سرفصل‌ها درس 54 از 156 · حریم خصوصی را صادقانه اندازه بگیرید
حریم خصوصی را صادقانه اندازه بگیرید

k-گمنامی

چرا مهم است سازمان‌ها اغلب داده را پس از «حذف نام‌ها» به اشتراک می‌گذارند، و آن را گمنام می‌نامند. روی دادهٔ مصنوعی خواهید دید سه واقعیت معمولی چقدر سریع نام‌ها را برمی‌گردانند. شناسایی دوبارهٔ واقعی همین‌طور رخ داده، و به همین دلیل دفاع درس 56 وجود دارد.

آزمون شایعه

کسی می‌گوید: «زنی در خیابان ما، متولد 3 مارس 1981، تازه یک تشخیص بیماری گرفته.» هیچ نامی گفته نشد. اما در یک خیابان، چند زن دقیقاً همان تاریخ تولد را دارند؟ احتمالاً یک نفر. جزئیات همان نام بودند.

شبه‌شناسه (quasi-identifier): واقعیتی که نام نیست اما، با چند واقعیت دیگر ترکیب شود، به یک نفر اشاره می‌کند. کد پستی (zip code)، تاریخ تولد کامل و جنسیت سه‌تایی کلاسیک‌اند.

شناسایی دوباره (re-identification): برگرداندن نام‌ها به داده‌ای که بدون آن‌ها منتشر شد، معمولاً با پیونددادنش به فهرست دیگری که نام دارد.

پژوهشی مشهور از Latanya Sweeney در 2000 برآورد کرد که حدود 87% مردم در ایالات متحده را می‌توان فقط با کد پستی، تاریخ تولد و جنسیت جدا کرد. پژوهشی بعدی با دادهٔ سرشماری تازه‌تر (Golle، 2006) آن را نزدیک‌تر به 63% دانست: کمتر، اما همچنان بیشتر مردم، که نکته همین است. همین اثر را روی دادهٔ ساختگی خواهیم دید.

دادهٔ تمرینی

synthetic_people(2000) یک جدول سلامت ساختگی می‌سازد: id, name, zip, birth_date, gender, diagnosis. هیچ‌کس در آن واقعی نیست. آن را به شیوهٔ ساده‌لوحانه «گمنام» می‌کنیم، با حذف نام. synthetic_public_roll(people) یک فهرست عمومی ساختگی می‌سازد، مثل دفتر ثبت یک باشگاه، با نام‌ها، کد پستی، تاریخ تولد و جنسیت، اما بدون تشخیص بیماری.

اندازه‌گیری خطر: k

k-گمنامی (k-anonymity): یک جدول وقتی k-گمنام است که هر ترکیبی از مقدارهای شبه‌شناسه میان دست‌کم k سطر مشترک باشد. k = 1 یعنی دست‌کم یک نفر تنهاست، و می‌توان پیدایش کرد.

برای پیداکردن k: سطرها را بر اساس تاپل شبه‌شناسه‌شان گروه‌بندی کنید، هر گروه را بشمارید، و کوچک‌ترین شمارش را بگیرید. با ["gender"] به‌تنهایی، k بزرگ است. با کد پستی، تاریخ تولد و جنسیت با هم، k به 1 می‌افتد.

پیونددادن

برای هر نفر در فهرست عمومی، کلیدش (zip, birth_date, gender) را بسازید و آن را در جدول منتشرشده جست‌وجو کنید. سخت‌گیر باشید: فقط وقتی یک جورشدن را بشمارید که کلید دقیقاً یک بار در انتشار و دقیقاً یک بار در فهرست ظاهر شود. آن‌وقت مطمئنید. اگر دو سابقه کلید را مشترک داشته باشند، نمی‌توانید بگویید کدام کدام است؛ اگر دو نفر در فهرست آن را مشترک داشته باشند، نمی‌توانید بگویید چه کسی کیست.

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

وقتی سابقهٔ 17 نامی داشته باشد، تشخیص بیماری‌اش هم دارد. کل حمله همین است: دو فهرست به ظاهر بی‌خطر، یک پیونددادن.

یک تصور نادرست رایج

«حذف نام‌ها، ایمیل‌ها و شماره تلفن‌ها داده را گمنام می‌کند.» شناسه‌های آشکار را حذف می‌کند، اما ستون‌های باقی‌مانده همچنان می‌توانند آدم‌ها را جدا کنند. اینکه داده گمنام است یا نه به این بستگی دارد که چه چیز دیگری برای پیونددادنش وجود دارد، و به همین دلیل درس 56 خود داده را تغییر می‌دهد.

امتحان کنید وقتی قبول شدید، fraction فهرست را از 0.6 به 0.2 تغییر دهید و دوباره اجرا کنید. تعداد جورشدن‌ها می‌افتد، اما سهم آدم‌های فهرست که دوباره شناسایی می‌کنید به‌سختی تغییر می‌کند. هر نفر با جزئیات خودش در معرض قرار می‌گیرد، نه با بزرگی فهرست.

در زبان‌های دیگر

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;
}

تفکر به سبک SQL در 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

خلاصه

  • شبه‌شناسه‌ها (کد پستی، تاریخ تولد، جنسیت) می‌توانند آدم‌ها را بدون نام جدا کنند.
  • k اندازهٔ کوچک‌ترین گروهی است که همان شبه‌شناسه‌ها را مشترک دارند؛ k = 1 یعنی کسی در معرض است.
  • پیونددادن یک جدول بی‌نام به یک فهرست عمومی با نام آدم‌ها را دوباره شناسایی می‌کند.
  • حذف نام‌ها گمنام‌سازی نیست. اینجا فقط دادهٔ مصنوعی؛ دفاع در درس بعد است.
نوبت شما

quasi_key(row, columns) (تاپلی از مقدارها)، smallest_group(rows, columns) (اندازهٔ کوچک‌ترین گروه سطرهایی که یک کلید را مشترک دارند: همان k) و reidentify(released, roll, columns=QUASI) را بنویسید، که یک dict از id سابقهٔ منتشرشده به name فهرست برمی‌گرداند، برای هر نفری در فهرست که کلیدش دقیقاً یک بار در released و دقیقاً یک بار در roll ظاهر می‌شود.

مشکلی در این درس دیدید؟ گزارشش کنید · دربارهٔ این درس بپرسید

این تمرین به‌زودی باز می‌شود

درس پیش از آن را تمام کنید تا این یکی باز شود. کل دوره رایگان است، حساب کاربری لازم نیست، و می‌توانید همین الان این درس را بخوانید.