Pensadas para publicar datasets sin exponer datos sensibles

Personal Identifiable Information (PII): Datos que se pueden usar para identificar a una pesona.

• Identificadores: Atributos únicos de individuos
• Pseudo-Identificadores o Cuasi-identificadores: Datos que de por sí no significan nada pero si se agrupan con más indormación pueden ser identificables

• Data Masking: Se oculta o elimina cierta información para que no se puedan deducir los valores originales
  • Se tapa con asteriscos
  • Se mestran los últimos dígitos
• Pseudoanonimización: Se usan pseudónimos para dificultar la identificación de un individuo.
• Generalización: En vez de publicar el dato, se publica un rango, por ejemplo, en vez de poner 7 se pone el rango [1, 10]
• Data Swapping: Se intercambian filas y sus valores.
• Perturbación de los datos: Se aplica respuesta aleatorizada a algunos de los datos
• Datos Sintéticos: Se piublican unos dato sintéticos que representan el dataset simulando datos reales.

Se forman grupos de K elementos de forma que las filas comparten k cuasi-identificadores. Se busca un equilibrio entre K y el nivel de aononimidad que se quiere obtener. Para formar los grupos, hay que mirar por que atrbutos podemos realizar las grupacoones. Hay que evitar que se formen pocos grupos o agrupar por atributos sensibles. Hay que identificar bien pseudoidentificadores y datos sensbibles.

• Los pseudoidentificadores deben ser anonimizados siempre
• Los datos críticos del dataset no deben ser modificados.

Si los datos están demasiado dispersos se pierde demasiada información ya que hay que añadir demasiado ruido. Si los datos están muy juntos tampoco es efectivo.

• Para cualquier registro dado (fila) hay al menos otros k-1 registros que comparten el mismo set de atributos cuasi-identificadores
• El Valor K se suele usar para medir la privacidad
  • Cuanto más grande sea K, más difícil es deanonimizar los datos
  • La utilidad de los datos disminuye cuando K crece.
• Los cuasi-identificadores y los atributos sensibles deben ser distinguibles de forma que no revelen información sobre atributos ya anonimizados.

• Homogeneidad: Explota el hecho de que todos los registros dentro del mismo grupo tienen el mismo valor para los datos sensibles.
• Conocimiento del Transfondo: Explota alguna información externa que se puede utilizar para identificar un individuo del dataset.

Imagina que tenemos el siguiente dataset:

En este dataset podemos identificar los siguientes tipos de información:

• Identificadora:
  • Nombre
• Quasi-Identificador:
  • Código Postal
  • Edad
  • Genero
• Atributos sensibles
  • Religión
  • Enfermedad

Al clasificar los atributos podemos saber a cuales les podemos aplicar pseudoanonimización o supresión. En este caso, como es un dataset médico, el atributo sensible religión puede ser suprimido. Por otro lado debemos pseudoanonimizar los nombres, cambiando estos por IDs, obteniendo como resultado el siguiente dataset:

Tras eso, procedemos a aplicar una K-Anonimidad donde K=2, por lo que debemos crear grupos de al menos tamaño 2 a los que aplicaremos generalización:

• Código Postal: Se suprimen los últimos números, reemplazándolos con asteriscos.
• Edad: Se suprime la edad y se cambia por los siguientes valores:
  • <30: Tiene menos de 30 años pero más de 25
  • >40: Tiene más de 40 años
  • <25: Tiene menos de 25 años
  • >30: Tiene más de 30 años, pero menos de 40
• Género: En los grupos donde se detecte que el género puede ser hasta cierto punto identificativo, se suprime.

Finalmente realizamos una agrupación de dos bloques en función al código postal (25xxx y 158xx) y luego realizamos pequeños grupos de elementos por edad. Como resultado obtenemos el siguiente dataset con 2-anonimidad:

Se busca que en cada grupo, el atributo sutituible tenga al menos L valores diferentes. Cada uno de los grupos K-Anonimos debe tener al menos l valores diferentes del atributo sensible para que sea más robusto contra filtraciones de privacidad.

• Cuanto más grande sea el valor de L, más difícil es inferir cosas a partir de los datos de cada grupo.
• La L-Diversidad puede distorsionar la distribución de los datos, sesgando alguno de los grupos.

Teniendo en cuenta el ejemplo anterior para k-anonimidad, se cumple la L-Diversidad para L=2 en todos los grupos menos en el de las edades <30, donde podemos observar que los dos valores del campo sensible (gripe) que hay son iguales. Para cumplir con la 2-Diversidad sería necesario realizar cambios como juntar este grupo con otro o proceder a reagrupar.

OJO: Si no tenemos cuidado podemos acabar inutilizando el dataset.

• Puede filtrar datos si se tiene cierto conocimiento externo
• Vulnerable a ataques de skeweness debido a una distribución desbalanceada.

