ຮີດໃຜ? 5 ຕົວຢ່າງວ່າເປັນຫຍັງການຖອນຊື່ບໍ່ແມ່ນທາງເລືອກ
ການແນະ ນຳ ໃຫ້ຮີດໃຜ
ຮີດໃຜ? ເຖິງແມ່ນວ່າຂ້ອຍແນ່ໃຈວ່າພວກເຈົ້າເກືອບທັງknowົດຮູ້ຈັກເກມນີ້ຈາກສະໄກ່ອນ, ຢູ່ທີ່ນີ້ເປັນສະຫຼຸບໂດຍຫຍໍ້. ເປົ້າofາຍຂອງເກມ: ຄົ້ນພົບຊື່ຂອງຕົວລະຄອນກາຕູນທີ່ຄັດເລືອກໂດຍຄູ່ແຂ່ງຂອງເຈົ້າໂດຍການຖາມ ຄຳ ຖາມ 'ແມ່ນ' ແລະ 'ບໍ່', ຄືກັບວ່າ "ຄົນໃສ່hatວກບໍ?" ຫຼື 'ຄົນຜູ້ນັ້ນໃສ່ແວ່ນຕາ' ບໍ? ຜູ້ຫຼິ້ນ ກຳ ຈັດຜູ້ສະbasedັກໂດຍອີງໃສ່ການຕອບສະ ໜອງ ຂອງຄູ່ແຂ່ງແລະຮຽນຮູ້ຄຸນລັກສະນະທີ່ກ່ຽວຂ້ອງກັບລັກສະນະລຶກລັບຂອງຄູ່ແຂ່ງ. ຜູ້ຫຼິ້ນຄົນ ທຳ ອິດທີ່ຄິດໄລ່ລັກສະນະລຶກລັບຂອງຜູ້ຫຼິ້ນຄົນອື່ນຊະນະເກມ.
ເຈົ້າເຂົ້າໃຈແລ້ວ. ຄົນ ໜຶ່ງ ຕ້ອງລະບຸບຸກຄົນອອກຈາກຊຸດຂໍ້ມູນໂດຍການເຂົ້າເຖິງພຽງແຕ່ຄຸນລັກສະນະທີ່ສອດຄ້ອງກັນ. ໃນຄວາມເປັນຈິງ, ພວກເຮົາເຫັນແນວຄິດຂອງ Guess Who ປະຍຸກໃຊ້ເປັນປະຈໍາ, ແຕ່ຫຼັງຈາກນັ້ນໄດ້ນໍາໃຊ້ເຂົ້າໃນຊຸດຂໍ້ມູນທີ່ມີຮູບແບບເປັນແຖວແລະຖັນທີ່ມີຄຸນລັກສະນະຂອງຄົນແທ້. ຄວາມແຕກຕ່າງຕົ້ນຕໍໃນເວລາເຮັດວຽກກັບຂໍ້ມູນແມ່ນວ່າຜູ້ຄົນມີແນວໂນ້ມທີ່ຈະປະເມີນຄ່າຄວາມງ່າຍເຊິ່ງບຸກຄົນທີ່ແທ້ຈິງສາມາດເປີດເຜີຍໄດ້ໂດຍການເຂົ້າເຖິງພຽງແຕ່ສອງສາມຄຸນລັກສະນະເທົ່ານັ້ນ.
ດັ່ງທີ່ເກມ Guess Who ສະແດງໃຫ້ເຫັນ, ບາງຄົນສາມາດລະບຸບຸກຄົນໂດຍການເຂົ້າເຖິງພຽງແຕ່ຄຸນລັກສະນະສອງສາມຢ່າງ. ມັນໃຊ້ເປັນຕົວຢ່າງອັນງ່າຍ simple ວ່າເປັນຫຍັງການເອົາພຽງແຕ່ 'ຊື່' (ຫຼືຕົວລະບຸຕົວຕົນອື່ນ)) ອອກຈາກຊຸດຂໍ້ມູນຂອງເຈົ້າຈິ່ງບໍ່ສໍາເລັດເປັນເຕັກນິກການປິດບັງຊື່. ໃນ blog ນີ້, ພວກເຮົາໃຫ້ສີ່ກໍລະນີພາກປະຕິບັດເພື່ອແຈ້ງໃຫ້ເຈົ້າຮູ້ກ່ຽວກັບຄວາມສ່ຽງດ້ານຄວາມເປັນສ່ວນຕົວທີ່ກ່ຽວຂ້ອງກັບການກໍາຈັດຖັນທີ່ເປັນວິທີການປິດບັງຂໍ້ມູນ.
