Este documento discute métodos de sanitización de bases de datos para proteger la privacidad de datos. Explica que existen dos enfoques de sanitización: seguridad e impedir el acceso a los datos, y privacidad con acceso controlado a los datos. Luego presenta el enfoque de bases de datos negativas que generaliza los datos dentro de un operador asignando distribuciones de peso. Finalmente, analiza la utilidad de los datos sanitizados medida a través de métodos de aprendizaje de máquinas y reconstrucción de histogramas.

1. Sanitization
Perspectiva de Bases de Datos Negativas
Juan Zinser
2018/03/15
1 / 22

2. Privacidad de Datos
Métodos de Sanitización
Enfoque Bases de Datos Negativas
2 / 22

3. ¿Por qué es importante la privacidad de
datos?
3 / 22

4. Dos tipos de sanitización de bases:
Seguridad: impedir el acceso a los datos.
Privacidad: tener un acceso controlado a los datos.
4 / 22

5. Privacidad de datos
¿Por qué es importante que los datos sean públicos?
Propician mejores políticas públicas
Incrementan la eficiencia de servicios
Mejoran la transparencia
5 / 22

6. Modelos de ataque contra bases de datos
Attribute Leakage.
Record Linkage. Concurso de Netflix.
6 / 22

7. Intercambio Natural
100% Utilidad - 0% Privacidad
0% Utilidad - 100% Privacidad
Producto Cantidad Precio
Leche Deslactosada Borden 2 15
Leche Chocolate Borden 3 17
Queso Manchego Nochebuena 1 40
Detergente Ariel 1 70
Producto Cantidad Subtotal
Lácteos 6 121
Artículo Limpieza 1 70
7 / 22

8. Truncado
Ruido Aleatorio
Sampleo
Discretización
Redondeo
Generalización
Microagregación
Bases Negativas
Tipos de Sanitización
8 / 22

9. Enfoque Sanitización Bases Negativas, se propone una generalización
dentro de un operador.
M C E
0 1.0 0.0 0.0
1 1.0 0.0 0.0
2 0.0 1.0 0.0
3 1.0 0.0 0.0
4 1.0 0.0 0.0
5 1.0 0.0 0.0
6 1.0 0.0 0.0
7 1.0 0.0 0.0
8 1.0 0.0 0.0
9 0.0 0.0 1.0
,
Ms Cs Es
π0,M π0,C
π0,E
π1,M π1,C
π1,E
π2,M π2,C
π2,E
π3,M π3,C
π3,E
π4,M π4,C
π4,E
π5,M π5,C
π5,E
π6,M π6,C
π6,E
π7,M π7,C
π7,E
π8,M π8,C
π8,E
π9,M π9,C
π9,E
∑
nclasses
j=0
πi,j = 1.0 πi,j ≥ 0
9 / 22

10. Características del operador propuesto
Inclusión del valor real
Privacidad
Distribución de peso
10 / 22

11. Resultados del operador sobre una base de
datos
Ejemplo
Columna Núm. Clases
categoría laboral 9
educación 16
estado civil 7
ocupación 15
raza 5
género 2
país origen 42
11 / 22

12. Nos efocaremos en Utilidad dentro del
intercambio de Privacidad-Utilidad.
Dos formas de medir la utilidad de la tabla
desde el punto de vista estadístico.
Utilidad medida por medio de métodos de
aprendizaje de máquina.
Utilidad medida por medio de reconstrucción de
histogramas.
12 / 22

13. Utilidad medida por medio de métodos de aprendizaje
de máquina.
No incluir el valor real presenta una mejor utilidad.
13 / 22

14. Destaca la estabilidad en los dos "escalones".
14 / 22

15. Destaca la pendiente positiva en los primeros niveles
de privacidad.
15 / 22

16. No parece haber efecto del modelo con la distribución
de pesos.
16 / 22

17. El modelo Naive Bayes tiene un mejor desempeño
cuando el valor real no es incluido sobre el árbol de
regresión, mientras que los demás modelos tienen un
comportamiento independiente de la inclusión del
valor real.
17 / 22

18. Ejemplo de reconstrucción de histograma
Original M C E Sanitizada M C E
0 1.0 0.0 0.0 0 0.0 0.5 0.5
1 1.0 0.0 0.0 1 0.0 0.5 0.5
2 0.0 1.0 0.0 2 0.5 0.0 0.5
3 1.0 0.0 0.0 3 0.0 0.5 0.5
4 1.0 0.0 0.0 4 0.0 0.5 0.5
5 1.0 0.0 0.0 5 0.0 0.5 0.5
6 1.0 0.0 0.0 6 0.0 0.5 0.5
7 1.0 0.0 0.0 7 0.0 0.5 0.5
8 1.0 0.0 0.0 8 0.0 0.5 0.5
9 0.0 0.0 1.0 9 0.5 0.5 0.0
total 8.0 1.0 1.0 total 1.0 4.5 4.5
18 / 22

19. Ejemplo de reconstrucción de histograma
Chi-cuadrada χ
2
= ∑
n
i=1
(N ISi−CISi)
2
CISi
19 / 22

20. Después de un nivel de dispersión mayor al 40%,
pierde relevancia la inclusión o no inclusión del valor
real.
20 / 22

21. El peor desempeño ocurre cuando la distribución de
los datos es uniforme y los datos originales tienen una
distribución exponencial.
21 / 22

22. ¡Gracias!
github: jwzinser
Referencias
Dwork - Cynthia Dwork
Esponda - Fernando Esponda
Repositorio con la plática: github.com/jwzinser/data_sanitization
22 / 22