大數(shù)據(jù)時(shí)代：隱私保護(hù)的技術(shù)支持及法規(guī)保障(2)_數(shù)據(jù)分析師考試

在大數(shù)據(jù)技術(shù)方面，隱私保護(hù)的研究領(lǐng)域主要關(guān)注基于數(shù)據(jù)失真的技術(shù)、基于數(shù)據(jù)加密的技術(shù)和基于限制發(fā)布的技術(shù)。

基于數(shù)據(jù)失真的技術(shù)通過添加噪音等方法，使敏感數(shù)據(jù)失真但同時(shí)保持某些數(shù)據(jù)或數(shù)據(jù)屬性不變，仍然可以保持某些統(tǒng)計(jì)方面的性質(zhì)。包括隨機(jī)化，即對(duì)原始數(shù)據(jù)加入隨機(jī)噪聲，然后發(fā)布擾動(dòng)后數(shù)據(jù)的方法;第二種是阻塞與凝聚，阻塞是指不發(fā)布某些特定數(shù)據(jù)的方法，凝聚是指原始數(shù)據(jù)記錄分組存儲(chǔ)統(tǒng)計(jì)信息的方法;第三類是差分隱私保護(hù)。

基于數(shù)據(jù)加密的技術(shù)采用加密技術(shù)在數(shù)據(jù)挖掘過程隱藏敏感數(shù)據(jù)的方法，包括安全多方計(jì)算 SMC，即使兩個(gè)或多個(gè)站點(diǎn)通過某種協(xié)議完成計(jì)算后，每一方都只知道自己的輸入數(shù)據(jù)和所有數(shù)據(jù)計(jì)算后的最終結(jié)果;還包括分布式匿名化，即保證站點(diǎn)數(shù)據(jù)隱私、收集足夠的信息實(shí)現(xiàn)利用率盡量大的數(shù)據(jù)匿名。

基于限制發(fā)布的技術(shù)有選擇地發(fā)布原始數(shù)據(jù)、不發(fā)布或者發(fā)布精度較低的敏感數(shù)據(jù)，實(shí)現(xiàn)隱私保護(hù)。當(dāng)前這類技術(shù)的研究集中于“數(shù)據(jù)匿名化”，保證對(duì)敏感數(shù)據(jù)及隱私的披露風(fēng)險(xiǎn)在可容忍范圍內(nèi)。包括K-anonymity、L-diversity、T-closeness。

最早被廣泛認(rèn)同的隱私保護(hù)模型是k-匿名，由Samarati和Sweeney在2002年提出，作者正是馬薩諸塞州醫(yī)療數(shù)據(jù)隱私泄露事件的攻擊者。為應(yīng)對(duì)去匿名化攻擊，k-匿名要求發(fā)布的數(shù)據(jù)中每一條記錄都要與其他至少k-1條記錄不可區(qū)分(稱為一個(gè)等價(jià)類)。當(dāng)攻擊者獲得k-匿名處理后的數(shù)據(jù)時(shí)，將至少得到k個(gè)不同人的記錄，進(jìn)而無(wú)法做出準(zhǔn)確的判斷。參數(shù)k表示隱私保護(hù)的強(qiáng)度，k值越大，隱私保護(hù)的強(qiáng)度越強(qiáng)，但丟失的信息更多，數(shù)據(jù)的可用性越低。

然而，美國(guó)康奈爾大學(xué)的Machanavajjhala等人在2006年發(fā)現(xiàn)了k-匿名的缺陷，即沒有對(duì)敏感屬性做任何約束，攻擊者可以利用背景知識(shí)攻擊、再識(shí)別攻擊和一致性攻擊等方法來(lái)確認(rèn)敏感數(shù)據(jù)與個(gè)人的關(guān)系，導(dǎo)致隱私泄露。例如，攻擊者獲得的k-匿名化的數(shù)據(jù)，如果被攻擊者所在的等價(jià)類中都是艾滋病病人，那么攻擊者很容易做出被攻擊者肯定患有艾滋病的判斷(上述就是一致性攻擊的原理)。為了防止一致性攻擊，新的隱私保護(hù)模型l-diversity改進(jìn)了k-匿名，保證任意一個(gè)等價(jià)類中的敏感屬性都至少有l(wèi)個(gè)不同的值。t-Closeness在l-diversity 的基礎(chǔ)上，要求所有等價(jià)類中敏感屬性的分布盡量接近該屬性的全局分布。(a, k)-匿名原則，則在k-匿名的基礎(chǔ)上，進(jìn)一步保證每一個(gè)等價(jià)類中與任意一個(gè)敏感屬性值相關(guān)記錄的百分比不高于a。

然而，上述隱私保護(hù)模型依然有缺陷，需要不斷的被改進(jìn)，但同時(shí)又有新的攻擊方法出現(xiàn)，使得基于k-匿名的傳統(tǒng)隱私保護(hù)模型陷入這樣一個(gè)無(wú)休止的循環(huán)中。從根本上來(lái)說(shuō)，傳統(tǒng)隱私保護(hù)模型的缺陷在于對(duì)攻擊者的背景知識(shí)和攻擊模型都給出了過多的假設(shè)。但這些假設(shè)在現(xiàn)實(shí)中往往并不完全成立，因此攻擊總是能夠找到各種各樣的攻擊方法來(lái)進(jìn)行攻擊。直到差分隱私的出現(xiàn)，這一問題才得到較好的解決。

差分隱私(differential privacy, DP)是微軟研究院的Dwork在2006年提出的一種新的隱私保護(hù)模型。該方法能夠解決傳統(tǒng)隱私保護(hù)模型的兩大缺陷：(1)定義了一個(gè)相當(dāng)嚴(yán)格的攻擊模型，不關(guān)心攻擊者擁有多少背景知識(shí)，即使攻擊者已掌握除某一條記錄之外的所有記錄信息(即最大背景知識(shí)假設(shè))，該記錄的隱私也無(wú)法被披露;(2)對(duì)隱私保護(hù)水平給出了嚴(yán)謹(jǐn)?shù)亩x和量化評(píng)估方法。正是由于差分隱私的諸多優(yōu)勢(shì)，使其一出現(xiàn)便迅速取代傳統(tǒng)隱私保護(hù)模型，成為當(dāng)前隱私研究的熱點(diǎn)，并引起了理論計(jì)算機(jī)科學(xué)、數(shù)據(jù)庫(kù)、數(shù)據(jù)挖掘和機(jī)器學(xué)習(xí)等多個(gè)領(lǐng)域的關(guān)注。

在管理領(lǐng)域，我國(guó)各部門也在制定一些強(qiáng)制管理措施保護(hù)隱私信息。

總之，隱私保護(hù)在大數(shù)據(jù)時(shí)代是不可回避的，需要拿出切實(shí)可行的法律、技術(shù)、管理措施，并嚴(yán)格遵照?qǐng)?zhí)行。同時(shí)，廣大民眾也應(yīng)該養(yǎng)成保護(hù)個(gè)人隱私信息的意識(shí)和習(xí)慣，用技術(shù)和法律的手段捍衛(wèi)自己的合法權(quán)益。