样本数据去标识化技术

国家标准《信息安全技术——个人信息安全规范》中规定，收集个人信息后，个人信息控制者宜立即进行去标识化处理。在金融行业，很多服务场景的对象都是人，用联邦学习建模的样本数据很多都是个人信息。因此我们在联邦学习中用到的数据是需要去标识后的数据，即需要对数据进行去标识化（de-identification）。

去标识化的定义:

通过去标识化计算,使其在不接触额外信息的情况下，达到无法识别个人信息主体的效果。

直接标识符（direct identifier）:

微数据中的属性,在特定环境下可以单独识别个人信息主体。

准标识符（quasi-identifier）:

微数据中的属性，结合其他属性可唯一识别个人信息主体。

举个例子，身份证号、手机号等是直接标识符（direct identifier），而年龄、地址等是准标识符（quasi-identifier）。通过直接标识符，我们可以立即锁定某个人。

常用的去标识化技术:

密码技术、假名化技术、抑制技术、泛化技术、统计技术、随机化技术、数据合成

统计技术指利用统计学方法对数据进行脱敏，主要包括数据抽样和数据聚合两种技术。它的优势是可以保持数据集的统计学特性。

密码技术指通过密码学的加密算法将数据进行加密来完成变形脱敏。采用密码技术脱敏的数据是可以还原的，当需要还原时，采用相同的算法或者对应算法输入秘钥，即可完成还原。密码技术可以细分为确定性加密和随机性加密两类。

抑制技术即对不满足隐私保护的数据项删除，不进行发布。抑制技术适用于分类数据。

假名化技术是一种使用假名替换直接标识（或其他准标识符）的去标识化技术。采用假名化技术脱敏的数据无法直接进行还原，可以建立原始数据到假名数据的映射表来实现还原。但在我国，身份证号、手机号等经常作为ID信息的原始空间是可以枚举的，攻击者往往通过彩虹表等进行暴力枚举，对假名化的结果进行反向还原。

泛化技术是一种降低数据集中所选属性粒度的去标识化技术，对数据进行更概括、抽象的描述。泛化技术在做特征处理的时候也经常用到，例如对年龄进行区间化。

随机化技术指通过随机化修改属性的值,使得随机化处理后的值区别于原来的真实值，无法进行还原。

数据合成是一种以人工方式产生微数据的方法，用以表示预定义的统计数据模型。其主要运用在测试集里，由使用者随机生成一份测试的值来替代真实的值。

在金融领域，用的最多的还是泛化技术。

去标识化后应达到的效果：

直接标识符:

需要保持唯一性，个人信息标识度分级应达到2级

准标识符:

个人信息标识度分级应达到3级

1级：能直接识别主体的数据

2级：消除直接标识符的数据

3级：重标识风险可接受数据

4级：聚合数据