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

En el mundo moderno, se recopilan diariamente cantidades inmensas de información personal, desde encuestas de salud y transacciones financieras hasta los patrones de movimiento de las personas a través de las ciudades. Si bien estos datos poseen un valor inmenso para la investigación y la planificación pública, su publicación conlleva un riesgo significativo: la posibilidad de que los individuos puedan ser reidentificados. Incluso cuando se eliminan nombres obvios y números de identificación, la combinación única de otros detalles de una persona —como su edad, código postal y género— puede actuar a menudo como una huella dactilar, permitiendo que un observador determinado vincule un registro con un ser humano específico. Para combatir esto, los protectores de datos han desarrollado diversos métodos para ocultar estos detalles, como agrupar registros similares o añadir ruido estadístico a los resultados. Sin embargo, persiste una pregunta: ¿funcionan bien estos diferentes métodos cuando se utilizan juntos, o crean nuevas debilidades?

Un investigador liderado por Mohammed Sayim Khalil en la Universidad de Haliç ha abordado esta cuestión construyendo y sometiendo a pruebas de estrés un nuevo sistema diseñado para proteger los datos. Su trabajo se centra en un enfoque de "dos capas", donde dos técnicas de privacidad distintas se aplanan por separado a diferentes partes de los datos. La primera capa protege los registros individuales en sí mismos, haciendo que se parezcan más entre sí, mientras que la segunda capa protege las estadísticas resumidas derivadas de los datos añadiendo una capa de incertidumbre matemática. El investigador no afirmó que estas dos capas se combinaran para crear un escudo perfecto e inquebrantable. De hecho, demostró matemáticamente que, bajo ciertas condiciones, no es posible tal combinación perfecta si un atacante posee suficiente información externa. En lugar de confiar en una promesa teórica de seguridad, el investigador construyó una simulación realista de un hacker y enfrentó a su sistema contra él para ver qué tan bien resistía en la práctica.

El sistema que construyeron funciona como un filtro cuidadoso para los datos. Primero, clasifica cada pieza de información en un conjunto de datos en una de cuatro categorías según su sensibilidad. Los identificadores directos, como nombres o números de seguridad social, se eliminan inmediatamente o se reemplazan con códigos. La siguiente categoría incluye "cuasi-identificadores", que son detalles que parecen inofensivos por sí solos pero se vuelven peligrosos cuando se combinan, como una fecha de nacimiento específica o un título de trabajo poco común. Estos son los detalles que el sistema trabaja más duro para proteger. La tercera categoría cubre información sensible, como condiciones médicas, que debe ocultarse o generalizarse. La categoría final contiene datos no sensibles que pueden publicarse con cambios mínimos. El investigador luego aplicó un conjunto de reglas a estas categorías. Para los cuasi-identificadores, agruparon los registros de modo que cada persona se pareciera al menos a otras pocas, haciendo imposible señalar a alguien individualmente. Para los datos sensibles, se aseguraron de que la distribución de los valores dentro de estos grupos coincidiera con la población general, evitando que los atacantes pudieran adivinar la condición de una persona simplemente sabiendo en qué grupo se encontraba. Finalmente, para las estadísticas resumidas, añadieron una cantidad controlada de ruido aleatorio a las respuestas, asegurando que los resultados fueran útiles para el análisis pero imposibles de realizar ingeniería inversa para encontrar a un individuo específico.

Para probar si este sistema realmente funcionaba, el investigador creó un adversario digital. Este no era una persona real, sino un sofisticado programa informático diseñado para imitar a un hacker experto. El programa tenía acceso a los datos anonimizados y a un conjunto de datos separado y no superpuesto que servía como su conocimiento de fondo, similar a cómo un atacante real podría usar registros públicos o redes sociales para adivinar quién es quién. El investigador probó su sistema con tres tipos de datos muy diferentes: una gran encuesta de salud, millones de transacciones financieras y millones de trayectorias de movimiento que muestran cómo la gente viaja por una ciudad. En cada caso, varió la cantidad de conocimiento que el atacante tenía, que iba desde no saber nada sobre los individuos hasta conocer cada detalle sobre ellos.

Los resultados mostraron que el sistema de dos capas era significativamente más efectivo para prevenir la reidentificación que usar cualquiera de los dos métodos por separado. Cuando el investigador probó el sistema con los datos de la encuesta de salud, la probabilidad de que el atacante lograra vincular un registro con una persona real cayó a menos del dos por ciento, una cifra mucho menor que cuando probó otros métodos comunes. En la prueba de transacciones financieras, el sistema redujo la tasa de éxito del atacante a menos del cinco por ciento, manteniendo al mismo tiempo la utilidad de los datos para detectar fraudes. La prueba más desafiante involucró los datos de movimiento, donde la naturaleza de la información hace que sea inherentemente más difícil de ocultar. Incluso aquí, el sistema funcionó mejor que las alternativas, aunque el investigador señaló que el riesgo seguía siendo mayor para este tipo de datos, reflejando la dificultad única de proteger la información de ubicación.

Un hallazgo clave del estudio fue la confirmación de que estas dos capas de privacidad no se combinan mágicamente para crear una garantía única y más fuerte. El investigador demostró que, si un atacante tiene suficiente información externa, a veces puede romper la protección de una capa incluso si la otra permanece intacta. Es por esto que el investigador eligió evaluar el sistema mediante pruebas directas en lugar de confiar en una prueba teórica. Al ejecutar el sistema contra un atacante realista, pudo medir exactamente cuánto riesgo quedaba y ajustar la configuración en consecuencia. Encontraron que un orden de operaciones específico —comenzando con la agrupación más amplia de registros y luego relajando las reglas solo cuando era necesario— funcionaba mejor en los tres tipos de datos. Este enfoque les permitió mantener la utilidad de los datos para el análisis mientras mantenían bajo el riesgo de reidentificación.

El estudio también destacó importantes limitaciones y consideraciones éticas. El investigador reconoció que su sistema trabaja en lotes, lo que significa que procesa los datos todos a la vez en lugar de en flujos en tiempo real, lo cual es una limitación para los datos de movimiento rápido. También señaló que el sistema no tiene en cuenta automáticamente la equidad; los métodos utilizados para proteger la privacidad pueden, en ocasiones, distorsionar los datos para los grupos minoritarios más que para la mayoría. Para abordar esto, sugirieron que las versiones futuras del sistema deberían incluir controles para asegurar que las protecciones de privacidad se aplenen de manera equitativa entre diferentes poblaciones. Además, enfatizaron que, si bien su sistema hace que los datos sean mucho más seguros, no los hace necesariamente "anónimos" en el sentido legal estricto requerido por regulaciones como el Reglamento General de Protección de Datos. En cambio, los datos permanecen "pseudonimizados", lo que significa que están protegidos pero aún conllevan cierto riesgo, y las organizaciones deben sopesar este riesgo cuidadosamente antes de publicarlos.

En última instancia, este trabajo proporciona una hoja de ruta práctica para las organizaciones que necesitan compartir datos sin comprometer la privacidad de los individuos que hay detrás de ellos. Al combinar una forma estructurada de clasificar los datos con un proceso de prueba riguroso contra atacantes realistas, el investigador ha demostrado que es posible lograr un equilibrio entre la utilidad y la seguridad. El sistema no ofrece un escudo perfecto, pero ofrece un nivel de protección medible y manejable que es muy superior a las prácticas estándar actuales. El investigador ha puesto su código y herramientas a disposición del público, permitiendo que otros prueben y mejoren sus métodos, asegurando que el campo de la privacidad de datos continúe evolucionando en respuesta a nuevas amenazas.