Le k-anonymat
Pourquoi c'est important Les organisations partagent souvent des données après en avoir « retiré les noms », et les disent anonymes. Tu vas voir, sur des données synthétiques, à quelle vitesse trois faits ordinaires remettent les noms. C'est ainsi que de vraies réidentifications ont eu lieu, et c'est pourquoi la défense de la leçon 56 existe.
Le test du commérage
Quelqu'un dit : « Une femme de notre rue, née le 3 mars 1981, vient de recevoir un diagnostic. » Aucun nom n'a été donné. Mais dans une seule rue, combien de femmes partagent exactement cette date de naissance ? Probablement une. Les détails étaient le nom.
Quasi-identifiant : un fait qui n'est pas un nom mais qui, combiné à quelques autres, désigne une seule personne. Le code postal, la date de naissance complète et le genre sont le trio classique.
Réidentification : remettre des noms sur des données publiées sans eux, en général en les joignant à une autre liste qui a les noms.
Une étude célèbre de Latanya Sweeney en 2000 a estimé qu'environ 87 % des personnes aux États-Unis pouvaient être isolées par leur seul code postal, leur date de naissance et leur genre. Une étude plus tardive avec des données de recensement plus récentes (Golle, 2006) a donné plutôt 63 % : moins, mais toujours la majorité, et c'est tout le propos. On verra le même effet sur des données inventées.
Les données d'entraînement
synthetic_people(2000) construit une table de santé inventée : id, name, zip, birth_date, gender, diagnosis. Personne n'y est réel. On l'« anonymise » de façon naïve, en retirant le nom. synthetic_public_roll(people) construit une liste publique inventée, comme le registre d'un club, avec les noms, le code postal, la date de naissance et le genre, mais pas de diagnostic.
Mesurer le risque : k
k-anonymat : une table est k-anonyme quand chaque combinaison de valeurs des quasi-identifiants est partagée par au moins k lignes. k = 1 veut dire qu'au moins une personne est seule, et peut être retrouvée.
Pour trouver k : regroupe les lignes par leur tuple de quasi-identifiants, compte chaque groupe, et prends le plus petit compte. Avec ["gender"] seul, k est grand. Avec le code postal, la date de naissance et le genre ensemble, k tombe à 1.
La jointure
Pour chaque personne du registre public, construis sa clé (zip, birth_date, gender) et cherche-la dans la table publiée. Sois strict : ne compte une correspondance que quand la clé apparaît exactement une fois dans la publication et exactement une fois dans le registre. Alors tu es sûr. Si deux enregistrements partagent la clé, tu ne peux pas dire lequel est lequel ; si deux personnes du registre la partagent, tu ne peux pas dire qui est qui.
reidentify(released, roll)
# {17: 'Mei Patel', 203: 'Omar Novak', ...} record id -> nameUne fois que l'enregistrement 17 a un nom, son diagnostic en a un aussi. C'est toute l'attaque : deux listes d'apparence inoffensive, une jointure.
Une idée reçue
« Retirer les noms, les e-mails et les numéros de téléphone rend les données anonymes. » Ça retire les identifiants évidents, mais les colonnes restantes peuvent encore isoler les gens. Que des données soient anonymes ou non dépend de ce qui existe d'autre pour les joindre, c'est pourquoi la leçon 56 change les données elles-mêmes.
Essaie Une fois réussi, change la fraction du registre de 0.6 à 0.2 et relance. Le nombre de correspondances baisse, mais la part des personnes du registre que tu réidentifies change à peine. Chaque personne est exposée par ses propres détails, pas par la taille de la liste.
Dans d'autres langages
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;
}Une logique de style 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 sideRécap
- Les quasi-identifiants (code postal, date de naissance, genre) peuvent isoler des gens sans nom.
- k est la taille du plus petit groupe qui partage les mêmes quasi-identifiants ; k = 1 veut dire que quelqu'un est exposé.
- Joindre une table sans noms à une liste publique avec noms réidentifie les gens.
- Retirer les noms n'est pas anonymiser. Données synthétiques uniquement ici ; la défense arrive ensuite.
Écris quasi_key(row, columns) (un tuple des valeurs), smallest_group(rows, columns) (la taille du plus petit groupe de lignes qui partagent une clé : c'est k) et reidentify(released, roll, columns=QUASI), qui renvoie un dict de l'id d'enregistrement publié vers le name du registre pour chaque personne du registre dont la clé apparaît exactement une fois dans released et exactement une fois dans roll.
Tu as repéré un problème dans cette leçon ? Signale-le · Pose une question sur cette leçon
Cet exercice s'ouvre bientôt
Termine la leçon précédente pour débloquer celle-ci. Tout le cours est gratuit, aucun compte n'est requis, et tu peux lire cette leçon dès maintenant.
Ce navigateur bloque les cookies pour learn.floati.life, donc les leçons que tu as terminées ici ne peuvent pas s'ouvrir dans l'ordre. Autorise les cookies pour ce site et recharge la page.