2) ການໂຈມຕີແບບເຊື່ອມຕໍ່: ຊຸດຂໍ້ມູນຂອງເຈົ້າເຊື່ອມໂຍງກັບແຫຼ່ງຂໍ້ມູນອື່ນ (ສາທາລະນະ)
ຄວາມສ່ຽງຂອງການໂຈມຕີການເຊື່ອມໂຍງແມ່ນເຫດຜົນສໍາຄັນທີ່ສຸດວ່າເປັນຫຍັງການເອົາຊື່ແຕ່ພຽງຜູ້ດຽວອອກບໍ່ໄດ້ຜົນ (ອີກຕໍ່ໄປ) ເປັນວິທີການປິດບັງຊື່. ດ້ວຍການໂຈມຕີແບບເຊື່ອມໂຍງ, ຜູ້ໂຈມຕີໄດ້ລວມເອົາຂໍ້ມູນຕົ້ນສະບັບກັບແຫຼ່ງຂໍ້ມູນອື່ນທີ່ສາມາດເຂົ້າເຖິງໄດ້ເພື່ອລະບຸບຸກຄົນທີ່ບໍ່ຊໍ້າກັນແລະຮຽນຮູ້ຂໍ້ມູນ (ມັກຈະມີຄວາມອ່ອນໄຫວ) ກ່ຽວກັບບຸກຄົນນີ້.
ກຸນແຈຢູ່ທີ່ນີ້ແມ່ນການມີຊັບພະຍາກອນຂໍ້ມູນອື່ນທີ່ມີຢູ່ໃນປະຈຸບັນ, ຫຼືອາດຈະກາຍເປັນປະຈຸບັນໃນອະນາຄົດ. ຄິດກ່ຽວກັບຕົວທ່ານເອງ. ຂໍ້ມູນສ່ວນຕົວຂອງເຈົ້າເອງຫຼາຍປານໃດທີ່ສາມາດພົບໄດ້ຢູ່ໃນ Facebook, Instagram ຫຼື LinkedIn ທີ່ສາມາດຖືກທາລຸນເພື່ອໂຈມຕີການເຊື່ອມໂຍງ?
ໃນສະໄກ່ອນ, ການມີຂໍ້ມູນແມ່ນມີ ຈຳ ກັດຫຼາຍ, ເຊິ່ງບາງສ່ວນອະທິບາຍວ່າເປັນຫຍັງການລຶບຊື່ແມ່ນພຽງພໍເພື່ອຮັກສາຄວາມເປັນສ່ວນຕົວຂອງບຸກຄົນ. ຂໍ້ມູນທີ່ມີ ໜ້ອຍ ກວ່າmeansາຍເຖິງໂອກາດ ໜ້ອຍ ລົງ ສຳ ລັບການເຊື່ອມຕໍ່ຂໍ້ມູນ. ແນວໃດກໍ່ຕາມ, ດຽວນີ້ພວກເຮົາເປັນຜູ້ເຂົ້າຮ່ວມ (ຫ້າວຫັນ) ເຂົ້າໄປໃນເສດຖະກິດທີ່ອີງໃສ່ຂໍ້ມູນ, ບ່ອນທີ່ປະລິມານຂໍ້ມູນກໍາລັງເຕີບໂຕໃນອັດຕາການຂະຫຍາຍຕົວ. ຂໍ້ມູນເພີ່ມເຕີມ, ແລະການປັບປຸງເຕັກໂນໂລຍີສໍາລັບການເກັບກໍາຂໍ້ມູນຈະນໍາໄປສູ່ທ່າແຮງເພີ່ມຂຶ້ນສໍາລັບການໂຈມຕີການເຊື່ອມໂຍງ. ຄົນ ໜຶ່ງ ຈະຂຽນອັນໃດໃນ 10 ປີກ່ຽວກັບຄວາມສ່ຽງຂອງການໂຈມຕີການເຊື່ອມໂຍງ?
