淺析校園大數(shù)據(jù)的脫敏問題

莫 可

北京林業(yè)大學(xué)，北京 100083

一、背景

當(dāng)前，校園大數(shù)據(jù)分析作為“智慧校園”的重要組成部分，在教學(xué)和學(xué)生管理、校園狀態(tài)管理和預(yù)測等方面能提供實時而有效的決策支撐，同時，大數(shù)據(jù)分析的探索功能也幫助學(xué)校的管理者以全新的角度去重新認(rèn)識校園里的一切事物，這一切的基礎(chǔ)，都不離開對校園內(nèi)部各類數(shù)據(jù)的收集和利用。但諸如學(xué)生學(xué)習(xí)成績、校園一卡通消費記錄、校園網(wǎng)絡(luò)使用日志等隱私數(shù)據(jù)，能否被用于或者如何被用于大數(shù)據(jù)分析，人們的觀點不一而同。在隱私保護討論日趨激烈、隱私泄露日益嚴(yán)重的背景下，如何制衡大數(shù)據(jù)分析與個人隱私保護之間的“矛與盾”，成為了必須解決的問題。

二、數(shù)據(jù)脫敏及其意義

一般而言，在收集、處理、展示數(shù)據(jù)的過程中，當(dāng)個人數(shù)據(jù)貢獻于一個高度抽象的統(tǒng)計結(jié)果或預(yù)測結(jié)果時，人們通常不會認(rèn)為或者感受到自己的隱私受到了侵犯，因此并不會介意相關(guān)數(shù)據(jù)以諸如匯總的方式被抽象地使用。但在大數(shù)據(jù)分析的實際工作中，尤其是涉及學(xué)生管理的事務(wù)中，經(jīng)常會遇到“由結(jié)果至源頭的追溯”問題，例如：大數(shù)據(jù)判斷有部分學(xué)生作息不規(guī)律，有健康風(fēng)險，需及早干預(yù)。從學(xué)生管理的角度而言，大數(shù)據(jù)發(fā)揮預(yù)測的功能是十分有益的。但僅僅是預(yù)測和發(fā)現(xiàn)情況是遠遠不夠的，作為管理者必須要想辦法將危險消除在萌芽之中，因此往往需要將發(fā)現(xiàn)的問題聯(lián)系到實際個人。但此時若直接根據(jù)數(shù)據(jù)結(jié)果，定位到個人，不免令人產(chǎn)生隱私被侵犯的感受。

數(shù)據(jù)脫敏，是指按照一定規(guī)則降低數(shù)據(jù)的敏感程度，使其在采集、傳輸、使用等環(huán)節(jié)能夠?qū)⒈┞讹L(fēng)險降到最小。2019年國家網(wǎng)信辦公開發(fā)布《數(shù)據(jù)安全管理辦法（征求意見稿）》，明確要求個人信息的存儲和利用必須經(jīng)過匿名化處理，切實降低個人信息的泄露風(fēng)險。因此，數(shù)據(jù)脫敏技術(shù)成為解決個人隱私信息保護的關(guān)鍵過程。

三、隱私泄露根源與隱私分類

如今隱私泄露在生活中非常多見：例如，知名網(wǎng)站的用戶數(shù)據(jù)庫被黑客攻陷，明文存儲的用戶信息成為黑市交易的對象；快遞公司內(nèi)部人員暗中收集的客戶快遞單販賣給電話詐騙團伙，諸如此類的報道屢見不鮮。根據(jù)安全公司Risk Based Security 公布的數(shù)據(jù)，2019年上半年全球發(fā)生數(shù)據(jù)泄露事件3800余起，相比上年同期增加54%。從本質(zhì)而言這些問題都是由于不分類、不規(guī)范地存儲和使用含有個人隱私信息的數(shù)據(jù)而造成的。正是因為意識到數(shù)據(jù)泄露可能造成的潛在危害，如今在國家、行業(yè)、企業(yè)等各個層面，都越發(fā)重視數(shù)據(jù)的安全問題。

根據(jù)由一項或幾項隱私信息識別到具體個人的能力，本文將隱私信息總結(jié)劃分為四個類型：（1）完全識別型隱私，即通過一項信息就能識別個人，例如每個人的身份證號、手機號等；（2）聯(lián)合識別型隱私，即某一項信息不足以識別個人，但足夠多的幾項聯(lián)合起來可以識別個人，例如性別、身高、年齡、地址等；（3）敏感隱私，即無法直接識別個人，但內(nèi)容不宜公開，公開后會對當(dāng)事人造成困擾的信息，例如：各類賬號、密碼、疾病信息、學(xué)習(xí)成績、家庭住址、個人收入、各類購物信息等；（4）普通隱私，即無法直接識別個人，公開后對當(dāng)事人造成的影響較低的信息，例如：單位名稱、職稱、職務(wù)、民族、籍貫、學(xué)習(xí)經(jīng)歷等。

