重新識別風險分析 (或簡稱風險分析) 是指分析機密資料，找出可能增加當事人身分暴露風險的屬性。您可以在去識別化前使用風險分析方法，協助判斷有效的去識別化策略，或在去識別化後監控任何變更或離群值。
Sensitive Data Protection 可計算四種重新識別風險指標：k-anonymity、l-diversity、k-map 和 δ-presence。如果您不熟悉風險分析或這些指標，請先參閱風險分析概念主題，再繼續操作。
本節將概略說明如何使用 Sensitive Data Protection，透過上述任一指標對結構化資料進行風險分析，以及其他相關主題。
計算重新識別化風險
機密資料保護服務可以分析儲存在 BigQuery 資料表中的結構化資料，並計算下列重新識別風險指標。點選要計算的指標連結，即可瞭解詳情。
| 指標 | 說明 |
|---|---|
| k 匿名性 | 資料集的屬性，表示資料集記錄的重新識別性。如果資料集中每個人的準識別項，與資料集內至少其他 k – 1 個人相同，則這個資料集就符合 k-anonymity。 |
| l-diversity | k-匿名性的延伸指標，會另外再測量每個資料欄中機密值具有的多樣性。如果每一個資料列集合都具有相同的準識別項，而每個機密屬性都至少有 l 個不同的值，那麼這個資料集就具有 l-diversity。 |
| k-map | 將特定去識別化資料集與較大的重新識別 (或「攻擊」) 資料集進行比較，計算重新識別風險。 |
| δ-presence | 估算較大母體中的特定使用者存在於資料集中的機率。如果資料集中的成員資格本身屬於機密資訊，則可使用這項功能。 |
計算其他統計資料
Sensitive Data Protection 也可以使用與風險分析 API 相同的 DlpJob 資源，計算 BigQuery 資料表中儲存資料的數值和類別統計資料。
| 指標 | 說明 |
|---|---|
| 數值統計資料 | 決定個別 BigQuery 資料欄的最小值、最大值和分位數值。 |
| 類別數值統計資料 | 計算 BigQuery 資料欄中個別直方圖值區的類別數值統計資料。 |
詳情請參閱「計算數值和類別統計資料」。
以圖表呈現重新識別風險
您可以使用 Sensitive Data Protection (k-匿名性或l-多樣性) 或其他Google Cloud 產品，直接在 Google Cloud 控制台中以圖表呈現 Sensitive Data Protection 計算的風險指標。
| 產品 | 說明 |
|---|---|
| 數據分析 | 使用 Sensitive Data Protection 計算資料集的 k-anonymity 值後，您可以在數據分析中以視覺化方式呈現結果。這樣一來，您也能進一步瞭解重新識別風險，並評估在遮蓋或去識別化資料時，可能需要權衡的效用。 |