Hvers vegna klassísk nafnleynd (og dulnefni) leiðir ekki til nafnlausra gagna
Þetta blogg fjallar um eftirfarandi efni:
Hvað er klassísk nafnleynd?
Með klassískri nafnleynd, felum við í sér alla aðferðafræði þar sem maður vinnur eða brenglar upprunalegt gagnasafn til að hindra að rekja einstaklinga aftur.
Dæmigert dæmi um klassíska nafnleynd sem við sjáum í reynd eru alhæfing, bæling / þurrkun, dulnefni og rað- og dálkstokkun.
Hér með þessar aðferðir með samsvarandi dæmum.
| Tækni | Upprunaleg gögn | Meðhöndluð gögn |
| Generalization | 27 ára | Milli 25 og 30 ára |
| Kúgun / þurrka | info@syntho.ai | xxxx@xxxxxx.xx |
| Dulnefni | Amsterdam | hVFD6td3jdHHj78ghdgrewui6 |
| Raða og súla stokka upp | Samstillt | Stokkuð upp |
Hverjir eru gallarnir við klassíska nafnleynd?
Meðhöndlun gagnasafns með klassískri nafnleyndartækni leiðir til tveggja lykilgalla:
- Brenglun gagnasafns leiðir til minnkaðra gagna (þ.e. gagnsemi). Þetta kynnir hina klassísku sorphirðu-inn sorphreinsunarreglu.
- Persónuvernd áhætta mun minnka, en mun alltaf vera til staðar. Það helst og vinnur með útgáfu af upprunalega gagnasafninu með 1-1 samböndum.
Við sýnum fram á þessa tvo helstu galla, gagnaveitu og persónuvernd. Við gerum það með eftirfarandi mynd með beittri bælingu og alhæfingu.
Athugið: við notum myndir til skýringar. Sama meginregla gildir um skipulögð gagnasöfn.
- Vinstri: lítil beiting klassískrar nafnleyndar leiðir til fulltrúa myndskreytingar. Hins vegar er auðvelt að bera kennsl á einstaklinginn og friðhelgi einkalífs er veruleg.
- Hægri: alvarleg beiting klassískrar nafnleyndar leiðir í sér mikla persónuvernd. Hins vegar verður myndin gagnslaus.
Klassísk nafnleyndartækni býður upp á ófullnægjandi samsetningu milli gagnsemi og friðhelgi einkalífs.
Þetta kynnir málamiðlun milli gagnsemi og friðhelgi einkalífs, þar sem klassísk nafnleyndartækni býður alltaf upp á lágmarks blöndu af hvoru tveggja.
Er lausn að fjarlægja öll bein auðkenni (svo sem nöfn) úr gagnasafninu?
Nei. Þetta er mikill misskilningur og leiðir ekki til nafnlausra gagna. Notarðu þetta enn sem leið til að gera gagnasafnið nafnlaust? Þá verður þetta blogg að lesa fyrir þig.
Hvernig eru gervigögn frábrugðin?
Syntho þróar hugbúnað til að búa til alveg nýtt gagnasafn af ferskum gagnaskrám. Upplýsingar til að bera kennsl á alvöru einstaklinga eru einfaldlega ekki til staðar í tilbúnum gagnasafni. Þar sem tilbúin gögn innihalda gervigagnaskrár sem búnar eru til af hugbúnaði eru persónuupplýsingar einfaldlega ekki til staðar sem leiðir til aðstæðna án persónuverndaráhættu.
Lykilmunurinn á Syntho: við notum vélanám. Þess vegna endurskapar lausnin okkar uppbyggingu og eiginleika upprunalega gagnasafnsins í tilbúna gagnasafninu sem leiðir til hámarks gagnsemi. Í samræmi við það geturðu fengið sömu niðurstöður þegar greindu gögnin eru greind samanborið við að nota upphaflegu gögnin.
Þessi tilviksrannsókn sýnir hápunkta úr gæðaskýrslu okkar sem inniheldur ýmsar tölfræði úr tilbúnum gögnum sem eru búnar til með Syntho vélinni okkar í samanburði við upphaflegu gögnin.
Að lokum eru tilbúin gögn ákjósanlegasta lausnin til að sigrast á dæmigerðum undir ákjósanlegum viðskiptum milli gagnaveitu og friðhelgi einkalífs sem allar klassískar nafnleyndaraðferðir bjóða þér.
Svo, hvers vegna að nota raunveruleg (viðkvæm) gögn þegar þú getur notað tilbúin gögn?
Að lokum, frá sjónarhóli gagnagagna og friðhelgi einkalífs, ættirðu alltaf að velja tilbúin gögn þegar notkunartilvikið þitt leyfir það.
| Gildi fyrir greiningu | Persónuvernd áhætta | |
| Tilbúin gögn | Hár | ekkert |
| Raunveruleg (persónuleg) gögn | Hár | Hár |
| Meðhöndluð gögn (með klassískri „nafnleynd“) | Lágt-miðlungs | Meðalhá |
Tilbúin gögn frá Syntho fylla upp í eyðurnar þar sem klassísk nafnleyndartækni skortir með því að hámarka hvort tveggja gagnagagnfræði og persónuvernd.