大數(shù)據(jù)時代，即便匿名，也可能被人識別出來

大數(shù)據(jù)研究是否會侵犯個人隱私？這個問題一直飽受爭議。一方面，加強個人信息安全的呼聲從未減少；但另一方面，越來越多掌握海量個人數(shù)據(jù)的機構開始向公眾開放數(shù)據(jù)源，以推動學術研究，提升企業(yè)的商業(yè)表現(xiàn)，或是為用戶的日常生活提供便利。 

脆弱的匿名：僅僅四個數(shù)據(jù)點便能識別個體？

為了保障個人信息不被泄露，數(shù)據(jù)提供方常使用隨機ID代替?zhèn)€人身份信息。敏感的個人身份識別信息——如名字，住址，手機號碼等——因而得以隱藏。但是，匿名ID并不是萬全之策，更何況在大多數(shù)情況下，公開數(shù)據(jù)只能做到某種程度上的匿名。通過極其少量的外部確認信息，比如時空數(shù)據(jù)點，數(shù)據(jù)使用者就能夠反向識別某個具體的個人。

在最近發(fā)表的一項研究中，MIT的Yves-Alexandre de Montjoye等學者分析了100多萬用戶在3個月內的信用卡消費數(shù)據(jù)。他們發(fā)現(xiàn)，僅僅需要4個外部確認信息，數(shù)據(jù)使用者就能以超過90%的幾率識別特定用戶。所謂外部確認信息，也就是跟用戶相關的時空數(shù)據(jù)點，比如帶有定位信息的Twitter，在Google上對某地的評價，Netfliex上的電影評分等等。

反向識別的大致流程是這樣的：比如說，數(shù)據(jù)使用者想找到用戶S的消費記錄。他們由外部確認信息得知，S曾經(jīng)在9月23號在某甜品店消費，并于9月24號在某餐館就餐。經(jīng)過在信用卡數(shù)據(jù)集中的篩選，只有一位ID為“7abc1a23”的用戶完全符合上述條件。于是，只通過兩條外部確認信息，研究者們就在海量的信用卡數(shù)據(jù)中找到了S，并通過ID獲取了ta的所有相關記錄。

盡管上訴個例略顯極端，但是也為我們敲響了警鐘：大數(shù)據(jù)時代，個人的日常生活軌跡極易被各個平臺記錄在案，它們可以互相參照，并成為其它數(shù)據(jù)集的外部確認信息。心懷不軌的攻擊者，可以輕易地使用不同數(shù)據(jù)集進行比對，并定位目標個體。

數(shù)據(jù)和隱私：從歷史到今天

在不同類型的數(shù)據(jù)中，個體被識別的可能性差別很大。相對而言，財經(jīng)類數(shù)據(jù)，比如研究者們所使用的信用卡消費信息，能更準確地對個體進行反向識別。這些數(shù)據(jù)不僅僅包含了時間，地點，還額外加上了一重識別信息：消費金額。除此之外，手機移動數(shù)據(jù)信息、網(wǎng)絡瀏覽信息、交通通勤信息等等，也都屬于風險較大的類別。對于生活在網(wǎng)絡時代的我們來說，只要曾在生活中留下過電子痕跡，個體隱私便難免遭受侵犯，甚至連匿名都無法提供足夠的保護。

事實上，關于身份信息的記錄早已有之，包括人口普查、選民登記、醫(yī)療信息等等。而這些數(shù)據(jù)常常在經(jīng)過簡單匿名處理之后，就直接向公眾開放。1997年，MIT的學者Latanya Sweeney就曾質疑馬薩諸塞州保險委員會公布的匿名醫(yī)療記錄無法保護個人隱私。她借助該州的選民信息，成功反向識別了病患身份，并將研究結果發(fā)給州長加以警示。所以，匿名個體遭到定位的風險倒并非今天所獨有。

然而，計算機技術的成熟以及大數(shù)據(jù)時代的到來，讓情況變得更加糟糕。許多提供匿名用戶數(shù)據(jù)的公司，都在隱私保護方面栽過跟頭。2006年，美國在線（AOL）公布了65萬用戶在三個月內的匿名搜索數(shù)據(jù)。紐約時報依據(jù)外部信息進行對比，成功識別了部分用戶的身份。在隨后的法律訴訟中，AOL被迫付出了500萬美元的賠償金。

