敏感文本数据脱敏方法-关业礼.pdfVIP

ThenameoftheDepartment

BeijingForestStudio

部门名称

北京理工大学信息系统及安全对抗实验中心

敏感文本数据脱敏方法

硕士研究生关业礼

2022年05月29日

内容提要

•背景简介

•基本概念

•算法原理

•优劣分析

•应用总结

•参考文献

2

预期收获

•预期收获

–1.了解文本脱敏的基本概念

–2.了解文本泛化脱敏方法

–3.了解文本差分隐私噪声扰动脱敏方法

3

背景简介

•当今社会的进步离不开数据的交互和共享，但广泛的数据流通也容易导致敏感

甚至机密的数据遭到泄露

•根据网站披露的信息显示，2014年美国有记录的数据泄露事件

约50%发生在商界，约20%发生在政府部门，约30%发生在卫生和教育部门，

而个人信息泄露无法估算

4

背景简介

•数据脱敏是指对敏感信息按照预设的规则或者变换算法进行数据变形，从而使

得个人身份无法识别或者直接隐去敏感信息，达到保护隐私的目的

•如何脱敏文本中的敏感信息并尽最大可能保留原始语义成为了一个挑战

5

基本概念

基本概念

基本概念

•隐私保护——从敏感数据中保护敏感信息不被披露

–敏感信息：电话号码、身份证号、人名等标识符和邮编、年龄等准标识符

–敏感数据：包含敏感信息的多元异构数据，如包含人名和疾病名称的医疗表格数

据、包含人名和机构名称的文本数据、包含人脸的视频数据等

•数据可用性——保留数据重要特征/属性的多少

–数据训练出的机器学习模型泛化能力越强，数据可用性越高

标识符个体的唯一标识，如姓名、电话等，这些内容需要在公开数据

的时候删掉

准标识符类似邮编、年龄、生日、性别等不是唯一的，但是能帮助研究

人员关联相关数据的标识

7

基本概念

•脱敏方法中的隐私和数据可用性权衡

–脱敏技术不是单方向的保护隐私或保留数据可用性，而是对抗式的让隐私和可用

性达到平衡

–原始数据可用性最高，隐私保护最差；加噪数据可用性和隐私保护中等；噪声数

据可用性最低，隐私保护最好

8

基本概念

•词嵌入向量

–定义：概念上是指把一个维数为所有词的数量的高维空间嵌入到一个维数低得多

的连续向量空间中，每个单词或词组被映射为实数域上的向量。

类比性：