La defensa
Por qué importa Las tres últimas lecciones mostraron que los nombres vuelven a través de las huellas digitales, los cuasi-identificadores y los hashes. Aquí tienes las herramientas que ayudan de verdad cuando construyes algo que guarda o comparte datos sobre personas. Cada una es sencilla, y cada una tiene un coste que deberías conocer.
Cuatro herramientas, una idea: compartir menos detalle
Piensa en un colegio que publica los resultados de un examen. Enumerar la nota de cada alumno, aunque sea sin nombres, permite a los compañeros deducir quién es quién. Decir "la media de la clase fue 64, y 3 alumnos sacaron la nota máxima" les dice a las familias lo que necesitan con mucho menos riesgo. Cada herramienta de aquí es una versión de eso.
1. Hash con clave (una sal secreta)
Sal: un texto extra que se mezcla con la entrada antes de calcular el hash, para que el mismo correo dé un hash distinto. Cuando la sal es un secreto que guarda una sola organización, a menudo se le llama clave o pimienta.
HMAC: una forma estándar de calcular un hash con una clave secreta. Python lo trae incluido: hmac.new(key, message, hashlib.sha256).hexdigest().
La tabla de búsqueda de la lección anterior solo funciona porque cualquiera puede calcular sha256(email). Con una clave secreta, alguien de fuera no puede calcular los hashes de los correos candidatos, así que la tabla no sirve. El coste: dos empresas ya no pueden emparejar clientes a menos que compartan la clave, que a menudo es justo lo que se busca. Y solo protege contra los de fuera: quien tenga la clave todavía puede aplicar fuerza bruta.
2. Generalizar y luego suprimir: llegar a k
Generalización: sustituir los valores exactos por otros más gruesos: el código postal 40113 pasa a ser 4011*, la fecha de nacimiento 1987-03-03 pasa a ser 1980s.
Los valores más gruesos forman grupos más grandes. Pero algunos grupos siguen siendo diminutos (en nuestros datos, las personas con el género X son raras). Así que el segundo paso es la supresión: dejar fuera las filas cuyo grupo es menor que k. Después de los dos pasos, cada combinación que queda la comparten al menos k personas. Elegir k (5 y 10 son habituales) es una valoración del riesgo.
Límites honestos: si las k personas de un grupo tienen el mismo diagnóstico, el grupo lo sigue revelando. Y la supresión quita a las personas más raras, cuyos datos pueden ser los que más importan. El k-anonimato reduce el riesgo; no lo elimina.
3. Agregación
A menudo no necesitas filas para nada. Publica cuentas: "212 personas con asma". Combínalo con la supresión ("no publiques ninguna cuenta por debajo de 10") y muchos ataques desaparecen, porque no hay ninguna fila que unir con una lista pública.
4. La privacidad diferencial, explicada con suavidad
Las cuentas aún pueden filtrar. Si ayer la cuenta era 212 y hoy es 213, y sabes que se unió una persona, sabes su diagnóstico. La privacidad diferencial añade un poco de ruido aleatorio a cada número publicado, para que ninguna persona sola cambie el resultado de una forma que alguien pueda ver.
Privacidad diferencial: la promesa de que los resultados publicados se verían casi iguales tanto si se incluyeron los datos de una persona cualquiera como si no. Se consigue añadiendo un ruido aleatorio de tamaño cuidadosamente elegido.
Épsilon: el ajuste de privacidad. Un épsilon más pequeño significa más ruido y más privacidad; uno más grande, más precisión y menos privacidad.
El ruido clásico es la distribución de Laplace con escala 1 / epsilon. Un truco ingenioso la fabrica a partir de dos sorteos aleatorios normales: rng.expovariate(epsilon) - rng.expovariate(epsilon). Con épsilon 1, la cuenta publicada se desvía de media en torno a 1; con épsilon 0,25, en torno a 4. Las medias de grupos grandes siguen siendo útiles, porque el ruido es pequeño comparado con ellas y se compensa.
Las pruebas te pasan como rng un objeto random.Random con semilla. Usar solo ese objeto hace que tu ruido se pueda repetir, así que la corrección es justa. La etapa 7 va más a fondo: los presupuestos de privacidad, y lo que pasa cuando respondes a muchas preguntas.
Una idea equivocada muy común
"El ruido arruina los datos." En un grupo diminuto sí, y de eso se trata: ahí es donde se podría exponer a las personas. En los totales grandes que la gente usa de verdad, unas pocas unidades de ruido apenas importan.
Pruébalo Cuando pases, llama a noisy_count(212, epsilon, rng) diez veces para cada épsilon 2, 0.5 y 0.1. Apunta la dispersión de las respuestas. ¿Qué épsilon aceptarías para un informe sobre un pueblo de 2.000 personas?
En otros lenguajes
JavaScript (Node):
const { createHmac } = require("crypto");
const keyedHash = (email, key) =>
createHmac("sha256", key).update(email.trim().toLowerCase()).digest("hex");
// Laplace noise from two exponential draws (use a seeded generator for tests)
const expo = (rate, rand) => -Math.log(1 - rand()) / rate;
const noisyCount = (n, eps, rand) => n + expo(eps, rand) - expo(eps, rand);Go:
mac := hmac.New(sha256.New, []byte(key))
mac.Write([]byte(strings.ToLower(strings.TrimSpace(email))))
hash := hex.EncodeToString(mac.Sum(nil))
noisy := float64(count) + r.ExpFloat64()/eps - r.ExpFloat64()/epsResumen
- Una clave secreta (HMAC) impide que los de fuera apliquen fuerza bruta a los correos con hash.
- Generaliza y luego suprime los grupos pequeños para llegar al k-anonimato; reduce el riesgo, no a cero.
- Publica cuentas en lugar de filas, y oculta las cuentas pequeñas.
- La privacidad diferencial añade ruido de escala 1/épsilon: los grupos diminutos se difuminan y las medias grandes siguen siendo útiles.
Escribe keyed_hash(email, key) (el hexadecimal HMAC-SHA256 del correo normalizado, con la clave en UTF-8), generalise(row) (un diccionario nuevo con zip = las 4 primeras cifras más *, birth_decade como "1980s", y gender y diagnosis sin cambios), suppress_small(rows, columns, k) (conserva, en orden, solo las filas cuyo grupo de valores iguales en columns tiene al menos k filas) y noisy_count(true_count, epsilon, rng) (añade ruido de Laplace de escala 1/epsilon sacado solo de rng).
¿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.
Este navegador está bloqueando las cookies de learn.floati.life, así que las lecciones que terminaste aquí no se pueden abrir en orden. Permite las cookies de este sitio y recarga.