一句话回答
匿名化,是对数据做处理,使得任何人用合理可能用到的手段,都无法再识别其中的人。删掉姓名不够,一直不变的加盐哈希通常只是假名化。检验标准是:这条记录还能不能被挑出、被关联或被推断。
公式: k = 共享同一组准标识符取值的最小分组的记录数
匿名化是什么意思
匿名化,是对数据做处理,使得其中的人再也无法被任何人用任何合理可能用到的手段识别出来。判断标准不是名字那一列有没有删掉,而是有没有人还能把某个人挑出来、把他的记录关联起来,或者推知关于他的信息。只要还能,这份数据就不算匿名,不管它叫什么名字。
欧盟的 GDPR 在鉴于条款第 26 条里定了标准:判断一个人是否可识别,要考虑控制者或任何其他人所有合理可能用到的手段;被匿名化到不再能识别到这个人的数据,不在该条例的适用范围内。只做了假名化、额外信息可以把它关联回某个人的数据,仍然是个人数据。本页讲的是概念;某一份具体数据算不算匿名,是取决于你的数据和情境的法律判断。
匿名化、假名化、遮罩和聚合
这些词常被混着用,而它们之间的差别,决定了你能拿这份数据做什么。
| 技术 | 做了什么 | 能否还原或关联 | 在 GDPR 下的大致地位 |
|---|---|---|---|
| 删掉姓名列 | 去掉直接标识,保留其余 | 常常可以:其他字段能认出人 | 通常仍是个人数据 |
| 假名化 | 用代码替换标识,比如带密钥的哈希,或者带对照表的随机 ID | 可以,由持有密钥、盐或对照表的人来还原,记录之间仍可相互关联 | 仍是个人数据 |
| 遮罩 | 隐藏值的一部分,例如最后几位 | 常常部分可以 | 取决于剩下什么 |
| 聚合 | 报告分组的计数或合计,而不是逐行 | 在个体层面不行,前提是分组够大 | 可以是匿名的,前提是原始行已经没有了 |
| k-匿名 | 把字段泛化,使每个人与至少 k 个人共享同一特征 | 能抵御挑出个人,挡不住推断 | 可以起作用,单独用很少够 |
第 29 条工作组关于匿名化技术的意见(WP216)说得很直接:假名化不是一种匿名化方法。它只是降低了数据集与原始身份的可关联性,是一项有用的安全措施。它还指出,如果控制者保留了原始的事件级数据,那么删除或遮盖了标识后交出去的数据集仍然是个人数据;只有聚合到单个事件不再能识别的程度,才可能算作匿名。
三项检验:挑出个人、可关联、可推断
WP216 把有效的匿名化描述为:能防止任何人做到三件事。
| 检验 | 问题 | 没通过的例子 |
|---|---|---|
| 挑出个人 | 有人能把某一个人的记录单独拎出来吗? | 一张表里,来自某个小镇、用某种设备的访客只有一人,单独占一行 |
| 可关联 | 两条记录能否被认定属于同一个人,无论在数据内部还是跨数据集? | 周一和周二是同一个访客 ID;或者一个 ID 能和另一份数据里的对上 |
| 可推断 | 即使没找到他的那一行,也能推出关于这个人的某个值吗? | 某个分组里每个访客都转化了,所以已知在这个分组里的人都转化了 |
一份数据必须三项都通过。删掉姓名,对这三项没有一项能可靠地解决。Sweeney 对美国人口普查数据的研究,说明了这有多容易:美国 87% 的人口(2.48 亿里的 2.16 亿),仅凭 5 位邮编、性别和出生日期,就很可能能被单独认出,这三个字段里没有名字。
为什么加盐的哈希通常只是假名化
常见的捷径是把标识换成哈希,然后把结果叫做匿名。哈希是单向函数,但单向不等于无法关联,原因有两个。
它可以被重放。 WP216 指出,如果输入值的范围是已知的,可以把它们逐个放进哈希函数,算出某条记录对应的值,而哈希函数本来就设计得很快,所以暴力破解可行。IPv4 地址只有 2<sup>32</sup> = 4,294,967,296 个可能取值,是一个很小、可以完全枚举的集合,所以不加密钥地哈希 IP,它们仍然可以被还原。WP216 还补充说,加盐可以降低推出输入值的可能性,但用合理的手段,算出隐藏在加盐哈希背后的原值仍可能做到;而带密钥的哈希,即把一个秘密密钥作为额外输入,在没有密钥时要难重放得多。
它仍然可关联。 持有密钥或盐的人可以重新算出标识,只要盐不变,同样的输入总是得到同样的输出。示例数据:取文档专用地址 203.0.113.7 和一个用户代理字符串,对它们计算 HMAC-SHA256,只保留前 12 个字符。
| 盐 | 周一的 ID | 周二的 ID | 能否跨天关联同一个人? |
|---|---|---|---|
| 站点用一个一直不变的盐 | 02bd63c5ae73 | 02bd63c5ae73 | 能:ID 完全相同 |
| 每天换一个新盐 | 2fe13c063131 | 0744665c2ffc | 不能:ID 不同 |
