電力大數(shù)據(jù)的脫敏評估及系統(tǒng)實現(xiàn)

葉水勇

(國網(wǎng)安徽省電力有限公司黃山供電公司，安徽 黃山 245000)

0 引 言

所謂數(shù)據(jù)脫敏就是利用脫敏規(guī)則將一些敏感信息(如身份證號、賬號、密碼、地址、電話號碼等)進行數(shù)據(jù)變形，從而實現(xiàn)對敏感、隱私的數(shù)據(jù)進行可靠有效的保護[1-2]。通過數(shù)據(jù)脫敏技術，有針對性地保護與當前分析無關的信息，并保證分析挖掘的有效進行。目前國內(nèi)大多數(shù)企業(yè)為了保護敏感數(shù)據(jù)的安全，通過設置防火墻、安裝防病毒軟件等措施來加強數(shù)據(jù)外圍保護。但是，這種保護方式限制了敏感數(shù)據(jù)的分析與利用。部分企業(yè)根據(jù)自身需求制定了一些以靜態(tài)脫敏為主的數(shù)據(jù)脫敏方案，其脫敏流程擴展性差、脫敏規(guī)則固定且簡單、脫敏能力有限，無法滿足規(guī)模日益增長且規(guī)則日益復雜的數(shù)據(jù)脫敏需求，無法有效解決背景知識攻擊等安全威脅。

本文通過分析評估當今主流數(shù)據(jù)脫敏技術特性，將多種脫敏方式相結合，建立敏感數(shù)據(jù)的發(fā)現(xiàn)、抽取與脫敏系統(tǒng)[3-4]。該系統(tǒng)通過對敏感數(shù)據(jù)分類，能夠快速處理大量脫敏數(shù)據(jù)，支持脫敏算法與方案的配置管理，很好地適應不同的脫敏需求。系統(tǒng)建立脫敏任務的申請審核機制，通過權限管理使脫敏過程更有效安全。

1 數(shù)據(jù)脫敏的主流算法

1.1 k-Anonymity算法

該算法要求對任意一行的記錄，所歸屬的相等集內(nèi)的記錄總數(shù)量不得少于k條，即最少有(k-1)條記錄的半標識列的值與該條記錄相同。對k-Anonymity數(shù)據(jù)集內(nèi)的任意記錄，從理論上來說，攻擊者大約只有1/k的概率使被攻擊的記錄與具體的用戶進行關聯(lián)[5-6]。

該算法的缺點是容易受到鏈接式攻擊，對屬性泄露風險無法進行保護。攻擊者可通過背景知識和同質屬性兩種攻擊方式對k-Anonymity數(shù)據(jù)集內(nèi)的用戶屬性信息進行攻擊。對移除標識列的數(shù)據(jù)根據(jù)半標識列進行分組，每組最少有k條記錄，每組中至少有(k-1)條記錄的半標識列的值與該記錄相同。

1.2 l-Diversity算法

如果任意相等集內(nèi)的所有記錄所對應敏感數(shù)據(jù)的集合中包含有l(wèi)個合適的值，則該相等集滿足l-Deversity算法。若數(shù)據(jù)集中的所有相等集全部滿足l-Deversity算法，則該數(shù)據(jù)集滿足l-Deversity算法。

與k-Anonymity算法相比，符合l-Deversity算法的數(shù)據(jù)集，數(shù)據(jù)泄漏所造成的風險明顯降低。對l-Derversity數(shù)據(jù)集內(nèi)的任意記錄，從理論上來說，攻擊者大約只有1/l的概率使被攻擊的記錄與具體的用戶進行關聯(lián)[7-8]。

該算法的缺點是可能難以實現(xiàn)且無必要實現(xiàn)，且不足以阻止屬性公開。

1.3 t-Closeness算法

如果敏感數(shù)據(jù)在一個相等類的分布與在全局的分布之間的距離比t小，則該相等類滿足t-Closeness算法。若數(shù)據(jù)集中的所有相等類全部滿足t-Closeness算法，則該數(shù)據(jù)集滿足t-Closeness算法。

