Temario Lección 54 de 156 · Medir la privacidad, con honestidad
Medir la privacidad, con honestidad

k-anonimato

Por qué importa Las organizaciones suelen compartir datos después de "quitar los nombres", y lo llaman anónimo. Vas a ver, con datos sintéticos, lo rápido que tres datos corrientes vuelven a poner los nombres. Así es como han ocurrido reidentificaciones reales, y por eso existe la defensa de la lección 56.

La prueba del cotilleo

Alguien dice: "Una mujer de nuestra calle, nacida el 3 de marzo de 1981, acaba de recibir un diagnóstico." No se dio ningún nombre. Pero en una sola calle, ¿cuántas mujeres comparten esa fecha de nacimiento exacta? Probablemente una. Los detalles eran el nombre.

Cuasi-identificador: un dato que no es un nombre pero que, combinado con unos pocos más, señala a una persona. El código postal, la fecha de nacimiento completa y el género son el trío clásico.

Reidentificación: volver a poner nombres a datos que se publicaron sin ellos, normalmente uniéndolos con otra lista que sí tiene nombres.

Un estudio famoso de Latanya Sweeney en 2000 estimó que alrededor del 87 % de las personas de Estados Unidos se podían señalar solo con el código postal, la fecha de nacimiento y el género. Un estudio posterior con datos del censo más recientes (Golle, 2006) lo dejó más cerca del 63 %: menos, pero todavía la mayoría de la gente, que es lo importante. Veremos el mismo efecto con datos inventados.

Los datos de práctica

synthetic_people(2000) construye una tabla de salud inventada: id, name, zip, birth_date, gender, diagnosis. Nadie de ella es real. La "anonimizamos" de la forma ingenua, quitando el nombre. synthetic_public_roll(people) construye una lista pública inventada, como el registro de un club, con nombres, código postal, fecha de nacimiento y género, pero sin diagnóstico.

Medir el riesgo: k

k-anonimato: una tabla es k-anónima cuando cada combinación de valores de los cuasi-identificadores la comparten al menos k filas. k = 1 significa que al menos una persona está sola, y se la puede encontrar.

Para encontrar k: agrupa las filas por su tupla de cuasi-identificadores, cuenta cada grupo y quédate con la cuenta más pequeña. Solo con ["gender"], k es grande. Con el código postal, la fecha de nacimiento y el género juntos, k baja a 1.

La unión

Para cada persona de la lista pública, construye su clave (zip, birth_date, gender) y búscala en la tabla publicada. Sé estricto: solo cuenta una coincidencia cuando la clave aparece exactamente una vez en la publicación y exactamente una vez en la lista. Así tienes la certeza. Si dos registros comparten la clave, no puedes saber cuál es cuál; si dos personas de la lista la comparten, no puedes saber quién es quién.

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

En cuanto el registro 17 tiene un nombre, su diagnóstico también lo tiene. Ese es todo el ataque: dos listas de aspecto inofensivo, una unión.

Una idea equivocada muy común

"Quitar los nombres, los correos y los teléfonos hace que los datos sean anónimos." Quita los identificadores obvios, pero las columnas que quedan aún pueden señalar a personas. Que unos datos sean anónimos depende de qué otras cosas haya por ahí con las que unirlos, y por eso la lección 56 cambia los propios datos.

Pruébalo Cuando pases, cambia el fraction de la lista de 0.6 a 0.2 y vuelve a ejecutarlo. El número de coincidencias baja, pero la proporción de personas de la lista que reidentificas apenas cambia. A cada persona la exponen sus propios detalles, no el tamaño de la lista.

En otros lenguajes

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;
}

Pensando al estilo SQL en 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

Resumen

  • Los cuasi-identificadores (código postal, fecha de nacimiento, género) pueden señalar a personas sin un nombre.
  • k es el tamaño del grupo más pequeño que comparte los mismos cuasi-identificadores; k = 1 significa que alguien queda expuesto.
  • Unir una tabla sin nombres con una lista pública con nombres reidentifica a personas.
  • Quitar los nombres no es anonimizar. Aquí solo hay datos sintéticos; la defensa viene después.
Tu turno

Escribe quasi_key(row, columns) (una tupla de los valores), smallest_group(rows, columns) (el tamaño del grupo más pequeño de filas que comparten una clave: eso es k) y reidentify(released, roll, columns=QUASI), que devuelve un diccionario del id del registro publicado al name de la lista para cada persona de la lista cuya clave aparece exactamente una vez en released y exactamente una vez en roll.

¿Has visto un problema en esta lección? Avísanos · Preguntar sobre esta lección

Este ejercicio se abre pronto

Termina la lección anterior y esta se desbloquea. Todo el curso es gratis, no hace falta cuenta, y puedes leer esta lección ahora mismo.