ဘယ်သူလဲ ခန့်မှန်းကြည့်။ အမည်များကို ဖယ်ရှားခြင်းသည် ရွေးချယ်စရာမဟုတ်သည့် အကြောင်းရင်း ၅ ခု
Guess Who မိတ်ဆက်
ဘယ်သူလဲခန့်မှန်းကြည့်ပါ။ မင်းဒီကစားနည်းကိုအရင်တုန်းကတော်တော်များများသိတာငါသေချာတယ်၊ ဒါပေမယ့်ဒီမှာအကျဉ်းချုပ်ပြန်ပြောပြမယ်။ ဂိမ်း၏ပန်းတိုင်သည်သင်၏ပြိုင်ဘက်ကရွေးချယ်ထားသောကာတွန်းဇာတ်ကောင်၏နာမည်ကိုရှာဖွေပါ၊ ထိုသူသည် ဦး ထုပ် ၀ တ်ထားသလား။ ဒါမှမဟုတ် 'လူတစ်ယောက်ကမျက်မှန်တပ်သလား' ကစားသမားများသည်ပြိုင်ဘက်၏တုံ့ပြန်မှုကို အခြေခံ၍ ကိုယ်စားလှယ်လောင်းများကိုဖယ်ရှားပြီး၎င်းတို့၏ပြိုင်ဘက်၏လျှို့ဝှက်ဆန်းကြယ်သောဇာတ်ကောင်များနှင့်ဆက်နွယ်သောအရည်အချင်းများကိုသင်ယူသည်။ အခြားကစားသမား၏လျှို့ဝှက်ဆန်းကြယ်သောဇာတ်ကောင်ကိုဖော်ထုတ်ပြသောပထမဆုံးကစားသမားသည်ဂိမ်းကိုအနိုင်ရသည်။
သင်နားလည်ပါပြီ။ သက်ဆိုင်ရာ attribute တွေကိုသာသုံးခွင့်ပြုခြင်းအားဖြင့် database တစ်ခုမှလူတစ် ဦး ကိုခွဲခြားသတ်မှတ်ရပါမည်။ အမှန်တော့၊ ငါတို့လက်တွေ့ကျင့်သုံးခဲ့တဲ့ Guess Who ရဲ့ဒီသဘောတရားကိုငါတို့ပုံမှန်မြင်နေရတယ်၊ ဒါပေမယ့်အဲဒီ့လူတွေရဲ့ဂုဏ်ပုဒ်တွေအစုံပါတဲ့အတန်းတွေ၊ ကော်လံတွေနဲ့ဖွဲ့စည်းထားတဲ့ဒေတာအတွဲတွေပေါ်မှာအလုပ်လုပ်တယ်။ အချက်အလက်များနှင့်အလုပ်လုပ်သည့်အခါအဓိကကွာခြားချက်မှာလူများသည် attributes အနည်းငယ်ကိုသာရယူခြင်းအားဖြင့်စစ်မှန်သောပုဂ္ဂိုလ်များအားဖုံးကွယ်ထားနိုင်သည့်လွယ်ကူမှုကိုလျှော့တွက်လေ့ရှိသည်။
Guess Who ဂိမ်းကိုသရုပ်ဖော်သည့်အတိုင်းလူတစ် ဦး သည် attribute အနည်းငယ်ကိုသာရယူခြင်းဖြင့်တစ် ဦး တစ်ယောက်ကိုခွဲခြားသတ်မှတ်နိုင်သည်။ ၎င်းသည်သင်၏အချက်အလက်စာရင်းမှအမည်များ (သို့မဟုတ်အခြားတိုက်ရိုက်အမှတ်အသားများ) ကိုသာအမည်ဝှက်ဖျောက်ဖျက်ခြင်းနည်းလမ်းအဖြစ်မအောင်မြင်ရခြင်း၏ရိုးရှင်းသောဥပမာတစ်ခုအနေနှင့်လုပ်ဆောင်သည်။ ဤဘလော့တွင်ကျွန်ုပ်တို့သည်အချက်အလက်အမည်ဝှက်ခြင်းနည်းလမ်းအဖြစ်ကော်လံများဖယ်ရှားခြင်းနှင့်ဆက်စပ်သောသီးသန့်လုံခြုံရေးအန္တရာယ်များအကြောင်းသင့်အားအသိပေးရန်လက်တွေ့ဖြစ်ရပ်လေးမျိုးကိုဖော်ပြထားသည်။
