物联网安全：数据库隐私保护
发布时间：2022-07-06 10:05:59 所属栏目：安全 来源：互联网
导读：01 数据库的隐私威胁模型 目前，隐私保护技术在数据库中的应用主要集中在数据挖掘和数据发布两个领域。数据挖掘中的隐私保护（Privacy Protection Data Mining，PPDM）是指如何在能保护用户隐私的前提下进行有效的数据挖掘；数据发布中的隐私保护（Privacy P
|
01 数据库的隐私威胁模型 目前，隐私保护技术在数据库中的应用主要集中在数据挖掘和数据发布两个领域。数据挖掘中的隐私保护（Privacy Protection Data Mining，PPDM）是指如何在能保护用户隐私的前提下进行有效的数据挖掘；数据发布中的隐私保护（Privacy Protection Data Publish，PPDP）是指如何在保护用户隐私的前提下发布用户的数据，以供第三方有效地研究和使用。 图1描述了数据收集和数据发布的一个典型场景。 图1 数据收集和数据发布 在数据收集阶段，数据发布者从数据拥有者（如Alice，Bob等）处收集到了大量的数据。在数据发布阶段，数据发布者发布收集到的数据给挖掘用户或公共用户，这里也将他们称为数据接收者，它能够在发布的数据上进行有效的数据挖掘以便于研究和利用。这里讲的数据挖掘具有广泛的意义，并不仅限于模式挖掘和模型构建。例如，疾病控制中心须收集各医疗机构的病历信息，以进行疾病的预防与控制。某医疗机构从患者那里收集了大量的数据，并且把这些数据发布给疾病控制中心。本例中，医疗机构是数据发布者，患者是数据记录拥有者，疾病控制中心是数据接收者。疾病控制中心进行的数据挖掘可以是从糖尿病患者的简单计数到任何事情的聚类分析。 有两种计算模型针对数据发布者。在不可信计算模型中，数据发布者是不可信的，它可能会尝试从数据拥有者那里识别敏感信息。各种加密方法、匿名通信方法以及统计方法等都可用于从数据拥有者那里匿名收集数据而不泄露数据拥有者的身份标志。在可信计算模式中，数据发布者是可信的，而且数据拥有者也愿意提供他们的数据给数据发布者。但是，数据接收者是不可信的。 数据挖掘与知识发现在各个领域都扮演着非常重要的角色。数据挖掘的目的在于从大量的数据中抽取出潜在的、有价值的知识（模型或规则）。传统的数据挖掘技术在发现知识的同时会给数据的隐私带来严重威胁。例如，疾病控制中心在收集各医疗机构的病历信息的过程中，传统数据挖掘技术将不可避免地会暴露患者的敏感数据（如所患疾病），而这些敏感数据是数据拥有者（医疗机构、病人）不希望被揭露或被他人知道的。 02 数据库的隐私保护技术 隐私保护技术是为了解决数据挖掘和数据发布中的数据隐私暴露问题。隐私保护技术在具体实施时需要考虑以下两个方面：① 如何保证数据应用过程中不泄露数据隐私；② 如何更有利于数据的应用。下面分别对基于数据失真的隐私保护技术、基于数据加密的隐私保护技术、基于限制发布的隐私保护技术进行详细介绍。 1. 基于数据失真的隐私保护技术 数据失真技术是通过扰动原始数据来实现隐私保护的，扰动后的数据需要满足：① 攻击者不能发现真实的原始数据，即攻击者不能通过发布的失真数据并借助一定的背景知识重构出真实的原始数据；② 经过失真处理后的数据要能够保持某些性质不变，即利用失真数据得出的某些信息和从原始数据中得出的信息要相同，如某些统计特征要一样，这保证了基于失真数据的某些应用是可行的。 基于失真的隐私保护技术主要采用随机化、阻塞、凝聚等技术。 （1）随机化 数据随机化就是在原始数据中加入随机噪声，然后发布扰动后的数据。随机化技术包括随机扰动和随机应答两类。 ① 随机扰动。随机扰动采用随机化技术来修改敏感数据，达到对数据隐私的保护。图2（a）给出了随机扰动的过程。