ພາບປະກອບ 1
ຂໍ້ມູນການຂະຫຍາຍຕົວຢ່າງເປັນປະຈໍາແມ່ນຄວາມຈິງ
ກໍລະນີສຶກສາ
Sweeney (2002) ໄດ້ສະແດງໃຫ້ເຫັນຢູ່ໃນເອກະສານທາງວິຊາການວ່ານາງສາມາດກໍານົດແລະເກັບເອົາຂໍ້ມູນທາງການແພດທີ່ລະອຽດອ່ອນໄດ້ຈາກບຸກຄົນໂດຍອີງໃສ່ການເຊື່ອມຕໍ່ຊຸດຂໍ້ມູນສາທາລະນະຂອງ 'ການໄປຢ້ຽມຢາມໂຮງ'ໍ' ກັບຜູ້ລົງທະບຽນລົງຄະແນນສຽງທີ່ມີຢູ່ໃນສະຫະລັດ. ທັງສອງຊຸດຂໍ້ມູນທີ່ສົມມຸດວ່າຈະບໍ່ເປີດເຜີຍຊື່ຢ່າງຖືກຕ້ອງຜ່ານການລຶບຊື່ແລະຕົວລະບຸໂດຍກົງອື່ນ other.
ພາບປະກອບ 2
ການໂຈມຕີທາງເຊື່ອມຕໍ່ໃນພາກປະຕິບັດ
ອີງໃສ່ພຽງແຕ່ສາມຕົວກໍານົດການ (1) ລະຫັດໄປສະນີ, (2) ເພດແລະ (3) ວັນເດືອນປີເກີດ, ນາງໄດ້ສະແດງໃຫ້ເຫັນວ່າ 87% ຂອງປະຊາກອນທັງUSົດຂອງສະຫະລັດສາມາດຖືກກໍານົດຄືນໃby່ໄດ້ໂດຍການຈັບຄູ່ຄຸນສົມບັດທີ່ກ່າວມາຂ້າງເທິງຈາກທັງສອງຊຸດຂໍ້ມູນ. ຫຼັງຈາກນັ້ນ Sweeney ໄດ້ເຮັດວຽກຊໍ້າຄືນກັບການມີ 'ປະເທດ' ເປັນທາງເລືອກໃຫ້ກັບ 'ລະຫັດໄປສະນີ'. ນອກຈາກນັ້ນ, ນາງໄດ້ສະແດງໃຫ້ເຫັນວ່າ 18% ຂອງປະຊາກອນທັງUSົດຂອງສະຫະລັດສາມາດຖືກລະບຸໄດ້ໂດຍການເຂົ້າເຖິງຊຸດຂໍ້ມູນທີ່ບັນຈຸຂໍ້ມູນກ່ຽວກັບ (1) ປະເທດ, (2) ເພດແລະ (3) ວັນເດືອນປີເກີດ. ຄິດກ່ຽວກັບແຫຼ່ງຂໍ້ມູນສາທາລະນະທີ່ໄດ້ກ່າວມາຂ້າງເທິງ, ເຊັ່ນ: Facebook, LinkedIn ຫຼື Instagram. ປະເທດ, ເພດແລະວັນເດືອນປີເກີດຂອງເຈົ້າສາມາດເບິ່ງເຫັນໄດ້, ຫຼືຜູ້ໃຊ້ຄົນອື່ນສາມາດຫັກມັນໄດ້ບໍ?
ພາບປະກອບ 3
ຜົນໄດ້ຮັບຂອງ Sweeney
| ຕົວລະບຸ Quasi | % ລະບຸ ຈຳ ນວນປະຊາກອນສະຫະລັດເປັນເອກະລັກ (248 ລ້ານຄົນ) |
| ລະຫັດໄປສະນີ 5 ຕົວເລກ, ເພດ, ວັນເດືອນປີເກີດ | 87% |
| ສະຖານທີ່, ເພດ, ວັນເດືອນປີເກີດ | 53% |
| ປະເທດ, ເພດ, ວັນເດືອນປີເກີດ | 18% |
ຕົວຢ່າງນີ້ສະແດງໃຫ້ເຫັນວ່າມັນສາມາດເຮັດໃຫ້ບຸກຄົນໃນຂໍ້ມູນທີ່ບໍ່ເປີດເຜີຍຊື່ເປັນເລື່ອງງ່າຍຫຼາຍ. ທຳ ອິດ, ການສຶກສານີ້ຊີ້ບອກເຖິງຄວາມສ່ຽງອັນໃຫຍ່ຫຼວງ, ຄືກັບ 87% ຂອງປະຊາກອນສະຫະລັດສາມາດລະບຸໄດ້ງ່າຍໂດຍໃຊ້ ລັກສະນະບໍ່ຫຼາຍປານໃດ. ອັນທີສອງ, ຂໍ້ມູນທາງການແພດທີ່ເປີດເຜີຍຢູ່ໃນການສຶກສານີ້ແມ່ນມີຄວາມອ່ອນໄຫວສູງ. ຕົວຢ່າງຂອງຂໍ້ມູນບຸກຄົນທີ່ຖືກເປີດເຜີຍຈາກຊຸດຂໍ້ມູນການໄປຢ້ຽມຢາມໂຮງincludeໍປະກອບມີເຊື້ອຊາດ, ການກວດພະຍາດແລະການປິ່ນປົວ. ຄຸນລັກສະນະທີ່ຄົນເຮົາອາດຈະຮັກສາເປັນຄວາມລັບ, ຕົວຢ່າງ, ຈາກບໍລິສັດປະກັນໄພ.