၂) Linkage တိုက်ခိုက်မှုများ၊ သင်၏ဒေတာစုသည်အခြား (အများသုံး) ဒေတာရင်းမြစ်များနှင့်ချိတ်ဆက်ထားသည်
linkage တိုက်ခိုက်မှုများ၏အန္တရာယ်သည်အမည်များကိုဖယ်ရှားခြင်း (အမည်မဖော်ခြင်း) အတွက်နည်းလမ်းတစ်ခုတည်းအဖြစ်အလုပ်မလုပ်တော့ခြင်း၏အရေးအကြီးဆုံးအကြောင်းပြချက်ဖြစ်သည်။ linkage attack တစ်ခုနှင့်တိုက်ခိုက်သူသည်တစ် ဦး တစ်ယောက်အားထူးခြားစွာဖော်ထုတ်နိုင်ပြီးဤပုဂ္ဂိုလ်အကြောင်း (မကြာခဏသတိထားလွယ်သော) အချက်အလက်များသိရှိနိုင်ရန်အတွက်မူလရရှိနိုင်သောအချက်အလက်ရင်းမြစ်များနှင့်ပေါင်းစပ်ထားသည်။
ဤနေရာတွင်သော့ချက်မှာလက်ရှိပစ္စုပ္ပန်ဖြစ်သည့်အခြားဒေတာအရင်းအမြစ်များရရှိနိုင်မှု (သို့) အနာဂတ်တွင်ပစ္စုပ္ပန်ဖြစ်လာနိုင်သည်။ သင်ကိုယ်တိုင်စဉ်းစားကြည့်ပါ။ linkage တိုက်ခိုက်မှုတစ်ခုအတွက်အလွဲသုံးစားဖြစ်နိုင်သောသင်၏ကိုယ်ပိုင်ဒေတာများကို Facebook, Instagram သို့မဟုတ် LinkedIn တွင်မည်မျှတွေ့နိုင်သနည်း။
အစောပိုင်းကာလများတွင်ဒေတာရရှိနိုင်မှုသည်ပိုမိုကန့်သတ်ခဲ့ပြီးတစ်စိတ်တစ်ပိုင်းအားဖြင့်နာမည်ဖျက်ခြင်းသည်တစ် ဦး ချင်းစီ၏ privacy ကိုထိန်းသိမ်းရန်လုံလောက်သည်။ ရရှိနိုင်သောဒေတာနည်းသည် data ချိတ်ဆက်ရန်အခွင့်အလမ်းနည်းသည်။ သို့သော်လည်း၊ ယခုကျွန်ုပ်တို့သည်ဒေတာပမာဏအဆတိုးနှုန်းဖြင့်ကြီးထွားလာနေသောဒေတာမောင်းနှင်စီးပွားရေးတွင်တက်ကြွစွာပါဝင်သူများဖြစ်သည်။ ဒေတာပိုများခြင်းနှင့်ဒေတာစုဆောင်းခြင်းနည်းပညာတိုးတက်လာခြင်းတို့သည်ချိတ်ဆက်တိုက်ခိုက်မှုများအတွက်အလားအလာပိုများစေလိမ့်မည်။ ၁၀ နှစ်အတွင်းတစ် ဦး နှင့်တစ် ဦး ဆက်သွယ်မှုတိုက်ခိုက်မှု၏အန္တရာယ်နှင့် ပတ်သက်၍ ဘာရေးမည်နည်း။
ပုံ ၂