由于t-Closeness算法對敏感信息在全局的分布與半標識列屬性之間的聯(lián)系進行限定。因而，減弱了特定的敏感信息與半標識列屬性之間的聯(lián)系，從而減少了攻擊者利用敏感信息內(nèi)部的分布信息來進行泄露攻擊的概率，但它也會造成部分數(shù)據(jù)的丟失。因此，管理者可以通過判斷t值的大小來平衡用戶的隱私保護與數(shù)據(jù)的可用性[9]。

2 數(shù)據(jù)脫敏的規(guī)則

2.1 日期偏移的取整

對時間按一定的粒度進行向下或向上的偏移取整，保證時間數(shù)據(jù)按一定的分布特征對原始時間進行隱藏，即通過舍棄精度使原始數(shù)據(jù)的安全性得到保證。

例如：將時間20160301 01:01:09按照5秒鐘粒度向下取整得到20160301 01:01:05。

2.2 加密

通過對脫敏數(shù)據(jù)進行加密處理，外部人員只能看到?jīng)]有任何意義的經(jīng)過處理后的加密數(shù)據(jù)[10]。在特定的情況下，可以給具有權限的有關人員提供密鑰，來對加密后的脫敏數(shù)據(jù)進行解密處理。如通過利用非對稱的加密技術，即利用數(shù)據(jù)請求方的公鑰進行加密處理，然后數(shù)據(jù)請求方用私鑰對獲得的數(shù)據(jù)進行解密處理，從而還原出被脫敏的加密數(shù)據(jù)。

例如：將編號12345加密為abcde或23456等。其安全程度取決于采用哪種加密算法，一般根據(jù)實際情況而定。

2.3 重排

將原始數(shù)據(jù)按照特定的規(guī)則進行重新排列，對于跨行數(shù)據(jù)，采用隨機互換來打破其與本行其他數(shù)據(jù)的關聯(lián)關系，從而實現(xiàn)脫敏[11]。

例如：序號12345重排為54321，按照一定的順序進行打亂，很像“替換”，方便在需要時還原信息，但易于破解。

2.4 數(shù)據(jù)截斷

舍棄必要信息來保證數(shù)據(jù)的模糊性，僅保留部分關鍵信息。這是比較常用的脫敏方法，但在生產(chǎn)方面存在一定弊端。為解決這個問題，比如對手機號碼進行數(shù)據(jù)脫敏時，可僅返回前7位數(shù)字以顯示號碼歸屬地，即將手機號碼138539102456返回為1385391，最好在保留歸屬地的情況下，結合掩碼方法進行數(shù)據(jù)脫敏。

例如：把身份證號330184190001184115截斷為190001184115。

2.5 規(guī)整

將數(shù)據(jù)按照大小規(guī)整到預定義的多個檔位，這是一種比較常用的脫敏方法。

例如：a)將客戶資產(chǎn)按照規(guī)模分為高、中、低3個級別，將客戶資產(chǎn)數(shù)據(jù)用這3個級別代替；b)將扣費額按照金額多少分為高、中、低3個級別；c)將用電量按照使用量的多少分為高、中、低3個級別。

2.6 掩碼

利用通用字符(如*、X等)對敏感數(shù)據(jù)的部分內(nèi)容進行統(tǒng)一的替換，只保留部分數(shù)據(jù)信息，這樣就可以讓敏感數(shù)據(jù)只公開部分內(nèi)容，但信息的持有者可以很容易進行辨別。這種方法在很大程度上既可保證數(shù)據(jù)的脫敏，又可保證信息長度的不變性，在數(shù)據(jù)脫敏中被廣泛使用。

例如：a)將手機號碼13500010001經(jīng)過掩碼得到135****0001；b)把身份證號330184190001184115經(jīng)過掩碼得到330184********4115。

2.7 重寫

參考原始數(shù)據(jù)的特征，重新生成數(shù)據(jù)。重寫與整體替換較為類似，但替換后的數(shù)據(jù)與原始數(shù)據(jù)通常存在特定規(guī)則的映射關系，而重寫生成的數(shù)據(jù)與原始數(shù)據(jù)則一般不具有映射關系。

