقم بالتشغيل مرة أخرى. ينخفض عدد المطابقات، لكن حصة أفراد roll الذين تعيد تحديد هويتهم تكاد لا تتغير. يتم كشف كل شخص من خلال تفاصيله الخاصة، وليس من خلال حجم القائمة.
في لغات أخرى
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;
}تفكير على طريقة SQL في 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 sideملخص
- يمكن للمعرفات شبه الفريدة (الرمز البريدي، تاريخ الميلاد، الجنس) تحديد الأشخاص بشكل منفرد دون اسم.
- k هو حجم أصغر مجموعة تشترك في نفس المعرفات شبه التعريفية؛ k = 1 يعني أن شخصا ما معرض للكشف.
- إن ربط جدول مجهول الهوية بقائمة عامة تحتوي على أسماء يعيد تحديد هوية الأشخاص.
- إزالة الأسماء ليست إخفاء هوية. البيانات الاصطناعية هنا فقط؛ الدفاع في الخطوة التالية.
اكتب quasi_key(row, columns) (صف القيم)، وsmallest_group(rows, columns) (حجم أصغر مجموعة من الصفوف تشترك في مفتاح: هذا هو k) وreidentify(released, roll, columns=QUASI)، التي تُرجع قاموساً من السجل المنشور id إلى القائمة name لكل شخص في القائمة يظهر مفتاحه مرة واحدة بالضبط في released ومرة واحدة بالضبط في roll.
سيفتح هذا التمرين قريبا
أنهِ الدرس السابق ليفتح هذا الدرس. الدورة كاملة مجانية، ولا تحتاج إلى حساب، ويمكنك قراءة هذا الدرس الآن.
يقوم هذا المتصفح بحظر ملفات تعريف الارتباط لـ learn.floati.life، لذا لا يمكن فتح الدروس التي أنهيتها هنا بالترتيب. اسمح بملفات تعريف الارتباط لهذا الموقع وأعد التحميل.