Adversarial Evaluation of a Two-Layer Anonymization Pipeline Against Record-Linkage Attacks

في العالم الحديث، تُجمع كميات هائلة من المعلومات الشخصية كل يوم، من الاستطلاعات الصحية والمعاملات المالية إلى أنماط حركة الناس عبر المدن. وبينما تحمل هذه البيانات قيمة لا تُقدر بثمن للبحث والتخطيط العام، فإن نشرها يحمل خطراً كبيراً: احتمال إعادة تحديد الهوية. فحتى عند إزالة الأسماء وأرقام الهوية الواضحة، يمكن لمزيج فريد من التفاصيل الأخرى — مثل العمر والرمز البريدي والجنس — أن يعمل غالباً كبصمة، مما يسمح لمراقب مصمم على ذلك بمطابقة السجل بعودة إلى إنسان محدد. ولمكافحة ذلك، طور حماة البيانات طرقاً متنوعة لتعتيم هذه التفاصيل، مثل تجميع السجلات المتشابهة معاً أو إضافة ضجيج إحصائي إلى النتائج. ومع ذلك، يظل هناك سؤال مستمر: هل تعمل هذه الطرق المختلفة بشكل جيد عند استخدامها معاً، أم أنها تخلق نقاط ضعف جديدة؟

لقد تصدى باحث بقيادة محمد صميم خليل في جامعة حاليتش لهذا السؤال من خلال بناء واختبار نظام جديد مصمم لحماية البيانات. يركز عملهم على نهج "ذات الطبقتين"، حيث يتم تطبيق تقنيتين مختلفتين للخصوصية بشكل منفصل على أجزاء مختلفة من البيانات. تحمي الطبقة الأولى السجلات الفردية نفسها من خلال جعلها تبدو أكثر تشابهاً، بينما تحمي الطبقة الثانية الإحصاءات الملخصة المستمدة من البيانات عن طريق إضافة طبقة من عدم اليقين الرياضي. لم يدّع الباحث أن هاتين الطبقتين تتحدان لتشكيل درع مثالي لا يمكن اختراقه. في الواقع، أثبتوا رياضياً أنه تحت ظروف معينة، لا يمكن تحقيق هذا المزيج المثالي إذا كان لدى المهاجم معلومات خارجية كافية. وبدلاً من الاعتماد على وعد نظري بالأمان، قام الباحث ببناء محاكاة واقعية لمخترق ووضعها في مواجهة نظامهم ليرى مدى صموده في الممارسة العملية.

يعمل النظام الذي بنوه مثل مرشح دقيق للبيانات. أولاً، يقوم بتصنيف كل قطعة من المعلومات في مجموعة البيانات إلى واحدة من أربع فئات بناءً على مدى حساسيتها. المعرفات المباشرة، مثل الأسماء أو أرقام الضمان الاجتماعي، يتم إزالتها فوراً أو استبدالها برموز. الفئة التالية تشمل "المعرفات شبه المحددة"، وهي تفاصيل تبدو غير ضارة في حد ذاتها ولكنها تصبح خطيرة عند الجمع بينها، مثل تاريخ ميلاد محدد أو مسمى وظيفي نادر. هذه هي التفاصيل التي يعمل النظام بجهد أكبر لحمايتها. الفئة الثالثة تغطي المعلومات الحساسة، مثل الحالات الطبية، والتي يجب إخفاؤها أو تعميمها. وتحتوي الفئة الأخيرة على بيانات غير حساسة يمكن نشرها مع تغييرات طفيفة. ثم طبق الباحث مجموعة من القواعد على هذه الفئات. بالنسبة للمعرفات شبه المحددة، قاموا بتجميع السجلات معاً بحيث يبدو كل شخص مثل عدة آخرين على الأقل، مما يجعل من المستحيل تمييز أي فرد بمفرده. وبالنسبة للبيانات الحساسة، تأكدوا من أن توزيع القيم داخل هذه المجموعات يطابق السكان الإجماليين، مما يمنع المهاجمين من تخمين حالة الشخص بمجرد معرفة المجموعة التي ينتمي إليها. أخيراً، بالنسبة للإحصاءات الملخصة، أضافوا قدراً مضبوطاً من الضجيج العشوائي إلى الإجابات، مما يضمن أن تكون النتائج مفيدة للتحليل ولكن يستحيل عكس هندستها للوصول إلى فرد معين.

لاختبار ما إذا كان هذا النظام يعمل حقاً، أنشأ الباحث خصماً رقمياً. لم يكن هذا شخصاً حقيقياً، بل برنامج كمبيوتر متطور مصمم لمحاكاة مخترق ماهر. مُنح البرنامج إمكانية الوصول إلى البيانات مجهولة المصدر ومجموعة بيانات أخرى منفصلة وغير متداخلة تعمل كمعرفته الخلفية، تماماً كما قد يستخدم المهاجم الحقيقي السجلات العامة أو وسائل التواصل الاجتماعي للتخمين من هو كل شخص. اختبر الباحث نظامهم على ثلاثة أنواع مختلفة تماماً من البيانات: مسح صحي كبير، وملايين المعاملات المالية، وملايين مسارات الحركة التي تظهر كيفية تنقل الناس عبر المدينة. وفي كل حالة، قاموا بتغيير مقدار المعرفة التي يمتلكها المهاجم، بدءاً من معرفة لا شيء عن الأفراد وصولاً إلى معرفة كل تفصيل عنهم.