上述四類隱私，若未經(jīng)授權(quán)而形成泄露，對個人造成的影響也有輕重之分。針對不同類型的隱私，應(yīng)當(dāng)根據(jù)其特點和內(nèi)容的重要程度，制定不同的管理或使用規(guī)范。

四、常見脫敏方法

脫敏處理由易到難，一般可有三個層次的要求：

（一）基本處理

常見脫敏方法包括：（1）替換法或省略法，例如將性別“女”替換為字母F，將“1號樓1單元101室”替換為“1-1-101”，此類方法通常能夠保留一定的信息完整性和閱讀性，對信息的持有者來說容易維護，但相應(yīng)的也容易被惡意侵犯者破解和掌握信息的含義，從而造成信息泄露；（2）重排，例如將“apple”倒序重排為“elppa”，應(yīng)用此類方法時，數(shù)據(jù)可依照一定規(guī)則進行恢復(fù)，但同樣容易被破解；（3）字典加密，最簡單凱撒加密法就是一種字典加密，例如以“+1”方式將“123456”加密為“234567”，其實質(zhì)是將數(shù)字0對應(yīng)為數(shù)字1，數(shù)字1對應(yīng)為數(shù)字2，……，數(shù)字9對應(yīng)為數(shù)字0，具體選用什么樣的字典進行加密是根據(jù)實際情況而決定的；（4）截斷或掩碼，例如以159開頭的11位手機號碼截斷為159，通過前三位判斷用戶的所屬運營商；又例如在快遞或外賣單上，將11位手機號碼處理為159XXXX1234，此類方法舍棄了一定數(shù)據(jù)精度，雖然信息的持有者和使用者容易識別，但此類數(shù)據(jù)只能滿足特定的信息應(yīng)用場景，對其他場景的適應(yīng)性不好，或稱，對信息生產(chǎn)環(huán)節(jié)不友好；（5）取整，例如將一個五位數(shù)字按千位四舍五入取整，比如將12，345取整為12，000，此類方法一般是根據(jù)實際工作的需要而舍棄一定的原始數(shù)據(jù)精度，對原始數(shù)據(jù)的內(nèi)容具有一定的保護意義。

（二）K-匿名處理

在常見的脫敏規(guī)則基礎(chǔ)之上，對隱私信息的處理還有許多更高級別的處理模式。K-匿名處理方法就是其中一類。K-匿名處理主要針對聯(lián)合型隱私數(shù)據(jù)，其基本思想是在消除完全識別型隱私數(shù)據(jù)影響的基礎(chǔ)之上，通過對數(shù)據(jù)集的數(shù)據(jù)項進行掩碼或截斷等方式的處理，使數(shù)據(jù)集中的任一一條記錄，都有另外K條記錄與它相等，使得非法接觸數(shù)據(jù)的攻擊者無法準(zhǔn)確識別到具體的信息主體。

設(shè)某個數(shù)據(jù)集包含學(xué)生的基本信息，其部分字段分別為{序號，年齡（歲），身高（厘米），助學(xué)金（元）}。數(shù)據(jù)集中的記錄A為{1，19，176，1000}，記錄B為{2，18，178，1000}，記錄C為{3，19，181，1500}，記錄D為{3，18，175，1000}，記錄E為{5，19，182，1500}。假設(shè)攻擊者知道某學(xué)生的年齡（18歲）和身高（178厘米），則容易知道該生的記錄為B記錄，對應(yīng)的助學(xué)金為1000元。此例中，年齡和身高，屬于聯(lián)合識別型隱私數(shù)據(jù)，而助學(xué)金屬于敏感隱私。

此時對記錄A、B、C、D、E的年齡和身高字段進行掩碼處理，處理后記錄A為{1，1*，17*，1000}，記錄B為{2，1*，17*，1000}，記錄C為{3，1*，18*，1500}，記錄D為{4，1*，17*，1000}，記錄E為{5，1*，18*，1500}。此時，若知道某學(xué)生的年齡（18歲）和身高（176厘米），與之符合條件的數(shù)據(jù)記錄為 A{1，1*，17*，1000}、B{2，1*，17，1000}、D{4，1*，17*，1000}三條記錄，無法準(zhǔn)確判斷某學(xué)生對應(yīng)哪一條記錄。此時，我們稱記錄A、B、D在識別方面的能力是相等的，稱為一個相等集。若知道另一個學(xué)生的年齡（19歲）和身高（182厘米），此時數(shù)據(jù)集里能匹配到的記錄是 C{3，1*，18*，1500}和 E{5，1*，18*，1500}，此時稱記錄C和D是一個相等集。

