Хэн гэж бодож байна? Нэрийг хасах нь яагаад сонголт биш болохыг харуулсан 5 жишээ
Хэнийг таах тухай танилцуулга
Хэн гэж бодож байна? Хэдийгээр та нарын ихэнх нь энэ тоглоомыг эрт дээр үеэс мэддэг гэдэгт итгэлтэй байгаа ч товч тоймыг энд оруулав. Тоглоомын зорилго: өрсөлдөгчийнхөө сонгосон хүүхэлдэйн киноны баатрын нэрийг "тийм", "үгүй" гэсэн асуулт асууж, "тухайн хүн малгай өмссөн үү?" эсвэл 'тэр хүн нүдний шил зүүдэг үү'? Тоглогчид өрсөлдөгчийн хариулт дээр үндэслэн нэр дэвшигчдийг хасч, өрсөлдөгчийнхөө нууцлаг зан чанартай холбоотой шинж чанаруудыг сурдаг. Нөгөө тоглогчийн нууцлаг зан чанарыг олж мэдсэн анхны тоглогч тоглоомыг ялах болно.
Чи ойлгосон байна. Зөвхөн холбогдох шинж чанаруудад хандах замаар мэдээллийн баазаас гарсан хувь хүнийг тодорхойлох ёстой. Чухамдаа бид энэ таамаглалыг практикт хэрэгжүүлдэг боловч бодит хүмүүсийн шинж чанарыг агуулсан мөр, баганатай форматласан өгөгдлийн багцад ашигладаг болохыг бид байнга олж хардаг. Өгөгдөлтэй ажиллахын гол ялгаа нь хүмүүс цөөн хэдэн шинж чанаруудыг олж авах замаар жинхэнэ хувь хүмүүсийг тайлах хялбар байдлыг дутуу үнэлдэг.
Хэн тааварлаж байгааг тоглоом харуулснаар хэн нэгэн хүн хэдхэн шинж чанаруудыг олж авах замаар хувь хүмүүсийг таних боломжтой. Энэ нь таны мэдээллийн сангаас зөвхөн 'нэр' (эсвэл бусад шууд танигч) -ыг устгах нь нэрээ нууцлах арга болж чаддаггүйн энгийн жишээ болж өгдөг. Энэхүү блогт бид өгөгдлийг нэрээ нууцлах хэрэгсэл болгон баганыг устгахтай холбоотой нууцлалын эрсдэлийн талаар танд мэдээлэх дөрвөн практик тохиолдлыг хүргэж байна.
2) Холболтын халдлага: таны мэдээллийн сан бусад (олон нийтийн) мэдээллийн эх сурвалжтай холбогдсон байна
Нэрээ нууцлахын тулд холболтын халдлагад өртөх эрсдэл нь зөвхөн нэрийг устгах нь ажиллахгүй байгаа хамгийн чухал шалтгаан юм. Холбоо барих халдлагын үед халдагч нь хувь хүнийг өвөрмөц байдлаар таних, энэ хүний тухай (ихэвчлэн эмзэг) мэдээллийг олж авахын тулд анхны өгөгдлийг бусад хүртээмжтэй мэдээллийн эх сурвалжтай хослуулдаг.
Энд байгаа гол зүйл бол одоо байгаа эсвэл ирээдүйд байж болох бусад мэдээллийн нөөцийн бэлэн байдал юм. Өөрийнхөө тухай бод. Фэйсбүүк, Инстаграм эсвэл LinkedIn -ээс хувийн мэдээллийнхээ хэдийг холбоос халдлагад урвуулан ашиглаж болох вэ?
