研究人員使用統(tǒng)計模型跟蹤兩個數(shù)據(jù)集中用戶的位置標(biāo)記

麻省理工學(xué)院研究人員的一項新研究發(fā)現(xiàn)，編寫關(guān)于人類運動模式的大規(guī)模匿名數(shù)據(jù)集的不斷增長的做法是一把雙刃劍：雖然它可以提供對人類研究行為的深刻見解，但它也可能使人們的私人數(shù)據(jù)處于危險之中。

公司，研究人員和其他實體開始收集，存儲和處理包含用戶“位置標(biāo)記”(地理坐標(biāo)和時間戳)的匿名數(shù)據(jù)?？梢詮氖謾C記錄，信用卡交易，公共交通智能卡，Twitter帳戶和移動應(yīng)用程序中獲取數(shù)據(jù)。合并這些數(shù)據(jù)集可以提供有關(guān)人類旅行方式的豐富信息，例如，優(yōu)化交通和城市規(guī)劃等。

但是大數(shù)據(jù)帶來了很大的隱私問題：位置標(biāo)記非常特定于個人，可用于惡意目的。最近的研究表明，在移動數(shù)據(jù)集中只有少數(shù)隨機選擇的點，有人可以識別和學(xué)習(xí)有關(guān)個人的敏感信息。使用合并的移動數(shù)據(jù)集，這變得更加容易：代理可能會將來自一個數(shù)據(jù)集的匿名數(shù)據(jù)中的用戶軌跡與另一個數(shù)據(jù)集中的去匿名數(shù)據(jù)進行匹配，以取消屏蔽匿名數(shù)據(jù)。

在今天發(fā)表在IEEE大數(shù)據(jù)交易的一篇論文中，麻省理工學(xué)院的研究人員展示了如何在新加坡的兩個大型數(shù)據(jù)集中首次分析所謂的用戶“匹配性”，一個來自移動網(wǎng)絡(luò)運營商和一個來自當(dāng)?shù)氐慕煌ㄏ到y(tǒng)。

研究人員使用統(tǒng)計模型跟蹤兩個數(shù)據(jù)集中用戶的位置標(biāo)記，并提供兩組數(shù)據(jù)點來自同一個人的概率。在實驗中，研究人員發(fā)現(xiàn)該模型可以在一周的數(shù)據(jù)中匹配大約17%的個體，并且在一個月的收集數(shù)據(jù)后超過55%的個體。這項工作展示了一種有效，可擴展的方式來匹配數(shù)據(jù)集中的移動軌跡，這可以成為研究的福音。但是，研究人員警告說，這樣的過程可以增加對真實用戶數(shù)據(jù)進行去匿名化的可能性。

“作為研究人員，我們相信使用大規(guī)模數(shù)據(jù)集可以發(fā)現(xiàn)有關(guān)人類社會和流動性的前所未有的見解，使我們能夠更好地規(guī)劃城市。然而，重要的是要證明識別是否可行，以便人們意識到潛力分享移動數(shù)據(jù)的風(fēng)險，“新加坡麻省理工學(xué)院研究與技術(shù)聯(lián)盟未來城市交通小組的博士后Daniel Kondor說。

麻省理工學(xué)院城市系教授Carlo Ratti補充說：“在公布結(jié)果時 - 特別是對數(shù)據(jù)進行去匿名化的后果 - 我們感覺有點像'白帽'或'道德'黑客。”麻省理工學(xué)院Senseable City Lab的研究和規(guī)劃以及主任。“我們認(rèn)為重要的是要警告人們[數(shù)據(jù)合并]和[考慮]我們?nèi)绾螌ζ溥M行監(jiān)管的新可能性。”

消除誤報

要了解匹配位置標(biāo)記和潛在的去異?；墓ぷ鞣绞剑埧紤]以下情況：“我兩天前在新加坡的圣淘沙島，昨天來到迪拜機場，今天在迪拜的朱美拉海灘。我不太可能看到另一個人的軌跡完全相同。簡而言之，如果某人有我的匿名信用卡信息，也許是我在Twitter的開放位置數(shù)據(jù)，他們就可以對我的信用卡數(shù)據(jù)進行匿名化，“拉蒂說。