例如：a)對員工工資，可使用在一定范圍內(nèi)隨機生成的方式重新構造數(shù)據(jù)；b)對身份證號碼，可在一定范圍內(nèi)按照規(guī)則隨機生成的方式重新構造數(shù)據(jù)。

2.8 均化

針對數(shù)值型的敏感數(shù)據(jù)，在保證脫敏后數(shù)據(jù)集總值或平均值與原始數(shù)據(jù)集相同的情況下，改變數(shù)值的原始值。

例如：對客戶用電量、員工工資等采用均化的脫敏方法。

2.9 散列(Hash)

對原始數(shù)據(jù)通過散列算法取散列值，使用散列值來代替原始數(shù)據(jù)。目前應用較多的散列算法是SHA-1和SHA-256等。

例如：使用散列算法，將客戶的密碼“123456”用其散列值“321654”來代替。對于原文空間有限的散列，還要加入隨機因子。

2.10 限制返回

僅僅返回可用數(shù)據(jù)集合中一定數(shù)量的數(shù)據(jù)，并且只有在拿到所有數(shù)據(jù)后才具有意義。

例如：對于客戶地址數(shù)據(jù)，可在脫敏時僅返回十六字節(jié)數(shù)據(jù)，如將“XX市XX區(qū)XX街XX巷X幢XXX室”返回為“XX市XX區(qū)XX街”。

3 數(shù)據(jù)脫敏的評估要求

3.1 真實性

數(shù)據(jù)脫敏是指在使用數(shù)據(jù)進行信息挖掘時去除不需要的敏感信息，保證信息的安全[12-13]。如果脫敏后的數(shù)據(jù)無法用來對信息進行分析與挖掘，那么這些脫敏數(shù)據(jù)也就無任何使用價值。因此，脫敏后的數(shù)據(jù)應最大限度地保留信息特征與意義，確保數(shù)據(jù)可用，信息可靠。一般需保留身份證號碼、聯(lián)系方式、地址的部分字段等關鍵信息。對于脫敏后發(fā)生改變的信息，應保留數(shù)據(jù)統(tǒng)計特征，即數(shù)據(jù)中所包含的統(tǒng)計趨勢，比如用電量與用電類型的對應關系、人口的分布密度等。

3.2 有效性

脫敏的目的就是保證數(shù)據(jù)中的信息安全。數(shù)據(jù)經(jīng)過脫敏處理后，必須能有效保護敏感信息。脫敏最基本的要求是將敏感信息移除、替換、隱藏，并且在已有數(shù)據(jù)的基礎上，無法通過各種手段處理來得到被保護的敏感信息[14-15]，或者提高處理數(shù)據(jù)的難度與開銷，使其成本遠遠高于所獲取的敏感信息。

3.3 穩(wěn)定性

對數(shù)據(jù)進行脫敏時，雖然可以對敏感信息進行消除，但數(shù)據(jù)的統(tǒng)計特征不能被破壞，因此需要進行規(guī)范化脫敏。確保在數(shù)據(jù)要求一致的情況下，使脫敏的統(tǒng)計特征相同。如果結果出現(xiàn)統(tǒng)計特征的波動，會導致無法準確定位分析結果的影響因素，從而破壞分析的準確性。

3.4 適應性

在不同的數(shù)據(jù)應用場景中，對數(shù)據(jù)的安全保護存在不同級別，所需的信息也各有不同。因此，需要針對不同情況配置不同的脫敏方式、脫敏內(nèi)容以及脫敏程度，以適應不同應用環(huán)境的脫敏需求。

4 數(shù)據(jù)脫敏系統(tǒng)的設計與實現(xiàn)

4.1 數(shù)據(jù)脫敏系統(tǒng)的設計框架

數(shù)據(jù)脫敏系統(tǒng)的設計架構由敏感數(shù)據(jù)的發(fā)現(xiàn)、敏感數(shù)據(jù)的抽取與敏感數(shù)據(jù)的脫敏3個部分組成，如圖1所示。

