Masking data dan pembuatan data dengan Faker

Privasi Data dan Anonimisasi di Python

Rebeca Gonzalez

Data engineer

Quasi-identifier

PII non-sensitif juga bisa menjadi quasi-identifier. Teks bertuliskan "Kepala pemerintahan di Eropa" dan tanggal lahir, dengan garis menunjuk ke wajah Angela Merkel

¹ Foto Angela Merkel dari Wikimedia Commons

Quasi-identifier

Jika digabung dengan quasi-identifier lain, ini menjadi mengidentifikasi.

Usia
Jenis kelamin
Pekerjaan
Tanggal pribadi: lahir, wafat, masuk rawat, kunjungan, dll.

Gambar pria dengan popup di sekelilingnya berisi informasi pribadi

Quasi-identifier dan serangan re-identifikasi

Diagram memperlihatkan irisan dua dataset: data medis dan daftar pemilih, dengan irisan kode pos, tanggal lahir, dan jenis kelamin

Teknik anonimisasi lainnya

Teknik anonimisasi untuk quasi-identifier guna menurunkan risiko pengungkapan data. Dua tabel berisi data medis dan pribadi. Kiri data asli, kanan hasil dengan atribut nama disembunyikan

Masking data

DataFrame asli

     name                phone
0    Cassandra Nelson    4399406975395
1    Brian Moss          0389407128613
2    Melody Gill         8283308773967
3    Sandra Huber        4366608954250
4    Patricia Webster    4466462475574

DataFrame dengan nama dimasking

     name    phone
0    xxxx    4399406975395
1    xxxx    0389407128613
2    xxxx    8283308773967
3    xxxx    4366608954250
4    xxxx    4466462475574

Mengganti nilai sensitif dengan karakter lain seperti "x" disebut masking data.

Masking data

# Explore the DataFrame
df.head()

     country         card_number           email
0    Finland         3546746666030419      [email protected]
1    Belarus         4303032415762821      [email protected]
2    Turkmenistan    4536883671157         [email protected]
3    Puerto Rico     3568819286614160      [email protected]
4    Angola          2514167462583016      [email protected]

Masking data

# Uniformly mask the card number colum 
df['card_number'] = '****'


# See resulting DataFrame
df.head()

     country         card_number     email
0    Finland         ****            [email protected]
1    Belarus         ****            [email protected]
2    Turkmenistan    ****            [email protected]
3    Puerto Rico     ****            [email protected]
4    Angola          ****            [email protected]

Masking data sebagian

# Mask username from email
df2['email'] = df2['email'].apply(lambda s: s[0] + '****' + s[s.find('@'):] )


# See the resulting pseudonymized data
df2.head()

     country         card_number           email
0    Finland         3546746666030419      f****@gmail.com
1    Belarus         4303032415762821      m****@gmail.com
2    Turkmenistan    4536883671157         a****@gmail.com
3    Puerto Rico     3568819286614160      k****@gmail.com
4    Angola          2514167462583016      d****@gmail.com

Menghasilkan data sintetis

Di kiri, tabel dengan data asli termasuk nomor kartu; di kanan, nomor kartu kredit baru yang dihasilkan secara sintetis.

Mengganti informasi sensitif dengan data baru yang mirip dengan aslinya.

Menghasilkan data sintetis

# Import Faker class
from faker import Faker


# Create fake data generator
fake_data = Faker()


# Generate a credit card number
fake_data.credit_card_number()

3542216874440804

Menghasilkan data sintetis

# Mask nomor kartu dengan data baru menggunakan fungsi lambda
df['card_number'] = df['card_number'].apply(lambda x: fake_data.credit_card_number())


# Lihat data tersamar hasilnya
df.head()

     country         card_number            email
0    Finland         3596625386355448       [email protected]
1    Belarus         376297265347524        [email protected]
2    Turkmenistan    4377494880888682       [email protected]
3    Puerto Rico     30553931809810         [email protected]
4    Angola          4241735748382          [email protected]

Menghasilkan jenis data lain

fake_data.name()

'Kelly Clark'

fake_data.name_male()

'Antonio Henderson'

fake_data.name_female()

'Jennifer Ortega'

Ayo berlatih!

Privasi Data dan Anonimisasi di Python