အချက်အလက်များအဆတိုးပွားလာခြင်းသည်အမှန်ဖြစ်သည်
ဖြစ်ရပ်မှန်လေ့လာမှု
Sweeney (၂၀၀၂) သည်အမေရိကန်ပြည်ထောင်စုရှိလူသိရှင်ကြားမဲပေးနိုင်သောမဲဆန္ဒရှင်စာရင်းသို့အများပြည်သူရရှိနိုင်သောအချက်အလက်အစုံကို အခြေခံ၍ တစ် ဦး ချင်းစီမှထိခိုက်လွယ်သောဆေးဘက်ဆိုင်ရာအချက်အလက်များကိုဖော်ထုတ်နိုင်ပုံကိုပညာရပ်ဆိုင်ရာစာတမ်းတစ်ခုတွင်သရုပ်ပြခဲ့သည်။ အမည်များကိုဖျက်ခြင်းမှတဆင့်စနစ်တကျအမည်ဝှက်ခြင်းဟုယူဆရသောဒေတာစုနှစ်ခုစလုံး
ပုံ ၂
လက်တွေ့ချိတ်ဆက်မှုတိုက်ခိုက်မှု
အက္ခရာသုံးလုံး (၁)၊ စာတိုက်သင်္ကေတ၊ (၂) ကျားမနှင့်မွေးသက္ကရာဇ် (၃) တို့အပေါ် အခြေခံ၍ အမေရိကန်လူ ဦး ရေ၏ ၈၇% ကိုဒေတာစုနှစ်ခုလုံးမှအထက်ဖော်ပြပါအရည်အချင်းများနှင့်တိုက်ဆိုင်။ ပြန်လည်ဖော်ထုတ်နိုင်ခဲ့သည်။ ထို့နောက် Sweeney သည် 'Zip Code' ကိုအစားထိုးရန် 'country' ရှိခြင်းနှင့်သူမ၏အလုပ်တို့ကိုထပ်တလဲလဲလုပ်ခဲ့သည်။ ထို့အပြင်သူမသည်အမေရိကန်လူ ဦး ရေ၏ ၁၈% ကို (၁) ဇာတိနိုင်ငံ၊ (၂) ကျားမနှင့်မွေးသက္ကရာဇ် (၃) အကြောင်းအချက်အလက်များပါ ၀ င်သောအချက်အလက်များပါ ၀ င်သောအချက်အလက်များဖြင့်သာဖော်ထုတ်နိုင်ခဲ့သည်။ အထက်ပါဖော်ပြထားသောအများသုံးသတင်းရင်းမြစ်များဖြစ်သော Facebook, LinkedIn သို့မဟုတ် Instagram ကဲ့သို့စဉ်းစားပါ။ မင်းရဲ့နိုင်ငံ၊ လိင်၊ မွေးသက္ကရာဇ်ကိုမြင်နိုင်သလား၊ ဒါမှမဟုတ်အခြားအသုံးပြုသူများကအဲဒါကိုနုတ်နိုင်လား။
ပုံ ၂
Sweeney ၏ရလဒ်များ
| အမည်ခံဖေါ်ထုတ်သူ | ရာခိုင်နှုန်းအားဖြင့်အမေရိကန်လူ ဦး ရေ (၂၄၈ သန်း) |
| ဂဏန်း ၅ လုံးပါ ZIP၊ လိင်၊ မွေးသက္ကရာဇ် | 87% |
| နေရာလိင်၊ မွေးသက္ကရာဇ် | 53% |
| ပြည်လိင်၊ မွေးသက္ကရာဇ် | 18% |
