k-anonimiteit
Waarom dit ertoe doet Organisaties delen vaak data na het "verwijderen van namen" en noemen het anoniem. Je zult zien hoe snel drie gewone feiten de namen terugplaatsen op synthetische data. Dit is hoe echte heridentificatie is gebeurd, en waarom de verdediging in les 56 bestaat.
De roddeltest
Iemand zegt: "Een vrouw in onze straat, geboren op 3 maart 1981, heeft net een diagnose gekregen." Er werd geen naam genoemd. Maar op één straat, hoeveel vrouwen delen die exacte verjaardag? Waarschijnlijk één. De details waren de naam.
Quasi-identifier: een feit dat geen naam is maar, gecombineerd met een paar andere, naar één persoon wijst. Postcode, volledige geboortedatum en geslacht zijn de klassieke drie.
Re-identification: het terugzetten van namen op data die zonder namen is vrijgegeven, meestal door het te koppelen aan een andere lijst die namen heeft.
Een bekende studie van Latanya Sweeney in 2000 schatte dat ongeveer 87% van de mensen in de Verenigde Staten geïdentificeerd kon worden aan de hand van alleen de postcode, geboortedatum en geslacht. Een latere studie met nieuwere censusgegevens (Golle, 2006) plaatste dit dichter bij 63%: lager, maar nog steeds de meeste mensen, wat het punt is. We zullen hetzelfde effect zien op fictieve data.
De praktijkdata
synthetic_people(2000) bouwt een verzonnen gezondheidstabel: id, name, zip, birth_date, gender, diagnosis. Niemand erin is echt. We "anonimiseren" het op de naïeve manier door de naam te verwijderen. synthetic_public_roll(people) bouwt een verzonnen openbare lijst, zoals een clubregister, met namen, postcode, geboortedatum en geslacht, maar geen diagnose.
Het risico meten: k
k-anonymity: een tabel is k-anoniem wanneer elke combinatie van quasi-identifier waarden wordt gedeeld door ten minste k rijen. k = 1 betekent dat ten minste één persoon alleen is en gevonden kan worden.
Om k te vinden: groepeer rijen op hun quasi-identifier tuple, tel elke groep en neem de kleinste telling. Met ["gender"] alleen is k groot. Met zip, geboortedatum en geslacht samen daalt k naar 1.
De join
Voor elke persoon op de openbare lijst bouw je hun sleutel (zip, birth_date, gender) en zoek je deze in de vrijgegeven tabel. Wees streng: tel een match alleen als de sleutel precies één keer in de release en precies één keer op de lijst voorkomt. Dan weet je het zeker. Als twee records dezelfde sleutel delen, kun je niet zien welke welke is; als twee personen op de lijst deze delen, kun je niet zien wie wie is.
reidentify(released, roll)
# {17: 'Mei Patel', 203: 'Omar Novak', ...} record id -> nameZodra record 17 een naam heeft, krijgt de diagnose er ook een. Dat is de hele aanval: twee onschadelijk uitziende lijsten, één join.
A veelvoorkomende misvatting
"Het verwijderen van namen, e-mails en telefoonnummers maakt data anoniem." Het verwijdert de duidelijke identificatiegegevens, maar de overgebleven kolommen kunnen mensen nog steeds identificeren. Of data anoniem is, hangt af van wat er nog meer beschikbaar is om het ermee te koppelen, dat is waarom les 56 de data zelf verandert.
Probeer het Als je slaagt, verander de fraction van de roll van 0.6 naar 0.2 en voer het opnieuw uit. Het aantal matches daalt, maar het aandeel roll mensen dat je opnieuw identificeert verandert nauwelijks. Elke persoon wordt blootgesteld door hun eigen details, niet door hoe groot de list is.
In andere talen
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;
}SQL-stijl denken in 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 sideSamenvatting
- Quasi-identifiers (postcode, geboortedatum, geslacht) kunnen individuen identificeren zonder een naam.
- k is de grootte van de kleinste groep die dezelfde quasi-identifiers deelt; k = 1 betekent dat iemand wordt blootgesteld.
- Het koppelen van een tabel zonder namen aan een openbare lijst met namen identificeert mensen opnieuw.
- Namen weghalen is geen anonimisering. Alleen synthetische data hier; de verdediging is nu.
Schrijf quasi_key(row, columns) (tuple van de waarden), smallest_group(rows, columns) (de grootte van de kleinste groep rijen die een sleutel delen: dat is k) en reidentify(released, roll, columns=QUASI), en retourneer een dictionary van vrijgegeven record id tot rol name voor elke rol persoon waarvan de sleutel precies één keer voorkomt in released en precies één keer in roll.
Een probleem ontdekt in deze les? Meld het · Vraag naar deze les
Deze oefening opent binnenkort
Maak de les ervoor af voordat deze wordt ontgrendeld. De hele cursus is gratis, geen account nodig, en je kunt deze les nu lezen.
Deze browser blokkeert cookies voor learn.floati.life, dus lessen die je hier hebt afgerond kunnen niet in de juiste volgorde worden geopend. Sta cookies toe voor deze site en laad de pagina opnieuw.