Өмнөх өдрүүдэд өгөгдлийн хүртээмж нэлээд хязгаарлагдмал байсан бөгөөд энэ нь хүмүүсийн хувийн нууцлалыг хадгалахад нэрийг хасах нь яагаад хангалттай байсныг тайлбарлаж байна. Боломжит мэдээлэл бага байгаа нь өгөгдлийг холбох боломж багатай гэсэн үг юм. Гэсэн хэдий ч бид одоо өгөгдөлд тулгуурласан эдийн засгийн оролцогчид болсон бөгөөд мэдээллийн хэмжээ экспоненциал хурдаар өсч байна. Илүү их мэдээлэл, мэдээлэл цуглуулах технологийг сайжруулснаар холбоо барих халдлагад өртөх магадлал нэмэгдэнэ. 10 жилийн дараа холбоо барих халдлагын эрсдэлийн талаар юу бичих вэ?
1 зураг
Хэмжээгээр өсч буй өгөгдөл бол баримт юм
Кейс судалгаа
Свини (2002) нь "эмнэлэгт очиж үзэх" гэсэн олон нийтийн мэдээллийн санг АНУ -д олон нийтэд нээлттэй санал өгөх бүртгэгчтэй холбож өгснөөр хувь хүмүүсийн эрүүл мэндийн эмзэг өгөгдлийг хэрхэн олж, олж авах боломжтой болсноо эрдэм шинжилгээний баримт бичигт харуулжээ. Нэр болон бусад шууд таних тэмдгийг устгаснаар нэрээ нууцалсан гэж үзсэн хоёр өгөгдлийн багц.
2 зураг
Практикт холбоосын халдлага
Зип код, (1) Хүйс, (2) Төрсөн он сар өдрүүд гэсэн гурван үзүүлэлт дээр үндэслэн тэрээр АНУ-ын нийт хүн амын 3% -ийг дээрх өгөгдлийн багцаас дээр дурдсан шинж чанаруудыг тааруулах замаар дахин тодорхойлох боломжтой болохыг харуулжээ. Свини "Зип код" -ын оронд "улс орон" -той байх ажлыг дахин хийжээ. Нэмж дурдахад тэрээр АНУ -ын нийт хүн амын 87% -ийг (18) эх орон, (1) хүйс, (2) төрсөн огнооны талаархи мэдээллийг агуулсан өгөгдлийн санд хандах замаар л таньж болохыг харуулсан. Фэйсбүүк, LinkedIn эсвэл Instagram гэх мэт дээр дурдсан олон нийтийн эх сурвалжуудын талаар бодоорой. Танай улс, хүйс, төрсөн он сар өдөр харагдах уу, эсвэл бусад хэрэглэгчид хасах боломжтой юу?
3 зураг
Суинигийн үр дүн
| Бараг танигч | % АНУ -ын хүн амын өвөрмөц онцлогтой (248 сая) |
| 5 оронтой ZIP, хүйс, төрсөн огноо | 87% |
| газар, хүйс, төрсөн огноо | 53% |
| улс, хүйс, төрсөн огноо | 18% |
Нэр нь үл мэдэгдэх мэт өгөгдөлд нэрээ нууцлах нь үнэхээр хялбар болохыг энэ жишээ харуулж байна. Нэгдүгээрт, энэхүү судалгаа нь асар их хэмжээний эрсдэлийг харуулж байна АНУ -ын хүн амын 87% -ийг ашиглан тодорхойлоход хялбар байдаг цөөн тооны шинж чанарууд. Хоёрдугаарт, энэ судалгаанд хамрагдсан эмнэлгийн мэдээлэл маш эмзэг байсан. Эмнэлэгт үзүүлсэн мэдээллийн сангаас ил гарсан хүмүүсийн өгөгдлийн жишээнд үндэс угсаа, оношлогоо, эм зэрэг орно. Жишээлбэл, даатгалын компаниудаас нууцлахыг хүсч буй шинж чанарууд.
