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

आधुनिक दुनिया में, स्वास्थ्य सर्वेक्षणों और वित्तीय लेनदेन से लेकर शहरों में लोगों के आवागमन के पैटर्न तक, हर दिन भारी मात्रा में व्यक्तिगत जानकारी एकत्र की जाती है। हालांकि यह डेटा अनुसंधान और सार्वजनिक नियोजन के लिए अत्यधिक मूल्यवान है, इसे जारी करने में एक महत्वपूर्ण जोखिम शामिल है: व्यक्तियों की पुन: पहचान (re-identification) होने की संभावना। भले ही स्पष्ट नाम और पहचान संख्याएं हटा दी गई हों, फिर भी किसी व्यक्ति का अन्य विवरणों—जैसे उनकी आयु, ज़िप कोड और लिंग—का अनूठा संयोजन एक फिंगरप्रिंट की तरह कार्य कर सकता है, जिससे एक दृढ़ निश्चयी पर्यवेक्षक किसी रिकॉर्ड को वापस एक विशिष्ट मानव से जोड़ने में सक्षम हो जाता है। इससे निपटने के लिए, डेटा संरक्षकों ने इन विवरणों को धुंधला करने के लिए विभिन्न विधियाँ विकसित की हैं, जैसे कि समान रिकॉर्ड्स को एक साथ समूहबद्ध करना या परिणामों में सांख्यिकीय शोर (statistical noise) जोड़ना। हालांकि, एक निरंतर प्रश्न बना हुआ है: क्या ये विभिन्न विधियाँ एक साथ उपयोग किए जाने पर अच्छी तरह से काम करती हैं, या वे नई कमजोरियां पैदा करती हैं?

हालिस यूनिवर्सिटी के मोहम्मद सयम खलील के नेतृत्व में एक शोधकर्ता ने इस प्रश्न को हल करने के लिए एक नया सिस्टम बनाया और उसका स्ट्रेस-टेस्ट किया है, जिसे डेटा की सुरक्षा के लिए डिज़ाइन किया गया है। उनका कार्य एक "दो-परत" (two-layer) दृष्टिकोण पर केंद्रित है, जहाँ डेटा के विभिन्न हिस्सों पर दो अलग-अलग गोपनीयता तकनीकों को अलग-अलग लागू किया जाता है। पहली परत व्यक्तिगत रिकॉर्ड की रक्षा करती है उन्हें एक जैसा दिखाने के माध्यम से, जबकि दूसरी परत डेटा से प्राप्त सारांश सांख्यिकी (summary statistics) की रक्षा करती है गणितीय अनिश्चितता की एक परत जोड़कर। शोधकर्ता ने यह दावा नहीं किया कि ये दो परतें मिलकर एक पूर्ण, अटूट ढाल बनाती हैं। वास्तव में, उन्होंने गणितीय रूप से सिद्ध किया कि कुछ विशेष परिस्थितियों में, यदि किसी हमलावर के पास पर्याप्त बाहरी जानकारी हो, तो ऐसा कोई पूर्ण संयोजन संभव नहीं है। एक सैद्धांतिक सुरक्षा के वादे पर भरोसा करने के बजाय, शोधकर्ता ने एक वास्तविक हमलावर का सिमुलेशन बनाया और यह देखने के लिए अपने सिस्टम के विरुद्ध उसे खड़ा किया कि वह व्यवहार में कितनी अच्छी तरह टिक पाता है।