在某一個數(shù)據(jù)表里，對任意一行記錄，都至少有K-1條記錄與它相等，則稱該數(shù)據(jù)表符合K-匿名要求。對攻擊者而言，猜中準(zhǔn)確記錄的概率低于或等于1/K。對于上述示例數(shù)據(jù)集而言，其達到了2-匿名要求，即攻擊者準(zhǔn)確猜中記錄的概率低于1/2。

（三）L-多樣性處理

在上述例子中，雖然無法明確某學(xué)生（18歲，身高176厘米）是A記錄、B記錄、D記錄，但是依然可以知道，該生的助學(xué)金為1000元。為此，可以對數(shù)據(jù)集插入一條干擾數(shù)據(jù)，記錄F{6，1*，17*，2000}。此時攻擊者便無法判斷該學(xué)生的助學(xué)金是1000元或2000元。對于記錄A、B、D、F構(gòu)成的相等集而言，它助學(xué)金字段的多樣性為2，此時攻擊者猜中準(zhǔn)確記錄的概率低于1/2。如果對于某個相等集的記錄，對應(yīng)的敏感數(shù)據(jù)的結(jié)果有L個“合適的”值，則稱該相等集滿足L-多樣性要求。

五、脫敏原則及典型過程

在校園大數(shù)據(jù)相關(guān)工作中，需根據(jù)實際情況對數(shù)據(jù)進行脫敏處理，對于常規(guī)脫敏方法可以直接實現(xiàn)，K-匿名處理和L-多樣性處理一般需要借助軟件或者程序?qū)崿F(xiàn)。在實現(xiàn)脫敏處理的過程中，還需要注意以下的原則：其一、對數(shù)據(jù)加密盡量使用可逆的加密方法，避免對原始信息造成損失；其二、完全識別型隱私必須進行脫敏處理，切實保護用戶信息；其三、結(jié)合實際情況考慮是否滿足K-匿名或L-多樣性要求，以設(shè)計數(shù)據(jù)格式，合理使用脫敏方法處理為宜，盡量不插入干擾數(shù)據(jù)，避免信息失真。其四，以保障可讀性、可用性為原則，選擇合適的脫敏方法向第三方提供部分?jǐn)?shù)據(jù)，避免提供原始數(shù)據(jù)。

在校園大數(shù)據(jù)分析領(lǐng)域內(nèi)，校園網(wǎng)絡(luò)日志數(shù)據(jù)是常見的需要脫敏處理的對象，以下以其處理過程為例進行說明。

（1）學(xué)號：一般學(xué)號的編排都遵循年級-學(xué)院-專業(yè)-班級等邏輯，其最后兩位或三位一般為班內(nèi)編號，通?？梢詫ζ溥M行掩碼操作，對學(xué)號信息進行部分保護；（2）IP地址，可以采用凱撒加密方式對IP地址的各段數(shù)字進行處理，常見映射為“+1”操作，其中255進行“+1”操作后應(yīng)該為0。需要進行解密操作時，只需要對IP地址的各段數(shù)字進行“-1”操作即可。采用此類可恢復(fù)的加密方式能夠有效的實現(xiàn)對數(shù)據(jù)的保護，對掌握加密算法的內(nèi)部人員而言又易于還原；（3）連網(wǎng)和斷網(wǎng)時間，可以根據(jù)需要將時間的記錄精度進行取整操作，一般精確到小時或每15分鐘即可；（4）在線時長、產(chǎn)生流量、產(chǎn)生費用等，這些數(shù)據(jù)一般需要進行準(zhǔn)確的統(tǒng)計或計算操作，因此一般不進行處理。

按上述的方式對網(wǎng)絡(luò)日志數(shù)據(jù)進行處理后，任何第三方依然可以使用該數(shù)據(jù)對學(xué)生的網(wǎng)絡(luò)行為或習(xí)慣進行分析，例如通過連網(wǎng)斷網(wǎng)時間判斷學(xué)生是否正常作息（熬夜），通過在線時長和產(chǎn)生流量判斷學(xué)生的網(wǎng)絡(luò)行為（長期上網(wǎng)、流量異常）。對于數(shù)據(jù)異常的用戶，可以通過掩碼后的學(xué)號確認(rèn)其所在的學(xué)院、班級，并以班級為范圍進行提示，避免直接接觸個人，以充分尊重其個人的隱私保護問題。如果確因現(xiàn)實情況，需要進一步確認(rèn)具體身份，可以將IP地址進行對應(yīng)解密，比照相關(guān)資料，識別到具體的個人。