3) Мэдээлэлтэй хүмүүс
Мэдээлэл авсан хүмүүс мэдээллийн сан дахь тодорхой хүмүүсийн зан чанар, зан байдлын талаар дээд зэргийн мэдлэг, мэдээлэлтэй байх үед нэр гэх мэт зөвхөн шууд танигчдыг устгах өөр нэг эрсдэл үүсдэг.. Мэдлэг дээрээ үндэслэн халдагч тодорхой өгөгдлийн бүртгэлийг бодит хүмүүстэй холбох боломжтой болно.
Кейс судалгаа
Өндөр мэдлэгийг ашиглан мэдээллийн сан руу дайрсан жишээ бол Нью -Йоркийн таксины хэрэг бөгөөд Атокар (2014) тодорхой хүмүүсийн нууцыг тайлж чадсан юм. Ажиллаж буй мэдээллийн санд Нью -Йорк дахь таксины бүх аяллыг багтаасан бөгөөд эхлэх координат, төгсгөлийн координат, үнэ, аялалын үзүүр гэх мэт үндсэн шинж чанаруудаар баяжуулсан болно.
Нью Йоркийг мэддэг мэдлэгтэй хүн насанд хүрэгчдийн "Хустлер" клубт таксигаар аялж чаддаг байв. "Эцсийн байршил" -ыг шүүж өгснөөр тэрээр яг эхлэх хаягийг нь олж тогтоож, янз бүрийн ойр ойрхон ирдэг хүмүүсийг олж тогтоожээ. Үүний нэгэн адил, тухайн хүний гэрийн хаягийг мэдэж байх үед таксигаар зорчих боломжтой. Алдартнуудын киноны оддын цаг хугацаа, байршлыг хов живийн сайтуудаас олж мэдсэн. Энэхүү мэдээллийг NYC таксины өгөгдөлтэй холбосны дараа таксины жолоодлого, төлсөн мөнгө, унасан эсэхээ олоход хялбар байв.
4 зураг
Мэдээлэлтэй хувь хүн
буух координат Хустлер
Брэдли Күүпер
Jessica Alba
4) Өгөгдлийг хурууны хээгээр
"Энэхүү өгөгдөл нь үнэ цэнэгүй" эсвэл "хэн ч энэ өгөгдлөөр юу ч хийж чадахгүй" гэсэн аргументын нийтлэг мөр байдаг. Энэ нь ихэвчлэн буруу ойлголт юм. Хамгийн гэмгүй өгөгдөл ч гэсэн өвөрмөц "хурууны хээ" үүсгэж, хувь хүмүүсийг дахин танихад ашиглаж болно. Энэ бол өгөгдөл өөрөө үнэ цэнэгүй, үнэ цэнэгүй гэж итгэхээс үүдэлтэй эрсдэл юм.
Өгөгдөл, хиймэл оюун ухаан, өгөгдлийн нарийн төвөгтэй харилцааг илрүүлэх боломжийг олгодог бусад хэрэгсэл, алгоритм нэмэгдэхийн хэрээр таних эрсдэл нэмэгдэх болно. Тиймээс, хэрэв таны өгөгдлийн багцыг одоо нээж чадахгүй байгаа бөгөөд өнөөдөр зөвшөөрөлгүй хүмүүсийн хувьд ашиггүй байсан ч маргааш биш байж магадгүй юм.
Кейс судалгаа
Үүний нэг тод жишээ бол Netflix нь өөрсдийн кино санал болгох системийг сайжруулахын тулд Netflix -ийн нээлттэй өрсөлдөөнийг нэвтрүүлэх замаар өөрийн R&D хэлтсийг цуглуулах зорилготой байсан явдал юм. 'Киноны хэрэглэгчдийн үнэлгээг урьдчилан таамаглах хамтын шүүлтүүрийн алгоритмыг сайжруулсан хүн 1,000,000 долларын шагнал хүртдэг. Олон түмнийг дэмжихийн тулд Netflix нь зөвхөн дараах үндсэн шинж чанаруудыг агуулсан мэдээллийн санг нийтэлсэн: хэрэглэгчийн ID, кино, ангийн он сар, зэрэг (тиймээс хэрэглэгчийн тухай эсвэл киноны талаар нэмэлт мэдээлэл байхгүй болно).
