プライバシー保護のためのサンプリング、k-匿名化、そして差分プライバシー

サンプリングかK-匿名化か
差分プライバシーで比較してみよう
中川裕志
（東京大学）

プライバシー保護のために使う
元データベースからのサンプリングや
k-匿名化は分かったけど、
差分プライバシーはどうも難しくて分
からんと思っているみなさん、
なんとかこれらをまとめてつないで説
明しようとする話です。

k-匿名化されたデータベース
サンプリングとk-匿名化
• データ処理業者が収集した個人データを保護するには
– (Sample)全データからランダムサンプリングしたデータベースを使って
マイニング処理、あるいは第3者に渡す
– (k-anon)全データから、疑似ＩＤの情報を粗くすることでk-匿名化した
データベースを使ってマイニング処理、あるいは第3者に渡す
という方法があります。
全員のデータベース
サンプリング
された
データベース
ある割合で少数
をランダムサン
プル
疑似IDの精度を粗
くして、同じ疑似ＩＤ
の人がk-人以上い
るように変換

Z
質問
シーが安全　　　　　のプライバ
別できないだと質問からは全く区例えば、
が区別しにくいとが小さいと
質問
質問
する確率の比データベースの差に関






0
),Pr(
),Pr(



DD
e
D
D
データベース：D
データベース：D’
差分プライバシーとは何か

結論をまとめると
 特定の個人データがデータベースに入っているかどうかが分かってしまう
確率を教えてくれるのが差分プライバシーです。
 元データからサンプリングしてデータベースを作ると、サンプリングがまば
らなほど、個人特定に係わる確率は減るので安全です。
 k-匿名化では、k人の中の1人という確率で個人特定されます。
 ですからkを大きくすると安全性が増します。
 サンプリング後にk-匿名化する方法も安全性は確保されます。
 サンプリングとk-匿名化の安全性を差分プライバシ－によって比較する
方法が分かってきました。
 サンプリングしてある程度安全にしてからk-匿名化でデータ値が並外れた個
人を除外するという方法もあります。
 技術的な内容に興味がある人は続きをお読みください。けっこう数学的には
ハードルありますので、ここで引き返すのも悪くないです。

サンプリングとk-匿名化を比較するには？
 (Sample)も(k-anon)も、個人データを抜き取ろうという
攻撃されている個人（＝潜在的被害者）が、特定でき
ないことを目指す。
 (Sample) サンプルして作られたデータベースに攻撃され
ている個人が入っているかいないかは、サンプルする割
合（＝サンプリング率）に異存
 (k-anon) 攻撃される可能性のある個人はk人までしか
絞り込めない
 (Sample)と(k-anon)のどっちがよいか比較するには？
 以下は参考文献[Li,Qardaji,Su2012]に沿って議論を
展開します。

差分プライバシーを使って比べる
• 一言で言えば、差分プライバシーを使って比べます。
– では、差分プライバシーって何？
– データベースDと、Dと1タプル：t だけ異なるデータベース
D’を、データベースに対する質問への答えからだけでは
区別させないこと
• タプルがデータベースの要素のこと。レコードとか要素とかいう場
合もあるようだ。
– 区別できないということは、質問者（＝攻撃者）は、t の存
在の有無を知ることができないということ
• したがって、タプル：t のプライバシーは守られている
– とはいえ、完全に区別できないというのは難しい。
区別の困難さを導入して数理モデル化をしてみよう。

比較評価指標（ε，δ)-DP
• DPとはDifferential Privacyの略
 
       
         
いに近いほど区別しにくが　　　　　　　　　　　
は
少し緩めたものは以下
は
合の取り得る値の部分集
スだけ異なるデータベータプルと
を加算するへの質問の答えに乱数
データベース
00,0
,PrPr,
PrPr,
:
:1:
algorithmrandomized:)(
:










DPAODAeODADD
DPAODAeODADD
AArangeO
tDD
DDA
D
この部分のおかげで、攻撃者
はDの他のタプル全部を知っ
ていても、tについては知るこ
とができないといえる強力

比較評価指標（ε，δ)-DP
ちょっと迷いやすいところがあります
       
       
 
          
    
  
　　　　　　　　　　　
です。　　と書くことも多い　
。さらにと書く流儀もあります
は
もっと直接的に
。もカバーされていますだけでのおかげでの
でが、という疑問がありそうも必要なのではないか
では片方向なので













ODA
ODA
DD
DPAODAeODAODAeDD
DD
ODAeODADD
ODAeODADD
Pr
Pr
log,
PrPrPr,
)2()1(,
)2(PrPr,
)1(PrPr,

