Классикалық анонимизация кезінде біз жеке деректерді іздеуге кедергі жасау үшін түпнұсқалық деректер жиынтығын өңдейтін немесе бұрмалайтын барлық әдістерді қолданамыз.
Біз практикада көріп жүрген классикалық анонимизацияның типтік мысалдары - бұл жалпылау, басу / сүрту, бүркеншік атау және жолдар мен бағаналардың ауысуы.
Осы әдістер сәйкес мысалдармен.
техника | Түпнұсқа деректер | Манипуляцияланған деректер |
Жалпылау | 27 жасқа | 25 бен 30 жас аралығында |
Басу / сүрту | info@syntho.ai | xxxx@xxxxxx.xx |
Псевдонимизация | Амстердам | hVFD6td3jdHHj78ghdgrewui6 |
Жолдар мен бағаналардың ауысуы | Тураланған | Араластырылды |
Классикалық анонимизация әдістерінің көмегімен деректер жиынтығын өңдеу екі кедергілерге әкеледі:
Біз бұл 2 негізгі кемшіліктерді, деректердің утилитасы мен құпиялылықты қорғауды көрсетеміз. Біз мұны келесі иллюстрация арқылы жасаймыз және басамыз.
Ескерту: біз суреттерді иллюстрациялық мақсатта қолданамыз. Дәл сол принцип құрылымдалған деректер жиынтығына қатысты.
Бұл анонимизацияның классикалық әдістері әрқашан екеуінің де оптималды комбинациясын ұсынатын мәліметтер утилитасы мен құпиялылықты қорғау арасындағы айырмашылықты енгізеді.
Жоқ. Бұл үлкен қате түсінік және анонимді деректерге әкелмейді. Сіз бұл деректерді анонимдеу үшін әлі де қолданасыз ба? Содан кейін бұл блог сізге міндетті түрде оқылады.
Syntho жаңа деректер жазбаларының мүлде жаңа жиынтығын құру үшін бағдарламалық қамтамасыз етуді әзірлейді. Нақты адамдарды анықтау үшін ақпарат синтетикалық деректер жиынтығында жоқ. Синтетикалық деректерде бағдарламалық жасақтама арқылы жасанды деректер жазбалары болғандықтан, жеке деректер жоқ, бұл жеке өмірге қауіп төндірмейтін жағдайға әкеледі.
Syntho -ның басты айырмашылығы: біз машиналық оқытуды қолданамыз. Демек, біздің шешім синтетикалық деректер жиынтығындағы бастапқы деректер жиынтығының құрылымы мен қасиеттерін жаңғыртады, нәтижесінде максималды деректер пайда болады. Тиісінше, сіз синтетикалық деректерді талдау кезінде түпнұсқалық деректерді қолданумен салыстырғанда дәл осындай нәтижеге қол жеткізе аласыз.
Бұл жағдайлық зерттеу түпнұсқалық деректермен салыстырғанда біздің Syntho Engine арқылы жасалған синтетикалық деректердің әр түрлі статистикасын қамтитын біздің сапалық есебіміздің маңызды сәттерін көрсетеді.
Қорытындылай келе, синтетикалық деректер-бұл анонимизацияның барлық классикалық әдістері ұсынатын деректер мен қызметтің құпиялылығын қорғау арасындағы оптимальды айырбастауды жеңудің таңдаулы шешімі.
Қорытындылай келе, деректердің утилитасы мен құпиялылықты қорғау тұрғысынан, егер сіздің пайдалану жағдайыңыз рұқсат етсе, әрқашан синтетикалық деректерді таңдаған жөн.
Талдау мәні | Құпиялылық қаупі | |
Синтетикалық мәліметтер | биік | None |
Нақты (жеке) деректер | биік | биік |
Манипуляцияланған деректер (классикалық «анонимизация» арқылы) | Орташа төмен | Орташа-жоғары |
Syntho синтетикалық деректері анонимизацияның классикалық әдістері жетіспейтін олқылықтардың орнын толтырады деректер утилитасы және құпиялылықты қорғау.