第六章 大数据隐私：匿名数据技术

为什么要匿名？

• 数据共享：将真实数据提供给他人研究，不泄露数据隐私；允许第三方尝试数据拥有者未考虑到的分析和挖掘技术。
• 数据保留和使用

匿名模型

交互式模型：数据所有者充当数据的看门人，研究人员以约定的方式查询，数据所有者给出匿名化回答，或者不回答。

"send me your code"模型：数据所有者在自己的系统上运行代码、报告结果，不能确保代码无恶意。

offline：数据所有者匿名化数据后公布

匿名目标

防止关联推断

防止推断个体是否在数据集中

模拟攻击者知道的信息：背景知识、领域知识 

效用的测量

定义一个替代度量，并尝试优化

实验评估：在合理的工作量下进行实验，与在原始数据集上的结果进行比较

一些专业术语

标识符（identifier）:唯一确定一个个体

准标识符（QI） :足以在数据集中部分识别一个个体

敏感信息（SA）：我们想隐藏的关联

技术手段：

元组抑制：针对QI,即使包含准身份识别标志也不能链接到隐私表格， 缺失元组能在所有元组的所属空间中取任意值 ，引入很多不确定性，数据有用性降低

属性泛化：针对QI,比元组抑制更准确的不确定性形式

敏感属性置换：改变隐私数据，互相交换

敏感属性扰乱：把敏感数据加噪音，能唯一识别元组，但获得有噪声的敏感属性值

k-匿名

K-匿名规则：当且仅当每个元组在T[QI]中至少出现k次，则表T满足关于准标识符QI的k-匿名。

K-匿名：如果T’是T的一个泛化或抑制，并且T’满足K-匿名规则，那么表T’是T的一个k-匿名。

隐名：计算所有“极小”全域泛化 

隐名能高效计算的原因

• 子集属性：如果表T是关于一组属性Q的k-匿名，那么T也是关于Q的 任何子属性的k-匿名
• 泛化属性：如果表T2是表T1的泛化且T1是k-匿名，那么T2也是k-匿名

缺陷：同质性攻击

l-多样性

相似性攻击：虽然敏感值不同，但语义相近。

t-相近原理

如果在每个QI组中，组中敏感值分布与整个表中的敏感值分布之间的距离不超过阈值t