サンプリングして作ったデータベース
に対する差分プライバシーでの評価
サンプリング率βで
サンプリングして
作ったＤＢ
差分プライバシーにおける
D,D’の差異を上から抑えるパ
ラメタ－εの上界で評価
 
   
        を満たすはを満たすが
を適用した結果ルゴリズムータベースに対してアサンプルして作ったデ
でからサンプリング率はデータベース
サンプリング率
プライバシー　　サンプリング下の差分
DPSDADPSDA
A
DDA
DPS









,,,
:
,,
（β,ε,δ)-DPS ：       
 ODAeODA PrPr

（β,ε,δ)-DPSの効果
 
 
 
＝安全性向上）が小さいほど小さい（はシーの安全さつまり、差分プライバ
なので、式はすなわち
　　かつ　　　　　ただし、
を満たすに対してである任意の
を満たすがアルゴリズム














12
12
11
1
2
2
1
2
2
222212
111
11
)(
)()(11ln
.,,
,,
12
1





















ee
a
bae
DPS
DPSA
定理１
定理１の証明は[Li,Qardaji,Su2012] を御覧ください

（β,ε,δ)-DPSへの追加
• アルゴリズムAを入れ子にしてもＯＫ
• アルゴリズムAの凸性
          
     
      DPSDApDpAp
DPSDADA
DPSDADAAADPSDA






,)1(10for
,,
,,
21
21
111
も，
が
もが

k-匿名化は（β,ε,δ)-DPS を満たさない
 さて、話は変わってk-匿名化です。
• k-匿名化は
1. 1個のクラスタがk個以上のタプルを含むようにするクラ
スタリング
2. 各クラスタを代表するデータを生成する
• k-匿名化はサンプリング率：β>δのとき
（β,ε,δ)-DPS を満たさない。
– なぜなら、ある属性が極端な値を持つタプルがあると、
そのタプルをサンプルしたか、しないか、が容易に区別
できてしまう。

サンプリング下のk-匿名性
 
 
}Ssthen
kSsif{
allforstep2
}|{
1step
:
:,
から排除を
回以下しか現れない中にが　　　　　　　　
　　　　
　　　　　　つまり、
とする果を集めての全要素に適用した結をで作った　　
匿名化
匿名化のパラメタは　　　　　　　　ただし、
を生成。　　は写像
匿名化アルゴリズム基本的
　
Ss
DttgS
SDgA
k
kkkDT
TDgkDA
k
m
m






k-匿名化アルゴリズムAが強安全
とは
Am(D,k)がDに依存しない（＝g(t)がtを要素とするDに
依存しない) で決まること。

k-匿名化アルゴリズムAが強安全＝Am(D,k)がDに依存し
ない（＝g(t)がｔを要素とするDに依存しないで決まります。
実はいかなる強安全なk-匿名化アルゴリズムもε-DPでは
ありません。なぜなら、以下を参照してください。
   
   
       
       
を満たさない。
であるので　　とするとよって
の数は異なる。中のの数と中の
個しかありません。がとなる中にはより一方、
個あります。がとなる中に匿名化なのでがアルゴリズム
う。だけ異なるとしましょとが１タプルがと
DP
SDASDADAS
tgDAtgDA
nttgtgD
knttgtgDkA
DtDtDD







0Pr,1Pr
1ˆˆ)1()3(
)(ˆˆ)2(
)1(
つまり、差分プライバシーε-DPは、
k-匿名化より厳しい匿名化手法で
す。
強安全の定義からすれば、論理的に
は正しいけれど、ちょっと厳しい評価。

いかなる強安全なアルゴリズムもε-DPではありませんが、
サンプリングしてからk-匿名化をするなら、
（β,ε,δ)-DPS が成り立ちます。
 
   
    
































 e
e
j
n
k
nn
kd
kde
DPS
k
jnj
n
nj
1
1
1:
max,,
,,,11ln,10
,,
　　　　　
ただしすなわち条件：
を満たす。
以下の条件で匿名化アルゴリズムは任意の強安全
定理２
２項分布の
裾の部分
しかし、この式では難
し過ぎるので、後で
k,β,ε,δの関係の実例
を見てみましょう
ようするに、サンプリン
グをk-匿名化で強化し
ているというストーリー
だな
γ
定理２の証明は[Li,Qardaji,Su2012]
を御覧ください

サンプリングでない場合に
読み替える方法
• これまでのようにアルゴリズムAがデータベースに依存しない
のは厳しすぎるので、これを緩めるが、個々のタプルには依
存しないようにする。
• そこでε-安全なk-匿名化をサンプリングの場合のDPSに近似
したくなります。それを教えてくれるのが、次のページの定理
です[Li,Qardaji,Su2012]
 