उनके द्वारा बनाया गया सिस्टम डेटा के लिए एक सावधानीपूर्वक फिल्टर की तरह काम करता है। सबसे पहले, यह डेटासेट में प्रत्येक जानकारी को उसकी संवेदनशीलता के आधार पर चार श्रेणियों में वर्गीकृत करता है। प्रत्यक्ष पहचानकर्ता (Direct identifiers), जैसे नाम या सामाजिक सुरक्षा संख्या, उन्हें तुरंत हटा दिया जाता है या कोड से बदल दिया जाता है। अगली श्रेणी में "क्वासी-आइडेंटिफायर" (quasi-identifiers) शामिल हैं, जो ऐसे विवरण हैं जो अकेले में हानिरहित लगते हैं लेकिन संयोजन होने पर खतरनाक हो जाते हैं, जैसे कि जन्म की विशिष्ट तिथि या एक दुर्लभ नौकरी का पद। ये वे विवरण हैं जिनकी सुरक्षा के लिए सिस्टम सबसे अधिक काम करता है। तीसरी श्रेणी संवेदनशील जानकारी को कवर करती है, जैसे चिकित्सा स्थितियाँ, जिन्हें छिपाया जाना या सामान्यीकृत किया जाना चाहिए। अंतिम श्रेणी में गैर-संवेदनशील डेटा शामिल है जिसे न्यूनतम परिवर्तनों के साथ जारी किया जा सकता है। शोधकर्ता ने इन श्रेणियों के लिए नियमों का एक सेट लागू किया। क्वासी-आइडेंटिफायर के लिए, उन्होंने रिकॉर्ड्स को एक साथ समूहबद्ध किया ताकि प्रत्येक व्यक्ति कम से कम कुछ अन्य लोगों जैसा दिखे, जिससे किसी को भी अलग पहचानना असंभव हो जाए। संवेदनशील डेटा के लिए, उन्होंने सुनिश्चित किया कि इन समूहों के भीतर मूल्यों का वितरण समग्र जनसंख्या के अनुरूप हो, जिससे हमलावर केवल यह जानकर किसी व्यक्ति की स्थिति का अनुमान न लगा सके कि वह किस समूह में है। अंत में, सारांश सांख्यिकी के लिए, उन्होंने उत्तरों में नियंत्रित मात्रा में रैंडम शोर जोड़ा, यह सुनिश्चित करते हुए कि परिणाम विश्लेषण के लिए उपयोगी हों लेकिन किसी विशिष्ट व्यक्ति को खोजने के लिए रिवर्स-इंजीनियर करना असंभव हो।

यह परीक्षण करने के लिए कि क्या यह सिस्टम वास्तव में काम करता है, शोधकर्ता ने एक डिजिटल विरोधी (digital adversary) बनाया। यह एक वास्तविक व्यक्ति नहीं था, बल्कि एक परिष्कृत कंप्यूटर प्रोग्राम था जिसे एक कुशल हैकर की नकल करने के लिए डिज़ाइन किया गया था। प्रोग्राम को अनामित डेटा और एक अलग, गैर-अतिव्यापी (non-overlapping) डेटासेट तक पहुंच दी गई थी जो उसके बैकग्राउंड नॉलेज के रूप में कार्य करता था, ठीक वैसे ही जैसे एक वास्तविक हमलावर सार्वजनिक रिकॉर्ड या सोशल मीडिया का उपयोग करके यह अनुमान लगाने के लिए कर सकता है कि कौन कौन है। शोधकर्ता ने अपने सिस्टम का परीक्षण तीन बहुत अलग प्रकार के डेटा पर किया: एक बड़ा स्वास्थ्य सर्वेक्षण, लाखों वित्तीय लेनदेन, और लाखों आवागमन पथ (movement trajectories) जो दिखाते हैं कि लोग शहर में कैसे यात्रा करते हैं। प्रत्येक मामले में, उन्होंने हमलावर के पास मौजूद ज्ञान की मात्रा को बदला, जिसमें किसी व्यक्ति के बारे में कुछ भी न जानने से लेकर उनके बारे में हर विवरण जानने तक का स्तर शामिल था।

परिणामों ने दिखाया कि दो-परत वाला सिस्टम अकेले किसी भी एक विधि का उपयोग करने की तुलना में पुन: पहचान को रोकने में काफी अधिक प्रभावी था। जब शोधकर्ता ने स्वास्थ्य सर्वेक्षण डेटा के विरुद्ध सिस्टम का परीक्षण किया, तो हमलावर द्वारा किसी रिकॉर्ड को वास्तविक व्यक्ति से मिलाने की सफलता की संभावना दो प्रतिशत से कम हो गई, जो कि अन्य सामान्य विधियों के परीक्षण की तुलना में बहुत कम आंकड़ा था। वित्तीय लेनदेन परीक्षण में, सिस्टम ने हमलावर की सफलता दर को पांच प्रतिशत से कम कर दिया, जबकि धोखाधड़ी का पता लगाने के लिए डेटा को उपयोगी बनाए रखा। सबसे चुनौतीपूर्ण परीक्षण में मूवमेंट डेटा शामिल था, जहाँ सूचना की प्रकृति इसे स्वाभाविक रूप से कठिन बनाती है। यहाँ भी, सिस्टम ने विकल्पों की तुलना में बेहतर प्रदर्शन किया, हालांकि शोधकर्ता ने नोट किया कि इस प्रकार के डेटा के लिए जोखिम बना हुआ है, जो स्थान संबंधी जानकारी की सुरक्षा करने की अनूठी कठिनाई को दर्शाता है।

