Skip to content
بازگشت به نتایج جست‌وجو

ک-ناشناسی: حفاظت از حریم خصوصی فردی در داده‌های منتشر شده

معرفی‌شده توسط
Latanya Sweeney
سال
2002
نوع
Privacy-preserving data transformation
خانواده
Privacy-preserving analysis

این متن ترجمه ماشینی است و هنوز بازبینی نشده است. متن اصلی را به انگلیسی بخوانید

اندازه قلم

چه کاری انجام می‌دهد؟

ک-ناشناسی یک مدل رسمی حریم خصوصی است که در سال ۲۰۰۲ توسط لاتانیا سوینی معرفی شد تا از افراد هنگام انتشار داده‌های شخصی برای اهداف تحقیقاتی یا عمومی محافظت کند. این مدل ایجاب می‌کند که هر رکورد در یک مجموعه داده منتشر شده، با توجه به مجموعه‌ای از ویژگی‌های شبه‌شناسایی‌کننده - مانند سن، جنسیت و کد پستی - از حداقل k-1 رکورد دیگر قابل تشخیص نباشد و از شناسایی مجدد از طریق پیوند دادن داده‌های منتشر شده به منابع خارجی جلوگیری کند.

شهود پشت روش

تصور کنید یک عکس دسته‌جمعی از کلاس دارید که می‌خواهید آمار جمعیتی را بدون افشای هویت افراد منتشر کنید. ک-ناشناسی مانند محو کردن چهره‌ها عمل می‌کند تا زمانی که حداقل k دانش‌آموز در هر گروه ظاهری یکسان داشته باشند: حتی اگر یک مهاجم سن تقریبی و محله فردی را بداند، نمی‌تواند او را به طور دقیق مشخص کند - بلکه فقط می‌تواند او را به جمعیتی حداقل k نفره محدود کند و حداقل حفاظت تضمین شده‌ای از حریم خصوصی را فراهم آورد.

تاریخ

لاتانیا سوینی ک-ناشناسی را در مقاله سال ۲۰۰۲ خود معرفی کرد پس از آنکه نشان داد ۸۷٪ از آمریکایی‌ها را می‌توان تنها با استفاده از کد پستی، تاریخ تولد و جنسیت از سوابق ثبت نام رأی‌دهندگان عمومی به طور منحصربه‌فرد شناسایی کرد. این مدل شهود 'پنهان شدن در جمعیت' را رسمی کرد و خط غنی از افزونه‌ها را ایجاد کرد، از جمله ل-تنوع (Machanavajjhala et al., 2007)، ت-نزدیکی (Li et al., 2007)، و در نهایت توسعه حریم خصوصی تفاضلی را آگاه کرد زیرا محققان به دنبال تضمین‌های نظری قوی‌تر بودند.

چه زمانی استفاده شود

ک-ناشناسی زمانی مناسب است که داده‌های خرد جدولی باید به صورت عمومی یا با محققان خارجی به اشتراک گذاشته شوند و شناسایی مجدد از طریق شبه‌شناسایی‌کننده‌ها تهدید اصلی باشد. این مدل فرض می‌کند که دانش پیش‌زمینه مهاجم به مقادیر شبه‌شناسایی‌کننده موجود در مجموعه داده‌های عمومی خارجی محدود است. این مدل در برابر حملات افشای ویژگی (که توسط ل-تنوع یا ت-نزدیکی مورد بررسی قرار می‌گیرند) یا مهاجمان با دانش پیش‌زمینه غنی‌تر محافظت نمی‌کند. هنگامی که تحمل نویز آماری بر سرکوب دقیق ترجیح داده می‌شود، حریم خصوصی تفاضلی ممکن است جایگزین قوی‌تری باشد.

محدودیت‌ها و ملاحظات

  • آسیب‌پذیر در برابر حملات همگنی: اگر تمام k رکورد در یک کلاس هم‌ارزی دارای مقدار ویژگی حساس یکسان باشند، مهاجم با قطعیت آن مقدار را یاد می‌گیرد.
  • مستعد حملات دانش پیش‌زمینه زمانی که مهاجم اطلاعاتی فراتر از شبه‌شناسایی‌کننده‌های مورد استفاده برای تشکیل کلاس‌های هم‌ارزی در اختیار دارد.
  • تعمیم تهاجمی می‌تواند به شدت سودمندی داده را کاهش دهد، به ویژه برای مجموعه داده‌های با ابعاد بالا که در آن‌ها بسیاری از ویژگی‌ها به عنوان شبه‌شناسایی‌کننده عمل می‌کنند.
  • احتمال شناسایی مجدد را کمی نمی‌کند؛ پارامتر k یک آستانه شمارش است، نه یک معیار ریسک احتمالی.