攻击者只能截获或观察扰动后的数据，这样就实现了对真实数据X的隐藏，但是扰动后的数据仍然保留着原始数据的分布信息。通过对扰动数据进行重构，如图2（b）所示，可以恢复原始数据X的信息，但不能重构原始数据的精确值x1,x2,…,xn。 图2 随机扰动与重构过程 随机扰动技术可以在不暴露原始数据的情况下进行多种数据挖掘操作。由于扰动后的数据通过重构得到的数据分布几乎和原始数据的分布相同，因此，利用重构数据的分布进行决策树分类器训练后，得到的决策树能很好地对数据进行分类。在关联规则挖掘中，可以通过在原始数据中加入大量伪项来隐藏频繁项集，再通过在随机扰动后的数据上估计项集的支持度来发现关联规则。除此之外，随机扰动技术还可以被应用到联机分析处理（Online Analytical Processing，OLAP）上，实现对隐私的保护。 ② 随机应答。随机应答是指数据拥有者在扰动原始数据后再将其发布，以使攻击者不能以高于预定阈值的概率得出原始数据是否包含某些真实信息或伪信息。虽然发布的数据不再真实，但是在数据量比较大的情况下，统计信息和汇聚信息仍然可以被较为精确地估计出来。随机应答和随机扰动的不同之处在于敏感数据是通过一种应答特定问题的方式提供给外界的。 （2）阻塞与凝聚 随机化技术的一个无法避免的缺点是：针对不同的应用都需要设计特定的算法以对转换后的数据进行处理，因为所有的应用都需要重建数据的分布。凝聚技术可以克服随机化技术的这一缺点，它的基本思想是：将原始数据分成组，每组内存储着由k条记录产生的统计信息，包括每个属性的均值、协方差等。这样，只要是采用凝聚技术处理的数据，都可以用通用的重构算法进行处理，并且重构后的数据并不会披露原始数据的隐私，因为同一组内的k条记录是两两不可区分的。 与随机化技术修改敏感数据、提供非真实数据的方法不同，阻塞技术采用的是不发布某些特定数据的方法，因为某些应用更希望基于真实数据进行研究。例如，可以通过引入代表不确定值的符号“？”来实现对布尔关联规则的隐藏。由于某些值被“？”代替，所以对某些项集的计数是一个不确定的值，此值位于一个最小估计值和最大估计值之间。于是，对敏感关联规则的隐藏就是在数据中的阻塞尽量少的情况下，将敏感关联规则可能的支持度和置信度控制在预定的阈值以下。另外，利用阻塞技术还可以实现对分类规则的隐藏。 2. 基于数据加密的隐私保护技术 基于数据加密的隐私保护技术多用于分布式应用中，如分布式数据挖掘、安全查询、几何计算、科学计算等。分布式应用的功能实现通常会依赖于数据的存储模式和站点的可信度及其行为。 分布式应用采用垂直划分和水平划分两种数据模式存储数据。垂直划分数据是指分布式环境中每个站点只存储部分属性的数据，所有站点存储的数据不重复；水平划分数据是将数据记录存储到分布式环境中的多个站点，所有站点存储的数据不重复。分布式环境下的站点，根据其行为可以分为准诚信攻击者和恶意攻击者。准诚信攻击者是遵守相关计算协议但仍试图进行攻击的站点；恶意攻击者是不遵守相关计算协议且试图披露隐私的站点。一般会假设所有站点为准诚信攻击者。 基于加密技术的隐私保护技术主要有安全多方计算、分布式匿名化、分布式关联规则挖掘、分布式聚类等。 （1）安全多方计算 安全多方计算协议是密码学中非常活跃的一个学术领域，它有很强的理论和实际意义。一个简单安全多方计算的实例就是著名华人科学家姚期智提出的百万富翁问题：两个百万富翁Alice和Bob都想知道他俩谁更富有，但他们都不想让对方知道关于自己财富的任何信息。 按照常规的安全协议运行之后，双方只知道谁更加富有，而对对方具体有多少财产却一无所知。 通俗地讲，安全多方计算可以被描述为一个计算过程：两个或多个协议参与者基于秘密输入来计算一个函数。安全多方计算假定参与者愿意共享一些数据用于计算。但是，每个参与者都不希望自己的输入被其他参与者或任何第三方知道。 