圖1 數(shù)據(jù)脫敏系統(tǒng)框架

4.2 數(shù)據(jù)脫敏系統(tǒng)的實現(xiàn)方法

4.2.1 敏感數(shù)據(jù)的發(fā)現(xiàn)方法

敏感數(shù)據(jù)的發(fā)現(xiàn)方法就是對系統(tǒng)內(nèi)的所有數(shù)據(jù)先進行梳理，并從中對敏感數(shù)據(jù)進行識別，然后再對識別后的敏感數(shù)據(jù)進行標識。對云環(huán)境下海量的數(shù)據(jù)進行梳理，需要自動化手段來完成[16-17]。

在進行數(shù)據(jù)脫敏前，必須先對數(shù)據(jù)整體進行梳理。以國家敏感信息保護有關法律法規(guī)為依據(jù)，參考國內(nèi)外敏感信息保護相關標準，將敏感信息分成6類，如表1所示。

表1 敏感信息分類Table 1 Classification of sensitive information

在敏感信息分類的基礎上，系統(tǒng)利用自動化敏感數(shù)據(jù)識別工具執(zhí)行數(shù)據(jù)發(fā)現(xiàn)工作，并降低該過程對生產(chǎn)系統(tǒng)的影響。

1)定義數(shù)據(jù)脫敏工作執(zhí)行的范圍，在該范圍內(nèi)執(zhí)行敏感數(shù)據(jù)的發(fā)現(xiàn)工作。

2)系統(tǒng)錄入敏感數(shù)據(jù)樣本后，敏感數(shù)據(jù)識別工具提取樣本數(shù)據(jù)的數(shù)據(jù)表名稱、字段名稱、數(shù)據(jù)記錄內(nèi)容、數(shù)據(jù)表備注、數(shù)據(jù)文件內(nèi)容等特征信息，對這些特征信息進行統(tǒng)計記錄，存儲在敏感特征識別庫中。

3)敏感數(shù)據(jù)識別工具對目標數(shù)據(jù)進行敏感數(shù)據(jù)識別，根據(jù)從樣本數(shù)據(jù)獲取的敏感數(shù)據(jù)特征信息，對目標數(shù)據(jù)進行直接匹配或正則表達式匹配，對匹配的目標數(shù)據(jù)進行標記。該標記與敏感數(shù)據(jù)一起流動，無法刪除和篡改，從而可以對敏感數(shù)據(jù)進行有效跟蹤，以確保敏感數(shù)據(jù)的安全合規(guī)性。

4)敏感數(shù)據(jù)識別工具具有擴展機制，可根據(jù)業(yè)務需要自定義敏感數(shù)據(jù)的發(fā)現(xiàn)邏輯。同時系統(tǒng)可以固化常用的敏感數(shù)據(jù)發(fā)現(xiàn)規(guī)則，例如身份證號、手機號等敏感數(shù)據(jù)的發(fā)現(xiàn)規(guī)則，避免重復定義數(shù)據(jù)發(fā)現(xiàn)規(guī)則。

4.2.2 敏感數(shù)據(jù)的抽取方法

在實際數(shù)據(jù)運用場景中，往往對數(shù)據(jù)有不同的需求，并不需要提供所有數(shù)據(jù)。因此，需要根據(jù)使用需求及脫敏要求，對數(shù)據(jù)進行抽取，以提高信息密度。