3) ບຸກຄົນທີ່ມີຂໍ້ມູນ
ຄວາມສ່ຽງອີກອັນ ໜຶ່ງ ໃນການລຶບພຽງແຕ່ຕົວລະບຸຊື່ໂດຍກົງ, ເຊັ່ນ: ຊື່, ເກີດຂື້ນເມື່ອບຸກຄົນທີ່ມີຂໍ້ມູນຂ່າວສານມີຄວາມຮູ້ຫຼືຂໍ້ມູນດີກວ່າກ່ຽວກັບລັກສະນະຫຼືພຶດຕິ ກຳ ຂອງບຸກຄົນສະເພາະໃນຊຸດຂໍ້ມູນ. ອີງຕາມຄວາມຮູ້ຂອງເຂົາເຈົ້າ, ຈາກນັ້ນຜູ້ໂຈມຕີອາດຈະສາມາດເຊື່ອມຕໍ່ບັນທຶກຂໍ້ມູນສະເພາະກັບຄົນຕົວຈິງ.
ກໍລະນີສຶກສາ
ຕົວຢ່າງຂອງການໂຈມຕີຊຸດຂໍ້ມູນໂດຍໃຊ້ຄວາມຮູ້ທີ່ ເໜືອກ ວ່າແມ່ນກໍລະນີລົດແທັກຊີ້ນິວຢອກ, ບ່ອນທີ່ Atockar (2014) ສາມາດເປີດເຜີຍບຸກຄົນສະເພາະ. ຊຸດຂໍ້ມູນທີ່ຈ້າງເຂົ້າເຮັດວຽກມີການເດີນທາງ taxi ທັງinົດຢູ່ໃນນິວຢອກ, ອຸດົມໄປດ້ວຍຄຸນລັກສະນະພື້ນຖານເຊັ່ນ: ຈຸດປະສານງານເລີ່ມຕົ້ນ, ຈຸດປະສານງານສຸດທ້າຍ, ລາຄາແລະປາຍທາງຂອງການຂີ່.
ບຸກຄົນທີ່ມີຂໍ້ມູນທີ່ຮູ້ວ່ານິວຢອກສາມາດເດີນທາງໄປ taxi ກັບສະໂມສອນຜູ້ໃຫຍ່ 'Hustler'. ໂດຍການກັ່ນຕອງ 'ສະຖານທີ່ສຸດ', ລາວໄດ້ຫັກເອົາທີ່ຢູ່ເລີ່ມຕົ້ນທີ່ແນ່ນອນແລະດ້ວຍເຫດນັ້ນຈຶ່ງໄດ້ລະບຸຜູ້ມາຢ້ຽມຢາມເລື້ອຍ various. ໃນ ທຳ ນອງດຽວກັນ, ຄົນ ໜຶ່ງ ສາມາດຫັກຄ່າຂີ່ລົດແທັກຊີເມື່ອທີ່ຢູ່ເຮືອນຂອງບຸກຄົນດັ່ງກ່າວຮູ້. ເວລາແລະສະຖານທີ່ຂອງດາລາ ໜັງ ທີ່ມີຊື່ສຽງຫຼາຍຄົນໄດ້ຖືກຄົ້ນພົບຢູ່ໃນເວັບໄຊທນິນທາ. ຫຼັງຈາກເຊື່ອມຕໍ່ຂໍ້ມູນນີ້ກັບຂໍ້ມູນລົດແທັກຊີ NYC, ມັນງ່າຍທີ່ຈະໄດ້ມາການຂີ່ລົດແທັກຊີ່ຂອງເຂົາເຈົ້າ, ຈໍານວນທີ່ເຂົາເຈົ້າໄດ້ຈ່າຍ, ແລະວ່າເຂົາເຈົ້າໄດ້ໃຫ້ຄໍາແນະນໍາຫຼືບໍ່.
