重新識別化風險分析

重新識別風險分析 (或簡稱風險分析) 是指分析私密資料,找出可能增加當事人身分暴露風險,或個人私密資訊外洩風險的屬性。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。

去識別化是從資料移除個人識別資訊的程序。Sensitive Data Protection 可根據您的設定,偵測及去識別化機密資料,以符合貴組織的需求。

相反地,「重新識別」是指將去識別化資料與其他可用資料進行比對,以判斷資料所屬人員。重新識別大多針對機密的個人資訊內容,像是醫療或財務資料。

如要進一步瞭解如何使用 Sensitive Data Protection 評估各種風險,請參閱「評估重新識別和揭露風險」。

重新識別風險分析的使用時機

以下是一些常見用途:

  • 在分享共用資料前,量化重新識別的漏洞:在向外部合作夥伴發布研究、醫療保健或人口統計資料集之前,先測量準識別欄的 k 匿名性和 l 多樣性。
  • 根據母體基準評估揭露風險:根據公開的人口統計資料集 (例如美國人口普查資料) 計算 k-map 指標,評估個人身分遭識別的可能性。
  • 使用 delta-presence 評估成員資格揭露敏感度:評估攻擊者判斷特定個人是否包含在敏感群組或註冊資料庫中的風險。
  • 最佳化去識別化和遮蓋參數:執行反覆風險評估,微調特徵分塊、日期移位和權杖化轉換,在隱私權和實用性之間取得理想平衡。

風險分析術語與技術

如果未正確或充分去識別化機密資料,攻擊者可能會重新識別資料,或得知個人的機密資訊,這可能會對隱私權造成嚴重影響。Sensitive Data Protection 可根據多項指標計算這項風險。

在探討這些指標之前,我們需要先定義幾個常見的術語:

  • 識別項:識別項可以用來識別特定的個人。例如全名或政府核發的身分證件。
  • 準識別項:準識別項無法識別特定個人,但與個人記錄結合並交叉參照後,可能使攻擊者重新識別個人的可能性大幅提高。例如,郵遞區號和年齡都屬於準識別項。
  • 機密資料:機密資料是未經授權不得揭露的資料。健康狀況、薪資、刑事犯罪和地理位置等屬性通常視為機密資料。請注意,ID 和機密資料可能會有重疊。
  • 等價類別:等價類別是一個有相同準識別項的資料列集合。

Sensitive Data Protection 可使用四種技術,量化與資料集相關聯的風險程度:

  • k 匿名性:資料集的屬性,表示記錄的重新識別性。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-anonymous。
  • l-diversity:k-anonymity 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,藉此計算重新識別風險。Sensitive Data Protection 不知道攻擊資料集,但會使用公開資料 (例如美國人口普查) 建立統計模型、使用自訂統計模型 (以一或多個 BigQuery 資料表表示),或從輸入資料集的值分布推斷。每一個資料集 (範例資料集和重新識別資料集) 會共用一或多個準識別項資料欄。
  • Delta 存在 (δ 存在):估算較大母體中的特定使用者存在於資料集中的機率。用於資料集中的成員身分本身屬於機密資訊的情況。與 k-map 類似,Sensitive Data Protection 不知道攻擊資料集,但會使用公開資料、使用者指定的分布情形,或從輸入資料集推論,以統計方式建立模型。

關於 k-anonymity

收集研究資料時,去識別化是維護參與者隱私的重要步驟。同時,去識別化可能會導致資料集失去實用性。k-anonymity 的建立是為了量化資料集的重新識別性,並在去識別化個人資料的實用性,以及資料使用者的隱私之間取得平衡。這是資料集的一個屬性,可以用來評估資料集中記錄再被識別的可能性。

例如,請看以下的患者資料集合:

病患 ID 全名 郵遞區號 年齡 條件 ...
746572 John J. Jacobsen 98122 29 心臟病
652978 Debra D. 防守籃板 98115 29 第 2 型糖尿病
075321 Abraham A. Abernathy 98122 54 癌症、肝臟
339012 Karen K. 克拉科夫 98115 88 心臟病
995212 William W. Wertheimer 98115 54 氣喘
...

這個資料集包含所有三種上述類型資料:識別項、準識別項、機密資料。

如果健康狀況之類的機密資料未被遮罩或遮蓋,攻擊者可能使用每一個機密資料附屬的準識別項、可能交叉參照其他含有類似準識別項的資料集,然後重新識別適用該機密資料的人。

如果資料集中,客層資料欄值的每種組合出現在至少 k 筆不同的記錄中,該資料集便具有 k-anonymity 特性。請注意,一組具有相同準 ID 的資料列稱為「等價類別」。舉例來說,如果您已充分去識別化準 ID,使準 ID 值相同的資料列至少有四個,則資料集的 k-匿名值為 4。

