ആരാണെന്ന് ഊഹിക്കുക? പേരുകൾ നീക്കം ചെയ്യുന്നതിനുള്ള 5 ഉദാഹരണങ്ങൾ

ആരാണ് കളിയെന്ന് ഊഹിക്കുക

Guഹിക്കുക ആരെന്ന് ഒരു ആമുഖം

ആരാണെന്ന് essഹിക്കുക? ഈ ഗെയിം നിങ്ങളിൽ മിക്കവർക്കും പണ്ടുമുതലേ അറിയാമെന്ന് എനിക്ക് ഉറപ്പുണ്ടെങ്കിലും, ഇവിടെ ഒരു ഹ്രസ്വ അവലോകനം. കളിയുടെ ലക്ഷ്യം: 'ആൾ തൊപ്പി ധരിക്കുന്നുണ്ടോ?' പോലുള്ള 'അതെ', 'ഇല്ല' എന്നീ ചോദ്യങ്ങൾ ചോദിച്ചുകൊണ്ട് നിങ്ങളുടെ എതിരാളി തിരഞ്ഞെടുത്ത കാർട്ടൂൺ കഥാപാത്രത്തിന്റെ പേര് കണ്ടെത്തുക. അതോ 'ആൾ കണ്ണട ധരിക്കുമോ'? എതിരാളിയുടെ പ്രതികരണത്തെ അടിസ്ഥാനമാക്കി കളിക്കാർ സ്ഥാനാർത്ഥികളെ ഇല്ലാതാക്കുകയും എതിരാളിയുടെ നിഗൂ character സ്വഭാവവുമായി ബന്ധപ്പെട്ട ഗുണങ്ങൾ പഠിക്കുകയും ചെയ്യുന്നു. മറ്റ് കളിക്കാരന്റെ നിഗൂ character സ്വഭാവം കണ്ടുപിടിക്കുന്ന ആദ്യ കളിക്കാരൻ ഗെയിം വിജയിക്കുന്നു.

നിങ്ങൾക്ക് മനസ്സിലായി. അനുബന്ധ ആട്രിബ്യൂട്ടുകളിലേക്ക് മാത്രം ആക്‌സസ് ഉള്ളതിനാൽ ഒരാൾ ഒരു ഡാറ്റാസെറ്റിൽ നിന്ന് വ്യക്തിയെ തിരിച്ചറിയണം. വാസ്തവത്തിൽ, പ്രായോഗികമായി പ്രയോഗിച്ച essഹത്തിന്റെ ഈ ആശയം ഞങ്ങൾ പതിവായി കാണാറുണ്ട്, എന്നാൽ യഥാർത്ഥ ആളുകളുടെ ആട്രിബ്യൂട്ടുകൾ അടങ്ങിയ വരികളും നിരകളും ഉപയോഗിച്ച് ഫോർമാറ്റ് ചെയ്ത ഡാറ്റാസെറ്റുകളിൽ ഉപയോഗിച്ചു. ഡാറ്റയുമായി പ്രവർത്തിക്കുമ്പോഴുള്ള പ്രധാന വ്യത്യാസം, കുറച്ച് ആട്രിബ്യൂട്ടുകളിലേക്ക് മാത്രം ആക്സസ് ചെയ്യുന്നതിലൂടെ യഥാർത്ഥ വ്യക്തികളെ അഴിച്ചുമാറ്റാൻ കഴിയുന്ന എളുപ്പത്തെ ആളുകൾ കുറച്ചുകാണുന്നു എന്നതാണ്.

ഗെസ് ഹൂ ഗെയിം ചിത്രീകരിക്കുന്നതുപോലെ, ചില ആട്രിബ്യൂട്ടുകളിൽ മാത്രം ആക്സസ് ചെയ്യുന്നതിലൂടെ ഒരാൾക്ക് വ്യക്തികളെ തിരിച്ചറിയാൻ കഴിയും. നിങ്ങളുടെ ഡാറ്റാസെറ്റിൽ നിന്ന് 'പേരുകൾ' (അല്ലെങ്കിൽ മറ്റ് നേരിട്ടുള്ള ഐഡന്റിഫയറുകൾ) മാത്രം നീക്കംചെയ്യുന്നത് ഒരു അജ്ഞാതവൽക്കരണ വിദ്യയായി പരാജയപ്പെടുന്നതിന്റെ ഒരു ലളിതമായ ഉദാഹരണമായി ഇത് പ്രവർത്തിക്കുന്നു. ഈ ബ്ലോഗിൽ, ഡാറ്റ അജ്ഞാതവൽക്കരണത്തിനുള്ള ഒരു മാർഗ്ഗമായി നിരകൾ നീക്കം ചെയ്യുന്നതുമായി ബന്ധപ്പെട്ട സ്വകാര്യത അപകടസാധ്യതകളെക്കുറിച്ച് നിങ്ങളെ അറിയിക്കാൻ ഞങ്ങൾ നാല് പ്രായോഗിക കേസുകൾ നൽകുന്നു.

