基于分类的所谓匿名数据个人身份识别风险评估方法

《Information Processing & Management》：A classification-based approach to the evaluation of personal identification risk for supposedly anonymous data

　　

识别低密度数据区域以量化个体重识别风险（re-identification risk）。分类（classification）将复杂度转移到训练阶段并实现实时风险评分（real-time risk scoring）。模式设计（pattern design）防止多维密度分析（multivariate density analysis）中的组合爆炸（combinatorial explosion）。可扩展框架（scalable framework），也适用于跨不同领域的大规模数据集。完全形式化、领域无关的方法（domain agnostic approach），无需领域特定知识。

### 论文解读：基于分类的所谓匿名数据重识别风险评估方法

#### 研究背景与问题

在医学、经济学和社会科学等领域，个体数据（personal data）因能捕捉现象的全部变异性而极具价值，但其收集和使用引发严重的隐私担忧。即使移除直接标识符（如姓名、地址）进行去标识化（de-identification），攻击者仍可通过辅助信息或罕见属性组合成功重识别（re-identification）个体。现有法律，如欧盟通用数据保护条例（GDPR）、美国健康保险流通与责任法案（HIPAA）及中国个人信息保护法（PIPL），均要求数据匿名化以保护个体。然而，现有披露控制方法（如k-匿名（k-anonymity）、差分隐私（differential privacy）、细胞抑制（cell suppression））要么修改数据以满足预定义匿名标准，要么通过隔离森林（Isolation Forest）等检测全局异常，但均未针对局部稀疏性（localized sparsity）或明确刻画细粒度低密度区域（low-density regions），且完全多维密度估计（multivariate density estimation）在大数据集上计算不可行。因此，需要一种能够高效评估每个记录重识别风险、尤其关注低密度区域的方法。

研究人员提出CIRE（Classification-based Identification Risk Evaluation）方法，旨在通过聚焦局部密度结构，在发布或共享所谓匿名数据时评估每个记录的重识别风险。该方法基于分类策略，将计算密集型分析转移至训练阶段，实现新数据的实时风险评分。研究在意大利国家统计局（Italian National Statistical Office）提供的约2200万条记录的真实养老金数据集上进行验证，结果表明CIRE能有效识别高风险记录，且计算效率高。论文发表在《Information Processing》。

#### 主要关键技术方法

CIRE采用两阶段流程：训练阶段，对参考数据集（包含约22,649,253条记录，37个变量，其中22个定量、15个定性）构建密度区间并生成多维低密度模式；分类阶段，将新记录映射到区间和模式以评估风险。定性变量通过熵编码（entropy-based encoding）转换为数值。关键步骤包括：基于原子区间合并的密度区间构建（通过密度阈值θ_i和宽度阈值τ_i稳定估计），以及基于逻辑模式（logical patterns）的多维低密度模式生成（通过AND运算组合区间，避免组合爆炸，并采用最小性约束确保模式唯一性）。风险评分以加权和形式聚合低密度区间和模式的贡献，并包含超范围惩罚项。

#### 研究结果

**4.1 区间构建结果**：对37个变量构建密度区间，其中12个变量表现出明显的低密度/高密度行为。低密度区间占比在11%至85%之间，反映了长尾分布和罕见属性值的存在。

**4.2 模式生成与风险评估**：在12个选定变量上生成1217个低密度模式，平均模式长度2.2。测试数据集（22,758,797条记录）中，被标记为高风险（AT-RISK）的记录比例约为10^-5（约0.001%），符合稀疏性预期。

**4.3 可扩展性与实际性能**：训练总时间1360秒，其中区间构建占主导（1332秒），模式生成仅28秒。分类阶段每百万记录仅需39秒，支持实时风险评估。

**4.4 结果评估**：以变量“Caregiver Allowance”为例，密度图显示方法能准确隔离宽但稀疏的区域（如高值尾部），这些区域暴露个体于更高重识别风险。图2可视化12个变量的密集（绿色）与稀疏（红色）区间，验证了区间构建的稳定性和可解释性。

**4.5 参数敏感性分析**：围绕默认参数（θ_i水平为0.01%，τ_i=0.25%，θ=10^-4，η=10^-3）进行7种设置，高风险记录比例在0.00036%至0.00250%之间可控变化。Jaccard指数显示，不同设置下前100个最高风险记录的重叠度在0.84至0.92之间，表明参数调整主要改变保守性而非核心记录标识。

**4.6 与隔离森林的比较**：隔离森林（IF）检测全局可分离的异常，而CIRE靶向局部稀疏性，包括空区域（empty regions）。在实验中，IF标记的记录数量多且不集中于尾部，而CIRE标记的记录几乎全部位于极端高值尾部。计算上，CIRE测试时间远优于IF（每百万记录39秒 vs IF的数分钟至数小时）。

**4.7 通过链接攻击模拟的实证验证**：在Adult数据集（48,842条记录）上模拟链接攻击，使用准标识符（年龄、教育、婚姻状况、种族、性别）进行精确匹配，成功重识别210条记录。CIRE标记的148条记录中，132条（约89%）成功链接，而标记为安全的记录中99%未被成功链接。这表明CIRE高效浓缩了最易受攻击的记录。

#### 讨论与结论

讨论部分指出，CIRE与传统披露控制方法不同，不试图强制匿名，而是通过局部稀疏性量化风险，提供可解释的记录级评分。与隔离森林的对比进一步凸显其优势。理论意义在于，通过逻辑模式提供了高维稀疏性的紧凑刻画，避免组合爆炸。实践意义在于，可集成到自动披露控制管道中，实现快速、透明的风险评分。局限性包括：假设训练数据与评估数据分布一致，需要定性变量数值化，且依赖于阈值参数。未来工作将扩展风险条件。

**研究结论翻译**：本研究引入了一种基于分类的方法，用于评估所谓匿名数据中的重识别风险，具有以下独特贡献：第一，聚焦低密度区域，不仅捕获罕见单变量值，还捕获常见属性的不寻常多维组合，这些常被传统披露控制技术忽略，从而提供更现实的风险评估。第二，采用单变量优先的区间构建与逻辑模式结合，避免了完全多维密度估计的组合爆炸，产生高效计算框架，能处理大规模高维数据集。第三，专为动态或流式数据环境设计，通过离线密度分析在线应用，实现实时风险评估，对统计机构等持续发布数据的机构尤为有价值。第四，方法完全可解释，区间、切分点和逻辑模式为风险分类提供透明理由，便于审计、治理和合规。