大数据安全与隐私保护 ¶

约 987 个字预计阅读时间 4 分钟

数据脱敏与匿名化 ¶

数据以表的形式表示，每一行表示一条记录（record），每一列表示一个属性（attribute）。每一个记录与一个特定用户 / 个体关联。这些属性可以分为三类：

标识符（explicit identifiers）：可以直接确定一个个体。如：身份证号，姓名等。
准标识符集（quasi-identifler attribute set )：可以和外部表连接来识别个体的最小属性集。如 Figure1 中的 { 邮编、生日、性别 }。
敏感数据：用户不希望被人知道的数据。如：薪水、年龄等。可以认为数据表中除了标识符和准标识符之外都是敏感数据。

当公开数据表时，应避免用户的敏感数据被公开（disclosure），也即不能让观察者（observer）者将某条记录和一个确定的用户联系起来。信息公开（information disclosure）可以分为两类：

另外需要注意的是，我们应当尽量使观察者无法将记录与用户进行连接，而不是使观察者获得错误的信息。因为即使错误的信息也可能给用户带来困扰（比如一个积极阳光的社会主义好青年，天天被推送小电影，这不是坑害祖国的花朵吗！）。

经过泛化后，有多条纪录的准标识列属性值相同，所有准标识列属性值相同的行的集合被称为相等集。K-Anonymity 要求对于任意一行纪录，其所属的相等集内纪录数量不小于 k

以下三点：

攻击者无法知道某个人是否在公开的数据中
给定一个人，攻击者无法确认他是否有某项敏感属性
攻击者无法确认某条数据对应的是哪个人（这条假设攻击者除了准标识符信息之外对其他数据一无所知，举个例子，如果所有用户的偏好都是购买电子产品，那么 k-anonymity 也无法保证隐私没有泄露）

同质化攻击：某个 k- 匿名组内对应的敏感属性的值也完全相同，这使得攻击者可以轻易获取想要的信息。
背景知识攻击：即使 k- 匿名组内的敏感属性值并不相同，攻击者也有可能依据其已有的背景知识以高概率获取到其隐私信息。
未排序匹配攻击：当公开的数据记录和原始记录的顺序一样的时候，攻击者可以猜出匿名化的记录是属于谁。例如如果攻击者知道在数据中小明是排在小白前面，那么他就可以确认，小明的购买偏好是电子产品，小白是家用电器。解决方法也很简单，在公开数据之前先打乱原始数据的顺序就可以避免这类的攻击。
补充数据攻击：假如公开的数据有多种类型，如果它们的 k-anonymity 方法不同，那么攻击者可以通过关联多种数据推测用户信息。

\[ Entropy(E)=-\sum_{s\in S}p(E,s)\log (p(E,s))\ge\log (l) \]