Analisis risiko identifikasi ulang, atau cukup analisis risiko, adalah proses menganalisis data sensitif untuk menemukan properti yang mungkin meningkatkan risiko subjek yang sedang diidentifikasi. Anda dapat menggunakan metode analisis risiko sebelum de-identifikasi untuk membantu menentukan strategi de-identifikasi yang efektif atau setelah de-identifikasi untuk memantau perubahan atau pencilan.
Sensitive Data Protection dapat menghitung empat metrik risiko identifikasi ulang: k-anonymity, l-diversity, k-map, dan δ-presence. Jika Anda tidak memahami analisis risiko atau metrik ini, lihat topik konsep analisis risiko sebelum melanjutkan.
Bagian ini memberikan ringkasan tentang cara menggunakan Sensitive Data Protection untuk analisis risiko data terstruktur menggunakan salah satu metrik ini, serta topik terkait lainnya.
Menghitung risiko identifikasi ulang
Sensitive Data Protection dapat menganalisis data terstruktur Anda yang disimpan di tabel BigQuery dan menghitung metrik risiko identifikasi ulang berikut. Klik link untuk metrik yang ingin Anda hitung guna mempelajari lebih lanjut.
| Metrik | Deskripsi |
|---|---|
| k-anonymity | Properti set data yang menunjukkan kemampuan identifikasi ulang datanya. Sebuah set data dikatakan k-anonymous jika quasi-identifier untuk setiap orang dalam set data tersebut identik dengan setidaknya k – 1 orang lain yang juga ada dalam set data tersebut. |
| l-diversity | Perluasan dari anonimitas k yang juga mengukur keragaman nilai sensitif untuk setiap kolom tempat nilai tersebut muncul. Sebuah set data dikatakan memiliki l-diversity jika, untuk setiap set baris dengan quasi-identifier yang identik, terdapat setidaknya l nilai berbeda untuk setiap atribut sensitif. |
| k-map | Menghitung risiko identifikasi ulang dengan membandingkan set data subjek yang telah dide-identifikasi dengan set data identifikasi ulang—atau "serangan"—yang lebih besar. |
| δ-presence | Memperkirakan probabilitas bahwa pengguna tertentu dalam populasi yang lebih besar ada dalam set data. Hal ini digunakan jika keanggotaan dalam set data itu sendiri merupakan informasi sensitif. |
Menghitung statistik lainnya
Sensitive Data Protection juga dapat menghitung statistik numerik dan kategoris untuk data yang disimpan dalam tabel BigQuery menggunakan resource DlpJob yang sama dengan API analisis risiko.
| Metrik | Deskripsi |
|---|---|
| Statistik numerik | Menentukan nilai minimum, maksimum, dan kuantil untuk setiap kolom BigQuery. |
| Statistik numerik kategoris | Menghitung statistik numerik kategoris untuk bucket histogram individual dalam kolom BigQuery. |
Untuk mengetahui informasi selengkapnya, lihat Menghitung statistik numerik dan kategoris.
Memvisualisasikan risiko identifikasi ulang
Anda dapat memvisualisasikan metrik risiko yang dihitung Sensitive Data Protection langsung di konsol Google Cloud menggunakan Sensitive Data Protection (k-anonymity atau l-diversity), atau menggunakan produk Google Cloud lainnya.
| Produk | Deskripsi |
|---|---|
| Data Studio | Setelah menghitung nilai k-anonymity untuk set data menggunakan Sensitive Data Protection, Anda dapat memvisualisasikan hasilnya di Data Studio. Dengan demikian, Anda juga akan dapat lebih memahami risiko identifikasi ulang dan membantu mengevaluasi konsekuensi utilitas yang mungkin Anda buat jika Anda menyamarkan atau melakukan de-identifikasi data. |