Úvod do k-anonymity

Ochrana soukromí a anonymizace dat v Pythonu

Rebeca Gonzalez

Data engineer

Proč je k-anonymita důležitá?

Obrázek znázorňující guvernéra Massachusetts vlevo, text „Identifikace guvernéra Massachusetts" a harvardskou profesorku Latanyu Sweeney vpravo

Proč je to důležité?

Šest lidí sdílelo jeho datum narození
Pouze tři z nich byli muži
Byl jediný v jeho PSČ

Diagram znázorňující průnik dvou datových sad: zdravotní data a seznam voličů, jejichž průnikem jsou PSČ, datum narození a pohlaví

Jak tomuto útoku zabránit?

Pouze jeden záznam odpovídal demografickým hodnotám guvernéra.

Smazání všech demografických údajů by data znehodnotilo pro analýzu.

Existuje střední cesta, která zajistí, že demografické hodnoty nebudou v datové sadě jedinečné?

Definice k-anonymity

$$ $$ $$ $$ $$ $$ Alespoň k jedinců v datové sadě sdílí sadu atributů, které by mohly být pro každého jedince identifikační.

Definice k-anonymity

Velká skupina lidí přecházející přes ulici

K-anonymní datová sada

2-anonymní:

     ZIP code    Age
0    4217        34
1    4217        34
2    1742        77
3    1742        77

Každá kombinace hodnot identifikačních sloupců se v datové sadě vyskytuje u alespoň k záznamů.

Není 2-anonymní:

     ZIP code    Age
0    4217        34
1    4217        34
2    1742        77
3    1743        77

K-anonymita: Terminologie

Diagram znázorňující pojmy přímé identifikátory, kvazi-identifikátory a citlivé atributy

Datová sada zdravotních dat

# Explore DataFrame 
medical_df.head()

    Age    Department   Condition
0    34    Marketing    Anxiety disorders
1    46    Finance      Flu
2    41    Finance      Flu
3    62    Marketing    Anxiety disorders
4    44    Marketing    Anxiety disorders

Atributy soukromí

Atributy soukromí:

Identifikační: Např. rodné číslo nebo číslo průkazu.
Kvazi-identifikační: Věk a oddělení z naší datové sady
Citlivé: Zdravotní stav z naší datové sady

Zkoumání jedinečných kombinací kvazi-identifikátorů

# Calculate how many unique combinations are for Age and Department
medical_df.groupby(['Age','Department']).size().reset_index(name='Count')

    Age    Department    Count
0    30    Production    2
1    31    Marketing     1
2    32    Marketing     1
3    32    Production    1
4    33    Production    1
5    34    Finance       1
6    34    Marketing     1
7    34    Production    1
8    35    Marketing     1
9    36    Finance       2
10    38    Finance      1
11    38    Production   1

Přístup: generalizace

# Generalize Age by creating 4 groups of intervals
medical_df['Age_group'] = pd.cut(medical_df['Age'], bins=4)


# Explore the dataset with intervals
medical_df.head()

    Age    Department    Condition            Age_group
0    34    Marketing     Anxiety disorders    (29.964, 39.0]
1    46    Finance       Flu                  (39.0, 48.0]
2    41    Finance       Flu                  (39.0, 48.0]
3    62    Marketing     Anxiety disorders    (57.0, 66.0]
4    44    Marketing     Anxiety disorders    (39.0, 48.0]

Přístup: generalizace

# Calculate how many unique combinations are for Age and Department
medical_df.groupby(['Age_group','Department']).size().reset_index(name='Count')

     Age_group         Department    Count
0    (29.964, 39.0]    Finance       4
1    (29.964, 39.0]    Marketing     4
2    (29.964, 39.0]    Production    6
3    (39.0, 48.0]      Finance       8
4    (39.0, 48.0]      Marketing     5
5    (39.0, 48.0]      Production    4
6    (48.0, 57.0]      Finance       3
7    (48.0, 57.0]      Marketing     2
8    (48.0, 57.0]      Production    4

Přístup: generalizace

# Set k to be 2, for a 2-anonymous dataset
k = 2


# Calculate how many unique combinations are for Age and Department
df_count = medical_df.groupby(['Age_group','Department']).size().reset_index(name='Count')


# Filter the rows that have count less than k
df_count[df_count['Count'] < k]

    Age_group    Department    Count

Pojďme k-anonymizovat!

Ochrana soukromí a anonymizace dat v Pythonu