Silabus Pelajaran 54 dari 156 · Ukur privasi, jujur saja.
Ukur privasi, jujur saja.

k-anonymity

Kenapa ini penting Organisasi sering membagikan data setelah "menghapus nama", dan menyebutnya anonim. Kamu akan melihat, pada data sintetis, seberapa cepat tiga fakta biasa mengembalikan nama tersebut. Inilah cara re-identifikasi nyata terjadi, dan mengapa pertahanan di pelajaran 56 ada.

Tes gosip

Seseorang bilang: "Seorang wanita di jalan kita, lahir pada 3 Maret 1981, baru saja didiagnosis." Tidak ada nama yang diberikan. Tapi di satu jalan, berapa banyak wanita yang berbagi tanggal lahir yang sama persis? Mungkin satu. Detailnya adalah nama.

Quasi-identifier: fakta yang bukan nama tapi, jika digabung dengan beberapa hal lain, merujuk ke satu orang. Kode pos, tanggal lahir lengkap dan jenis kelamin adalah tiga yang klasik.

Re-identification: memasang kembali nama pada data yang dirilis tanpa nama, biasanya dengan menggabungkannya ke daftar lain yang punya nama.

Sebuah studi terkenal oleh Latanya Sweeney pada tahun 2000 memperkirakan sekitar 87% orang di Amerika Serikat bisa diidentifikasi hanya dengan kode pos, tanggal lahir, dan jenis kelamin. Studi berikutnya dengan data sensus yang lebih baru (Golle, 2006) menunjukkan angka mendekati 63%: lebih rendah, tapi tetap sebagian besar orang, dan itulah poinnya. Kita akan melihat efek yang sama pada data buatan.

Data latihannya

synthetic_people(2000) membuat tabel kesehatan buatan: id, name, zip, birth_date, gender, diagnosis. Tidak ada orang asli di dalamnya. Kita "menganonimkan" tabel itu dengan cara naif, yaitu dengan menghapus nama. synthetic_public_roll(people) membuat daftar publik buatan, seperti daftar klub, dengan nama, zip, tanggal lahir dan jenis kelamin, tapi tanpa diagnosis.

Mengukur risiko: k

k-anonymity: sebuah tabel bersifat k-anonymous jika setiap kombinasi nilai quasi-identifier dimiliki oleh setidaknya k baris. k = 1 berarti setidaknya satu orang sendirian, dan bisa ditemukan.

Untuk mencari k: kelompokkan baris berdasarkan tuple quasi-identifier mereka, hitung setiap kelompok, dan ambil jumlah terkecil. Dengan ["gender"] saja, k bernilai besar. Dengan zip, tanggal lahir dan jenis kelamin bersamaan, k turun ke 1.

Gabung

Untuk setiap orang di daftar publik, buat kunci (zip, birth_date, gender) mereka dan cari di tabel yang dirilis. Harus teliti: hanya hitung kecocokan jika kunci muncul tepat satu kali di rilis dan tepat satu kali di daftar. Baru kamu bisa yakin. Jika dua catatan memiliki kunci yang sama, kamu tidak bisa membedakannya; jika dua orang di daftar memiliki kunci yang sama, kamu tidak bisa membedakan siapa siapa.

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

Setelah record 17 punya nama, diagnosisnya juga punya. Itulah seluruh serangannya: dua daftar yang terlihat tidak berbahaya, satu join.

Kesalahpahaman umum

"Menghapus nama, email, dan nomor telepon membuat data menjadi anonim." Ini menghapus pengenal yang jelas, tapi kolom yang tersisa masih bisa mengidentifikasi orang. Apakah data itu anonim tergantung pada data lain yang ada untuk digabungkan dengannya, itulah sebabnya pelajaran 56 mengubah data itu sendiri.

Coba sendiri Kalau kamu lulus, ubah fraction roll dari 0.6 ke 0.2 dan jalankan lagi. Jumlah kecocokan berkurang, tapi bagian orang yang kamu identifikasi ulang hampir tidak berubah. Setiap orang terekspos oleh detail mereka sendiri, bukan oleh seberapa besar daftar tersebut.

Di bahasa lain

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;
}

Pemikiran gaya SQL di 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

Ringkasan

  • Quasi-identifiers (zip, birth date, gender) bisa mengidentifikasi orang secara spesifik tanpa nama.
  • k adalah ukuran grup terkecil yang berbagi quasi-identifiers yang sama; k = 1 berarti seseorang terekspos.
  • Menggabungkan tabel tanpa nama ke daftar publik dengan nama akan mengidentifikasi ulang orang.
  • Menghapus nama bukan anonimisasi. Hanya data sintetis di sini; pertahanannya selanjutnya.
Giliranku

Tulis quasi_key(row, columns) (tuple dari nilai-nilainya), smallest_group(rows, columns) (ukuran grup baris terkecil yang berbagi kunci: yaitu k) dan reidentify(released, roll, columns=QUASI), mengembalikan dict dari record yang dilepaskan id untuk roll name untuk setiap orang roll yang kuncinya muncul tepat satu kali di released dan tepat satu kali di roll.

Ada masalah di pelajaran ini? Laporkan · Tanya tentang pelajaran ini

Latihan ini akan segera dibuka

Selesaikan pelajaran sebelumnya agar pelajaran ini terbuka. Seluruh kursus ini gratis, tidak butuh akun, dan kamu bisa baca pelajaran ini sekarang.