 
安全　　という。　
は匿名化アルゴリズムを使う
を満たすとき
、は確率的なものでありで生成される写像
匿名化安全な定義：　
　
　








AkkDA
DP
TDgkDA
k
m
m
,
:,

 k-匿名化の方法を生成するアルゴリズムAmが固定の場合
の定理２とほぼ同じような証明になります。
 βが小さくなるほど、DPSのεはk-匿名化のε1でよく近似でき
ることが分かります。
 
 
   
1
1
1
,1
1:
max,,
,1ln
,,
1
1
1



































 　　
　　条件　
を満たす。とき以下の条件が成り立つ
、匿名化アルゴリズムは安全な任意の
定理３
jnj
n
nj j
n
k
nn
kd
DPS
k

k,β,ε,δの傾向
β, kの固定値に対して、ε増えるとδ減る。
ε, kの固定値に対して、β減るとδ減る。
サンプル数が減ると、プライバシーはより安全
β=0.2の場合、 k=5,10,…,50と増やすと、δは減少。
ε=1だと、k=5でδ=0.01, k=20でδ=10-7（指数的に減る）
k=20の場合、β=0.4, 0.3, 0.2, 0.1, 0.05と減らすと
εは急激に減少。

k,β,ε,δの傾向
 (a)k=35,β=0.2, (b)k=22,β=0.1, (c)k=22,β=0.1 のい
ずれも ε=1, δ=10-14付近
 βが小さくなるとεは小さくなる＝より安全。
 kが大きくなるとεは小さくなる＝より安全。
 この２つの傾向は直感的にも当然。

参考文献
• [Li,Qardaji,Su2012] Ninghui Li, Wahbeh Qardaji, Dong Su: On Sampling,
Anonymization, and Differential Privacy: Or, k-Anonymization Meets
Differential Privacy. Proceedings of the 7th ACM Symposium on
Information, Computer and Communications Security(ASIACCS’12).
Pages 32-33. 2012

２００６年にも似た研究あります
• 差分プライバシー
• [Cynthia Dwork, Frank McSherry, Kobbi Nissim, Adam
Smith :Calibrating Noise to Sensitivity in Private Data
Analysis. TCC 2006(The Third Theory of Cryptography
Conference) pp.265-284. 2006]
• が提案された２００６年にサンプリングして作ったデー
タベースのプライバシーを分析した研究があります。
• [Kamalika Chaudhuri, Nina Mishra : When Random
Sampling Preserves Privacy. 26th Annual International
Cryptology Conference Santa Barbara, California, USA,
August 20-24, 2006. Proceedings. pp.198-213 .]

Random Sampling のPrivacy 評価
[K.Chaudhuri 2006]
• データベースにおけるプライバシー保護の方法
– ランダムサンプリングしたデータ（タプル、あるいはレ
コード）だけからなるサンプルデータベース
• サンプルデータベースを他人に渡してマイニングを想定
– このような場合、個々のデータが特定されてしまう危
険性はどのくらいか？
– データの頻度などの仮定をおいて、危険性を解析し
ています。
単純なランダムサンプリングでの解析なので、基礎
的考察だから、かえってお役立ちかもしれないです。

Random Sampling のPrivacy 評価
[K.Chaudhuri 2006]
• この論文の提案はおよそ以下のようなものです。
 (ε,δ)-DPとほぼ同じ(1,ε,δ)-privateという安全性は、O(ε)
の確率でサンプルして作ったサンプルデータベースで
成立します。
 O(1/ε)以下の出現回数しかないレアな値を持つデータ
が元のデータベースに t回出現する場合は、およそ
O(εδ)以下の確率でサンプルした場合に(1,ε,δ)-private
が成立します。
• ε,δとサンプル確率の関係を与えているので重要な結
果です。

まずは記号の意味
• D:データベース
– D中の各データの隠したい情報（例えば、病名とか収
入）は k種類の値を持つ
– D から確率 p でランダムサンプリングしてサンプル
データベース S を作る
どのくらいのpにすればどのくらい危険かを評価
するのが目的
• Dと D’はデータの値が１カ所 i だけ違うデータ
ベース
– Dはiの値がv、 D’はiの値がv’とする。形式的には
– D=D{iv}, D’=D{iv’}と書く。

(1,ε,δ)-privateの定義
任意のデータベースの対： D{iv}, D{iv’}
に対して
サンプルデータベース S が確率1－δで不等
式
を満たすとき、サンプリングの仕掛け
（mechanism)は (1,ε,δ)-private という。
 この定義は差分プライバシーとほぼ、同一
  
  



1
'|Pr
|Pr
viDS
viDS

サンプリングデータベースの(1,ε,δ)-
privateに関する定理
  
  
 









