關系型數據隱私保護包括以下三種:
身份匿名:簡單地去標識符匿名化僅僅去除了表中的身份ID等標志性信息,攻擊者仍可憑借背景知識,如地域、性別等準標識符信息,迅速確定攻擊目標對應的記錄。k-匿名模型可防止攻擊者唯一地識別出數據集中的某個特定用戶,使其無法進一步獲得該用戶的準確信息,能夠提供一定程度的用戶身份隱私保護。
屬性匿名:在經過k-匿名處理后的數據集中,攻擊目標至少對應于k個可能的記錄。但如果記錄的敏感數據接近一致或集中于某個屬性,攻擊者也可以唯一地或以極大概率確定數據持有者的屬性。為避免這種不完全保護,人們提出了l-多樣化、t-貼近模型等,根據敏感屬性的分布情況進行有針對性的擾動與泛化處理。
多次發布模型與個性化匿名:在數據連續、多次發布的場景中,還需要考慮到多次發布的統一性問題。有很多方案可能在單獨的發布場景中都能夠滿足k-匿名、l-多樣化或者t-貼近性的要求,但是對多次發布的數據聯合進行分析,就會暴露數據匿名的漏洞。此外,用戶具有高度個性化的隱私保護需求,需要根據用戶個人需求制定不同級別的隱私保護策略,避免數據的過分匿名或者保護策略不足的情況。
回答所涉及的環境:聯想天逸510S、Windows 10。
關系型數據隱私保護包括以下三種:
身份匿名:簡單地去標識符匿名化僅僅去除了表中的身份ID等標志性信息,攻擊者仍可憑借背景知識,如地域、性別等準標識符信息,迅速確定攻擊目標對應的記錄。k-匿名模型可防止攻擊者唯一地識別出數據集中的某個特定用戶,使其無法進一步獲得該用戶的準確信息,能夠提供一定程度的用戶身份隱私保護。
屬性匿名:在經過k-匿名處理后的數據集中,攻擊目標至少對應于k個可能的記錄。但如果記錄的敏感數據接近一致或集中于某個屬性,攻擊者也可以唯一地或以極大概率確定數據持有者的屬性。為避免這種不完全保護,人們提出了l-多樣化、t-貼近模型等,根據敏感屬性的分布情況進行有針對性的擾動與泛化處理。
多次發布模型與個性化匿名:在數據連續、多次發布的場景中,還需要考慮到多次發布的統一性問題。有很多方案可能在單獨的發布場景中都能夠滿足k-匿名、l-多樣化或者t-貼近性的要求,但是對多次發布的數據聯合進行分析,就會暴露數據匿名的漏洞。此外,用戶具有高度個性化的隱私保護需求,需要根據用戶個人需求制定不同級別的隱私保護策略,避免數據的過分匿名或者保護策略不足的情況。
回答所涉及的環境:聯想天逸510S、Windows 10。