實體 ID 及計算 k-anonymity

Sensitive Data Protection 在計算 k 匿名性時,會包含一個重要選項,即選用的實體 ID。在常見的情況下,資料集中的多個資料列會對應至同一位使用者,而實體 ID 可讓您更準確地判斷 k 匿名性。否則,如果每列資料 (無論使用者為何) 都分開計算,用於計算資料集 k 匿名值的總使用者人數就會人為偏高。這會導致計算出的 k 匿名值不準確。

請看以下的資料集範例:

使用者 ID 郵遞區號
01 42000
02 17000
02 42000
03 17000
03 42000
03 42000
04 42000
04 17000

如果沒有利用實體 ID 來留意不同資料列屬於同一使用者的情況,那麼就會使用使用者總數為 8 來計算 k-anonymity 值,而不是使用實際的使用者人數,也就是 4。在這個資料集中,使用傳統的 k 匿名性計算方法 (不含實體 ID),3 人的 k 匿名性值為 3,5 人的 k 匿名性值為 5,即使資料庫中只有 4 位實際使用者。

使用實體 ID 時,Sensitive Data Protection 會將使用者相關聯的郵遞區號多重集視為準 ID,用於計算 k 匿名性。以我們的範例為例,實際上有三個「複合」準識別項值,因為有三個不同的準識別項組合指派給使用者:42000;17000 和 42000 的多重集合;以及 17000、42000 和 42000 的多重集合。這些對應於使用者,如下所示:

  • [42000] 與 1 個不重複的使用者 (01) 有關聯。
  • [17000、42000] 與 2 個不重複的使用者 (02 和 04) 有關聯。
  • [17000、42000、42000] 與 1 個不重複的使用者 (03) 有關聯。

如您所見,這個方法會考量到我們郵遞區號資料庫中使用者可能重複的情況,所以在計算 k-anonymity 時會進行調整處理。

k-anonymity 資源

如要進一步瞭解 k 匿名性,請參閱 哈佛大學資料 隱私實驗室 Pierangela Samarati 和 Latanya Sweeney 的論文 《Protecting Privacy when Disclosing Information: k-Anonymity and Its Enforcement through Generalization and Suppression》(揭露資訊時保護隱私權:k 匿名性及其透過一般化和抑制的強制執行)。

如要瞭解如何使用 Sensitive Data Protection 計算 k 匿名性 (無論是否有實體 ID),請參閱「計算資料集的 k 匿名性」。

關於 l-diversity

l-diversity 與 k-anonymity 息息相關,其目的是為了協助解決去識別化資料集易被攻擊的問題,像是:

  • 同質性攻擊:攻擊者利用一組 k 筆記錄中值的同質性,針對這個經過 k 匿名化的資料集推測機密值。
  • 背景知識攻擊:攻擊者利用具有特定機密屬性的準識別項值之間的關聯性,縮小該屬性的可能值範圍。

l-diversity 會設法測量攻擊者根據 k-anonymity 和等價類別 (具有相同準識別項值的資料列集合),可以得知多少的個人資料。如果每個等價類別中,私密屬性分別都有至少 l 個不同的值,那麼這個資料集就具有 l-diversity 特性。針對每個等價類別,資料集中有多少敏感屬性?舉例來說,如果 l-diversity = 1,表示所有人都具有相同的機密屬性;如果 l-diversity = 2,表示所有人都具有兩個機密屬性中的其中一個,以此類推。

l-diversity 資源

如要進一步瞭解 l-多樣性,請參閱康乃爾大學電腦科學系 Ashwin Machanavajjhala、Johannes Gerke 和 Daniel Kifer 撰寫的「l-Diversity: Privacy Beyond k-Anonymity」(l-多樣性:k-匿名性以外的隱私權)。

如要瞭解如何使用 Sensitive Data Protection 計算 l-diversity,請參閱「計算資料集的 l-diversity」。

關於 k-map

k-map 跟 k-anonymity 極為相似,但這個技術是假設攻擊者很可能不知道誰在資料集中。如果資料集相對較小,或一般化屬性所需的工作量過高,請使用 k-map。

跟 k-anonymity 一樣,k-map 也會要求您判定資料庫中的哪些資料欄是準識別項。這樣,您就可以指出攻擊者最有可能使用哪些資料來重新識別當事人。此外,計算 k-map 值需要重新識別資料集:一個較大的資料表,用於與原始資料集中的資料列進行比較。

請看以下的小型資料集範例。這個範例資料取自一個較大的假設資料庫,資料是從一份調查收集而來,而調查的回應資料含有機密資訊。

郵遞區號 age
85535 79
60629 42

這兩個人的資訊量單純看起來好像一樣。事實上,如果考量較大資料集的 k 匿名性,可能會斷定第二列對應的主體高度可識別。然而,如果您倒回去細想一下資料,就會明白其實不然。尤其是想到美國郵遞區號 85535,目前約有 20 個居民。住在郵遞區號 85535 且正好 79 歲的可能只有一個。相較之下,郵遞區號 60629 屬於芝加哥都會區,人口超過 10 萬。該郵遞區號範圍內約有 1,000 人正好 42 歲。