 11
'|Pr
|Pr
Pr),,1(
viDS
viDS
private参考　　
 
  
 
 
  private
Spt
privatet
S
kt
p
ppp
p
k
Dt
DkD
























,,1
0)2(
,,10
log4
1
1
log
)1(
216,2max
],
log2
[
,][2
　　
はスして作ったデータベー　確率でサンプリング　かつ　　　
の場合、　
はスして作ったデータベーの確率でサンプリング
　　のとき　かつ　　
サンプリング確率種類数回しか出現しない値の中にたかだか
中の異なる値の種類数，に対してデータベース
この条件が重要
レアな値のデータがサンプルされた場合
レアな値のデータがサンプルされない場合

(1,ε,δ)-privateに関する定理の心
  
  
 









 11
'|Pr
|Pr
Pr),,1(
viDS
viDS
private参考　　
     
 
 
  でなければならない。
中のデータ数
であるには
べて異なる場合は、なお、データの値がす
を決める。ことを考慮しての定数倍で抑えられるないしがおよそ
　ということはで　　ない場合である。そこということはレア値が
でスして作ったデータベー　確率でサンプリング　かつ　　　
で抑えたい。をおよそにするには
の場合、レアな値の出現回数
なので、
D
pprivate
ppp
privatet
Spt
pprivate
t
ktktkt
p
1
,,1
,
,,10
0)2(
,,1
0:
log8log4log4
1
1
log
)1(




























証明は論文を参照してほしいのです
が、次のGood Sampleの定義と
Lemma1,2を組み合わせて導きます
 
   
 
 
 　回出現　　たかだか　
は値の出現回数　　の通常同じ値
をとるデータ数中で値は　ただし、
回出現。は、たかだか　低頻度の値と呼ぶ　　
のデータの値の出現回数同じ値　
と呼ぶレア値データの値を論文ではこれ以下の出現回数の　　
回同じ値が出現する。は最小でも中のデータの値
すとは以下の性質を満た





kpnpn
vvpk
vDn
kpn
vpkvk
v
kvD
vv
v
v
log3
log12)3(
log2)(
log12log2)2(
)(
log2(1)
SampleGood





  
  
  

  
  
難解ではない。から開始すればさほど
としたときに出現でのが出現する回数に出だしで
ほしいが、証明は論文を参照して
　かつ　　ただし、
に対して任意の
であるときからのがサンプルデータベース
1
1
1
1
11
|Pr
|Pr
][],[
216,2max
1
|Pr
|Pr
,,
SampleGood
1Lemma
1
1
1
1
1
1
1




















 















 















v
v
v
v
v
v
v
v
v
v
v
v
vv
n
s
n
s
s
n
s
n
s
n
s
n
viDS
viDS
vSsviDn
ppp
viDS
viDS
vvi
DS



 
 
 
を参照されたい。詳細は論文後は少し技巧的だが、
場合も同様。が得られる。低頻度の界は以上出現する確率の上
回でがを使うと、通常値　
はの観測データの和回の　　　　
ならいて、分布する確率変数におで　　　確率
　証明で肝になるのは
注意：
以上である。が導かれる確率はから
　のときサンプリング確率
2006]ri[K.Chaudhu
log3SampleGoodBoundsChernoff
12
expPr
2/1Berboulli
BoundsChernoff
2
1SampleGood
log4
1
1
log
2Lemma
3/log3
2
2







 k
e
k
pnpnSv
pmp
x
xmpXXiidM
pp
D
k
t
p
k
vv









































D,D’がc個異なる場合の
(c,ε,δ)-privateに関する定理
  
  
次元ベクトルの代入は　参考　　 ciP
iPDS
iPDS
private v
v'
v










 )(11
)(|Pr
)(|Pr
Pr),,1( 
 
 
   
 
 
 
 
 
 
  privatec
Spt
privatectS
k
c
kt
p
p
k
c
p
k
c
cp
k
c
c
pc
k
Dt
DkD
private






































































,,
0)2(
,,0
log2
1log4
1
1
log
)1(
21
log2
1
log2
12,
log2
16max
],
log2
[
,][2
,,1
　　
はスして作ったデータベー　確率でサンプリング　かつ　　　
の場合、は　データベース
して作ったの確率でサンプリング
　　のとき　
　かつ　
サンプリング確率種類数回しか出現しない値の中にたかだか
中の異なる値の種類数，に対してデータベース
なりたつ。の場合と類似の定理がこの場合も
この項が主に
変わった部分

プライバシー保護のためのサンプリング、k-匿名化、そして差分プライバシー

Recomendados

Recomendados

Más contenido relacionado

La actualidad más candente

La actualidad más candente (20)

Más de Hiroshi Nakagawa

Más de Hiroshi Nakagawa (20)

プライバシー保護のためのサンプリング、k-匿名化、そして差分プライバシー