ພາບປະກອບ 4
ບຸກຄົນທີ່ມີຂໍ້ມູນ
ການປະສານງານຫຼຸດລົງຂອງ Hustler
Bradley Cooper
Jessica Alba
4) ຂໍ້ມູນເປັນລາຍນີ້ວມື
ສາຍການໂຕ້ຖຽງທົ່ວໄປແມ່ນ 'ຂໍ້ມູນນີ້ບໍ່ມີຄ່າ' ຫຼື 'ບໍ່ມີໃຜສາມາດເຮັດອັນໃດກັບຂໍ້ມູນນີ້'. ອັນນີ້ມັກຈະເປັນຄວາມເຂົ້າໃຈຜິດ. ແມ່ນແຕ່ຂໍ້ມູນທີ່ບໍລິສຸດທີ່ສຸດສາມາດປະກອບເປັນລາຍນິ້ວມືທີ່ບໍ່ຊໍ້າກັນແລະຖືກໃຊ້ເພື່ອລະບຸບຸກຄົນຄືນໃ່. ມັນແມ່ນຄວາມສ່ຽງທີ່ໄດ້ມາຈາກການເຊື່ອວ່າຂໍ້ມູນຕົວມັນເອງບໍ່ມີຄ່າ, ໃນຂະນະທີ່ມັນບໍ່ແມ່ນ.
ຄວາມສ່ຽງຂອງການລະບຸຕົວຕົນຈະເພີ່ມຂຶ້ນດ້ວຍການເພີ່ມຂໍ້ມູນ, AI, ແລະເຄື່ອງມືແລະວິທີການອື່ນ other ທີ່ຊ່ວຍເປີດເຜີຍຄວາມສໍາພັນທີ່ຊັບຊ້ອນຢູ່ໃນຂໍ້ມູນ. ດັ່ງນັ້ນ, ເຖິງແມ່ນວ່າຊຸດຂໍ້ມູນຂອງເຈົ້າບໍ່ສາມາດຖືກເປີດເຜີຍໄດ້ໃນຕອນນີ້, ແລະອາດຈະບໍ່ມີປະໂຫຍດສໍາລັບບຸກຄົນທີ່ບໍ່ໄດ້ຮັບອະນຸຍາດໃນມື້ນີ້, ມັນອາດຈະບໍ່ແມ່ນມື້ອື່ນ.
ກໍລະນີສຶກສາ
ຕົວຢ່າງທີ່ດີແມ່ນກໍລະນີທີ່ Netflix ມີຈຸດປະສົງເພື່ອເຕົ້າໂຮມພະແນກ R&D ຂອງຕົນໂດຍການນໍາສະ ເໜີ ການແຂ່ງຂັນ Netflix ເປີດເພື່ອປັບປຸງລະບົບການແນະນໍາຮູບເງົາຂອງເຂົາເຈົ້າ. 'ອັນທີ່ປັບປຸງລະບົບການກັ່ນຕອງການຮ່ວມມືເພື່ອຄາດຄະເນການຈັດອັນດັບຜູ້ໃຊ້ສໍາລັບຮູບເງົາຊະນະລາງວັນ 1,000,000 ໂດລາສະຫະລັດ'. ເພື່ອສະ ໜັບ ສະ ໜູນ crowdູງຊົນ, Netflix ໄດ້ເຜີຍແຜ່ຊຸດຂໍ້ມູນທີ່ປະກອບມີພຽງແຕ່ຄຸນລັກສະນະພື້ນຖານດັ່ງຕໍ່ໄປນີ້: ຜູ້ໃຊ້, ຮູບເງົາ, ວັນທີແລະຊັ້ນຮຽນ (ດັ່ງນັ້ນບໍ່ມີຂໍ້ມູນເພີ່ມເຕີມກ່ຽວກັບຜູ້ໃຊ້ຫຼືຮູບເງົາເອງ).