ဤဥပမာကအမည်မသိဒေတာများဖြင့်တစ် ဦး ချင်းအမည်ဝှက်ရန်သိသိသာသာလွယ်ကူစေနိုင်ကြောင်းပြသသည်။ ပထမ ဦး စွာ၊ ဤလေ့လာမှုသည်ကြီးမားသောအန္တရာယ်ပမာဏကိုညွှန်ပြသည် အမေရိကန်လူ ဦး ရေ၏ ၈၇% ကိုအလွယ်တကူဖော်ထုတ်နိုင်သည် ထူးခြားချက်အနည်းငယ်မရ။ ဒုတိယအချက်မှာဤလေ့လာမှု၌ထိတွေ့ထားသောဆေးဘက်ဆိုင်ရာအချက်အလက်များသည်အလွန်အကဲဆတ်သည်။ ဆေးရုံသို့လာရောက်ကြည့်ရှုသူများထံမှရရှိသောအချက်အလက်များ၏ဥပမာများတွင်လူမျိုး၊ ရောဂါရှာဖွေခြင်းနှင့်ဆေးဝါးများပါဝင်သည်။ ဥပမာအားဖြင့်အာမခံကုမ္ပဏီများမှလျှို့ဝှက်ထားနိုင်သောအရည်အချင်းများ။
၃) အသိရှိသူများ
သတင်းပေးပုဂ္ဂိုလ်များသည်အချက်အလက်များတွင်သီးခြားပုဂ္ဂိုလ်များ၏စရိုက်လက္ခဏာများ (သို့) စရိုက်လက္ခဏာများ (သို့) အမူအကျင့်များနှင့်ပတ်သက်သောအချက်အလက်များရှိသည့်အခါအမည်များကဲ့သို့တိုက်ရိုက်အမှတ်အသားများကိုဖယ်ရှားခြင်း၏နောက်ထပ်အန္တရာယ်တစ်ခုဖြစ်သည်။မရ။ သူတို့၏အသိပညာကို အခြေခံ၍ တိုက်ခိုက်သူသည်တိကျသောအချက်အလက်မှတ်တမ်းများကိုအမှန်တကယ်လူများနှင့်ချိတ်ဆက်နိုင်ပေမည်။
ဖြစ်ရပ်မှန်လေ့လာမှု
သာလွန်သောအသိပညာကို အသုံးပြု၍ ဒေတာစုတစ်ခုအားတိုက်ခိုက်ခြင်း၏ဥပမာတစ်ခုမှာ Atockar (2014) သည်သီးခြားပုဂ္ဂိုလ်များကိုဖော်ထုတ်နိုင်သည့် New York taxi case ဖြစ်သည်။ အလုပ်ခန့်ထားသောဒေတာစုတွင်နယူးယောက်ရှိတက္ကစီခရီးအားလုံးပါ ၀ င်သည်၊ အခြေခံသြဒီနိတ်များ၊ အဆုံးသြဒီနိတ်၊ စျေးနှုန်းနှင့်စီးနင်းခအစရှိသည်တို့ပါ ၀ င်သည်။
New York သည်အရွယ်ရောက်ကလပ် 'Hustler' သို့အငှားခရီးများသယ်ဆောင်လာနိုင်ကြောင်းသိရှိသူတစ် ဦး ဖြစ်သည်။ 'အဆုံးတည်နေရာ' ကိုစီစစ်ခြင်းအားဖြင့်သူသည်အတိအကျစတင်သောလိပ်စာများကိုကောက်ယူပြီး၎င်းအားမကြာခဏလာရောက်လည်ပတ်သူများကိုခွဲခြားသတ်မှတ်ခဲ့သည်။ တစ် ဦး တစ်ယောက်၏အိမ်လိပ်စာကိုသိသောအခါတက္ကစီစီးနိုင်သည်ဟုလည်းဆိုနိုင်သည်။ အတင်းအဖျင်းဆိုဒ်များတွင်ကျော်ကြားသောရုပ်ရှင်သရုပ်ဆောင်များစွာ၏အချိန်နှင့်တည်နေရာကိုရှာဖွေတွေ့ရှိခဲ့သည်။ ဤအချက်အလက်ကို NYC အငှားအချက်အလက်နှင့်လင့်ခ်ချိတ်ပြီးနောက်သူတို့၏တက္ကစီစီးနင်းမှုများ၊ သူတို့ပေးဆပ်ခဲ့သည့်ပမာဏနှင့်သူတို့ပေးခဲ့သောအချက်များကိုရယူရန်လွယ်ကူသည်။