Netflix在2008年也曾陷入類似的爭議。Netflix在2006年舉辦了著名的算法競賽，獎勵能預測用戶觀影偏好的最佳算法。大量的匿名用戶評分數(shù)據(jù)因而被公布，并由參賽者任意使用。來自德克薩斯州大學奧斯汀分校的Arvind Narayanan 和 Vitaly Shmatikov兩位學者，將Netflix的數(shù)據(jù)和IMBD的數(shù)據(jù)進行匹配，并由此識別了一些用戶的身份，以及包括政治偏好在內的敏感信息。一年后，四位用戶以侵犯隱私權為由將Netflix告上了法庭。

見招拆招：更復雜的匿名技術還是更完備的法律？

意識到匿名ID的脆弱和不可靠，學界和業(yè)界也在不斷發(fā)明新的方法，以提升個人身份被識別的難度。Yves-Alexandre de Montjoye等研究者提供的一種解決方案是降低數(shù)據(jù)精度，比如將特定咖啡館轉換為某一區(qū)域內的餐館，將具體時間轉換為某個時間范圍。但是他們承認，如果有足夠多的外部確認信息，即便數(shù)據(jù)精度較低，某些個體仍舊很容易被辨識。

上文提到的Latanya Sweeney教授，則早在2002年就提出了k-匿名（k-anonymity）隱私保護模型。其它的方法還包括 l-多樣化（l-diversity）、t-closeness、  差分隱私（differential privacy）、同態(tài)加密（homomorphic encryption）、零知識證明（zero-knowledge proof）等等。但是這些匿名方法都不可避免地存在局限性，無法完全阻止反向識別的實施。

比如說，所謂差分隱私，就是向原始數(shù)據(jù)中加入噪聲，在增加識別難度的同時，保持數(shù)據(jù)的原有屬性。一個例子是，Chrome 瀏覽器會首先對用戶上傳的數(shù)據(jù)進行隨機化修改（randomized response），通過使用布隆過濾器加入噪聲，再上傳給服務器。蘋果在2016年的世界開發(fā)者大會（WWDC）上也宣布使用類似的差分隱私方法。不過，差分隱私還是無法避免多個相關數(shù)據(jù)上報而導致的隱私泄露。更何況，道高一尺魔高一丈，匿名方法推陳出新的同時，攻擊者們也會采用更為強力的識別工具。

唯一可以讓我們稍許感到寬慰的是，學者們的不斷努力提醒了政府，并推動了相關領域的立法行動——Latanya Sweeney就醫(yī)療隱私做出的警告，使得美國政府在2003年更新了健康保險便利和責任法案（HIPAA），進一步限制了醫(yī)療數(shù)據(jù)的披露。

現(xiàn)有體系的缺陷：隱私保護向何處去？

但即使在美國，立法方面的進展仍舊遠遠落于實踐之后。美國現(xiàn)有法律強調，只要數(shù)據(jù)被提前模糊化，個人的身份信息得以隱藏，便可以被視為“安全”的匿名數(shù)據(jù)集，從而數(shù)據(jù)擁有者可以開放其使用權限。

至于數(shù)據(jù)被公開之后的使用限制，在現(xiàn)有法律框架中基本無跡可尋。更令人擔憂的是，并不是所有數(shù)據(jù)公司都有保護隱私的良知，或者掌握了完備的匿名處理方法。很多時候，匿名數(shù)據(jù)被公開之后，公司就無法再通過后續(xù)手段加強其安全性。相比之下，攻擊者能夠不斷升級技術手段，并收集其他數(shù)據(jù)來進行對比。

隨著技術的普及和大數(shù)據(jù)的發(fā)展，使用者從公開資料中挖掘出個人敏感信息的難度不斷降低。2014年，一名在Neustar實習的數(shù)據(jù)科學家在獲取了紐約出租車轎車協(xié)會提供的出租車行車記錄后，結合八卦信息網(wǎng)上找到的名人出行街拍圖，成功識別了多位名人的上下車地點、車費、行車路徑，以及其他一些出行記錄，一時引發(fā)了輿論的關切。

越來越多的事例及研究表明，匿名能給個人隱私提供的保護十分脆弱，反向識別正變得愈發(fā)普遍。但是在當前的司法體系下，數(shù)據(jù)提供者依舊沒有義務上報可能遭受了反向識別的數(shù)據(jù)集。攻擊者們也甚少被追究責任。于是，公眾很難得知，某個公開數(shù)據(jù)的匿名性是否已被攻破。無論是技術層面還是法律層面，大數(shù)據(jù)時代的隱私保護都還任重道遠。