난독 화점에 대한 간단하고 효과적인 기술은 무엇입니까?

사용자로부터 위치 정보 (포인트)를 수집 할 웹 사이트를 만들고 있습니다. Google은 사용자의 개인 정보를 보호하기위한 기술을 모색하고 있습니다 (예 : 사용자는 종종 집 주소를 공유합니다). 염두에 두었던 한 가지 옵션은 데이터베이스에 포인트를 저장하기 전에 포인트를 난독 처리하거나 "해시"하여 중요한 데이터를 전혀 저장할 필요가 없습니다.

우리의 기본 요구 사항은 다음과 같습니다.

1. 난독 화 된 단일 지점이 주어지면 해당 지점과 관련된 모든 메타 데이터가 주어진 경우에도 (예를 들어, 전체 데이터베이스가 손상되었다고 가정하더라도) 킬로미터 이내의 원래 지점을 도출 할 수 없습니다.

2. 동일한 원래 점에 해당하는 임의로 난독 화 된 점 집합이 주어지면 여전히 원래 점을 도출 할 수 없습니다. 예를 들어, 쉬운 방법은 원래 벡터에 임의의 벡터를 추가하는 것입니다. 그러나이 시간을 충분히 수행하면 난독 화 된 포인트가 원래 포인트를 중심으로 클러스터됩니다.

이 단계에서 어떤 속성이 중요한지 모르겠지만 다양한 통계적 속성이 유지되면 좋을 것입니다. 예를 들어, 난독 처리 된 점이 그리드에 누적되지 않고 "자연적인"방식으로 흩어지기를 원합니다. 그러나 개인 정보 보호는 이보다 중요합니다.

살펴보십시오 :

MP 암스트롱, Rushton G, Zimmerman DL. 기밀 유지를 위해 건강 데이터를 지리적으로 마스킹 . Stat Med.1999; 18 : 497–525.

( 인용 , 전문 )

변위, 회전, 임의의 교란 및 집계를 포함하여 점 데이터에 대한 서로 다른 '지오 마스크'에 대해 설명합니다. 구현 방법에 대한 특정 기술 솔루션에 대해서는 다루지 않지만 모든 접근 방식에서 얻는 / 느슨한 정보에 대한 유용한 포인터가 있습니다.

더 이론적 인 고려 사항은 비슷한 주제에 대한 질문에 대한 나의 대답 을 살펴보십시오 .

Perlin 노이즈 를 사용 하여 포인트를 임의의 양만큼 이동시킬 수 있지만 서로 가까운 포인트는 서로 가깝게 유지되지만 거리가 멀어 질수록 이러한 유사성이 떨어집니다. 노이즈 함수가 0을 중심으로하는 경우 Perlin 노이즈 (특히 2002 버전)는 대략 가우시안 분포이므로 통계 분석은 여전히 ​​소스와 유사한 데이터를 반환해야합니다.

이것은 아마도 필요 이상으로 복잡하고 복잡 할 수 있지만 다음과 같은 경로를 취할 수 있습니다.

원래 입력 포인트를 가져 와서 허용 가능한 특정 난독 거리로 버퍼링하고, 버퍼를 기능 제약 조건 (예 : 100)으로 사용하여 n 개의 임의의 포인트를 생성 한 다음 a를 사용하여 포인트 중 하나를 선택하는 간단한 파이썬 스크립트를 만듭니다. 난독 화 된 새로운 점으로 사용할 의사 난수 생성기. 또한 각 난독 화에 대해 새로운 의사 난수를 만들어야합니다.

시나리오에 따라 도구 상자에 패키지되어 REST 엔드 포인트가있는 GPService로 액세스 될 수 있으므로 난독 화가 메모리 위치에서 발생하고 난독 화 된 지점 만 실제 데이터베이스에 게시됩니다.

우리가 고려하는 알고리즘은 다음과 같습니다.

1. 지오 코딩의 변화를 보완하기 위해 200 미터 격자로 포인트를 반올림합니다.
2. 암호화 해싱 알고리즘 (예 : SHA2)을 사용하여 점 좌표의 텍스트를 해시합니다.
3. 포인트 좌표의 하위 비트 (원하는 난독 화 레벨 1km까지)를 해시 함수의 결과로 바꿉니다.