ပုံ ၂
အသိဥာဏ်ရှိသောပုဂ္ဂိုလ်
drop-off သြဒီနိတ် Hustler
Bradley Cooper
ဂျက်စီကာ Alba
၄) ဒေတာကိုလက်ဗွေရာအဖြစ်သုံးပါ
အငြင်းအခုံဖြစ်လေ့ရှိသောအရာမှာ 'ဤဒေတာသည်တန်ဖိုးမရှိ' သို့မဟုတ် 'ဤဒေတာကိုမည်သူမျှမလုပ်ဆောင်နိုင်ပါ' ။ ဒါကမကြာခဏအထင်အမြင်လွဲမှားနေတတ်ပါတယ်။ အပြစ်မဲ့ဆုံးဒေတာများသည်ပင်ကိုယ်ထူးခြားသောလက်ဗွေရာကိုဖန်တီးနိုင်ပြီးတစ် ဦး ချင်းစီကိုပြန်လည်ဖော်ထုတ်ရန်အသုံးပြုနိုင်သည်။ ၎င်းသည်အချက်အလက်များသည်တန်ဖိုးမရှိဟုယုံကြည်သောမှဆင်းသက်လာသောအန္တရာယ်ဖြစ်သည်။
အချက်အလက်များ၊ AI နှင့်ဒေတာများရှုပ်ထွေးသောဆက်ဆံရေးများကိုဖော်ထုတ်နိုင်စေသောအခြား tools များနှင့် algorithms များတိုးလာသည်နှင့်ဖော်ထုတ်ခြင်း၏အန္တရာယ်သည်မြင့်တက်လာလိမ့်မည်။ ထို့ကြောင့်သင်၏အချက်အလက်အစုံကိုယခုမဖော်ထုတ်နိုင်သေးဘဲယနေ့ခွင့်ပြုချက်မရှိသူများအတွက်အသုံးမ ၀ င်ဟုယူဆနိုင်သော်လည်းမနက်ဖြန်သည်မဖြစ်နိုင်ပေ။
ဖြစ်ရပ်မှန်လေ့လာမှု
ကြီးမားသောဥပမာတစ်ခုသည် Netflix သည်၎င်းတို့၏ရုပ်ရှင်အကြံပြုချက်စနစ်ကိုတိုးတက်စေရန် open Netflix ယှဉ်ပြိုင်မှုတစ်ခုမိတ်ဆက်ခြင်းဖြင့်၎င်း၏ R&D ဌာနကိုလူစုရန်ရည်ရွယ်ထားသည့်ကိစ္စဖြစ်သည်။ 'ရုပ်ရှင်များအတွက်အသုံးပြုသူအဆင့်သတ်မှတ်ချက်ကိုခန့်မှန်းရန်ပူးပေါင်းစစ်ထုတ်မှုစနစ်ကိုတိုးတက်စေသောသူသည်အမေရိကန်ဒေါ်လာ ၁၀၀၀,၀၀၀ ဆုရရှိသည်။ လူအုပ်ကိုထောက်ပံ့နိုင်ရန် Netflix သည်အောက်ပါအခြေခံဂုဏ်ပုဒ်များပါ ၀ င်သောအချက်အလက်အစုံကိုထုတ်ဝေခဲ့သည်။ userID၊ ရုပ်ရှင်၊ အတန်း၊ အတန်းရက်နှင့်အတန်း
ပုံ ၂
ဒေတာအတွဲဖွဲ့စည်းပုံ Netflix စျေးနှုန်း
| သုံးစွဲသူအိုင်ဒီ | Movie, | အတန်းရက်စွဲ | grade |
| 123456789 | မဖြစ်နိုင်တဲ့မစ်ရှင် | 10-12-2008 | 4 |