Tomando como base el dataset anterior con 2-Anonimidad:

Queremos aplicar una L-Diversidad donde L=2. Como mencionamos antes, esto se cumple para todos los grupos menos para el grupo 1, donde los valores sensibles son iguales. Para Hacer que este dataset cumpla con la 2-Diversidad vamos a juntar el grupo 1 con el grupo 2 realizando las siguientes operaciones adicionales:

• Suprimimos las Edades
• Suprimimos el género

De esta forma se crea un nuevo “Grupo 1-2” el cual va agrupado por el código postal en vez de por la edad:

Queremos conseguir que la distribución cumpla con un umbral de distancia:

• La distancia entre las distribuciones debe ser menor o igual que T

• Hay varias métricas que se pueden utilizar para medir la distancia entre 2 distribuciones. Una de las más usadas es EMD (Earths Mover's Distance)
• Dadas 2 distribuciones X e Y, con probabilidades $X_i$ e $Y_i$ para el elemento i de cada set, el EMD se puede definir de la siguiente forma para atributos categóricos:

Un ejemplo del cálculo de T-Proximidad categórico sería el siguiente:

Para este ejemplo vamos a tomar la siguiente tabla como base:

Comenzamos mirando la distribución global de las enfermedades:

• Gripe = $\frac{3}{9}$
• Covid = $\frac{2}{9}$
• Cancer = $\frac{2}{9}$
• Infección = $\frac{1}{9}$
• Corazón = $\frac{1}{9}$

Ralizamos agrupaciones por rango de edades:

• Grupo 1 (15 a 25 años):
  • Covid
  • Cancer
  • Gripe
  • Infección
• Grupo 2 (26 a 35 años)
  • Cancer
  • Gripe
• Grupo 3 (40 a 65 años)
  • Gripe
  • Covid
  • Corazón

Cálculo de la distribución de enfermedades por grupo:

• Grupo 1:
  • Gripe = $\frac{1}{4}$
  • Covid = $\frac{1}{4}$
  • Cancer = $\frac{1}{4}$
  • Infección = $\frac{1}{4}$
  • Corazón = $\frac{0}{4}$
• Grupo 2:
  • Gripe = $\frac{1}{2}$
  • Covid = $\frac{0}{2}$
  • Cancer = $\frac{1}{2}$
  • Infección = $\frac{0}{2}$
  • Corazón = $\frac{0}{2}$
• Grupo 3:
  • Gripe = $\frac{1}{3}$
  • Covid = $\frac{1}{3}$
  • Cancer = $\frac{0}{3}$
  • Infección = $\frac{0}{3}$
  • Corazón = $\frac{1}{3}$

Medir Distancia (EMD)

En este caso tenemos los siguientes datos:

• $X_i$ = Probabilidad global
• $Y_i$ = Probabilidad del grupo

En este caso, por ejemplo, tomamos el grupo 2 y calculamos $|X_i-Y_i|$ para cada enfermedad:

• Gripe = $|\frac{3}{9} -\frac{1}{2}| = 0.17$
• Covid = $|\frac{2}{9} -0| = 0.22$
• Cancer = $|\frac{2}{9} -\frac{1}{2}| = 0.28$
• Infección = $|\frac{1}{9} - 0| = 0.11$
• Corazón = $|\frac{1}{9} - 0| = 0.11$

Tras eso realizamos la suma de $|X_i-Y_i|$ para cada enfermedad:

$0.17+0.22+0.28+0.11+0.11=0.89$

Finalmente completamos el cálculo de la EMD dividiendo el resultado entre 2

EMD = $|\frac{1}{2} * 0.89 = 0.445$

Teniendo en cuenta podemos decir que el siguiente dataset tiene 2-Anonimidad, 2-Diversidad y 0.44-Proximidad:

Es uno de los métodos más populares para implementar la K-Anonimidad.

• Se realizar un particionamiento multidimensional de los cuasi-identificadores para generar varias regiones.
• Para cada cada región se anonimizan los cuasi-identificadores de la siguiente forma:
  • Atributos numéricos: Se usan rangos
  • Atributos Categóricos: Se define un set que representa todos los elementos

Cuando trabajamos con ubicaciones tenemos mayores problemas ya que trabajamos con datos críticos como:

• Identidades
• Información espacial (Coordenadas)
• Información temporal (marca de tiempo)

La geolicalización (Location Based information Systems o LBS) esta compuesta por la siguiente arquitectura y componentes:

Se deben declarar los usos que se le van a dar a estos datos. Se debe deben aplicar cifrado y anonimización sobre estos datos. La privacidad de la localización se define como la capacidad de una entidad de moverse por espacios públicos dando por hecho que su localización no va a ser registrada de forma sistemática y secreta.

• Scrapping de post públicos
• Servidores comprometidos
• Interceptación de datos de red
• Enlace de contexto
  • Se combinan datos de localización con otras bases de datos
• Uso de machine learning para predecir la localización.

• Métodos criptográficos:
  • Uso de una clave compartida entre las entidades interesadas
  • LBS Federado en el cual los datos de localización estan distribuidos entre diferentes servidores
• Métodos de anonimización
  • K-Anonimidad, L-diversidad y T-Proximidad
    • Un LBS de confianza debe anonimizar los datos de forma que cuando un usuario envíe una consulta que contenga su localización, el server en cuentre un grupo que satisfaga los criterios de anonimización para el área que contiene dicha licalización.
  • Zonas-Mix
    • Este método usa pseudónimos que cambian cada vez que un usuario entra una zona mix, que puede ser vista como una “Non-tracking Area”, de forma que el usuario no puede ser completamente trazado si hay otros usuarios en dichas Zonas Mix.
  • Métodos de Ofuscación
    • Se usan localizaciones falsas para enmascarar la verdadera localización del usuario (Falso positivo)
    • Uso de áreas en vez de posiciones específicas
    • Añadido de ruido (Privacidad Diferencial) a la localización del usuario para proteger su privacidad en un radio r.