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

In der modernen Welt werden jeden Tag riesige Mengen persönlicher Informationen gesammelt, von Gesundheitsumfragen und Finanztransaktionen bis hin zu den Bewegungsmustern von Menschen in Städten. Während diese Daten einen immensen Wert für die Forschung und die öffentliche Planung besitzen, birgt ihre Veröffentlichung ein erhebliches Risiko: die Möglichkeit, dass Einzelpersonen reidentifiziert werden können. Selbst wenn offensichtliche Namen und Identifikationsnummern entfernt werden, kann eine einzigartige Kombination anderer Details eines Menschen – wie etwa Alter, Postleitzahl und Geschlecht – oft wie ein Fingerabdruck wirken und es einem entschlossenen Beobachter ermöglichen, einen Datensatz wieder einer spezifischen menschlichen Person zuzuordnen. Um dem entgegenzuwirken, haben Datenschützer verschiedene Methoden entwickelt, um diese Details zu verschleiern, etwa durch das Gruppieren ähnlicher Datensätze oder das Hinzufügen von statistischem Rauschen zu den Ergebnissen. Dennoch bleibt eine beständige Frage: Funktionieren diese verschiedenen Methoden gut, wenn sie zusammen verwendet werden, oder schaffen sie neue Schwachstellen?

Ein Forscher unter der Leitung von Mohammed Sayim Khalil an der Haliç University hat sich dieser Frage gestellt, indem er ein neues System entwickelt und unter Belastung getestet hat, das darauf ausgelegt ist, Daten zu schützen. Ihre Arbeit konzentriert sich auf einen „Zwei-Schichten“-Ansatz, bei dem zwei unterschiedliche Techniken zum Datenschutz separat auf verschiedene Teile der Daten angewendet werden. Die erste Schicht schützt die einzelnen Datensätze selbst, indem sie sie einander ähnlicher macht, während die zweite Schicht die abgeleiteten statistischen Zusammenfassungen schützt, indem sie eine Ebene mathematischer Unsicherheit hinzufügt. Der Forscher behauptete nicht, dass diese beiden Schichten kombiniert einen perfekten, unknackbaren Schutzschild bilden. Tatsächlich bewies er mathematisch, dass unter bestimmten Bedingungen keine solche perfekte Kombination möglich ist, wenn ein Angreifer über genügend externe Informationen verfügt. Anstatt sich auf ein theoretisches Versprechen von Sicherheit zu verlassen, baute der Forscher eine realistische Simulation eines Hackers und stellte sie ihrem System gegenüber, um zu sehen, wie gut es sich in der Praxis behaupten konnte.

Das von ihm entwickelte System arbeitet wie ein sorgfältiger Filter für Daten. Zuerst sortiert es jede Information in einem Datensatz in eine von vier Kategorien ein, basierend darauf, wie sensibel sie ist. Direkte Identifikatoren, wie Namen oder Sozialversicherungsnummern, werden sofort entfernt oder durch Codes ersetzt. Die nächste Kategorie umfasst „Quasi-Identifikatoren“, also Details, die für sich genommen harmlos erscheinen, aber gefährlich werden können, wenn sie kombiniert werden, wie etwa ein spezifisches Geburtsdatum oder eine seltene Berufsbezeichnung. Dies sind die Details, die das System am stärksten zu schützen versucht. Die dritte Kategorie umfasst sensible Informationen, wie etwa medizinische Zustände, die verborgen oder verallgemeinert werden müssen. Die letzte Kategorie enthält nicht-sensible Daten, die mit minimalen Änderungen veröffentlicht werden können. Der Forscher wendete dann einen Satz von Regeln auf diese Kategorien an. Für die Quasi-Identifikatoren gruppierte er die Datensätze so, dass jede Person mindestens wie einige andere aussah, was es unmöglich machte, jemanden einzeln zu identifizieren. Für die sensiblen Daten stellte er sicher, dass die Verteilung der Werte innerhalb dieser Gruppen der Gesamtbevölkerung entsprach, um zu verhindern, dass Angreifer den Zustand einer Person allein durch das Wissen über die Zugehörigkeit zu einer Gruppe erraten können. Schließlich fügte er für die statistischen Zusammenfassungen eine kontrollierte Menge an zufälligem Rauschen zu den Antworten hinzu, wodurch sichergestellt wurde, dass die Ergebnisse für Analysen nützlich, aber unmöglich im Rückschluss auf eine spezifische Person zu rekonstruieren waren.

Um zu testen, ob dieses System tatsächlich funktionierte, erschuf der Forscher einen digitalen Gegner. Dies war keine echte Person, sondern ein hochentwickeltes Computerprogramm, das darauf programmiert war, einen geschickten Hacker nachzuahmen. Das Programm erhielt Zugriff auf die anonymisierten Daten und einen separaten, sich nicht überschneidenden Datensatz, der als Hintergrundwissen diente – ähnlich wie ein echter Angreifer öffentliche Register oder soziale Medien nutzen könnte, um zu erraten, wer wer ist. Der Forscher testete sein System mit drei sehr unterschiedlichen Arten von Daten: einer großen Gesundheitsumfrage, Millionen von Finanztransaktionen und Millionen von Bewegungsdaten, die zeigen, wie Menschen sich durch eine Stadt bewegen. In jedem Fall variierte er das Ausmaß des Wissens des Angreifers, das von dem Wissen über gar nichts bis hin zum Wissen über jedes Detail der Individuen reichte.