အထီးကျန်နေချိန်တွင်အချက်အလက်များသည်အချည်းနှီးဖြစ်သွားသည်။ 'သီးသန့်ထားရှိသင့်သောဒေတာစုတွင် ၀ ယ်သူအချက်အလက်ရှိသလား' ဟူသောမေးခွန်းကိုမေးသောအခါအဖြေသည်
'မဟုတ်ပါ၊ ဖောက်သည်များသိရှိရန်အချက်အလက်အားလုံးကိုဖယ်ရှားလိုက်ပါပြီ။ ကျန်နေသေးသမျှသည်အဆင့်သတ်မှတ်ချက်များနှင့်ရက်စွဲများသာဖြစ်သည်။ ဒါကငါတို့ရဲ့ privacy မူဝါဒအတိုင်းဘဲ ... '
သို့သော်လည်း Austin ရှိ Texas တက္ကသိုလ်မှ Narayanan (2008) သည်အခြားမဟုတ်ကြောင်းသက်သေပြခဲ့သည်။ တစ် ဦး ချင်းစီ၏အဆင့်များ၊ အဆင့်အတန်းများနှင့်ရုပ်ရှင်များ၏ပေါင်းစပ်မှုသည်တစ်မူထူးခြားသောရုပ်ရှင်လက်ဗွေကိုဖန်တီးသည်။ သင်၏ကိုယ်ပိုင် Netflix အပြုအမူကိုစဉ်းစားပါ။ ရုပ်ရှင်အတူတူကြည့်တဲ့လူဘယ်နှစ်ယောက်ရှိမယ်ထင်လဲ။ တစ်ချိန်တည်းမှာရုပ်ရှင်တစ်ကားကိုဘယ်နှစ်ယောက်ကြည့်ခဲ့လဲ။
အဓိကမေးခွန်း၊ ဤလက်ဗွေနှင့်မည်သို့ကိုက်ညီမည်နည်း။ ဒါဟာအတော်လေးရိုးရှင်းခဲ့ပါတယ်။ နာမည်ကြီးရုပ်ရှင်အမှတ်ပေးဝက်ဘ်ဆိုက် IMDb (အင်တာနက်ရုပ်ရှင်ဒေတာဘေ့စ်) မှအချက်အလက်များအပေါ် အခြေခံ၍ အလားတူလက်ဗွေရာကိုဖွဲ့စည်းနိုင်ခဲ့သည်။ ထို့ကြောင့်လူတစ် ဦး ချင်းစီကိုပြန်လည်ဖော်ထုတ်နိုင်သည်။
ရုပ်ရှင်ကြည့်သည့်အပြုအမူသည်အရေးကြီးသောအချက်အလက်များဟုမယူဆနိုင်သော်လည်း၊ သင်၏ကိုယ်ပိုင်အပြုအမူကိုစဉ်းစားပါ၊ ၎င်းကိုလူသိရှင်ကြားပြုလုပ်လျှင်သင်စိတ် ၀ င်စားပါသလား။ သူ၏စာတမ်း၌ Narayanan ပေးသောဥပမာများသည်နိုင်ငံရေးအရ ဦး စားပေးမှုများ ("Nazareth of Jesus of Jesus" နှင့် "The Gospel of John") နှင့်လိင်ပိုင်းဆိုင်ရာ ဦး စားပေးမှုများ
၅) အထွေထွေဒေတာကာကွယ်ရေးစည်းမျဉ်း (GDPR)
GDPR သည်ဘလော့ခေါင်းစဉ်များထဲမှငွေရောင်ကျည်ဆန်တစ်ခုမဟုတ်သလို၊ စိတ်လှုပ်ရှားဖွယ်လည်းမဟုတ်ပါ။ သို့ရာတွင်ကိုယ်ပိုင်အချက်အလက်များကိုစီမံသောအခါအဓိပ္ပါယ်ဖွင့်ဆိုရာတွင်အထောက်အကူပြုသည်။ ဤဘလော့ဂ်သည်ဒေတာများကိုအမည်ဝှက်ရန်နှင့် data processor အဖြစ်ပညာပေးရန်ကော်လံများကိုဖယ်ရှားခြင်း၏အများအားဖြင့်လွဲမှားသောအယူအဆအကြောင်း GDPR အရအမည်ဝှက်ခြင်း၏အဓိပ္ပါယ်ကိုစူးစမ်းလေ့လာခြင်းဖြင့်စကြစို့။
