211service.com
Du er veldig enkel å spore opp, selv når dataene dine er anonymisert
Ansikter uskarpe Getty
Datasporet vi legger bak oss vokser hele tiden. Det meste av det er ikke så interessant – takeaway-måltidet du bestilte, det dusjhodet du kjøpte på nettet – men noe av det er dypt personlig: dine medisinske diagnoser, din seksuelle legning eller skatteregistreringene dine.
Den vanligste måten offentlige etater beskytter identiteten vår på er anonymisering. Dette innebærer å fjerne åpenbart identifiserbare ting som navn, telefonnumre, e-postadresser og så videre. Datasett blir også endret til å være mindre presise, kolonner i regneark fjernes, og støy introduseres til dataene. Personvernregler forsikrer oss om at dette betyr at det ikke er noen risiko for at vi kan bli sporet opp i databasen.
Imidlertid er en ny studie i Naturkommunikasjon tyder på at dette langt fra er tilfelle.
Forskere fra Imperial College London og University of Louvain har laget en maskinlæringsmodell som anslår nøyaktig hvor enkelt individer er å gjenkjenne fra et anonymisert datasett. Du kan sjekke din egen poengsum her , ved å angi postnummer, kjønn og fødselsdato.
I gjennomsnitt, i USA, ved å bruke disse tre postene, kan du være riktig plassert i en anonymisert database 81 % av tiden. Gitt 15 demografiske attributter til noen som bor i Massachusetts, er det en 99,98 % sjanse for at du kan finne den personen i en anonymisert database.
Etter hvert som informasjonen hoper seg opp, reduseres sjansene for at det ikke er du veldig raskt, sier Yves-Alexandre de Montjoye, en forsker ved Imperial College London og en av studiens forfattere.
Verktøyet ble opprettet ved å sette sammen en database med 210 forskjellige datasett fra fem kilder, inkludert US Census. Forskerne matet disse dataene inn i en maskinlæringsmodell, som lærte hvilke kombinasjoner som er nesten unike og hvilke som er mindre, og deretter tildeler sannsynligheten for korrekt identifikasjon.
Dette er ikke den første studien som viser hvor enkelt det er å spore opp enkeltpersoner fra anonymiserte databaser. Et papir tilbake i 2007 viste at bare noen få filmvurderinger på Netflix kan identifisere en person like enkelt som et personnummer, for eksempel. Det viser imidlertid hvor langt gjeldende anonymiseringspraksis har falt bak vår evne til å bryte dem. Det faktum at datasettet er ufullstendig beskytter ikke folks personvern, sier de Montjoye.
Det er ikke alle dårlige nyheter. De samme reidentifikasjonsteknikkene ble brukt av journalister som jobbet ved New York Times tidligere i år for å avsløre Donald Trumps selvangivelser fra 1985 til 1994. Den samme metoden kan imidlertid brukes av noen som ønsker å begå ID-svindel eller innhente informasjon for utpressingsformål.
Problemet er at vi tror at når data er anonymisert er det trygt. Organisasjoner og selskaper forteller oss at det er trygt, og dette beviser at det ikke er det, sier de Montjoye.
For trygghets skyld bør bedrifter bruke forskjellig personvern , en kompleks matematisk modell som lar organisasjoner dele aggregerte data om brukervaner mens de beskytter en persons identitet, hevder Charlie Cabot, forskningsleder ved personvernfirmaet. Privitar .
Teknikken vil få sin første store test neste år: den brukes til å sikre US Census-databasen.