k-匿名性
なぜ大切か 組織はよく「名前を消した」データを共有し、それを匿名と呼びます。合成データで、3 つのありふれた事実がどれほど早く名前を取り戻すかを見ます。これは本物の再識別が起きてきた仕組みで、レッスン 56 の防御がある理由です。
うわさ話のテスト
誰かが言います。「うちの通りの、1981 年 3 月 3 日生まれの女性が、診断を受けたばかりなんだって」。名前は出ていません。でもひとつの通りで、その誕生日がぴったり同じ女性は何人いるでしょうか? たぶん 1 人です。細部が名前だったのです。
準識別子:名前ではないけれど、ほかのいくつかと組み合わせるとひとりの人を指す事実です。郵便番号、完全な生年月日、性別が、古典的な 3 つです。
再識別:名前なしで公開されたデータに、ふつうは名前のある別のリストと結合することで、名前を取り戻すことです。
2000 年の Latanya Sweeney による有名な研究は、米国の人のおよそ 87% が、郵便番号、生年月日、性別だけで特定できると見積もりました。新しい国勢調査のデータを使った後の研究(Golle、2006 年)はそれを 63% 近くとしました。低くはなりましたが、それでもほとんどの人で、そこが要点です。でっち上げのデータで同じ効果を見ます。
練習用のデータ
synthetic_people(2000) は、架空の健康の表 id, name, zip, birth_date, gender, diagnosis を作ります。中に本物の人は誰もいません。素朴なやり方、つまり名前を消すことでそれを「匿名化」します。synthetic_public_roll(people) は、クラブの名簿のような架空の公開リストを作ります。名前、郵便番号、生年月日、性別はありますが、診断はありません。
危険を測る:k
k-匿名性:準識別子の値のどの組み合わせも、少なくとも k 行に共有されているとき、表は k-匿名です。k = 1 は、少なくとも 1 人がひとりきりで、見つけられるという意味です。
k を求めるには、行を準識別子のタプルでまとめ、各まとまりを数え、最も小さい数を取ります。["gender"] だけなら k は大きくなります。郵便番号、生年月日、性別を一緒にすると、k は 1 まで落ちます。
結合
公開名簿の各人について、キー (zip, birth_date, gender) を作り、公開された表の中でそれを探します。厳密にやります。キーが公開データに ちょうど一度、名簿に ちょうど一度 現れるときだけ一致として数えます。それなら確実です。2 つの記録がキーを共有していれば、どちらがどちらかわかりません。名簿の 2 人がキーを共有していれば、誰が誰かわかりません。
reidentify(released, roll)
# {17: 'Mei Patel', 203: 'Omar Novak', ...} record id -> name記録 17 に名前が付けば、その診断にも名前が付きます。それが攻撃のすべてです。無害に見える 2 つのリストと、ひとつの結合。
よくある誤解
「名前、メールアドレス、電話番号を消せばデータは匿名になる」。それは明らかな識別子を消しますが、残りの列でまだ人を特定できます。データが匿名かどうかは、結合できるほかのものが世の中に何があるかによります。だからレッスン 56 では、データそのものを変えます。
試してみよう 合格したら、名簿の fraction を 0.6 から 0.2 に変えてもう一度実行してください。一致の数は減りますが、名簿の人のうち再識別できる割合はほとんど変わりません。各人は、リストの大きさではなく、自分自身の細部によってさらされるのです。
ほかの言語では
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;
}C#(LINQ)での SQL 風の考え方:
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まとめ
- 準識別子(郵便番号、生年月日、性別)は、名前がなくても人を特定できます。
- k は、同じ準識別子を共有する最も小さいまとまりの大きさです。k = 1 は誰かがさらされているという意味です。
- 名前のない表を名前のある公開リストと結合すると、人が再識別されます。
- 名前を消すことは匿名化ではありません。ここでは合成データだけを使います。防御は次です。
quasi_key(row, columns)(値のタプル)、smallest_group(rows, columns)(キーを共有する行の最も小さいまとまりの大きさ。それが k です)、reidentify(released, roll, columns=QUASI) を書いてください。reidentify は、キーが released にちょうど一度、roll にちょうど一度現れる名簿のすべての人について、公開された記録の id から名簿の name への辞書を返します。
この演習はまもなく開きます
その前のレッスンを終えると、このレッスンが解放されます。コース全体が無料でアカウントも不要、このレッスンは今すぐ読めます。
このブラウザは learn.floati.life の Cookie をブロックしているため、ここで修了したレッスンを順番どおりに開けません。このサイトの Cookie を許可して再読み込みしてください。