第一行是假名化:ID 稳定,所以这个人可以被跟踪,也可以被算作回访。第二行没法从一天跟到下一天,但在同一天之内,这个 ID 仍然能挑出一个浏览器,而且 WP216 仍然把「带密钥的哈希并删除密钥」列在降低可关联性的假名化技术里。实用的规则是:问一问谁能重新算出或关联这个标识,在多长的时间范围内。如果有人能,就把它称作假名化,并按个人数据来处理。
做一次 k-匿名检查
k-匿名把人分组,使每个人与至少另外 k−1 个人拥有相同的取值。示例数据:1,000 次访问,按国家和设备类型分组。
| 分组(国家 + 设备) | 访问数 |
|---|---|
| A | 412 |
| B | 288 |
| C | 150 |
| D | 96 |
| E | 41 |
| F | 13 |
| 合计 | 1,000 |
k 的值就是最小的那个分组,这里是 13,所以每次访问都与至少另外 12 次共享同一特征,而 41 + 13 = 54 次访问(5.4%)处在不足 50 的分组里。现在把精确的浏览器版本和屏幕尺寸加进表里。假设 F 组的 13 次访问,每一次的组合都不一样:F 组就拆成了 13 个只有 1 次的分组,k 从 13 掉到 1。每多一个字段,分组就更小,所以一边发布详细字段、一边声称粗粒度的「k = 13」,是常见的失败(漏掉了准标识符)。
k-匿名也通不过推断检验。如果 F 组 13 次访问都买了东西,那么只要知道某人属于 F 组,就足以知道他买了,根本不用找到他的那一行。
常见误区
- 删掉姓名就停手。 其他字段能认出人,邮编、性别和出生日期的数字就是例子。
- 对标识做哈希却没有密钥。 如果输入集合是已知的,比如 IP 地址或手机号,哈希就能被重现。
- 把稳定的加盐 ID 当作匿名。 如果同一个访客在一段时间里始终得到同一个 ID,这份数据就是可关联的。
- 留着原始数据,却发布整理后的副本。 如果原始的事件级行还在,按 WP216 的理解,发布出去的数据集仍是个人数据。
- 把截断或遮罩当作匿名化。 它们降低了细节,本身并不能排除挑出个人或关联。
- 只检查一次。 新数据、新字段或新的外部数据集,都可能让曾经匿名的发布重新变得可识别。
- 收集得比问题需要的更多。 最省事的匿名化,是根本不持有这个字段,见数据最小化。
- 把这个词当成标签。 隐私政策里的「匿名」是一个别人可以用这三项检验来核对的声明。
在 TapCub 里看匿名化
拿盐的那张表,看看 TapCub 自己的设置怎么对应。TapCub 在文档里给出了这些选项的名称;本节描述采集端做了什么,不是法律结论。
- 了解访客 ID 是怎么生成的。 采集端用访客的地址和用户代理,加一个盐,计算 HMAC。网站脚本不写 Cookie,也不写本地存储(见无 Cookie 统计),地址用于哈希和地理位置,然后被丢弃;它不会写入事件行。
- 选盐的行为。 在 配置 › 设置 › 隐私 里,平衡 预设保留站点级的盐,所以回访访客保持同一个 ID(上面表里的第一行)。严格 每天轮换盐,所以同一个浏览器明天就是另一个访客(第二行),并且新访客与回访、访客档案和留存都无法使用。如果你需要看回访访客,就需要稳定的 ID,这时数据应当被当作假名化的。
- 检查采集档位。 在 配置 › 合规中心 里,档位 1 名为「匿名汇总」,每天轮换盐、不保留持久 ID,并丢弃全埋点和身份操作。档位 2 名为「无 Cookie 假名」,用地址和用户代理的 HMAC 区分访客;它是默认值。当某个地区规则要求同意、而访客没有给出同意时,采集端降到档位 1,浏览量和自定义事件仍然会保存。
- 别让标识进到属性里。 在开着剥离(默认就是开着的)时,事件属性里看起来像邮箱或手机号的字符串,会被换成占位符。
- 为请求做准备。 因为默认保存的数据是假名化的,合规中心也处理数据主体请求(访问、删除、限制、可携带)。
更改预设只影响之后采集的数据;已经保存的行不会被改写。TapCub 的文档没有声称任何一个档位能让数据在法律上成为匿名;某个档位在你的情况下是否达到这个标准,要由你自己的法律审核来判断。
资料来源
- GDPR 鉴于条款第 26 条,不适用于匿名数据:合理可能用到的手段;假名化的数据仍是个人数据。
- 第 29 条数据保护工作组,关于匿名化技术的意见 05/2014(WP216):挑出个人、可关联、可推断;假名化不是匿名化;哈希与加盐哈希;k-匿名。
- Latanya Sweeney,Simple Demographics Often Identify People Uniquely,卡内基梅隆大学数据隐私工作论文 3,2000 年:美国 87% 的人口仅凭邮编、性别和出生日期就能被单独认出。
这个解释清楚吗?
我们会根据反馈修改和补充这篇内容。
提交没有成功,请稍后再试。
谢谢你的反馈,我们会据此改进这篇内容。你已经反馈过这篇了,谢谢。