ພາບປະກອບ 5
ໂຄງສ້າງຊຸດຂໍ້ມູນລາຄາ Netflix
| ຜູ້ໃຊ້ | ຮູບເງົາ | ວັນທີຮຽນ | Grade |
| 123456789 | ພາລະກິດເປັນໄປບໍ່ໄດ້ | 10-12-2008 | 4 |
ຢູ່ໂດດດ່ຽວ, ຂໍ້ມູນປະກົດວ່າບໍ່ມີປະໂຫຍດ. ເມື່ອຖາມຄໍາຖາມ 'ມີຂໍ້ມູນລູກຄ້າຢູ່ໃນຊຸດຂໍ້ມູນທີ່ຄວນເກັບຮັກສາເປັນສ່ວນຕົວບໍ?', ຄໍາຕອບແມ່ນ:
'ບໍ່, ຂໍ້ມູນລະບຸຕົວຕົນລູກຄ້າທັງhasົດໄດ້ຖືກເອົາອອກໄປແລ້ວ; ສິ່ງທີ່ຍັງເຫຼືອແມ່ນການຈັດອັນດັບແລະວັນທີ. ອັນນີ້ປະຕິບັດຕາມນະໂຍບາຍຄວາມເປັນສ່ວນຕົວຂອງພວກເຮົາ ... '
ແນວໃດກໍ່ຕາມ, Narayanan (2008) ຈາກມະຫາວິທະຍາໄລ Texas ໃນ Austin ໄດ້ພິສູດຢ່າງອື່ນ. ການປະສົມປະສານຂອງຊັ້ນຮຽນ, ວັນທີຂອງຊັ້ນຮຽນແລະຮູບເງົາຂອງແຕ່ລະບຸກຄົນສ້າງເປັນລາຍນິ້ວມືຂອງຮູບເງົາທີ່ເປັນເອກະລັກ. ຄິດກ່ຽວກັບພຶດຕິກໍາ Netflix ຂອງເຈົ້າເອງ. ເຈົ້າຄິດວ່າມີຈັກຄົນທີ່ໄດ້ເບິ່ງຮູບເງົາຊຸດດຽວກັນ? ມີຈັກຄົນທີ່ໄດ້ເບິ່ງຮູບເງົາຊຸດດຽວກັນໃນເວລາດຽວກັນ?
ຄໍາຖາມຫຼັກ, ວິທີການຈັບຄູ່ລາຍນີ້ວມື? ມັນງ່າຍດາຍຫຼາຍ. ອີງຕາມຂໍ້ມູນຈາກເວັບໄຊທ rating ຈັດອັນດັບຮູບເງົາທີ່ມີຊື່ສຽງ IMDb (ຖານຂໍ້ມູນຮູບເງົາອິນເຕີເນັດ), ສາມາດສ້າງລາຍນິ້ວມືທີ່ຄ້າຍຄືກັນໄດ້. ຜົນສະທ້ອນ, ບຸກຄົນສາມາດໄດ້ຮັບການກໍານົດຄືນ.
ໃນຂະນະທີ່ພຶດຕິກໍາການເບິ່ງຮູບເງົາອາດຈະບໍ່ຖືວ່າເປັນຂໍ້ມູນທີ່ອ່ອນໄຫວ, ຄິດກ່ຽວກັບພຶດຕິກໍາຂອງເຈົ້າເອງ-ເຈົ້າຈະຄິດບໍຖ້າມັນຖືກເປີດເຜີຍຕໍ່ສາທາລະນະ? ຕົວຢ່າງທີ່ Narayanan ສະ ໜອງ ໃຫ້ໃນເຈ້ຍຂອງລາວແມ່ນຄວາມມັກທາງດ້ານການເມືອງ (ການຈັດອັນດັບ 'Jesus of Nazareth' ແລະ 'The Gospel of John') ແລະຄວາມມັກທາງເພດ (ການໃຫ້ຄະແນນ 'Bent' ແລະ 'Queer as folk') ທີ່ສາມາດກັ່ນໄດ້ງ່າຍ.
5) ລະບຽບການປົກປ້ອງຂໍ້ມູນທົ່ວໄປ (GDPR)
GDPR ອາດຈະບໍ່ເປັນສິ່ງທີ່ຕື່ນເຕັ້ນຫຼາຍ, ທັງບໍ່ແມ່ນຫົວຂໍ້ເງິນໃນບັນດາຫົວຂໍ້ blog. ແນວໃດກໍ່ຕາມ, ມັນເປັນປະໂຫຍດທີ່ຈະເຮັດໃຫ້ຄໍານິຍາມກົງໄປກົງມາເມື່ອປະມວນຜົນຂໍ້ມູນສ່ວນຕົວ. ເນື່ອງຈາກບລັອກນີ້ແມ່ນກ່ຽວກັບຄວາມເຂົ້າໃຈຜິດທົ່ວໄປຂອງການລຶບຖັນເພື່ອເປັນວິທີການປິດບັງຂໍ້ມູນແລະເພື່ອໃຫ້ຄວາມຮູ້ແກ່ເຈົ້າເປັນຜູ້ປະມວນຜົນຂໍ້ມູນ, ໃຫ້ພວກເຮົາເລີ່ມຕົ້ນດ້ວຍການສໍາຫຼວດຄໍານິຍາມຂອງການປິດບັງຊື່ຕາມ GDPR.