5 зураг
Өгөгдлийн сангийн бүтэц Netflix -ийн үнэ
| ХэрэглэгчийнID | Movie | Ангийн огноо | -р ангийн |
| 123456789 | Эрхэм зорилго боломжгүй | 10-12-2008 | 4 |
Тус тусад нь өгөгдөл нь дэмий хоосон харагдаж байв. 'Мэдээллийн санд хувийн нууцыг хадгалах ёстой хэрэглэгчийн мэдээлэл байгаа юу?' Гэсэн асуултыг асуухад хариулт нь:
'Үгүй ээ, үйлчлүүлэгчийг таних бүх мэдээллийг устгасан; Зөвхөн үнэлгээ, огноо л үлддэг. Энэ нь бидний нууцлалын бодлогыг дагаж мөрддөг ... '
Гэсэн хэдий ч Остин дахь Техасын их сургуулийн Нараянан (2008) өөр зүйл батлав. Хувь хүний оноо, ангийн он сар, киноны хослол нь өвөрмөц кино-хурууны хээг бүрдүүлдэг. Netflix -ийн өөрийн зан байдлын талаар бодоорой. Нэг багц киног хэдэн хүн үзсэн гэж та бодож байна вэ? Нэг багц киног нэгэн зэрэг үзсэн хүн хэр олон байсан бэ?
Гол асуулт бол энэ хурууны хээтэй хэрхэн нийцэх вэ? Энэ нь маш энгийн байсан. IMDb (Internet Movie Database) нэртэй кино үнэлгээ сайтай вэбсайтаас авсан мэдээлэлд үндэслэн ижил төстэй хурууны хээг бүрдүүлж болно. Тиймээс хувь хүмүүсийг дахин таних боломжтой болно.
Кино үзэх зан үйлийг эмзэг мэдээлэл гэж тооцохгүй байж болох ч, өөрийнхөө зан байдлын талаар бодож үзээрэй, хэрэв энэ нь олон нийтэд ил болвол та эсэргүүцэх үү? Нараянан өөрийн баримт бичигт дурдсан жишээ бол улс төрийн сонголт ("Назаретын Есүс", "Иоханы сайн мэдээ" зэрэглэлүүд), бэлгийн дур сонирхол ("Bent", "Queer of people" зэрэглэлүүд) бөгөөд үүнийг амархан нэрж болно.
5) Мэдээлэл хамгаалах ерөнхий дүрэм (GDPR)
GDPR нь блог сэдвүүдийн дунд гайхалтай сэтгэл хөдөлгөм, мөнгөн сум биш байж магадгүй юм. Гэсэн хэдий ч хувийн мэдээллийг боловсруулахдаа тодорхойлолтыг шууд авах нь ашигтай байдаг. Энэ блог нь өгөгдлийг нэрээ нууцлах, танд өгөгдөл боловсруулагч болгох талаар багана устгах тухай буруу ойлголттой холбоотой байдаг тул GDPR -ийн дагуу нэрээ нууцлах тодорхойлолтыг судалж эхэлье.
GDPR -ийн 26 -р давталтын дагуу нэрээ нууцалсан мэдээллийг дараахь байдлаар тодорхойлно.
"Мэдээллийн субьектийг таних боломжгүй эсвэл цаашид тодорхойгүй байхаар нэрээ нууцалсан хувь хүн эсвэл хувийн мэдээлэлтэй холбоогүй мэдээлэл."
