211service.com
Du er meget nem at spore, selv når dine data er blevet anonymiseret
Ansigter slørede Getty
Det dataspor, vi efterlader os, vokser hele tiden. Det meste af det er ikke så interessant - det takeaway-måltid, du bestilte, det brusehoved, du købte online - men noget af det er dybt personligt: dine medicinske diagnoser, din seksuelle orientering eller dine skatteregistre.
Den mest almindelige måde, offentlige instanser beskytter vores identiteter på, er anonymisering. Dette involverer fjernelse af åbenlyst identificerbare ting såsom navne, telefonnumre, e-mailadresser og så videre. Datasæt ændres også til at være mindre præcise, kolonner i regneark fjernes, og støj introduceres til dataene. Privatlivspolitikker forsikrer os om, at det betyder, at der ikke er nogen risiko for, at vi kan blive sporet i databasen.
Men en ny undersøgelse i Naturkommunikation tyder på, at dette langt fra er tilfældet.
Forskere fra Imperial College London og University of Louvain har skabt en maskinlæringsmodel, der estimerer nøjagtigt, hvor nemme individer er at genidentificere ud fra et anonymiseret datasæt. Du kan tjekke din egen score her , ved at indtaste dit postnummer, køn og fødselsdato.
I gennemsnit kunne du i USA, ved at bruge disse tre poster, være placeret korrekt i en anonymiseret database 81 % af tiden. I betragtning af 15 demografiske attributter for en person, der bor i Massachusetts, er der en 99,98% chance for, at du kan finde denne person i enhver anonymiseret database.
Efterhånden som informationen hober sig op, falder chancerne for, at det ikke er dig, meget hurtigt, siger Yves-Alexandre de Montjoye, forsker ved Imperial College London og en af undersøgelsens forfattere.
Værktøjet blev skabt ved at samle en database med 210 forskellige datasæt fra fem kilder, herunder US Census. Forskerne fodrede disse data ind i en maskinlæringsmodel, som lærte, hvilke kombinationer der er mere unikke, og hvilke der er mindre, og derefter tildeler sandsynligheden for korrekt identifikation.
Dette er ikke den første undersøgelse, der viser, hvor nemt det er at spore personer fra anonymiserede databaser. Et papir tilbage i 2007 viste, at blot nogle få filmvurderinger på Netflix kan identificere en person lige så let som et CPR-nummer, for eksempel. Det viser dog, hvor langt den nuværende anonymiseringspraksis er faldet bagud for vores evne til at bryde dem. Det faktum, at datasættet er ufuldstændigt, beskytter ikke folks privatliv, siger de Montjoye.
Det er ikke alle dårlige nyheder. De samme genidentifikationsteknikker blev brugt af journalister, der arbejdede på New York Times tidligere i år for at afsløre Donald Trumps selvangivelser fra 1985 til 1994. Den samme metode kunne dog bruges af nogen, der ønsker at begå ID-svindel eller indhente oplysninger til afpresning.
Problemet er, at vi tror, at når data er blevet anonymiseret, er det sikkert. Organisationer og virksomheder fortæller os, at det er sikkert, og det beviser, at det ikke er det, siger de Montjoye.
For ro i sindet bør virksomheder bruge differentieret privatliv , en kompleks matematisk model, der lader organisationer dele aggregerede data om brugervaner og samtidig beskytte en persons identitet, argumenterer Charlie Cabot, forskningsleder hos privatlivsingeniørfirmaet Privitar .
Teknikken får sin første store test næste år: den bliver brugt til at sikre den amerikanske folketællingsdatabase.