ອີງຕາມການເລົ່າຄືນ 26 ຈາກ GDPR, ຂໍ້ມູນທີ່ບໍ່ລະບຸຕົວຕົນໄດ້ຖືກກໍານົດເປັນ:
'ຂໍ້ມູນທີ່ບໍ່ກ່ຽວຂ້ອງກັບບຸກຄົນທໍາມະຊາດທີ່ໄດ້ກໍານົດຫຼືກໍານົດຕົນຕົວໄດ້ຫຼືຂໍ້ມູນສ່ວນຕົວທີ່ສະແດງອອກໂດຍບໍ່ເປີດເຜີຍຊື່ໃນລັກສະນະທີ່ຫົວຂໍ້ຂໍ້ມູນບໍ່ສາມາດຖືກກໍານົດຫຼືບໍ່ມີຕໍ່ໄປອີກແລ້ວ.'
ເນື່ອງຈາກວ່າຄົນ ໜຶ່ງ ປະມວນຜົນຂໍ້ມູນສ່ວນຕົວທີ່ກ່ຽວຂ້ອງກັບບຸກຄົນ ທຳ ມະດາ, ມີພຽງແຕ່ພາກສ່ວນ 2 ຂອງ ຄຳ ນິຍາມເທົ່ານັ້ນທີ່ກ່ຽວຂ້ອງ. ເພື່ອປະຕິບັດຕາມຄໍານິຍາມ, ຄົນເຮົາຕ້ອງຮັບປະກັນວ່າວິຊາຂໍ້ມູນ (ບຸກຄົນ) ບໍ່ສາມາດຖືກກໍານົດຫຼືບໍ່ມີອີກຕໍ່ໄປ. ແນວໃດກໍ່ຕາມທີ່ໄດ້ບົ່ງໄວ້ໃນ blog ນີ້, ມັນເປັນເລື່ອງງ່າຍດາຍຫຼາຍທີ່ຈະລະບຸບຸກຄົນໂດຍອີງຕາມຄຸນລັກສະນະບາງຢ່າງ. ສະນັ້ນ, ການລຶບຊື່ອອກຈາກຊຸດຂໍ້ມູນບໍ່ເປັນໄປຕາມຄໍານິຍາມ GDPR ຂອງການປິດບັງຊື່.
ໃນການສະຫລຸບ
ພວກເຮົາໄດ້ທ້າທາຍອັນທີ່ພິຈາລະນາທົ່ວໄປແລະ, ແຕ່ ໜ້າ ເສຍດາຍ, ຍັງມີວິທີການທີ່ໃຊ້ເລື້ອຍ of ຂອງການປິດບັງຂໍ້ມູນການປິດບັງຊື່: ການລຶບຊື່. ໃນເກມ Guess Who ແລະຕົວຢ່າງອີກສີ່ຢ່າງກ່ຽວກັບ:
- ການໂຈມຕີການເຊື່ອມໂຍງ
- ບຸກຄົນທີ່ມີຂໍ້ມູນ
- ຂໍ້ມູນເປັນລາຍນິ້ວມື
- ຂໍ້ກໍານົດການປົກປ້ອງຂໍ້ມູນທົ່ວໄປ (GDPR)
ມັນໄດ້ສະແດງໃຫ້ເຫັນວ່າການລຶບຊື່ລົ້ມເຫລວເປັນການປິດບັງຊື່. ເຖິງແມ່ນວ່າຕົວຢ່າງຕ່າງ cases ແມ່ນເປັນກໍລະນີທີ່ພົ້ນເດັ່ນ, ແຕ່ລະອັນສະແດງໃຫ້ເຫັນຄວາມງ່າຍຂອງການລະບຸຕົວຕົນຄືນໃ່ ແລະຜົນກະທົບທາງລົບທີ່ເປັນໄປໄດ້ຕໍ່ກັບຄວາມເປັນສ່ວນຕົວຂອງບຸກຄົນ.