अध्ययन का एक प्रमुख निष्कर्ष यह पुष्टि करना था कि ये दो गोपनीयता परतें जादुई रूप से मिलकर एक एकल, मजबूत गारंटी नहीं बनाती हैं। शोधकर्ता ने प्रदर्शित किया कि यदि किसी हमलावर के पास पर्याप्त बाहरी जानकारी है, तो वे कभी-कभी एक परत की सुरक्षा को तोड़ सकते हैं भले ही दूसरी परत बरकरार रहे। यही कारण है कि शोधकर्ता ने सैद्धांतिक प्रमाण पर निर्भर रहने के बजाय प्रत्यक्ष परीक्षण के माध्यम से सिस्टम का मूल्यांकन करने का विकल्प चुना। एक वास्तविक हमलावर के विरुद्ध अपने सिस्टम को चलाकर, वे सटीक रूप से माप सके कि कितना जोखिम बचा है और उसके अनुसार सेटिंग्स को समायोजित कर सके। उन्होंने पाया कि संचालन का एक विशिष्ट क्रम—रिकॉर्ड्स के व्यापकतम समूहीकरण से शुरू करना और फिर आवश्यकता पड़ने पर ही नियमों को शिथिल करना—सभी तीन प्रकार के डेटा में सबसे अच्छा काम करता है। इस दृष्टिकोण ने उन्हें विश्लेषण के लिए डेटा को उपयोगी बनाए रखने और पुन: पहचान के जोखिम को कम रखने में सक्षम बनाया।

अध्यदन ने महत्वपूर्ण सीमाओं और नैतिक विचारों पर भी प्रकाश डाला। शोधकर्ता ने स्वीकार किया कि उनका सिस्टम बैचों (batches) में काम करता है, जिसका अर्थ है कि यह डेटा को वास्तविक समय के प्रवाह के बजाय एक साथ प्रोसेस करता है, जो तेजी से चलने वाले डेटा के लिए एक बाधा है। उन्होंने यह भी नोट किया कि सिस्टम स्वचालित रूप से निष्पक्षता (fairness) को ध्यान में नहीं रखता है; गोपनीयता की रक्षा करने वाली विधियाँ कभी-कभी बहुसंख्यक समूह की तुलना में अल्पसंख्यक समूहों के लिए डेटा को अधिक विकृत कर सकती हैं। इसे संबोधित करने के लिए, उन्होंने सुझाव दिया कि भविष्य के संस्करणों में ऐसे चेक शामिल होने चाहिए जो यह सुनिश्चित करें कि गोपनीयता सुरक्षा विभिन्न आबादी के बीच समान रूप से लागू की जाए। इसके अलावा, उन्होंने जोर दिया कि जबकि उनका सिस्टम डेटा को बहुत सुरक्षित बनाता है, यह अनिवार्य रूप से जनरल डेटा प्रोटेक्शन रेगुलेशन (GDPR) जैसे नियमों द्वारा आवश्यक सख्त कानूनी अर्थों में "गुमनाम" (anonymous) नहीं बनाता है। इसके बजाय, डेटा "छद्म नामकृत" (pseudonymized) रहता है, जिसका अर्थ है कि यह सुरक्षित है लेकिन इसमें कुछ जोखिम बना रहता है, और संगठनों को डेटा जारी करने से पहले इस जोखिम को सावधानीपूर्वक तौलना चाहिए।

अंततः, यह कार्य उन संगठनों के लिए एक व्यावहारिक रोडमैप प्रदान करता है जिन्हें व्यक्तियों की गोपनीयता से समझौता किए बिना डेटा साझा करने की आवश्यकता होती है। डेटा को वर्गीकृत करने के एक संरचित तरीके को एक वास्तविक हमलावरों के विरुद्ध कठोर परीक्षण प्रक्रिया के साथ जोड़कर, शोधकर्ता ने दिखाया है कि उपयोगिता और सुरक्षा के बीच संतुलन बनाना संभव है। यह सिस्टम एक पूर्ण ढाल की पेशकश नहीं करता है, लेकिन यह एक मापने योग्य और प्रबंधनीय स्तर की सुरक्षा प्रदान करता है जो वर्तमान मानक प्रथाओं से कहीं बेहतर है। शोधकर्ता ने अपने कोड और टूल्स को सार्वजनिक रूप से उपलब्ध कराया है, जिससे अन्य लोग उनके तरीकों का परीक्षण और सुधार कर सकें, जिससे यह सुनिश्चित होता है कि डेटा गोपनीयता का क्षेत्र नए खतरों के जवाब में विकसित होता रहे।