2) ലിങ്കേജ് ആക്രമണങ്ങൾ: നിങ്ങളുടെ ഡാറ്റാസെറ്റ് മറ്റ് (പൊതു) ഡാറ്റാ ഉറവിടങ്ങളുമായി ബന്ധിപ്പിച്ചിരിക്കുന്നു

പേരുകൾ നീക്കംചെയ്യുന്നത് അജ്ഞാതമാക്കാനുള്ള ഒരു മാർഗ്ഗമായി (ഇനി) പ്രവർത്തിക്കാത്തതിന്റെ ഏറ്റവും പ്രധാനപ്പെട്ട കാരണമാണ് ലിങ്കേജ് ആക്രമണങ്ങളുടെ അപകടസാധ്യത. ഒരു ലിങ്കേജ് ആക്രമണത്തിലൂടെ, ഒരു വ്യക്തിയെ അദ്വിതീയമായി തിരിച്ചറിയുന്നതിനും ഈ വ്യക്തിയെക്കുറിച്ചുള്ള (പലപ്പോഴും സെൻസിറ്റീവ്) വിവരങ്ങൾ പഠിക്കുന്നതിനും ആക്രമണകാരി യഥാർത്ഥ ഡാറ്റയെ മറ്റ് ആക്സസ് ചെയ്യാവുന്ന ഡാറ്റ ഉറവിടങ്ങളുമായി സംയോജിപ്പിക്കുന്നു.

ഇപ്പോൾ നിലവിലുള്ളതോ ഭാവിയിൽ നിലവിലുള്ളതോ ആയ മറ്റ് ഡാറ്റ ഉറവിടങ്ങളുടെ ലഭ്യതയാണ് ഇവിടെ പ്രധാനം. നിങ്ങളെക്കുറിച്ച് ചിന്തിക്കുക. ഒരു ലിങ്കേജ് ആക്രമണത്തിന് ദുരുപയോഗം ചെയ്യപ്പെടാൻ സാധ്യതയുള്ള Facebook, Instagram അല്ലെങ്കിൽ LinkedIn എന്നിവയിൽ നിങ്ങളുടെ എത്ര വ്യക്തിഗത വിവരങ്ങൾ കണ്ടെത്താനാകും?

മുൻകാലങ്ങളിൽ, ഡാറ്റയുടെ ലഭ്യത വളരെ പരിമിതമായിരുന്നു, ഇത് വ്യക്തികളുടെ സ്വകാര്യത സംരക്ഷിക്കാൻ പേരുകൾ നീക്കംചെയ്യുന്നത് പര്യാപ്തമായത് എന്തുകൊണ്ടാണെന്ന് വിശദീകരിക്കുന്നു. ലഭ്യമല്ലാത്ത ഡാറ്റ എന്നാൽ ഡാറ്റ ലിങ്ക് ചെയ്യാനുള്ള അവസരങ്ങൾ കുറവാണ്. എന്നിരുന്നാലും, ഞങ്ങൾ ഇപ്പോൾ (സജീവമായ) ഒരു ഡാറ്റ അധിഷ്ഠിത സമ്പദ്‌വ്യവസ്ഥയിൽ പങ്കാളികളാണ്, അവിടെ ഡാറ്റയുടെ അളവ് ക്രമാതീതമായി വളരുന്നു. കൂടുതൽ ഡാറ്റയും ഡാറ്റ ശേഖരിക്കുന്നതിനുള്ള സാങ്കേതികവിദ്യ മെച്ചപ്പെടുത്തലും ലിങ്കേജ് ആക്രമണങ്ങളുടെ സാധ്യത വർദ്ധിപ്പിക്കും. ഒരു ലിങ്കേജ് ആക്രമണത്തിന്റെ അപകടത്തെക്കുറിച്ച് 10 വർഷത്തിനുള്ളിൽ ഒരാൾ എന്താണ് എഴുതുക?

