Die Re-Identifikations-Risikoanalyse, oder einfach eine Risikoanalyse, ist der Prozess der Analyse sensibler Daten, um Attribute zu finden, die das Risiko der Identifizierung von Personen erhöhen können. Sie können Risikoanalyseverfahren vor der De-Identifikation verwenden, um eine effektive De-Identifikationsstrategie zu ermitteln, oder nach der De-Identifikation, um sie auf Änderungen oder Ausreißer zu prüfen.
Sensitive Data Protection kann vier Messwerte für das Re-Identifikationsrisiko berechnen: k-Anonymität, l-Diversität, k-Map und δ-Präsenz. Wenn Sie mit der Risikoanalyse oder einem dieser Messwerte nicht vertraut sind, lesen Sie das Thema Konzept der Risikoanalyse, bevor Sie fortfahren.
In diesem Abschnitt finden Sie eine Übersicht darüber, wie Sie Sensitive Data Protection für die Risikoanalyse strukturierter Daten mit diesen Messwerten verwenden, sowie weitere relevante Themen.
Risiko der Re-Identifikation berechnen
Sensitive Data Protection kann Ihre in BigQuery-Tabellen gespeicherten strukturierten Daten analysieren und die folgenden Messwerte für das Re-Identifikationsrisiko berechnen. Klicken Sie auf den Link für den Messwert, den Sie berechnen möchten, um weitere Informationen zu erhalten.
| Messwert | Beschreibung |
|---|---|
| k-Anonymität | Diese Attribut eines Datasets gibt Auskunft über die Re-Identifizierbarkeit der darin enthaltenen Datensätze. Ein Dataset ist k-anonym, wenn Quasi-Identifikatoren für jede im Dataset gespeicherte Person mit jenen von mindestens k – 1 weiteren in demselben Dataset gespeicherten Personen identisch sind. |
| l-Diversität | Erweiterung der k-Anonymität, die zusätzlich die Vielfalt sensibler Werte für jede Spalte misst, in der sie auftreten. Ein Dataset hat l-Diversität, wenn in allen Zeilengruppen mit identischen Quasi-Identifikatoren mindestens l verschiedene Werte für jedes Sensibilitätsattribut vorhanden sind. |
| k-map | Berechnet das Risiko der Re-Identifizierbarkeit durch Vergleich eines bestimmten de-identifizierten Datasets mit einem größeren Re-Identifikations- oder sogenannten "Angriffs"-Dataset. |
| δ-Präsenz | Dieser Messwert ist die geschätzte Wahrscheinlichkeit, mit der Daten eines bestimmten Nutzers in einer größeren Population im Dataset enthalten sind. Er wird verwendet, wenn das Vorkommen im Dataset selbst bereits eine sensible Information ist. |
Andere Statistiken berechnen
Sensitive Data Protection kann auch numerische und kategoriale Statistiken für Daten berechnen, die in BigQuery-Tabellen gespeichert sind. Dazu wird dieselbe DlpJob-Ressource wie für die Risikoanalyse-APIs verwendet.
| Messwert | Beschreibung |
|---|---|
| Numerische Statistik | Bestimmt die Mindest-, Höchst- und Quantilwerte für eine einzelne BigQuery-Spalte. |
| Kategorische numerische Statistiken | Berechnet kategorische numerische Statistiken für die einzelnen Histogramm-Buckets innerhalb einer BigQuery-Spalte. |
Weitere Informationen finden Sie unter Numerische und kategorische Statistiken berechnen.
Risiko der Re-Identifikation visualisieren
Sie können die Risikomesswerte, die Sensitive Data Protection berechnet, direkt in der Google Cloud Console mit Sensitive Data Protection (k-Anonymität oder l-Diversität) oder mit anderen Produkten vonGoogle Cloud visualisieren.
| Produkt | Beschreibung |
|---|---|
| Data Studio | Nachdem Sie die k-Anonymitätswerte für ein Dataset mit Sensitive Data Protection berechnet haben, können Sie die Ergebnisse in Data Studio visualisieren. So können Sie auch das Re-Identifikationsrisiko besser verstehen und die Kompromisse bei der Nützlichkeit bewerten, die Sie möglicherweise eingehen, wenn Sie Daten entfernen oder deanonymisieren. |