數(shù)據(jù)抽取有以下3種方法：

1)字段分列：截取某一字段的部分信息。

2)字段合并：將某幾個字段合并為一個新字段。

3)字段匹配：將原數(shù)據(jù)表沒有、但其他數(shù)據(jù)表中有的字段，有效地匹配過來。

4.2.3 敏感數(shù)據(jù)的脫敏方法

對數(shù)據(jù)進行脫敏前，需要先根據(jù)實際情況確定脫敏需求，制定脫敏方案，完成敏感數(shù)據(jù)的脫敏。

1)對那些已經(jīng)被識別出來的敏感數(shù)據(jù)按照產(chǎn)生—采集—使用—交換—銷毀的生命周期進行流程的梳理，明確用戶在生命周期的各階段對數(shù)據(jù)的訪問權限及訪問需求，并進行設置，同時整理、分析出需要對數(shù)據(jù)進行脫敏的業(yè)務需求。例如，在梳理過程中，會發(fā)現(xiàn)存在對敏感數(shù)據(jù)的訪問需求和訪問權限不匹配的情況(用戶僅需獲取敏感數(shù)據(jù)中部分內(nèi)容即可，但卻擁有對敏感數(shù)據(jù)內(nèi)容全部的訪問權限)，因此，該業(yè)務場景就有對敏感數(shù)據(jù)進行數(shù)據(jù)脫敏的需求。

2)業(yè)務場景被明確后，系統(tǒng)按照最小夠用的原則，對不同類別的敏感信息明確其脫敏要求、脫敏規(guī)則及該業(yè)務在服務水平方面的需求，以便于脫敏方案的制定。

3)脫敏方案制定后，數(shù)據(jù)脫敏工具自動完成敏感數(shù)據(jù)的脫敏工作。數(shù)據(jù)脫敏工具提供擴展機制，讓用戶可根據(jù)需求自定義脫敏方法。同時系統(tǒng)可以對敏感數(shù)據(jù)常用的脫敏規(guī)則進行固化，從而可以避免數(shù)據(jù)脫敏規(guī)則的重復定義，確保數(shù)據(jù)脫敏項目的順利實施。

4.3 數(shù)據(jù)脫敏的系統(tǒng)架構

該系統(tǒng)以三層框架為基礎，建立了一個完善的數(shù)據(jù)脫敏體系結構。系統(tǒng)提供與監(jiān)控系統(tǒng)對接接口，可以建立起脫敏操作的監(jiān)管審計體系[18-19]，如圖2所示。

圖2 數(shù)據(jù)脫敏系統(tǒng)架構

當需要發(fā)起脫敏操作時，脫敏操作發(fā)起人通過統(tǒng)一登錄平臺接口進入脫敏系統(tǒng)，脫敏系統(tǒng)從目標數(shù)據(jù)源獲取目標數(shù)據(jù)，脫敏操作發(fā)起人根據(jù)脫敏需求選擇脫敏方案，提出脫敏任務申請。該申請上傳至OA系統(tǒng)審批通過后，系統(tǒng)開始對目標數(shù)據(jù)進行敏感數(shù)據(jù)發(fā)現(xiàn)、數(shù)據(jù)抽取以及數(shù)據(jù)脫敏操作，并將脫敏后的數(shù)據(jù)輸出至目標環(huán)境以供使用。

系統(tǒng)提供數(shù)據(jù)源與算法配置的管理，能夠適應復雜的脫敏環(huán)境，完成不同的脫敏任務，具有較高的適用性與可擴展性。系統(tǒng)內(nèi)置用戶權限管理，不同職責的人員擁有不同的系統(tǒng)操作權限。用戶無法未經(jīng)脫敏任務審核直接發(fā)起數(shù)據(jù)脫敏操作，有效杜絕了脫敏方案過于簡單導致的敏感數(shù)據(jù)外泄問題。同時系統(tǒng)可以與郵件系統(tǒng)、消息平臺對接，便于用戶的使用。

5 應用案例

數(shù)據(jù)脫敏系統(tǒng)的應用案例如表2所示。

表2 運用案例表Table 2 Application cases

6 結 語

通過對3種主流脫敏算法進行分析與評估，結合多種脫敏方式，構建了能夠滿足大數(shù)據(jù)時代下電力數(shù)據(jù)脫敏需求的系統(tǒng)。

1)該系統(tǒng)通過敏感信息分類，有效規(guī)范了脫敏流程；

2)內(nèi)置多種脫敏策略，滿足日常脫敏需求，在面對復雜的脫敏需求時，可以進行脫敏策略的自定義與拓展；

3)通過精準的敏感信息定位標志、高適應性的脫敏策略，滿足了保留所需要信息與保護敏感信息的兩大要求。