ചിത്രീകരണം 1

ക്രമാതീതമായി വളരുന്ന ഡാറ്റ ഒരു വസ്തുതയാണ്

ഡാറ്റയുടെ അളവ്

കേസ് പഠനം

അമേരിക്കൻ ഐക്യനാടുകളിലെ പൊതുവായി ലഭ്യമായ വോട്ടിംഗ് രജിസ്ട്രാറുമായി പൊതുവായി ലഭ്യമായ 'ആശുപത്രി സന്ദർശന'ങ്ങളുടെ ഡാറ്റ സെറ്റ് ലിങ്കുചെയ്യുന്നതിനെ അടിസ്ഥാനമാക്കി വ്യക്തികളിൽ നിന്ന് സെൻസിറ്റീവ് മെഡിക്കൽ ഡാറ്റ തിരിച്ചറിയാനും വീണ്ടെടുക്കാനും എങ്ങനെ കഴിയുമെന്ന് സ്വീനി (2002) ഒരു അക്കാദമിക് പേപ്പറിൽ തെളിയിച്ചു. പേരുകളും മറ്റ് നേരിട്ടുള്ള ഐഡന്റിഫയറുകളും ഇല്ലാതാക്കുന്നതിലൂടെ രണ്ട് ഡാറ്റാസെറ്റുകളും ശരിയായി അജ്ഞാതമാക്കിയിരിക്കുന്നു.

ചിത്രീകരണം 2

പ്രായോഗികമായി ലിങ്കേജ് ആക്രമണം

ലിങ്കേജ് ആക്രമണം

മൂന്ന് പാരാമീറ്ററുകൾ (1) പിൻ കോഡ്, (2) ലിംഗഭേദം (3) ജനന തീയതി എന്നിവയെ അടിസ്ഥാനമാക്കി, രണ്ട് ഡാറ്റാസെറ്റുകളിൽ നിന്നും മേൽപ്പറഞ്ഞ ആട്രിബ്യൂട്ടുകളുമായി പൊരുത്തപ്പെടുന്നതിലൂടെ മൊത്തം യുഎസ് ജനസംഖ്യയുടെ 87% വീണ്ടും തിരിച്ചറിയാൻ കഴിയുമെന്ന് അവൾ കാണിച്ചു. സ്വീനി പിന്നീട് 'സിപ്പ് കോഡിന്' ബദലായി 'രാജ്യം' ഉള്ള ജോലി ആവർത്തിച്ചു. കൂടാതെ, (18) മാതൃരാജ്യം, (1) ലിംഗഭേദം (2) ജനനത്തീയതി എന്നിവയെക്കുറിച്ചുള്ള വിവരങ്ങൾ അടങ്ങിയ ഒരു ഡാറ്റാസെറ്റ് ആക്സസ് ചെയ്തുകൊണ്ട് മാത്രമേ മൊത്തം യുഎസ് ജനസംഖ്യയുടെ 3% തിരിച്ചറിയാൻ കഴിയൂ എന്ന് അവർ തെളിയിച്ചു. ഫേസ്ബുക്ക്, ലിങ്ക്ഡ്ഇൻ അല്ലെങ്കിൽ ഇൻസ്റ്റാഗ്രാം പോലുള്ള മേൽപ്പറഞ്ഞ പൊതു ഉറവിടങ്ങളെക്കുറിച്ച് ചിന്തിക്കുക. നിങ്ങളുടെ രാജ്യം, ലിംഗഭേദം, ജനനത്തീയതി എന്നിവ ദൃശ്യമാണോ, അതോ മറ്റ് ഉപയോക്താക്കൾക്ക് അത് കുറയ്ക്കാൻ കഴിയുമോ?

ചിത്രീകരണം 3

സ്വീനിയുടെ ഫലങ്ങൾ

ക്വാസി ഐഡന്റിഫയറുകൾ

യുഎസ് ജനസംഖ്യയുടെ പ്രത്യേകമായി തിരിച്ചറിഞ്ഞ % (248 ദശലക്ഷം)