GDPR မှ recital 26 ၏အဆိုအရအမည်ဝှက်ထားသောအချက်အလက်များကိုအောက်ပါအတိုင်းသတ်မှတ်ထားသည်။
'အချက်အလက်များသည်မဖော်ထုတ်နိုင်၊ မဖော်ထုတ်နိုင်သည့်ပုံစံဖြင့်အမည်မဖော်ဘဲဖော်ပြထားသောသဘာဝပုဂ္ဂိုလ်သို့မဟုတ်ပုဂ္ဂိုလ်ရေးဆိုင်ရာအချက်အလက်များနှင့်မသက်ဆိုင်သောသတင်းအချက်အလက်'
တစ် ဦး သည်သဘာဝပုဂ္ဂိုလ်တစ် ဦး နှင့်သက်ဆိုင်သောကိုယ်ရေးကိုယ်တာဒေတာများကိုစီမံဆောင်ရွက်သောကြောင့်အဓိပ္ပါယ်သတ်မှတ်ချက်၏အပိုင်း ၂ သာသက်ဆိုင်သည်။ အဓိပ္ပါယ်သတ်မှတ်ချက်ကိုလိုက်နာနိုင်ရန်ဒေတာအကြောင်းအရာ (တစ် ဦး ချင်း) သည် ခွဲခြား၍ မရတော့ပါ။ ဤဘလော့တွင်ဖော်ပြထားသည့်အတိုင်း၎င်းသည် attribute အနည်းငယ်အပေါ် အခြေခံ၍ တစ် ဦး ချင်းစီကိုခွဲခြားရန်သိသိသာသာရိုးရှင်းပါသည်။ ထို့ကြောင့်ဒေတာစုတစ်ခုမှအမည်များကိုဖယ်ရှားခြင်းသည်အမည်ဝှက်ခြင်း၏ GDPR အဓိပ္ပါယ်နှင့်မကိုက်ညီပါ။
နိဂုံးချုပ်အားဖြင့်
ကျွန်ုပ်တို့စဉ်းစားလေ့ရှိသောအချက်တစ်ခုအားစိန်ခေါ်ပြီးကံမကောင်းစွာဖြင့်အမည်ဝှက်ခြင်းဆိုင်ရာအချက်အလက်များအားမကြာခဏကျင့်သုံးနေဆဲဖြစ်သည်။ Guess Who game နှင့်ပတ်သက်သောအခြားဥပမာလေးခုတွင်
- ချိတ်ဆက်တိုက်ခိုက်မှုများ
- အသိပုဂ္ဂိုလ်များ
- လက်ဗွေရာအဖြစ်ဒေတာ
- အထွေထွေဒေတာများကိုကာကွယ်စောင့်ရှောက်ရေးစည်းမျဉ်းဥပဒေ (GDPR)
၎င်းကိုနာမည်ဖျက်ခြင်းသည်အမည်ဝှက်ခြင်းအဖြစ်မအောင်မြင်ကြောင်းပြသခဲ့သည်။ ဥပမာများသည်ထင်ရှားသောကိစ္စများဖြစ်သော်လည်းတစ်ခုစီသည်ပြန်လည်မှတ်ပုံတင်ခြင်း၏ရိုးရှင်းမှုကိုပြသည် တစ် ဦး ချင်းစီ၏ကိုယ်ပိုင်လွတ်လပ်ခွင့်ကိုထိခိုက်စေနိုင်သောအလားအလာနှင့်ဆိုးကျိုးများ