Нэг нь хувь хүнтэй холбоотой хувийн мэдээллийг боловсруулдаг тул тодорхойлолтын зөвхөн 2 -р хэсэг хамааралтай болно. Тодорхойлолтыг дагаж мөрдөхийн тулд өгөгдлийн субьект (хувь хүн) нь танигдах боломжгүй эсвэл байхгүй байх ёстой. Энэ блогт дурдсанчлан, хэд хэдэн шинж чанар дээр үндэслэн хувь хүмүүсийг тодорхойлох нь маш энгийн зүйл юм. Тиймээс мэдээллийн сангаас нэрийг хасах нь нэрээ нууцлах GDPR тодорхойлолтод нийцэхгүй байна.
Эцэст нь хэлэхэд
Мэдээллийг нэрээ нууцлах түгээмэл хэрэглэгддэг, харамсалтай нь одоо хүртэл түгээмэл хэрэглэгддэг нэг аргыг бид нэрээ устгахыг эсэргүүцсэн. Хэн таавар тоглоом болон бусад дөрвөн жишээн дээр:
- Холболтын халдлага
- Мэдээлэлтэй хүмүүс
- Өгөгдлийг хурууны хээ хэлбэрээр
- Мэдээлэл хамгаалах ерөнхий журам (GDPR)
Нэрээ нууцлах нь нэрийг устгах нь бүтэлгүйтдэг болохыг харуулсан. Эдгээр жишээ нь гайхалтай тохиолдлууд боловч тус бүр нь дахин таних энгийн байдлыг харуулдаг Хувь хүний хувийн нууцад үзүүлэх сөрөг нөлөө.
Дүгнэж хэлэхэд, таны мэдээллийн сангаас нэр устгасан нь нэрээ нууцлахад хүргэхгүй. Тиймээс бид хоёр нэр томъёог орлуулахаас зайлсхийх нь дээр. Нэрээ нууцлахын тулд та энэ аргыг ашиглахгүй гэж чин сэтгэлээсээ найдаж байна. Хэрэв та одоо ч гэсэн ойлгосон хэвээр байгаа бол танд болон танай багийнхан нууцлалын эрсдэлийг бүрэн ойлгож байгаа бөгөөд эдгээр эрсдэлийг нэрвэгдэгсдийн өмнөөс хүлээн зөвшөөрөхийг баталгаажуулаарай.
Өгөгдөл бол синтетик, гэхдээ манай баг жинхэнэ юм!
Syntho -той холбоо бариарай мөн манай мэргэжилтнүүдийн нэг нь гэрлийн хурдаар тантай холбогдож синтетик өгөгдлийн үнэ цэнийг судлах болно!
- Д.Рейнсел, Ж.Ганц, Жон Райдинг. Дэлхийн ирмэгээс цөм хүртэлх дижиталчлал, Өгөгдлийн эрин 2025, 2018 он
- Л.Свини. нэрээ нууцлах: нууцлалыг хамгаалах загвар. Олон улсын тодорхойгүй байдал, бүдүүлэг байдал ба мэдлэгт суурилсан системийн тухай сэтгүүл, 10 (5), 2002: 557-570
- Л.Свини. Энгийн хүн ам зүй нь хүмүүсийг өвөрмөц байдлаар тодорхойлдог. Карнеги Меллон их сургууль, Мэдээллийн нууцлалын ажлын баримт бичиг 3. Питтсбург 2000 он
- П.Самарати. Микро өгөгдөл гаргахад оролцогчдын таних тэмдгийг хамгаалах. Мэдлэг ба мэдээллийн инженерчлэлийн IEEE гүйлгээ, 13 (6), 2001: 1010-1027
- Атокар. Ододтой хамт явах: NYC Taxicab мэдээллийн санд зорчигчдын хувийн нууцлал, 2014 он
- Нараянан, А., Шматиков, В. (2008). Том сийрэг мэдээллийн багцыг нэрээ нууцлах. Эмхэтгэлд-2008 IEEE-ийн Аюулгүй байдал, нууцлалын симпозиум, SP (хуудас 111-125)
- Мэдээлэл хамгаалах ерөнхий дүрэм (GDPR), Recital 26, нэрээ нууцалсан мэдээлэлд хамаарахгүй