5-അക്ക ZIP, ലിംഗഭേദം, ജനനത്തീയതി

87%

സ്ഥലം, ലിംഗഭേദം, ജനനത്തീയതി

53%

രാജ്യം, ലിംഗഭേദം, ജനനത്തീയതി

18%

അജ്ഞാതമെന്ന് തോന്നിക്കുന്ന ഡാറ്റയിൽ വ്യക്തികളെ അജ്ഞാതമാക്കുന്നത് വളരെ എളുപ്പമാണെന്ന് ഈ ഉദാഹരണം തെളിയിക്കുന്നു. ആദ്യം, ഈ പഠനം ഒരു വലിയ അപകടസാധ്യതയെ സൂചിപ്പിക്കുന്നു യുഎസ് ജനസംഖ്യയുടെ 87% ഉപയോഗിച്ച് എളുപ്പത്തിൽ തിരിച്ചറിയാൻ കഴിയും കുറച്ച് സവിശേഷതകൾ. രണ്ടാമതായി, ഈ പഠനത്തിലെ തുറന്ന ഡാറ്റ വളരെ സെൻസിറ്റീവ് ആയിരുന്നു. ആശുപത്രി സന്ദർശന ഡാറ്റാസെറ്റിൽ നിന്നുള്ള തുറന്നുകാട്ടപ്പെട്ട വ്യക്തികളുടെ ഡാറ്റയുടെ ഉദാഹരണങ്ങളിൽ വംശീയത, രോഗനിർണയം, മരുന്ന് എന്നിവ ഉൾപ്പെടുന്നു. ഇൻഷുറൻസ് കമ്പനികളിൽ നിന്ന്, ഉദാഹരണത്തിന്, ഒരാൾ രഹസ്യമായി സൂക്ഷിക്കുന്ന ആട്രിബ്യൂട്ടുകൾ.

3) വിവരമുള്ള വ്യക്തികൾ

വിവരശേഖരണത്തിലെ നിർദ്ദിഷ്ട വ്യക്തികളുടെ സ്വഭാവത്തെക്കുറിച്ചോ പെരുമാറ്റത്തെക്കുറിച്ചോ അറിവുള്ള വ്യക്തികൾക്ക് ഉന്നതമായ അറിവോ വിവരമോ ഉള്ളപ്പോൾ പേരുകൾ പോലുള്ള നേരിട്ടുള്ള ഐഡന്റിഫയറുകൾ മാത്രം നീക്കം ചെയ്യുന്നതിനുള്ള മറ്റൊരു അപകടസാധ്യത ഉണ്ടാകുന്നു.. അവരുടെ അറിവിന്റെ അടിസ്ഥാനത്തിൽ, ആക്രമണകാരിക്ക് നിർദ്ദിഷ്ട ഡാറ്റ രേഖകൾ യഥാർത്ഥ ആളുകളുമായി ബന്ധിപ്പിക്കാൻ കഴിഞ്ഞേക്കും.

കേസ് പഠനം

മികച്ച അറിവ് ഉപയോഗിച്ച് ഒരു ഡാറ്റാസെറ്റിലെ ആക്രമണത്തിന്റെ ഒരു ഉദാഹരണമാണ് ന്യൂയോർക്ക് ടാക്സി കേസ്, അവിടെ അറ്റോക്കറിന് (2014) നിർദ്ദിഷ്ട വ്യക്തികളുടെ മുഖംമൂടി അഴിക്കാൻ കഴിഞ്ഞു. സ്റ്റാർട്ട് കോർഡിനേറ്റുകൾ, എൻഡ് കോർഡിനേറ്റുകൾ, റൈഡിന്റെ വില, ടിപ്പ് തുടങ്ങിയ അടിസ്ഥാന ആട്രിബ്യൂട്ടുകളാൽ സമ്പുഷ്ടമായ ന്യൂയോർക്കിലെ എല്ലാ ടാക്സി യാത്രകളും ഉപയോഗിച്ച ഡാറ്റാസെറ്റിൽ അടങ്ങിയിരിക്കുന്നു.

ന്യൂയോർക്ക് അറിയാവുന്ന വിവരമുള്ള ഒരു വ്യക്തിക്ക് മുതിർന്നവർക്കുള്ള ക്ലബ്ബായ 'ഹസ്റ്റ്ലറിലേക്ക്' ടാക്സി യാത്രകൾ നടത്താൻ കഴിഞ്ഞു. 'അന്തിമ ലൊക്കേഷൻ' ഫിൽട്ടർ ചെയ്തുകൊണ്ട്, അദ്ദേഹം കൃത്യമായ ആരംഭ വിലാസങ്ങൾ കണ്ടെത്തുകയും അതുവഴി വിവിധ സന്ദർശകരെ തിരിച്ചറിയുകയും ചെയ്തു. അതുപോലെ, വ്യക്തിയുടെ വീട്ടുവിലാസം അറിയുമ്പോൾ ഒരാൾക്ക് ടാക്സി യാത്രകൾ കുറയ്ക്കാം. നിരവധി പ്രമുഖ സിനിമാ താരങ്ങളുടെ സമയവും സ്ഥലവും ഗോസിപ്പ് സൈറ്റുകളിൽ കണ്ടെത്തി. ഈ വിവരങ്ങൾ NYC ടാക്സി ഡാറ്റയുമായി ലിങ്ക് ചെയ്ത ശേഷം, അവരുടെ ടാക്സി സവാരി, അവർ അടച്ച തുക, അവർ ടിപ്പ് ചെയ്തിട്ടുണ്ടോ എന്നിവ കണ്ടെത്തുന്നത് എളുപ്പമായിരുന്നു.