شرایط منبع جایگزین بررسی علمی مستقل یا اعتبارسنجی توسط موتور تحلیل نیست.

نقاط قوت

  • یک تضمین حریم خصوصی قابل تأیید ریاضی و قطعی ارائه می‌دهد - هر رکورد منتشر شده از حداقل k-1 همتا قابل تشخیص نیست.
  • ساختار دقیق مجموعه داده اصلی را حفظ می‌کند و جدول ناشناس را مستقیماً با ابزارهای تحلیلی استاندارد قابل استفاده می‌سازد.
  • شفاف و قابل حسابرسی: انطباق را می‌توان با شمارش ساده رکوردها در هر کلاس هم‌ارزی و بدون ابزارهای رمزنگاری تخصصی بررسی کرد.
  • به طور گسترده در زمینه‌های بهداشت و درمان و سرشماری پذیرفته شده است، با ابزارهای بالغ و شناخت قانونی (به عنوان مثال، راهنمایی Safe Harbor HIPAA).

کاربردها

  • اشتراک‌گذاری داده‌های بیمارستانی و کارآزمایی بالینی: سوابق بیمار قبل از انتشار برای کنسرسیوم‌های تحقیقاتی یا نهادهای نظارتی، ک-ناشناس می‌شوند.
  • انتشار داده‌های خرد سرشماری: دفاتر آمار ملی، ک-ناشناسی را بر روی فایل‌های قابل استفاده عمومی اعمال می‌کنند تا با مقررات محدودیت افشا مطابقت داشته باشند.
  • خدمات مبتنی بر مکان: ردپاهای حرکتی ک-ناشناس می‌شوند تا از ردیابی دقیق جلوگیری شود و در عین حال الگوهای کلی سفر حفظ شود.
  • منابع انسانی و نظرسنجی حقوق و دستمزد: داده‌های جمعیتی کارکنان ناشناس می‌شوند تا بتوان معیارهای جبران خدمات را بدون افشای افراد منتشر کرد.
  • داده‌کاوی آموزشی: سوابق دانش‌آموزان قبل از اشتراک‌گذاری با ارائه‌دهندگان تجزیه و تحلیل شخص ثالث، ک-ناشناس می‌شوند تا با مقررات FERPA و موارد مشابه مطابقت داشته باشند.

چگونه کار می‌کند

چگونه کار می‌کند

1

متصدی داده ابتدا مشخص می‌کند که کدام ویژگی‌ها می‌توانند توسط یک مهاجم برای شناسایی مجدد افراد ترکیب شوند. این شبه‌شناسایی‌کننده‌ها (QI) - مانند سال تولد، جنسیت و کد پستی - به تنهایی کلیدهای منحصربه‌فرد نیستند، اما هنگام پیوند با پایگاه‌های داده خارجی می‌توانند فردی را مشخص کنند. ویژگی‌های حساس مانند تشخیص‌های پزشکی جداگانه نگهداری می‌شوند و بخشی از مجموعه QI نیستند.

فرمول
QI = \{a_1, a_2, \ldots, a_m\} \subseteq A
2

رکوردها به کلاس‌های هم‌ارزی گروه‌بندی می‌شوند: تمام تاپل‌هایی که مقادیر یکسان در تمام شبه‌شناسایی‌کننده‌ها دارند، در یک کلاس قرار می‌گیرند. الزام ک-ناشناسی ایجاب می‌کند که هر یک از این کلاس‌ها حداقل k رکورد داشته باشد. کلاس‌های با کمتر از k عضو، حریم خصوصی را نقض می‌کنند و باید قبل از انتشار اصلاح شوند.

فرمول
EC_i = \{t \in T : t[QI] = v_i\},\quad |EC_i| \geq k
3

برای رسیدن به آستانه k، متصدی از تعمیم - جایگزینی یک مقدار خاص با مقداری کمتر دقیق (به عنوان مثال، سن دقیق ۳۴ به محدوده ۳۰-۳۹ تبدیل می‌شود) - یا سرکوب، که مقادیر را به طور کامل حذف می‌کند، استفاده می‌کند. یک سلسله مراتب تعمیم که برای هر ویژگی تعریف شده است، نحوه کلی بودن جایگزینی را هدایت می‌کند و به دنبال کمترین اتلاف اطلاعات است که همچنان ک-ناشناسی را برآورده کند.

