Wprowadzenie do k-anonimowości

Prywatność danych i anonimizacja w Pythonie

Rebeca Gonzalez

Data engineer

Dlaczego k-anonimowość jest ważna?

Zdjęcie gubernatora stanu Massachusetts po lewej stronie, napis „Identyfikacja gubernatora stanu Massachusetts" oraz profesor Latanya Sweeney z Harvardu po prawej stronie

Dlaczego to jest ważne?

Sześć osób miało tę samą datę urodzenia
Tylko trzy były mężczyznami
Był jedyną osobą z tym kodem pocztowym

Diagram przedstawiający przecięcie dwóch zbiorów danych: danych medycznych i listy wyborców, których część wspólna obejmuje kod pocztowy, datę urodzenia i płeć

Jak zapobiec takiemu atakowi?

Tylko jeden rekord zawierał dane demograficzne gubernatora.

Usunięcie wszystkich danych demograficznych uczyniłoby zbiór bezużytecznym analitycznie.

Czy istnieje rozwiązanie pośrednie, które zapewni unikalność wartości demograficznych w zbiorze?

Definicja k-anonimowości

$$ $$ $$ $$ $$ $$ Co najmniej k osób w zbiorze danych współdzieli zestaw atrybutów, które mogą stać się identyfikujące dla danej osoby.

Definicja k-anonimowości

Duża grupa ludzi przechodząca przez ulicę

Zbiór danych k-anonimowy

2-anonimowy:

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

Każda kombinacja wartości kolumn identyfikujących pojawia się w zbiorze danych co najmniej k razy.

Nie 2-anonimowy:

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

K-anonimowość: terminologia

Diagram przedstawiający pojęcia: identyfikatory bezpośrednie, quasi-identyfikatory i atrybuty wrażliwe

Zbiór danych medycznych

# 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

Atrybuty prywatności

Atrybuty prywatności:

Identyfikujące: np. PESEL lub numery ID.
Quasi-identyfikujące: wiek i dział z naszego zbioru danych
Wrażliwe: stan zdrowia z naszego zbioru danych

Analiza unikalnych kombinacji quasi-identyfikatorów

# 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

Podejście: generalizacja

# 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]

Podejście: generalizacja

# 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

Podejście: generalizacja

# 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

Czas na k-anonimizację!

Prywatność danych i anonimizacja w Pythonie