ചിത്രീകരണം 4

വിവരമുള്ള ഒരു വ്യക്തി

ഡ്രോപ്പ്-ഓഫ് കോർഡിനേറ്റുകൾ ഹസ്റ്റ്ലർ

ബ്രാഡ്ലി കൂപ്പർ

ടാക്സിയും മാപ്പും

ജെസ്സിക്ക അൽബ

മാപ്പ് ട്രാക്കിംഗ്

4) ഒരു വിരലടയാളം പോലെ ഡാറ്റ

'ഈ ഡാറ്റ വിലപ്പോവില്ല' അല്ലെങ്കിൽ 'ഈ ഡാറ്റ ഉപയോഗിച്ച് ആർക്കും ഒന്നും ചെയ്യാൻ കഴിയില്ല' എന്നതാണ് ഒരു സാധാരണ വാദഗതി. ഇത് പലപ്പോഴും ഒരു തെറ്റിദ്ധാരണയാണ്. ഏറ്റവും നിഷ്കളങ്കമായ ഡാറ്റയ്ക്ക് പോലും സവിശേഷമായ ഒരു 'വിരലടയാളം' രൂപീകരിക്കാനും വ്യക്തികളെ വീണ്ടും തിരിച്ചറിയാൻ ഉപയോഗിക്കാനും കഴിയും. ഡാറ്റ തന്നെ മൂല്യമില്ലാത്തതാണെന്ന വിശ്വാസത്തിൽ നിന്ന് ഉരുത്തിരിഞ്ഞ അപകടസാധ്യതയാണ്, അല്ലാത്തപ്പോൾ.

ഡാറ്റ, AI, മറ്റ് ഉപകരണങ്ങളും അൽഗോരിതങ്ങളും വർദ്ധിക്കുന്നതിനനുസരിച്ച് തിരിച്ചറിയൽ സാധ്യത വർദ്ധിക്കും, അത് ഡാറ്റയിലെ സങ്കീർണ്ണമായ ബന്ധങ്ങൾ വെളിപ്പെടുത്താൻ പ്രാപ്തമാണ്. തൽഫലമായി, നിങ്ങളുടെ ഡാറ്റാസെറ്റ് ഇപ്പോൾ കണ്ടെത്താനാകില്ലെങ്കിലും, അനധികൃത വ്യക്തികൾക്ക് ഇന്ന് ഉപയോഗശൂന്യമാണെങ്കിൽ പോലും, അത് നാളെ ആയിരിക്കില്ല.

കേസ് പഠനം

ഒരു മികച്ച ഉദാഹരണമാണ് നെറ്റ്ഫ്ലിക്സ് അവരുടെ സിനിമ ശുപാർശ സംവിധാനം മെച്ചപ്പെടുത്തുന്നതിനായി ഒരു തുറന്ന നെറ്റ്ഫ്ലിക്സ് മത്സരം അവതരിപ്പിച്ചുകൊണ്ട് അതിന്റെ ആർ & ഡി വകുപ്പിനെ ക്രൗഡ് സോഴ്സ് ചെയ്യാൻ ഉദ്ദേശിച്ചത്. സിനിമകളുടെ ഉപയോക്തൃ റേറ്റിംഗുകൾ പ്രവചിക്കാൻ സഹകരണ ഫിൽട്ടറിംഗ് അൽഗോരിതം മെച്ചപ്പെടുത്തുന്നയാൾക്ക് 1,000,000 യുഎസ് ഡോളർ സമ്മാനം ലഭിക്കും. ജനക്കൂട്ടത്തെ പിന്തുണയ്ക്കുന്നതിനായി, Netflix ഇനിപ്പറയുന്ന അടിസ്ഥാന ആട്രിബ്യൂട്ടുകൾ മാത്രം ഉൾക്കൊള്ളുന്ന ഒരു ഡാറ്റാസെറ്റ് പ്രസിദ്ധീകരിച്ചു: യൂസർ ഐഡി, മൂവി, ഗ്രേഡ്, ഗ്രേഡ് തീയതി (അതിനാൽ ഉപയോക്താവിനെക്കുറിച്ചോ സിനിമയെക്കുറിച്ചോ കൂടുതൽ വിവരങ്ങൾ ഇല്ല).