小型資料集的第一列很容易重新識別,但第二列則不然。不過,根據 k 匿名性,這兩個資料列在較大的資料集中可能完全不重複。

k-map 跟 k-anonymity 一樣,您都需要判定資料庫中的哪幾個資料欄是準識別項。Sensitive Data Protection 的風險分析 API 會模擬重新識別資料集,模擬攻擊者可能採取的步驟,比較原始資料集,重新識別資料。在先前的範例中,由於涉及美國位置 (郵遞區號) 和個人資料 (年齡),且假設攻擊者不知道誰參與了問卷調查,因此重新識別資料集可能是居住在美國的所有人。

現在,您已經有準識別項和重新識別資料集,接著可以計算 k-map 值:如果準識別項的每個值組合在重新識別資料集中至少出現 k 次,那您的資料就會達成具有值 k 的 k-map。

根據這個定義,假設在我們資料庫中的第一列只可能對應到美國地區的一個人,那麼這個範例資料集就不會滿足 k-map 值為 2 或以上的要求。如要取得較大的 k-map 值,可以移除年齡值,如下所示:

郵遞區號 age
85535 **
60629 **

如上所述,郵遞區號 85535 約有 20 人,而 60629 則超過 100,000 人。因此,我們可以估算這個經過一般化的新資料集,具有約 20 的 k-map 值。

k-map 資源

如要進一步瞭解 k-map 及其與 k 匿名性的關係,請參閱 Khaled El Emam 和 Fida Kamal Dankar 在《Journal of the American Medical Informatics Association》中發表的使用 k 匿名性保護隱私權。

如要瞭解如何使用 Sensitive Data Protection 計算 k-map 估計值,請參閱「 計算資料集的 k-map」一文。

關於 δ-presence

Delta-presence (δ-presence) 可以估算攻擊者試圖在資料集中找出其目標的相關風險。這與重新識別風險略有不同,因為目標不是找出哪筆記錄對應到哪個人,而是要知道某人是否屬於資料集的一部分。如果資料集中的所有個人都有一個相同的機密屬性,例如他們的醫療診斷都相同,則使用這個指標尤其適當。

跟其他風險指標一樣,δ-presence 也會要求您判定資料庫中哪些資料欄是準識別項。這樣,您就可以指出攻擊者最有可能使用哪項資料以發現哪些個人在資料集中。與 k-map 類似,計算 δ-presence 需要攻擊資料集:一個較大的表格,用於與原始資料集中的資料列進行比較。

請看以下的小型資料集範例。這個範例資料取自一個較大的假設資料庫,其中的人都患有某種基因疾病。

郵遞區號 age
85942 72
85942 72
62083 53

在美國郵遞區號 85942 中,約有 2 位 72 歲的人,而在郵遞區號 62083 中,約有 5 位 53 歲的人。前兩筆記錄不太可能可以重新識別,因為這兩筆資料具有相同的準識別項。但是,由於在較大的人口中只有兩個人共用這些準識別項,所以攻擊者可以推斷這兩人都患有基因疾病。δ-presence 可以計算在資料集中具有特定準識別項的人有多少比率,藉此量化這個特別風險。

δ-presence 跟其他風險指標一樣,都會要求判定您資料庫中的哪些資料欄是準識別項。與 k-map 估算一樣,Sensitive Data Protection 的風險分析 API 會模擬母體資料集,以近似攻擊者可能用來找出資料集中人員的資料集。在先前的例子中,由於涉及美國地點 (郵遞區號) 和個人資料 (年齡),且假設攻擊者不知道誰患有遺傳疾病,因此這個母體資料集可能是所有居住在美國的人。

現在,您已經有準識別項和重新識別資料集,接著可以計算 δ-presence 值:如果準識別項的每個值組合在資料集中最多出現 δ * k 次,其中 k 是人口資料集中具有這些準識別項值的總人數,那您的資料就會達成具有值 δ 的 δ-presence。與 k-anonymity 或 k-map 中的 k 不同,δ-presence 中的 δ 是介於 0 和 1 之間的實數。

根據這個定義,並假設在一般人口中,住在郵遞區號 85942 的兩個 72 歲的人也在我們的資料庫中,那麼只要任何 δ 小於 1,這個資料集就未達成 δ-presence。如要降低 δ-presence 值,可以移除前兩列的年齡值:

郵遞區號 age
85942 **
85942 **
62083 53

現在,由於有 80 人住在郵遞區號 85942,所以前兩筆記錄的 δ 值約為 2 / 80 = 2.5%;第三筆記錄的 δ 值約為 1 / 5 = 20%。因此,我們可以估計這個新的通用資料集,其 δ 存在值約為 20%。

δ-presence 資源

如要進一步瞭解如何根據統計資料估算 δ-presence,請參閱普渡大學電腦科學系技術報告中,由 Mehmet Ercan Nergiz 和 Chris Clifton 撰寫的「δ-Presence Without Complete World Knowledge」(在不具備完整世界知識的情況下估算 δ-presence)。

如要瞭解如何使用 Sensitive Data Protection 計算 δ-presence 估計值,請參閱「計算資料集的 δ-presence」。