存在類似的模型來評估數(shù)據(jù)中的去異義化。但是那些使用計算密集型方法進行重新識別，這意味著將匿名數(shù)據(jù)與公共數(shù)據(jù)合并以識別特定個體。這些模型僅適用于有限的數(shù)據(jù)集。麻省理工學(xué)院的研究人員使用更簡單的統(tǒng)計方法 - 測量誤報的概率 - 有效地預(yù)測大量數(shù)據(jù)集中用戶的數(shù)量之間的匹配。

在他們的工作中，研究人員編制了兩個匿名的“低密度”數(shù)據(jù)集 - 每天一些記錄 - 關(guān)于新加坡的移動電話使用和個人交通，2011年記錄了一周。移動數(shù)據(jù)來自大型移動網(wǎng)絡(luò)運營商和包含來自超過200萬用戶的超過4.85億條記錄的時間戳和地理坐標(biāo)。運輸數(shù)據(jù)包含超過7000萬條記錄，其中包含個人在城市中移動的時間戳。

給定用戶在兩個數(shù)據(jù)集中都有記錄的概率將隨著合并數(shù)據(jù)集的大小而增加，但誤報概率也會增加。研究人員的模型從一個數(shù)據(jù)集中選擇用戶，并從具有大量匹配位置標(biāo)記的其他數(shù)據(jù)集中查找用戶。簡單地說，隨著匹配點的數(shù)量增加，假陽性匹配的概率降低。在沿著軌跡匹配一定數(shù)量的點之后，該模型排除了匹配是誤報的可能性。

他們關(guān)注典型用戶，估計一周編譯數(shù)據(jù)的匹配成功率為17%，四周為55%。根據(jù)11周的數(shù)據(jù)編制，這一估計數(shù)躍升至95%左右。

研究人員還估計了在一周內(nèi)匹配大多數(shù)用戶需要多少活動。通過查看具有30到49個個人交通記錄和大約1,000個移動記錄的用戶，他們估計一周的編譯數(shù)據(jù)成功率超過90%。此外，通過將兩個數(shù)據(jù)集與GPS跟蹤相結(jié)合 - 由智能手機應(yīng)用程序主動和被動地定期收集 - 研究人員估計，他們可以使用不到一周的數(shù)據(jù)匹配95%的個別軌跡。

更好的隱私

通過他們的研究，研究人員希望提高公眾意識并促進更嚴(yán)格的共享消費者數(shù)據(jù)的法規(guī)。“所有帶有位置標(biāo)記的數(shù)據(jù)(這是今天收集的大部分?jǐn)?shù)據(jù))都可能非常敏感，我們都應(yīng)該就我們與誰共享它做出更明智的決定，”Ratti說。“我們需要繼續(xù)思考處理大規(guī)模數(shù)據(jù)，個人以及提供足夠保障以保護隱私的正確方法所面臨的挑戰(zhàn)。”

為此，Ratti，Kondor和其他研究人員一直在廣泛研究大數(shù)據(jù)的倫理和道德問題。2013年，麻省理工學(xué)院的Senseable City Lab啟動了一項名為“參與數(shù)據(jù)”的計劃，該計劃涉及政府，隱私權(quán)組織，學(xué)術(shù)界和企業(yè)界的領(lǐng)導(dǎo)者，他們研究如何在今天的數(shù)據(jù)收集公司中使用移動數(shù)據(jù)。

“今天的世界充斥著大數(shù)據(jù)，”Kondor說。“在2015年，人類產(chǎn)生的信息與人類文明前幾年創(chuàng)造的信息一樣多。盡管數(shù)據(jù)意味著更好地了解城市環(huán)境，但目前大部分信息都是由少數(shù)公司和公共機構(gòu)掌握的。很多關(guān)于我們的事情，雖然我們對它們知之甚少。我們需要注意避免數(shù)據(jù)壟斷和濫用。“