ചിത്രീകരണം 5

ഡാറ്റാസെറ്റ് ഘടന നെറ്റ്ഫ്ലിക്സ് വില

യൂസർ ഐഡി സിനിമ ഗ്രേഡ് തീയതി പദവി
123456789 ദൗത്യം അസാധ്യമാണ് 10-12-2008 4

ഒറ്റപ്പെട്ട നിലയിൽ, ഡാറ്റ നിഷ്ഫലമായി കാണപ്പെട്ടു. 'ഡാറ്റസെറ്റിൽ സ്വകാര്യമായി സൂക്ഷിക്കേണ്ട ഉപഭോക്തൃ വിവരങ്ങൾ ഉണ്ടോ?' എന്ന ചോദ്യം ചോദിക്കുമ്പോൾ, ഉത്തരം ഇതായിരുന്നു:

 'ഇല്ല, ഉപഭോക്താവിനെ തിരിച്ചറിയുന്ന എല്ലാ വിവരങ്ങളും നീക്കം ചെയ്തു; റേറ്റിംഗുകളും തീയതികളും മാത്രമാണ് അവശേഷിക്കുന്നത്. ഇത് ഞങ്ങളുടെ സ്വകാര്യതാ നയം പിന്തുടരുന്നു ... '

എന്നിരുന്നാലും, ഓസ്റ്റിനിലെ ടെക്സാസ് സർവകലാശാലയിൽ നിന്നുള്ള നാരായണൻ (2008) മറിച്ചാണ് തെളിയിച്ചത്. ഒരു വ്യക്തിയുടെ ഗ്രേഡുകൾ, ഗ്രേഡ് തീയതി, സിനിമ എന്നിവയുടെ സംയോജനം ഒരു അദ്വിതീയ മൂവി-വിരലടയാളം ഉണ്ടാക്കുന്നു. നിങ്ങളുടെ സ്വന്തം നെറ്റ്ഫ്ലിക്സ് പെരുമാറ്റത്തെക്കുറിച്ച് ചിന്തിക്കുക. ഒരേ സെറ്റ് സിനിമകൾ എത്ര പേർ കണ്ടുവെന്ന് നിങ്ങൾ കരുതുന്നു? ഒരേ സമയം ഒരേ സെറ്റ് സിനിമകൾ എത്ര പേർ കണ്ടു?

പ്രധാന ചോദ്യം, ഈ വിരലടയാളവുമായി എങ്ങനെ പൊരുത്തപ്പെടും? അത് വളരെ ലളിതമായിരുന്നു. അറിയപ്പെടുന്ന മൂവി-റേറ്റിംഗ് വെബ്സൈറ്റായ IMDb (ഇന്റർനെറ്റ് മൂവി ഡാറ്റാബേസ്) ൽ നിന്നുള്ള വിവരങ്ങളുടെ അടിസ്ഥാനത്തിൽ, സമാനമായ വിരലടയാളം രൂപപ്പെടാൻ കഴിയും. തൽഫലമായി, വ്യക്തികളെ വീണ്ടും തിരിച്ചറിയാൻ കഴിയും.

സിനിമ കാണുന്ന സ്വഭാവം സെൻസിറ്റീവ് വിവരമായി കണക്കാക്കാനാകില്ലെങ്കിലും, നിങ്ങളുടെ സ്വന്തം പെരുമാറ്റത്തെക്കുറിച്ച് ചിന്തിക്കുക-അത് പരസ്യമായാൽ നിങ്ങൾക്ക് വിരോധമുണ്ടോ? നാരായണൻ തന്റെ പ്രബന്ധത്തിൽ നൽകിയ ഉദാഹരണങ്ങൾ രാഷ്ട്രീയ മുൻഗണനകളും ('നസറെത്തിലെ ജീസസ്', 'ജോണിന്റെ സുവിശേഷം' എന്നിവയെക്കുറിച്ചുള്ള റേറ്റിംഗുകളും) ലൈംഗിക മുൻഗണനകളും ('ബെന്റ്', 'ക്വിയർ ഫോർ ഫോക്ക്') റേറ്റിംഗുകൾ).

5) ജനറൽ ഡാറ്റാ പ്രൊട്ടക്ഷൻ റെഗുലേഷൻ (GDPR)

