知识卡片
数据脱敏与隐私保护
隐私保护用于对敏感数据脱敏,常见脱敏算法有 k-anonymity(k-匿名)和 differential privacy(差分隐私)。k-匿名通过概括与隐匿技术减少链接攻击导致的隐私泄露,差分隐私在最大化查询准确性的同时最小化识别个体记录的机会。
这张卡片看不懂?
这张卡片已通过人工审查,不再接受失败反馈。
已有反馈 · 0 条
还没有人提交反馈。
在整书笔记中的位置
原书出处 · 1 处
- 互联网业务安全 · 查看原书依据
常见的脱敏算法有 k-anonymity(k-匿名)、differential privacy(差分隐私)等。k-匿名通过概括(对数据进行更加概括、抽象的描述)和隐匿(不发布某些数据项)技术,发布精度较低的数据,使得每条记录至少与数据表中其他 k-1条记录具有完全相同的准标识符属性值,从而减少由链接攻击所导致的隐私泄露。
参考来源
- 位置:《大型互联网企业安全架构(石祖文)》第13章《互联网业务安全》(源文件:extracted/大型互联网企业安全架构 (石祖文)/_epub-src/EPUB/xhtml/chapter018)
- 结论依据:原文给出对应定义与依据,支撑本卡结论。
- 原始内容:常见的脱敏算法有 k-anonymity(k-匿名)、differential privacy(差分隐私)等。k-匿名通过概括(对数据进行更加概括、抽象的描述)和隐匿(不发布某些数据项)技术,发布精度较低的数据,使得每条记录至少与数据表中其他 k-1条记录具有完全相同的准标识符属性值,从而减少由链接攻击所导致的隐私泄露。