匿名化数据的效用能否用于隐私泄露？

基于分组的匿名化是隐私保护数据发布中研究最广泛的方法，包括k-匿名、l-多样性和t-紧密度等。本文旨在提出当前基于分组方法在隐私暴露方面的一个基本问题，该问题在过去被忽视。基于分组的匿名化方法本质上将每条个体记录隐藏在一个分组中以保护数据隐私。如果匿名化不当，实际上可以从发布的数据中推导出模式，并被对手用于破坏个体隐私。例如，从发布的医疗记录中，如果可以推导出“来自某些国家的人很少患某种疾病”这样的模式，那么该信息可用于暗示匿名分组中其他人与此疾病有更高可能性的关联。我们将从发布数据中推导出的模式称为“前景知识”。这与对手可能从其他渠道获得的“背景知识”形成对比，后者在先前的一些研究中已被探讨。最后，我们通过实验表明，在传统的基于分组匿名化方法下，这种攻击在隐私基准数据集中是切实可行的。