فرمول
g: dom(a_j) \rightarrow dom^*(a_j),\quad dom(a_j) \preceq dom^*(a_j)
4

پس از تبدیل، هر کلاس هم‌ارزی در جدول منتشر شده T* بررسی می‌شود تا تأیید شود که حداقل k رکورد دارد. اگر هر کلاسی همچنان کمتر از k باشد، تعمیم یا سرکوب بیشتری به صورت تکراری اعمال می‌شود تا زمانی که کل مجموعه داده این ویژگی را برآورده کند. سپس جدول تأیید شده تحت تضمین ک-ناشناسی برای انتشار ایمن است.

فرمول
\forall\, EC_i \subseteq T^*:\; |EC_i| \geq k

دام‌های رایج

  • انتخاب k بسیار کوچک، تضمین‌های حریم خصوصی ضعیفی را ارائه می‌دهد در حالی که k بسیار بزرگ ممکن است سودمندی تحلیلی را از بین ببرد - انتخاب k نیازمند ارزیابی ریسک خاص دامنه است.
  • حذف یک شبه‌شناسایی‌کننده که در یک مجموعه داده خارجی موجود است، حس امنیت کاذب ایجاد می‌کند؛ شناسایی QI باید جامع و آگاه از زمینه باشد.
  • اعمال ک-ناشناسی بر روی مجموعه داده‌های طولی یا پیوند داده شده بدون در نظر گرفتن پیوند زمانی می‌تواند منجر به شناسایی مجدد در طول انتشارها شود.
  • در نظر گرفتن ک-ناشناسی به عنوان کافی برای دسته‌های حساس مانند داده‌های بهداشتی یا مالی بدون لایه‌بندی حفاظت‌های اضافی (ل-تنوع، ت-نزدیکی، یا حریم خصوصی تفاضلی) تحت استانداردهای مدرن ناکافی است.

پرسش‌های متداول

چگونه مقدار k را انتخاب کنم؟

انتخاب k به مدل مهاجم، اندازه مجموعه داده و اتلاف سودمندی قابل قبول بستگی دارد. مقادیر کوچک k (به عنوان مثال، k=2 یا k=5) تضمین‌های ضعیفی را در محیط‌های داده خارجی غنی ارائه می‌دهند، در حالی که مقادیر بزرگ k (به عنوان مثال، k=50 یا k=100) خطر شناسایی مجدد را به طور قابل توجهی کاهش می‌دهند اما ممکن است داده‌ها را بیش از حد تعمیم دهند. چارچوب‌های نظارتی مانند اسناد راهنمای HIPAA و GDPR اغلب k≥5 را به عنوان یک خط پایه پیشنهاد می‌کنند، اما ارزیابی‌های ریسک خاص دامنه باید انتخاب نهایی را هدایت کند.

تفاوت ک-ناشناسی و حریم خصوصی تفاضلی چیست؟

ک-ناشناسی یک تضمین نحوی مبتنی بر عدم تشخیص رکورد در مجموعه داده منتشر شده است و هیچ حد احتمالی رسمی برای نشت اطلاعات ارائه نمی‌دهد. حریم خصوصی تفاضلی یک تضمین معنایی و احتمالی است که محدودیت می‌کند که چگونه گنجاندن هر فرد منفرد، توزیع خروجی یک مکانیزم را تغییر می‌دهد. حریم خصوصی تفاضلی به طور کلی قوی‌تر در نظر گرفته می‌شود اما نویز آماری را معرفی می‌کند، در حالی که ک-ناشناسی مقادیر دقیق داده را با هزینه تعمیم یا سرکوب حفظ می‌کند.

آیا ک-ناشناسی را می‌توان برای داده‌های بدون ساختار یا با ابعاد بالا اعمال کرد؟

ک-ناشناسی برای داده‌های خرد جدولی ساختاریافته طراحی شده است. اعمال آن بر جداول با ابعاد بالا (بسیاری از شبه‌شناسایی‌کننده‌ها) از نفرین ابعاد رنج می‌برد: کلاس‌های هم‌ارزی به سرعت کوچک می‌شوند و مجبور به تعمیم شدید می‌شوند که سودمندی را از بین می‌برد. برای داده‌های بدون ساختار (متن، تصاویر) یا فضاهای ویژگی با ابعاد بسیار بالا، تکنیک‌های حفظ حریم خصوصی جایگزین مانند حریم خصوصی تفاضلی، یادگیری فدرال یا تولید داده‌های مصنوعی معمولاً مناسب‌تر هستند.

روش‌های مرتبط

منابع

  1. Sweeney, L. (2002). k-anonymity: A model for protecting privacy. International Journal of Uncertainty, Fuzziness and Knowledge-Based Systems, 10(5), 557–570.

    باز کردن مرجع DOI
    کپی شد.