أظهرت النت النتائج أن نظام الطبقتين كان أكثر فعالية بشكل ملحوظ في منع إعادة تحديد الهوية مقارنة باستخدام أي من الطريقتين بمفرده. عندما اختبر الباحث النظام مقابل بيانات المسح الصحي، انخفض احتمال نجاح المهاجم في مطابقة سجل بشخص حقيقي إلى أقل من اثنين بالمائة، وهو رقم أقل بكثير مما كانت عليه النتائج عند اختبارهم لطرق شائعة أخرى. وفي اختبار المعاملات المالية، قلل النظام معدل نجاح المهاجم إلى أقل من خمسة بالمائة، مع الحفاظ في الوقت نفسه على فائدة البيانات في اكتشاف الاحتيال. أما الاختبار الأكثر صعوبة فقد كان يتعلق ببيانات الحركة، حيث تجعل طبيعة المعلومات من الصعب بطبيعتها إخفاءها. وحتى هنا، كان أداء النظام أفضل من البدائل، رغم أن الباحث أشار إلى أن المخاطر تظل أعلى لهذا النوع من البيانات، مما يعكس الصعوبة الفريدة لحماية معلومات الموقع.

كان أحد النتائج الرئيسية للدراسة هو التأكيد على أن طبقتي الخصوصية هاتين لا تندمجان سحرياً لتشكيل ضمان واحد أقوى. أثبت الباحث أنه إذا امتلك المهاجم معلومات خارجية كافية، فيمكنه أحياناً كسر حماية طبقة واحدة حتى لو ظلت الطبقة الأخرى سليمة. وهذا هو السبب في أن الباحث اختار تقييم النظام من خلال الاختبار المباشر بدلاً من الاعتماد على إثبات نظري. ومن خلال تشغيل النظام ضد مهاجم واقعي، استطاعوا قياس مقدار الخطر المتبقي بالضبط وتعديل الإعدادات وفقاً لذلك. ووجدوا أن ترتيباً معيناً للعمليات — يبدأ بأوسع تجميع للسجلات ثم يخفف القواعد فقط عند الضرورة — كان يعمل بشكل أفضل عبر جميع أنواع البيانات الثلاثة. سمح لهم هذا النهج بالحفاظ على فائدة البيانات للتحليل مع إبقاء خطر إعادة تحديد الهوية منخفضاً.

كما سلطت الدراسة الضوء على قيود مهمة واعتبارات أخلاقية. أقر الباحث بأن نظامه يعمل في دفعات، مما يعني أنه يعالج البيانات دفعة واحدة بدلاً من التدفقات في الوقت الفعلي، وهو قيد للبيانات سريعة الحركة. كما أشاروا إلى أن النظام لا يأخذ في الاعใจ العدالة تلقائياً؛ إذ يمكن للطرق المستخدمة لحماية الخصوصية أحياناً أن تشوه البيانات للمجموعات الأقلية أكثر من المجموعات الأكثرية. ولمعالجة ذلك، اقترحوا أن الإصدارات المستقبلية من النظام يجب أن تتضمن فحوصات لضمان تطبيق حماية الخصوصية بشكل عادل عبر مختلف المجموعات السكانية. علاوة على ذلك، أكدوا أنه بينما يجعل نظامهم البيانات أكثر أماناً، فإنه لا يجعلها بالضرورة "مجهولة الهوية" بالمعنى القانوني الصارم المطلوب في لوائح مثل اللائحة العامة لحماية البيانات (GDPR). بدلاً من ذلك، تظل البيانات "مستعارة الهوية"، مما يعني أنها محمية ولكنها لا تزال تحمل بعض المخاطر، ويجب على المؤسسات موازنة هذا الخطر بعناية قبل نشرها.

في نهاية المطاف، يوفر هذا العمل خارطة طريق عملية للمؤسسات التي تحتاج إلى مشاركة البيانات دون المساس بخصوصية الأفراد الكامنين خلفها. من خلال الجمع بين طريقة مهيكلة لتصنيف البيانات وعملية اختبار صارمة ضد مهاجمين واقعيين، أظهر الباحث أنه من الممكن تحقيق التوازن بين المنفعة والأمان. لا يقدم النظام درعاً مثالياً، لكنه يقدم مستوى قابلاً للقياس والإدارة من الحماية يتفوق بكثير على الممارسات القياسية الحالية. لقد أتاح الباحث الكود والأدوات الخاصة به للجمهور، مما يسمح للآخرين باختبار وتحسين أساليبهم، لضمان استمرار تطور مجال خصوصية البيانات استجابة للتهديدات الجديدة.