6. 大数据安全与隐私保护

一、大数据带来的安全挑战

1. 什么是隐私？
   狭义：个人联系方式、朋友关系信息、私人信息( 年龄、月薪、职业等 ) 。
   广义：散落在互联网各个角落的信息。eg. 搜索引擎的搜索记录、浏览器的访问痕迹、电商平台的购物记录、地图应用的搜索记录。
2. 数据匿名化
   数据匿名化是将数据库中的部分敏感信息隐匿，使数据主体( 个人信息的属主 ) 难以被识别。数据管理者试图通过匿名数据来保护数据主体的隐私。
3. 去匿名化
   攻击者通过将匿名记录与外部信息关联起来再识别匿名后的数据，并希望能够发现数据主体的真实身份。

二、隐私保护的概念与技术

1. 隐私保护技术手段
   1）元组抑制
   2）属性泛化
   比元组抑制更 准确的 不确定性形式。
   3）属性置换
   比泛化更 准确的 不确定性形式。
   4）属性扰动
   能唯一识别元组，但获得有噪声的敏感属性值。

2. K-匿名和不确定性

• 一个 K-匿名 的表 T’ 代表所有 “可能” 表 T 的集合，使得 T’ 是 T 的一个 K-匿名。
• 最初推导 T’ 的表 T 是所有 “可能” 表中的一个。
• 如果没有背景知识，所有的可能表都是同等概率的。

3. 查询应答
   查询应答：从 K-匿名 表中查询得到有用的信息，即查询应答。
   K-匿名表：
   
   查询举例1：某人 (1/21/76，M，53715) 的工资是多少？
   答：最好的猜测是57500。 ( 50000 和 65000 的加权平均 )
   查询举例2：53706 这名女性的最高工资是多少？是同50000一样小还是同75000一样大。
   答：可使 [ 50000,75000 ] 中的 max值 作为 53706 最高工资的估计。

4. 计算 K-匿名表

• 基于泛化和基于元组抑制的算法
• 基于全局(例如，全域)和基于局部(例如，多维)记录的算法
• 基于层次和基于划分(例如，数值数据)的算法

5. 同质性攻击
   问题出现的原因：在于分组的选择，而不在于数据。
   eg. 同一数据因为分组方式的不同而带来的差异。
   
   
6. l - 多样性

• l - 多样性原理：如果每个等价组包含至少 l 个 “良好表示” 的敏感值，则该表是多样的。

• l - 多样性的不同定义 ( 如何定义 “良好表示” ? )

  • 熵 l - 多样性
    
    熵值越大，数据越均匀，越随机；熵值越小，数据越确定。
  • 递归 (c，l) - 多样性
    
    效果：与等价组中较不频繁的敏感值相比，最常见的敏感值不会显得太频繁。

• 关键性质：熵 l - 多样性和递归 (c，l) - 多样性具有子集性质和泛化性质。

• l - 多样性的算法思路：

  • 采用任何 K-匿名算法，用 l - 多样性测试替换 K-匿名性测试，若某一 K-匿名计算结果满足 l - 多样性，则算法结束。

• l - 多样性的局限性：只能保证敏感属性值的多样性，但这些值在语义上可能相似。
  

7. 泛化表的查询处理

• 例一
  
• 例二