A klasszikus anonimizálás (és álnevesítés) miért nem eredményez anonim adatokat
Ez a blog a következő témákat tárgyalja:
- Mi a klasszikus anonimizálás?
- Milyen hátrányai vannak a klasszikus anonimizálásnak?
- Miért kínálnak a klasszikus anonimizálási technikák nem optimális kombinációt az adathasználat és a magánélet védelme között ?.
- Miben különbözik a szintetikus adatok?
- Miért használ még mindig személyes adatokat, ha szintetikus adatokat is használhat?
Mi a klasszikus anonimizálás?
A klasszikus anonimizálásnál minden olyan módszert alkalmazunk, ahol az eredeti adatkészletet manipulálja vagy torzítja, hogy megakadályozza az egyének visszavezetését.
A klasszikus anonimizáció tipikus példái, amelyeket a gyakorlatban látunk, az általánosítás, az elnyomás / törlés, az álnevesítés és a sorok és oszlopok keverése.
Ezennel ezek a technikák a megfelelő példákkal.
| Technika | Eredeti adatok | Manipulált adatok |
| Általánosítás | 27 éves | 25 és 30 év között |
| Elnyomás / törlés | info@syntho.ai | xxxx@xxxxxx.xx |
| Álnevesítés | Amszterdam | hVFD6td3jdHHj78ghdgrewui6 |
| Sorok és oszlopok keverése | Igazítva | Keverve |
Milyen hátrányai vannak a klasszikus anonimizálásnak?
Az adathalmaz klasszikus anonimizálási technikákkal történő manipulálása két fő hátrányt eredményez:
- Az adathalmaz torzítása az adatminőség romlását eredményezi (azaz az adathasználatot). Ez bevezeti a klasszikus szemetet-be-szemetet-elvet.
- Adatvédelmi kockázat csökkenni fog, de mindig jelen lesz. Marad és az eredeti adathalmaz 1-1 relációval módosított változata.
Bemutatjuk ezt a két kulcsfontosságú hátrányt, az adathasználatot és a magánélet védelmét. Ezt a következő illusztrációval tesszük, alkalmazott elnyomással és általánosítással.
Megjegyzés: a képeket illusztrációs célokra használjuk. Ugyanez az elv érvényes a strukturált adatkészletekre is.
- Balra: A klasszikus anonimizálás kevés alkalmazása reprezentatív illusztrációt eredményez. Az egyén azonban könnyen azonosítható, és a magánélet kockázata jelentős.
- Jobbra: a klasszikus anonimizálás szigorú alkalmazása erős adatvédelemhez vezet. Az illusztráció azonban használhatatlanná válik.
A klasszikus anonimizálási technikák szuboptimális kombinációt kínálnak az adat-hasznosság és a magánélet védelme között.
Ez bevezeti a kompromisszumot az adatszolgáltatás és a magánélet védelme között, ahol a klasszikus anonimizálási technikák mindig mindkettő optimális kombinációját kínálják.
Megoldás az összes közvetlen azonosító (például a nevek) eltávolítása az adatkészletből?
Nem. Ez egy nagy tévhit, és nem eredményez névtelen adatokat. Még mindig alkalmazza ezt az adathalmaz névtelenítésére? Akkor ezt a blogot kötelező olvasnod kell neked.
Miben különbözik a szintetikus adatok?
A Syntho szoftvert fejleszt, hogy teljesen új adatállományt hozzon létre friss adatrekordokból. A valós személyek azonosítására szolgáló információ egyszerűen nincs jelen egy szintetikus adathalmazban. Mivel a szintetikus adatok szoftverek által előállított mesterséges adatrekordokat tartalmaznak, a személyes adatok egyszerűen nincsenek jelen, ami magánéleti kockázatokat nem okozó helyzetet eredményez.
A legfontosabb különbség a Syntho -nál: gépi tanulást alkalmazunk. Következésképpen megoldásunk reprodukálja az eredeti adatkészlet szerkezetét és tulajdonságait a szintetikus adatkészletben, ami maximális adathasznosítást eredményez. Ennek megfelelően ugyanazokat az eredményeket érheti el a szintetikus adatok elemzésekor, mint az eredeti adatok felhasználásával.
Ez az esettanulmány bemutatja a Syntho Engine által generált szintetikus adatok különböző statisztikáit tartalmazó minőségi jelentésünk kiemelkedő értékeit az eredeti adatokhoz képest.
Összefoglalva, a szintetikus adatok az előnyben részesített megoldás az adat-hasznosság és a magánélet védelme közötti tipikus, nem optimális kompromisszum leküzdésére, amelyet minden klasszikus anonimizálási technika kínál.
Tehát miért használjon valódi (érzékeny) adatokat, ha szintetikus adatokat is használhat?
Összefoglalva, az adatszolgáltatás és a magánélet védelme szempontjából mindig a szintetikus adatok mellett kell dönteni, ha a használati eset ezt lehetővé teszi.
| Érték az elemzéshez | Adatvédelmi kockázat | |
| Szintetikus adatok | Magas | Egyik sem |
| Valós (személyes) adatok | Magas | Magas |
| Manipulált adatok (klasszikus „névtelenítés”) | Alacsony-közepes | Közepesen magas |
A Syntho szintetikus adatai mindkettő maximalizálásával pótolják azokat a hiányosságokat, ahol a klasszikus anonimizálási technikák elmaradnak adat-segédprogram és a magánszféra védelem.