Hybrid techniques and preservation of utility in single dimensional k-anonymization

Abstract

Kamu ve özel kurumlar tarafından toplanan verilerin her geçen gün önemi artmaktadır. Bu veriler araştırma, istatistiksel analiz, karar verme gibi amaçlar için kullanılabilmektedir. Toplanan veri, o kadar değerlidir ki üçüncü partilerle veriyi paylaşmanın faydaları bulunmaktadır. Ancak bu tip veriler birçok durumda kişisel bilgilerin yanında hastalık, maaş, not ortalaması gibi hassas bilgiler içermektedir. Böyle bir veriyi ifşa etmek mahremiyet sorunlarını doğurmaktadır. Veriyi ifşa etmeden önce veri mahremiyeti garanti altına alınmalıdır.Anonimleştirme tabanlı mahremiyet korunum teknikleri, ifşa edilen veriden kişi tanımlanmasını engellemeyi amaçlar. Bu alanda en yaygın yaklaşım, mahremiyet standartlarını (k-anonimleştirme gibi) karşılamak için veriye genelleştirme işlemleri uygulamaktır. Genelleştirme tabanlı teknikler verinin doğruluğunu korumasına karşın, veride kabul edilemez miktarda kalite kaybına sebep olmaktadır. Bu risk özellikle mahremiyet standartlarının katı olduğu durumlarda söz konusudur.Bu tezde, genelleştirmenin yanında veri yer değiştirme mekanizmasını içeren hibrid anonimleştirme tekniği öne sürülmektedir. Veri yer değiştirme, ayırt edilemez veri satırları içeren küçük grupları genişletmek için belirli veri hücrelerini değiştirme mekanizmasıdır. Bu işlem sayesinde daha kaliteli veriler üretilebilmektedir. Veri yer değiştirme mekanizması verinin kalite ve doğruluk seviyeleri arasındaki denge göz önüne alınarak uygulanmaktadır.Deneyler baz alındığında, hibrid anonimleştirmenin az miktarda veri değiştirme ile yüksek kaliteli anonim veriler üretebildiği görülmüştür.

The information collected by public and private institutions is getting more important day by day. These datasets are being used for decision making, research, statistical analysis and better quality of service. The value of data is so great that there is public benefit in publishing data to third parties. However, such data contains personal information and in many cases includes sensitive values such as salary, illness, treatment, etc. Thus releasing it is subject to privacy concern. The privacy of the individuals should be ensured before releasing the dataset.Anonymization-based privacy protection ensures that published data cannot be linked back to an individual. The most common approach in this domain is to apply generalizations on the private data in order to maintain a privacy standard such as k-anonymity. While generalization-based techniques preserve truthfulness, relatively small output space of such techniques often results in unacceptable utility loss especially when privacy requirements are strict.In this thesis, we introduce the hybrid generalizations which are formed by not only generalizations but also the data relocation mechanism. Data relocation involves changing certain data cells to further populate small groups of tuples that are indistinguishable with each other. This allows us to create anonymizations of finer granularity confirming to the underlying privacy standards. Data relocation serves as a tradeoff between utility and truthfulness and we provide an input parameter to control this tradeoff.Based on experiments on the real data, we show that hybrid anonymization returns better utilized datasets at the cost of negligible loss in truthfulness.