一般来说，安全多方计算可以看成是在具有n个参与者的分布式网络中私密输入为x1,x2,…,xn的计算函数f（x1,x2,…,xn），其中参与者i仅知道自己的输入xi和输出f（x1,x2,…,xn），再没有任何其他多余信息。如果假设有可信第三方存在，则这个问题的解决就会变得十分容易，参与者只需要将自己的输入通过秘密通道传送给可信第三方，由可信第三方计算这个函数，然后将计算结果广播给每一个参与者即可。但是在现实中很难找到一个让所有参与者都信任的可信第三方。因此，安全多方计算协议主要是针对在无可信第三方的情况下安全计算约定函数的问题。 众多分布式环境下基于隐私保护的数据挖掘应用都可以抽象成无可信第三方参与的安全多方计算问题，即如何使两个或多个站点通过某种协议完成计算后，每一方都只知道自己的输入和所有数据计算后的结果。 由于安全多方计算基于了“准诚信模型”这一假设，因此其应用范围有限。 （2）分布式匿名化 匿名化就是隐藏数据或数据来源，因为大多数应用都需要对原始数据进行匿名处理以保证敏感信息的安全，然后在此基础上进行数据挖掘与发布等操作。分布式下的数据匿名化都面临在通信时如何既保证站点数据隐私又能收集到足够信息以实现利用率尽量大的数据匿名这一问题。 以在垂直划分的数据环境下实现两方分布式k-匿名为例来说明分布式匿名化。假设有两个站点S1、S2，它们拥有的数据分别是{ID,A1,A2,…,An}和{ID,B1,B2,…,Bn}，其中，Ai为S1拥有数据的第i个属性。利用可交换加密在通信过程中隐藏原始信息，在构建完整的匿名表时判断是否“满足k-匿名条件”先实现。分布式k-匿名算法如下所示。 输入：站点S1、S2，数据{ID,A1,A2,…,An}、{ID,B1,B2,…,Bn} 输出：k-匿名数据表T× 过程： ① 2个站点分别产生私有密钥K1和K2，且须满足：EK1（EK2（D））=EK2（EK1（D）），其中D为任意数据。 ② 表T×←NULL。 ③ while T×中数据不满足k-匿名条件 do。 ④ 站点i（i=1或2） a. 泛化{ID,A1,A2,…,An}为{ID,A1×,A2×,…,An×}，其中A1×表示A1泛化后的值； b. {ID,A1,A2,…,An}←{ID,A1×,A2×,…,An×}； c. 用Ki加密{ID,A1×,A2×,…,An×}并将其传递给另一站点； d. 用Ki加密另一站点加密的泛化数据并回传； e. 根据两个站点加密后的ID值对数据进行匹配，构建经K1和K2加密后的数据表T×{ID,A1×,A2×,…,An×，ID,B1,B2,…,Bn}。 ⑤ end while。 在水平划分的数据环境中，可以通过引入第三方，利用满足性质的密钥来实现数据的k-匿名化：每个站点加密私有数据并将其传递给第三方，当且仅当有k条数据记录的准标志符属性值相同时，第三方的密钥才能将这k条数据记录进行解密。 （3）分布式关联规则挖掘 在分布式环境下，关联规则挖掘的关键是计算项集的全局计数，加密技术能保证在计算项集计数的同时，不会泄露隐私信息。例如，在数据垂直划分的分布式环境中，需要解决的问题是：如何利用分布在不同站点的数据计算项集计数，找出支持度大于阈值的频繁项集。此时，在不同站点之间计数的问题被简化为在保护隐私数据的同时，在不同站点间计算标量积的问题。 （4）分布式聚类 基于隐私保护的分布式聚类的关键是安全地计算数据间的距离，聚类模型有Naïve聚类模型（K-means）和多次聚类模型，两种模型都利用了加密技术来实现信息的安全传输。 ① Naïve聚类模型：各个站点将数据加密方式安全地传递给可信第三方，由可信第三方进行聚类后返回结果。 ② 多次聚类模型：首先各个站点对本地数据进行聚类并发布结果，然后通过对各个站点发布的结果进行二次处理，实现分布式聚类。 3. 基于限制发布的隐私保护技术 限制发布是指有选择地发布原始数据、不发布或者发布精度较低的敏感数据以实现隐私保护。