နိဂုံးချုပ်အားဖြင့်၊ သင်၏အချက်အလက်စာရင်းမှအမည်များကိုဖယ်ရှားခြင်းသည်အမည်မသိဒေတာကိုဖြစ်ပေါ်စေခြင်းမဟုတ်ပါ။ ထို့ကြောင့်ကျွန်ုပ်တို့သည်ဤဝေါဟာရနှစ်ခုလုံးကိုအပြန်အလှန်လဲလှယ်ခြင်းကိုရှောင်ကြဉ်ခြင်းသည်ကောင်း၏။ မင်းကအမည်ဝှက်ခြင်းအတွက်ဒီချဉ်းကပ်မှုကိုအသုံးချမှာမဟုတ်ဘူးလို့ရိုးသားစွာမျှော်လင့်ပါတယ်။ သင်ဆဲလျှင်၊ သင်နှင့်သင့်အဖွဲ့သည်လုံခြုံရေးဆိုင်ရာအန္တရာယ်များကိုအပြည့်အဝနားလည်ကြောင်းသေချာစေပြီးထိခိုက်နစ်နာသူတစ် ဦး ဦး အားထိုအန္တရာယ်များကိုလက်ခံခွင့်ပြုသည်။
ဒေတာသည် ဒြပ်စင်ဖြစ်သော်လည်း ကျွန်ုပ်တို့အဖွဲ့သည် အစစ်အမှန်ဖြစ်သည်။
Syntho ကိုဆက်သွယ်ပါ နှင့် ကျွန်ုပ်တို့၏ ကျွမ်းကျင်သူများထဲမှ တစ်ဦးသည် ပေါင်းစပ်ဒေတာ၏တန်ဖိုးကို ရှာဖွေရန် အလင်းအမြန်နှုန်းဖြင့် သင့်ထံ ဆက်သွယ်ပါမည်။
- D. Reinsel, J. Gantz, John Rydning ။ ၂၀၂၅ ခုနှစ်၊ ဒေတာခေတ် ၂၀၂၅၊ ၂၀၁၈
- L. Sweeney k-anonymity: privacy ကိုကာကွယ်ရန်စံပြ မသေချာမှု၊ ရှုပ်ထွေးမှုနှင့်အသိပညာအခြေပြုစနစ်များဆိုင်ရာနိုင်ငံတကာဂျာနယ်၊ ၁၀ (၅)၊ ၂၀၀၂: ၅၅၇-၅၇၀
- L. Sweeney ရိုးရှင်းသောလူ ဦး ရေအချိုးအစားသည်လူများကိုထူးခြားစွာခွဲခြားသတ်မှတ်လေ့ရှိသည်။ Carnegie Mellon တက္ကသိုလ်၊ ဒေတာလုံခြုံရေးအလုပ်စက္ကူ ၃ ။ Pittsburgh ၂၀၀၀
- P. Samarati Microdata ဖြန့်ချိမှုတွင်ဖြေကြားသူများ၏အထောက်အထားများကိုကာကွယ်ခြင်း။ အသိပညာနှင့်ဒေတာအင်ဂျင်နီယာဆိုင်ရာ IEEE အရောင်းအဝယ်များ၊ ၁၃ (၆)၊ ၂၀၀၁: ၁၀၁၀-၁၀၂၇
- Atockar ကြယ်များနှင့်စီးခြင်း၊ NYC Taxicab Dataset ၌ ၂၀၁၄ ခုနှစ်၊ ခရီးသည်လုံခြုံရေး
- Narayanan, အေ, & Shmatikov, V. (2008) ။ ကြီးမားသောကျဲကျဲဒေတာအတွဲများကိုခိုင်လုံသောအမည်ဝှက်ခြင်း ရှေ့လုပ်ငန်းစဉ်များ-၂၀၀၈ ခုနှစ် IEEE လုံခြုံရေးနှင့်လုံခြုံရေးဆိုင်ရာဆွေးနွေးပွဲ၊ SP (စာမျက်နှာ ၁၁၁-၁၂၅)
- အထွေထွေဒေတာကာကွယ်ရေးစည်းမျဉ်း (GDPR)၊ မှတ်တမ်း ၂၆၊ အမည်မသိဒေတာများနှင့်မသက်ဆိုင်ပါ