ສະຫຼຸບແລ້ວ, ການລຶບຊື່ອອກຈາກຊຸດຂໍ້ມູນຂອງເຈົ້າບໍ່ໄດ້ສົ່ງຜົນໃຫ້ຂໍ້ມູນບໍ່ເປີດເຜີຍຊື່. ສະນັ້ນ, ພວກເຮົາຫຼີກລ້ຽງການ ນຳ ໃຊ້ທັງສອງ ຄຳ ສັບແລກປ່ຽນກັນດີກວ່າ. ຂ້ອຍຫວັງຢ່າງຈິງໃຈວ່າເຈົ້າຈະບໍ່ ນຳ ໃຊ້ວິທີການນີ້ເພື່ອການປິດບັງຊື່. ແລະຖ້າເຈົ້າຍັງເຮັດຢູ່, ຮັບປະກັນວ່າເຈົ້າແລະທີມງານຂອງເຈົ້າເຂົ້າໃຈຢ່າງເຕັມສ່ວນຄວາມສ່ຽງດ້ານຄວາມເປັນສ່ວນຕົວ, ແລະໄດ້ຮັບອະນຸຍາດໃຫ້ຍອມຮັບຄວາມສ່ຽງເຫຼົ່ານັ້ນໃນນາມຂອງບຸກຄົນທີ່ໄດ້ຮັບຜົນກະທົບ.
ຂໍ້ມູນແມ່ນສັງເຄາະ, ແຕ່ທີມງານຂອງພວກເຮົາແມ່ນຈິງ!
ຕິດຕໍ່ Syntho ແລະຫນຶ່ງໃນຜູ້ຊ່ຽວຊານຂອງພວກເຮົາຈະຕິດຕໍ່ກັບທ່ານດ້ວຍຄວາມໄວຂອງແສງເພື່ອຄົ້ນຫາມູນຄ່າຂອງຂໍ້ມູນສັງເຄາະ!
- D. Reinsel, J. Gantz, John Rydning. ການຫັນເປັນດິຈິຕອລຂອງໂລກຈາກຂອບຫາຫຼັກ, ອາຍຸຂໍ້ມູນ 2025, 2018
- L. Sweeney. k-anonymity: ຮູບແບບສໍາລັບການປົກປ້ອງຄວາມເປັນສ່ວນຕົວ. ວາລະສານສາກົນກ່ຽວກັບຄວາມບໍ່ແນ່ນອນ, ຄວາມສັບສົນແລະລະບົບຄວາມຮູ້, 10 (5), 2002: 557-570
- L. Sweeney. ປະຊາກອນທີ່ລຽບງ່າຍມັກຈະລະບຸຕົວຄົນເປັນເອກະລັກ. ມະຫາວິທະຍາໄລ Carnegie Mellon, ເອກະສານການເຮັດວຽກຂອງຂໍ້ມູນສ່ວນຕົວ 3. Pittsburgh 2000
- P. Samarati. ການປົກປ້ອງຕົວຕົນຂອງຜູ້ຕອບໃນການປ່ອຍ Microdata. ທຸລະກໍາ IEEE ກ່ຽວກັບຄວາມຮູ້ແລະວິສະວະກໍາຂໍ້ມູນ, 13 (6), 2001: 1010-1027
- Atockar. ການຂີ່ລົດດ້ວຍດວງດາວ: ຄວາມເປັນສ່ວນຕົວຂອງຜູ້ໂດຍສານຢູ່ໃນ NYC Taxicab Dataset, 2014
- Narayanan, A. , & Shmatikov, V. (2008). ການປິດການປິດບັງຊື່ທີ່ເຂັ້ມແຂງຂອງຊຸດຂໍ້ມູນຂະ ໜາດ ໃຫຍ່ທີ່ບໍ່ມີຕົວຕົນ. ໃນການດໍາເນີນຄະດີ-ກອງປະຊຸມ IEEE ປີ 2008 ກ່ຽວກັບຄວາມປອດໄພແລະຄວາມເປັນສ່ວນຕົວ, SP (ໜ້າ 111-125)
- ລະບຽບການປົກປ້ອງຂໍ້ມູນທົ່ວໄປ (GDPR), ການເລົ່າຄືນ 26, ບໍ່ສາມາດໃຊ້ໄດ້ກັບຂໍ້ມູນທີ່ບໍ່ເປີດເຜີຍຊື່