当前基于限制发布的隐私保护技术主要采用数据匿名化技术，即在隐私披露风险和数据精度之间进行折中，有选择地发布敏感数据及可能披露敏感数据的信息，但保证敏感数据及隐私的披露风险在可容忍的范围内。 数据匿名化一般采用两种基本操作。 ① 抑制。抑制某数据项，即不发布该数据项。 ② 泛化。泛化指对数据进行更抽象的和概括性的描述。例如，可把年龄30岁泛化成区间[20,40]的形式，因为30在区间[20,40]内。 数据匿名化处理的原始数据一般为数据表形式，表中每一行都是一个记录，对应一个人。每条记录包含多个属性（数据项），这些属性可分为3类。 ① 显式标志符（explicit identifier），能唯一表示单一个体的属性，如身份证、姓名等。 ② 准标志符（quasi-identifiers），几个属性联合起来可以唯一标志一个人，如邮编、性别、出生年月等联合起来可能就是一个准标志符。 ③ 敏感属性（sensitive attribute），包含用户隐私数据的属性，如疾病、收入、宗教信仰等。 表1所示为某家医院的原始诊断记录，每一条记录（行）都对应一个唯一的病人，其中{“姓名”}为显示标志符属性，{“年龄”“性别”“邮编”}为准标志符属性，{“疾病”}为敏感属性。 表1 某医院原始诊断记录 传统的隐私保护方法是先删除表1中的显示标志符“姓名”，然后再将其发布出去。表2给出了表1的匿名数据。假设攻击者知道表2中有Betty的诊断记录，而且攻击者知道Betty年龄是25岁，性别是女，邮编是12300，则根据表2，攻击者可以很容易地确定Betty对应表中的第一条记录。因此，攻击者可以肯定Betty患了肿瘤。 表2 某医院原始诊断记录（匿名） 显然，由传统的数据隐私保护算法得到匿名数据不能很好地阻止攻击者根据准标志符信息推测目标个体的敏感信息。因此，需要有更加严格的匿名处理方法以达到保护数据隐私的目的。 （1）数据匿名化算法 大多数匿名化算法致力于解决根据通用匿名原则怎样更好地发布匿名数据这一问题，另一方面则致力于解决在具体应用背景下，如何使发布的匿名数据更有利于应用。 ① 基于通用原则的匿名化算法 基于通用原则的匿名化算法通常包括泛化空间枚举、空间修剪、选取最优化泛化、结果判断与输出等步骤。基于通用原则的匿名化算法大都基于k-匿名算法，不同之处仅在于判断算法结束的条件，而泛化策略、空间修剪等都是基本相同的。 ② 面向特定目标的匿名化算法 在特定的应用场景下，通用的匿名化算法可能不能满足特定目标的要求。面向特定目标的匿名化算法就是针对特定应用场景的隐私化算法。例如，考虑到数据应用者需要利用发布的匿名数据构建分类器，因此设计匿名化算法时就需要考虑在保护隐私的同时，怎样使发布的数据更有利于分类器的构建，并且采用的度量指标要能直接反映出对分类器构建的影响。已有的自底向上的匿名化算法和自顶向下的匿名化算法都将信息增益作为度量。发布的数据信息丢失越少，构建的分类器的分类效果越好。自底向上的匿名化算法会在每次搜索泛化空间时，采用使信息丢失最少的泛化方案进行泛化，重复执行以上操作直到数据满足匿名原则的要求为止。自顶向下的匿名化算法的操作过程则与之相反。 ③ 基于聚类的匿名化算法 基于聚类的匿名化算法将原始记录映射到特定的度量空间，再对空间中的点进行聚类以实现数据匿名。类似k-匿名，算法保证每个聚类中至少有k个数据点。根据度量的不同，有r-gather和r-cellular两种聚类算法。在r-gather算法中，以所有聚类中的最大半径为度量对所有数据点进行聚类，在保证每个聚类至少包含k个数据点时，所有聚类中的最大半径越小越好。 （编辑：阜新站长网） 【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容! |