ജിഡിപിആർ അതിശയിപ്പിക്കുന്നതോ ബ്ലോഗ് വിഷയങ്ങൾക്കിടയിലെ വെള്ളി ബുള്ളറ്റോ ആകണമെന്നില്ല. എന്നിരുന്നാലും, വ്യക്തിഗത ഡാറ്റ പ്രോസസ്സ് ചെയ്യുമ്പോൾ നിർവചനങ്ങൾ നേരിട്ട് ലഭിക്കുന്നത് സഹായകരമാണ്. ഡാറ്റ അജ്ഞാതമാക്കുന്നതിനും ഡാറ്റാ പ്രോസസ്സർ എന്ന നിലയിൽ നിങ്ങളെ ബോധവൽക്കരിക്കുന്നതിനുമുള്ള ഒരു മാർഗ്ഗമായി നിരകൾ നീക്കംചെയ്യുന്നതിനുള്ള പൊതുവായ തെറ്റിദ്ധാരണയെക്കുറിച്ചാണ് ഈ ബ്ലോഗ് എന്നതിനാൽ, ജിഡിപിആർ അനുസരിച്ച് അജ്ഞാതവൽക്കരണത്തിന്റെ നിർവചനം പര്യവേക്ഷണം ചെയ്തുകൊണ്ട് നമുക്ക് ആരംഭിക്കാം. 

ജിഡിപിആറിൽ നിന്നുള്ള പാരായണം 26 അനുസരിച്ച്, അജ്ഞാത വിവരങ്ങൾ ഇങ്ങനെ നിർവചിക്കപ്പെടുന്നു:

'തിരിച്ചറിഞ്ഞതോ തിരിച്ചറിയാവുന്നതോ ആയ ഒരു സ്വാഭാവിക വ്യക്തിയുമായോ വ്യക്തിഗത ഡാറ്റയുമായോ ബന്ധപ്പെടാത്ത വിവരങ്ങൾ അജ്ഞാതമായി നൽകുന്നത് ഡാറ്റ വിഷയം അല്ലെങ്കിൽ തിരിച്ചറിയാൻ കഴിയാത്തവിധം.'

ഒരു സ്വാഭാവിക വ്യക്തിയുമായി ബന്ധപ്പെട്ട വ്യക്തിഗത ഡാറ്റ പ്രോസസ്സ് ചെയ്യുന്നതിനാൽ, നിർവചനത്തിന്റെ ഭാഗം 2 മാത്രമേ പ്രസക്തമാകൂ. നിർവചനം അനുസരിക്കുന്നതിന്, ഡാറ്റ വിഷയം (വ്യക്തി) തിരിച്ചറിയാനാകില്ല അല്ലെങ്കിൽ ഇനി തിരിച്ചറിയാനാകില്ലെന്ന് ഉറപ്പുവരുത്തേണ്ടതുണ്ട്. ഈ ബ്ലോഗിൽ സൂചിപ്പിച്ചിരിക്കുന്നതുപോലെ, ചില ആട്രിബ്യൂട്ടുകളെ അടിസ്ഥാനമാക്കി വ്യക്തികളെ തിരിച്ചറിയുന്നത് വളരെ ലളിതമാണ്. അതിനാൽ, ഒരു ഡാറ്റാസെറ്റിൽ നിന്ന് പേരുകൾ നീക്കംചെയ്യുന്നത് അജ്ഞാതവൽക്കരണത്തിന്റെ GDPR നിർവചനത്തിന് അനുസൃതമല്ല.

ഉപസംഹാരമായി

സാധാരണയായി പരിഗണിക്കപ്പെടുന്നതും, നിർഭാഗ്യവശാൽ, ഡാറ്റാ അജ്ഞാതവൽക്കരണത്തിന്റെ പതിവ് സമീപനത്തെ ഞങ്ങൾ വെല്ലുവിളിച്ചു: പേരുകൾ നീക്കംചെയ്യുന്നു. ഗെസ് ഹൂ ഗെയിമും മറ്റ് നാല് ഉദാഹരണങ്ങളും:

  • ലിങ്കേജ് ആക്രമണങ്ങൾ
  • വിവരമുള്ള വ്യക്തികൾ
  • ഒരു വിരലടയാളം പോലെ ഡാറ്റ
  • ജനറൽ ഡാറ്റ പ്രൊട്ടക്ഷൻ റെഗുലേഷൻ (ജിഡിപിആർ)

പേരുകൾ നീക്കംചെയ്യുന്നത് അജ്ഞാതമായി പരാജയപ്പെടുന്നുവെന്ന് കാണിച്ചു. ഉദാഹരണങ്ങൾ ശ്രദ്ധേയമായ കേസുകളാണെങ്കിലും, ഓരോന്നും വീണ്ടും തിരിച്ചറിയുന്നതിന്റെ ലാളിത്യം കാണിക്കുന്നു വ്യക്തികളുടെ സ്വകാര്യതയെ പ്രതികൂലമായി ബാധിക്കും.