Die Ergebnisse zeigten, dass das Zwei-Schichten-System wesentlich effektiver darin war, die Reidentifizierung zu verhindern, als die Verwendung einer der beiden Methoden allein. Als der Forscher das System gegen die Gesundheitsumfragedaten testete, sank die Wahrscheinlichkeit, dass der Angreifer einen Datensatz einer realen Person zuordnen konnte, auf weniger als zwei Prozent – ein Wert, der weit niedriger war als bei anderen gängigen Methoden. Beim Test der Finanztransaktionen reduzierte das System die Erfolgsquote des Angreifers auf unter fünf Prozent, während die Daten gleichzeitig nützlich blieben, um Betrug zu erkennen. Der schwierigste Test betraf die Bewegungsdaten, bei denen die Art der Information eine inhärente Schwierigkeit beim Verbergen mit sich bringt. Selbst hier schnitt das System besser ab als die Alternativen, obwohl der Forscher anmerkte, dass das Risiko für diese Art von Daten höher blieb, was die einzigartige Schwierigkeit beim Schutz von Standortinformationen widerspiegelt.

Ein zentrales Ergebnis der Studie war die Bestätigung, dass diese zwei Datenschutzschichten sich nicht magisch kombinieren lassen, um eine einzige, stärkere Garantie zu erzeugen. Der Forscher demonstrierte, dass ein Angreifer, wenn er über genügend externe Informationen verfügt, manchmal in der Lage ist, den Schutz einer Schicht zu durchbrechen, selbst wenn die andere intakt bleibt. Aus diesem Grund entschied sich der Forscher dafür, das System durch direkte Tests zu evaluieren, anstatt sich auf einen theoretischen Beweis zu verlassen. Durch den Einsatz des Systems gegen einen realistischen Angreifer konnte er genau messen, wie viel Risiko verblieb, und die Einstellungen entsprechend anpassen. Er fand heraus, dass eine bestimmte Reihenfolge der Operationen – beginnend mit der breitesten Gruppierung der Datensätze und dem anschließenden nur notwendigen Lockern der Regeln – über alle drei Datentypen hinweg am besten funktionierte. Dieser Ansatz ermöglichte es ihm, die Daten für Analysen nutzbar zu halten und gleichzeitig das Risiko der Reidentifizierung gering zu halten.

Die Studie hob auch wichtige Einschränkungen und ethische Überlegungen hervor. Der Forscher räumte ein, dass sein System in Batches (Chargen) arbeitet, was bedeutet, dass es Daten gesammelt verarbeitet und nicht in Echtzeit-Streams, was eine Einschränkung für schnelllebige Daten darstellt. Er merkte zudem an, dass das System nicht automatisch für Fairness sorgt; die Methoden, die zum Schutz der Privatsphäre eingesetzt werden, können die Daten für Minderheiten stärker verzerren als für die Mehrheit. Um dies zu adressieren, schlug er vor, dass zukünftige Versionen des Systems Prüfungen enthalten sollten, um sicherzustellen, dass die Datenschutzmaßnahmen gleichmäßig über verschiedene Bevölkerungsgruppen hinweg angewendet werden. Darüber hinaus betonte er, dass sein System die Daten zwar wesentlich sicherer macht, sie aber nicht im streng rechtlichen Sinne „anonymisiert“, wie es Vorschriften wie der Datenschutz-Grundverordnung (DSGVO) erfordern. Stattdessen bleiben die Daten „pseudonymisiert“, was bedeutet, dass sie geschützt sind, aber dennoch ein gewisses Risiko bergen, und Organisationen müssen dieses Risiko sorgfältig abwägen, bevor sie die Daten freigeben.

Letztendlich bietet diese Arbeit einen praktischen Fahrplan für Organisationen, die Daten teilen müssen, ohne die Privatsphäre der dahinterstehenden Personen zu gefährden. Durch die Kombination einer strukturierten Klassifizierung von Daten mit einem strengen Testverfahren gegen realistische Angreifer hat der Forscher gezeigt, dass es möglich ist, ein Gleichgewicht zwischen Nutzen und Sicherheit zu finden. Das System bietet keinen perfekten Schutzschild, aber es bietet ein messbares und kontrollierbares Maß an Sicherheit, das weit über den aktuellen Standardpraktiken liegt. Der Forscher hat seinen Code und seine Werkzeuge öffentlich zugänglich gemacht, damit andere seine Methoden testen und verbessern können, um sicherzustellen, dass sich das Feld des Datenschutzes kontinuierlich als Reaktion auf neue Bedrohungen weiterentwickelt.