Anonymisierung: Privacy

Question 1

Definition: Data Privacy

Answer 1

• focuses on use and governance of personal data
• collecting, sharing and using personal information in an appropriate way
• security protects data, but is not sufficient for privacy

Question 2

Eckpunkt Datenschutz: informelle Selbstbestimmung

Answer 2

Jeder Mensch soll selber entscheiden, WEM WANN WELCHE seiner PERSÖNLICHEN DATEN zugänglich sein sollen

Question 3

Personally Identifiable Information

Answer 3

• direct / indirect identifiers: name, ID, location data, online identifier to specifiy physical, physiological, mental, economic, cultural or social identity of a natural person
• Um zu entscheiden, ob natürliche Person identifizierbar ist, sollten alle mögliche Mittel in Betracht gezogen werden (z.B. Durchsickern)

Question 4

Definition natürliche Person

Answer 4

• alle Personen (echt bzw. lebendig)

- -> nicht verstorben, keine Firma

Question 5

Pseudonymization (“masking”) of personal data

Answer 5

• increases information security, but doesn’t offer anonymization (it is REVERSIBLE)

Question 6

Ziel Anonymisierung

Answer 6

• Irreversibilität der Originaldaten
• Prinzipien des Datenschutzes sollen nicht auf anonymisierte Daten zutreffen
• Um sicherzustellen, ob Mittel wahrscheinlich sind, um natürliche Personen zu identifizieren, sollte alle Faktoren hierfür in Betracht gezogen werden (z.B. Kosten und Zeitaufwand, Technologie)
• entfernen von Identifikatoren

Question 7

Removal of Identifiers

Answer 7

• Remove personally identifying information (PII) –> uniquely identifies an individual
• e.g. name, tax ID, phone number
• -> but not enough

Question 8

Linkage attack

Answer 8

Identifying an individual by using Quasi-identifiers (QIDs; combination of non-identifying attributes that taken together uniquely identify an individual, e.g. ZIP code + birth date + gender)

Question 9

Differencing Attack

Answer 9

• exploit differences in result sets
• “Wieviele Leute haben Diabetes?” und “Wieviele Leute, die nicht Tom heißen, haben Diabetes?” –> identifiziert, ob Tom Diabetes hat

Question 10

k-Anonymity

Answer 10

1) Generalization: Generalize quasi-identifiers until they are at least k records for each group
2) Suppression: Suppress any remaining records violating k-anonymity property
3) Keep sensitive attributes
- > Verstecken des Individuums in der Gruppe

Question 11

Issue: k-Anonymity: Homogeneity attack

Answer 11

• führt zu L-diversity

- unter Umständen weisen alle k Datensätze einer Äquivalenzklasse dieselben identischen Attribute auf

Question 12

Issue: k-Anonymity: Background knowledge attack

Answer 12

Durch Einsatz von Zusatzwissen, Personen trotz k-Anonymität eindeutig zuordnen (z.B.: Japaner leiden seltener an Herzkrankheiten)

Question 13

Issue: k-Anonymity: Curse of dimensionality

Answer 13

• längere QIDs in höher dimensionalen Daten
• exponentiell mehr Attributkombinationen die Personen eindeutig identifizieren
• Unterdrücken der Daten oder reduziertes Level an Anonymität akzeptieren

Question 14

L-Diversity

Answer 14

• inspiriert von k-Anonymität und dessen Problemen
• stellt sicher, dass das sensible Attribut mindestens L gut dargestellte Werte pro QID-Gruppe (Äquivalenzklasse) hat
• verhindert Homogeneity attack

Question 15

Issue: L-Diversity

Answer 15

Similarity Attack: Sensible Daten oder Werte sind nah beieinander und sehr ähnlich (z.B.: Husten und Niesen bei Grippe UND Bronchitis)

Question 16

Zusammenfassung: Generalization approaches

Answer 16

• gruppen-basierte Anonymisierung kann zurück-identifiziert werden
• Hauptgrund: Differenzieren von Daten in Identifyer, Quasi-Identifyer und sensible Attribute (letztere müssten komplett verhindert werden)
• Trade-off: Data Utility / Handling vs. Anonymität
• Side Knowledge als wichtiger Hebel

Question 17

Differential Privacy

Answer 17

• Privacy bereitgestellt durch Funktion (nicht durch Datensatz) –> oft Laplace-Mechanismus
• Verstecken des Einflusses des Individuums auf die Funktion (nicht das Individuum im Datensatz)
• semantic privacy
• formal privacy guarantee

Question 18

ε-Differential Privacy

Answer 18

randomisierte Funktion M gibt ε-Differential Privacy, wenn sich alle Datensätze D und D’ in mindestens einem Element unterscheiden

Question 19

Bedeutung von ε in ε-Differential Privacy

Answer 19

Ist “Sicherung” (kleiner = mehr Privacy, größer = schwächere Privacy)

Question 20

ε-Differential Privacy: Global Sensitivity

Answer 20

Größter absoluter Abstand von: | f(D) - f(D’) |

Question 21

ε-Differential Privacy: Neighboring

Answer 21

D und D’ unterscheiden sich in einem Punkt oder Tuple

Question 22

ε-Differential Privacy: Bounded Differential Privacy

Answer 22

D kann von D’ erhalten werden, indem ein Element geändert wird

Question 23

ε-Differential Privacy: Unbounded Differential Privacy

Answer 23

D kann durch Hinzufügen oder Entfernen eines Elementes von D’ erhalten werden

Question 24

ε-Differential Privacy: Laplace-Mechanismus (Skalar-Case)

Answer 24

ε-Differential Privacy durch Laplace Funktion plus parameter-abhängiges, zufälliges Rauschen (Y)

Question 25

Central Differential Privacy

Answer 25

• braucht “Kurator” (trusted third party)
• muss Daten zurückbehalten und privacy budget tracken –> Anzahl Abfragen limitiert
• höherer Nutzwert
• pro individuelle Suchabfrage wird Rauschen n hinzugefügt

Question 26

Local Differential Privacy

Answer 26

• kein Kurator
• Data Analyst nicht durch privacy budget limitiert
• geringerer Nutzwert (Utility)
• Rauschen n’ wird für alle erwarteten Abfragen hinzugefügt

Question 27

ε-Local Differential Privacy:

Answer 27

Methode zur Datensammlung, bei der sichergestellt wird, dass nur “verrauschte” Versionen des echten Datensatzes gesammelt werden

Question 28

Relaxations

Answer 28

• limitieren der Ähnlichkeit/Abstände der geschützten Datensätze
• relaxation of sensitivity (Schutz von Ausreißern oder Einführen eines Schutzradius)

Question 29

Geo-Indistinguishability

Answer 29

Schützen der exakten Position des Benutzers und zeitgleiches Erhalten von ungefähren Informationen durch Übermitteln eines Sets von räumlichen Punkten

Question 30

Zusammenfassung: Differential Privacy-Eigenschaften

Answer 30

+ immun gegenüber Post-Processing (Outputs können nicht weniger differenziell privat gemacht werden)
+ Neutralisieren von Side Knowledge attacks
+ Compositions (DP-Mechanismen können kombiniert werden, Privacy Parameter addieren sich auf)
- Unabhängigkeit vorausgesetzt: Individuen betreffen nur eine Aufzeichnung (Schutz des Individuums, nicht der Aufzeichnung gewünscht) –> “Group-Privacy” möglich, Parameter wachsen mit Gruppengröße
- Privacy Parameter schwierig zu wählen (relatives Maß von Privacy)