ഉപസംഹാരമായി, നിങ്ങളുടെ ഡാറ്റാസെറ്റിൽ നിന്ന് പേരുകൾ നീക്കംചെയ്യുന്നത് അജ്ഞാത ഡാറ്റയ്ക്ക് കാരണമാകില്ല. അതിനാൽ, രണ്ട് പദങ്ങളും പരസ്പരം ഉപയോഗിക്കാതിരിക്കുന്നതാണ് നല്ലത്. അജ്ഞാതവൽക്കരണത്തിനായി നിങ്ങൾ ഈ സമീപനം പ്രയോഗിക്കില്ലെന്ന് ഞാൻ ആത്മാർത്ഥമായി പ്രതീക്ഷിക്കുന്നു. നിങ്ങൾ ഇപ്പോഴും അങ്ങനെ ചെയ്യുകയാണെങ്കിൽ, നിങ്ങളും നിങ്ങളുടെ ടീമും സ്വകാര്യത അപകടസാധ്യതകൾ പൂർണ്ണമായി മനസ്സിലാക്കുന്നുണ്ടെന്ന് ഉറപ്പുവരുത്തുക, കൂടാതെ ബാധിതരായ വ്യക്തികൾക്കുവേണ്ടി ആ അപകടസാധ്യതകൾ സ്വീകരിക്കാൻ അനുവദിക്കുകയും ചെയ്യുക.

പുഞ്ചിരിക്കുന്ന ആൾക്കൂട്ടം

ഡാറ്റ സിന്തറ്റിക് ആണ്, എന്നാൽ ഞങ്ങളുടെ ടീം യഥാർത്ഥമാണ്!

സിന്തോയുമായി ബന്ധപ്പെടുക സിന്തറ്റിക് ഡാറ്റയുടെ മൂല്യം പര്യവേക്ഷണം ചെയ്യാൻ ഞങ്ങളുടെ വിദഗ്ദ്ധരിൽ ഒരാൾ പ്രകാശത്തിന്റെ വേഗതയിൽ നിങ്ങളുമായി ബന്ധപ്പെടും!

  • ഡി. റെയിൻസൽ, ജെ. ഗാന്റ്സ്, ജോൺ റൈഡ്നിംഗ്. ലോകത്തിന്റെ ഡിജിറ്റൈസേഷൻ എഡ്ജ് മുതൽ കോർ വരെ, ഡാറ്റ പ്രായം 2025, 2018
  • എൽ. സ്വീനി. k-അജ്ഞാതത്വം: സ്വകാര്യത സംരക്ഷിക്കുന്നതിനുള്ള ഒരു മാതൃക. അനിശ്ചിതത്വം, അവ്യക്തത, അറിവ് അടിസ്ഥാനമാക്കിയുള്ള സംവിധാനങ്ങൾ എന്നിവയെക്കുറിച്ചുള്ള അന്താരാഷ്ട്ര ജേണൽ, 10 (5), 2002: 557-570
  • എൽ. സ്വീനി. ലളിതമായ ജനസംഖ്യാശാസ്ത്രം പലപ്പോഴും ആളുകളെ അദ്വിതീയമായി തിരിച്ചറിയുന്നു. കാർനെഗി മെലോൺ യൂണിവേഴ്സിറ്റി, ഡാറ്റാ പ്രൈവസി വർക്കിംഗ് പേപ്പർ 3. പിറ്റ്സ്ബർഗ് 2000
  • പി.സമരതി. മൈക്രോഡാറ്റ റിലീസിൽ പ്രതികരിക്കുന്നവരുടെ ഐഡന്റിറ്റികളെ പരിരക്ഷിക്കുന്നു. അറിവും ഡാറ്റ എഞ്ചിനീയറിംഗും സംബന്ധിച്ച IEEE ഇടപാടുകൾ, 13 (6), 2001: 1010-1027
  • അടോക്കർ. റൈഡിംഗ് വിത്ത് ദി സ്റ്റാർസ്: എൻ‌വൈ‌സി ടാക്സികാബ് ഡാറ്റാസെറ്റിലെ യാത്രക്കാരുടെ സ്വകാര്യത, 2014
  • നാരായണൻ, എ., & ശ്മതികോവ്, വി. (2008). വലിയ വിരളമായ ഡാറ്റാസെറ്റുകളുടെ ശക്തമായ ഡി-അജ്ഞാതവൽക്കരണം. പ്രൊസീഡിംഗ്സിൽ-2008 IEEE സെക്യൂരിറ്റി ആൻഡ് പ്രൈവസി സിമ്പോസിയം, SP (pp. 111-125)
  • ജനറൽ ഡാറ്റ പ്രൊട്ടക്ഷൻ റെഗുലേഷൻ (ജിഡിപിആർ), പാരായണം 26, അജ്ഞാത ഡാറ്റയ്ക്ക് ബാധകമല്ല