Підвищення ефективності забезпечення групової анонімності даних шляхом розроблення інформаційної технології

Автор(и)

  • Oleg Chertov Національний технічний університет України «Київський політехнічний інститут імені Ігоря Сікорського» пр. Перемоги, 37, м. Київ, Україна, 03056, Україна https://orcid.org/0000-0003-0087-1028
  • Dan Tavrov Приватна установа «Університет «Київська школа економіки»» вул. Дмитрівська, 92-94, м. Київ, Україна, 01135, Україна https://orcid.org/0000-0002-3689-2931

DOI:

https://doi.org/10.15587/1729-4061.2018.150805

Ключові слова:

інформаційна технологія, групова анонімність, мікрофайл, нечітка модель, еволюційний алгоритм

Анотація

Широке впровадження в галузі офіційної статистики методів, що забезпечують анонімність даних про окремі групи (колективи) респондентів, стримується відсутністю відповідних промислових інформаційних технологій та систем. Запропоновано трирівневу клієнт-серверну архітектуру інформаційної технології забезпечення групової анонімності даних, у якій виділено клієнтів, сервери застосунків та бази даних, об’єднані в локальну мережу для підвищення безпеки первинних даних. Описано концептуальну модель даних у вигляді реляційної бази даних, наведено її ключові фрагменти. Дана модель охоплює всі основні сутності процесу забезпечення групової анонімності. Розглянуто реалізацію технології на основі платформи Java Enterprise Edition 8, сервера застосунків Oracle GlassFish Server, сервера баз даних MySQL та системи інженерних розрахунків SciLab.

Інформаційна технологія дає змогу забезпечувати групову анонімність даних у випадку існування загрози її порушення за рахунок аналізу даних допоміжного мікрофайлу. У технології передбачені операції побудови нечітких моделей груп за допомогою генетичного алгоритму та модифікація мікрофайлу за допомогою міметичного алгоритму, що дає змогу ефективно забезпечувати анонімність, уносячи в дані незначні спотворення. Загалом, запропонована інформаційна технологія базується на використанні шести застосунків: починаючи зі створення цільового подання мікрофайлу та завершуючи розв’язанням, власне, задачі забезпечення групової анонімності даних у мікрофайлі.

Застосування технології проілюстровано розв’язанням задачі забезпечення анонімності групи військових на основі реальних даних Спостереження за американським суспільством 2013 р. (American Community Survey – 2013). Показано, що розв’язання задачі силами колективу з п’яти фахівців дає змогу, щонайменше, в два з половиною рази пришвидшити процес підготовки мікрофайлу порівняно з існуючою технологією

Біографії авторів

Oleg Chertov, Національний технічний університет України «Київський політехнічний інститут імені Ігоря Сікорського» пр. Перемоги, 37, м. Київ, Україна, 03056

Доктор технічних наук, професор

Кафедра прикладної математики

Dan Tavrov, Приватна установа «Університет «Київська школа економіки»» вул. Дмитрівська, 92-94, м. Київ, Україна, 01135

Кандидат технічних наук

Кафедра економіки

Посилання

  1. Duncan, G. T., Elliot, M., Salazar-González, J.-J. (2011). Statistical Confidentiality. Principles and Practice. Springer-Verlag, 212. doi: https://doi.org/10.1007/978-1-4419-7802-8
  2. A Terminology for Talking About Privacy by Data Minimization: Anonymity, Unlinkability, Undetectability, Unobservability, Pseudonymity, and Identity Management, Version v0.34. Available at: http://dud.inf.tu-dresden.de/Anon_Terminology.shtml
  3. Chertov, O. R., Tavrov, D. Y. (2017). Providing group anonymity as a part of CSID data process. Shtuchnyi intelekt, 3-4, 127–138.
  4. Chertov, O., Tavrov, D. (2017). Improving efficiency of providing data group anonymity by automating data modification quality evaluation. Eastern-European Journal of Enterprise Technologies, 5 (4 (89)), 31–39. doi: https://doi.org/10.15587/1729-4061.2017.113046
  5. Chertov, O., Tavrov, D. (2014). Microfiles as a Potential Source of Confidential Information Leakage. Studies in Computational Intelligence, 87–114. doi: https://doi.org/10.1007/978-3-319-08624-8_4
  6. Tavrov, D., Chertov, O. (2016). Evolutionary approach to violating group anonymity using third-party data. SpringerPlus, 5 (1). doi: https://doi.org/10.1186/s40064-016-1692-9
  7. Butz, M. V. (2015). Learning Classifier Systems. Springer Handbook of Computational Intelligence, 961–981. doi: https://doi.org/10.1007/978-3-662-43505-2_47
  8. Holland, J. H. (1975). Adaptation in Natural and Artificial Systems. Ann Arbor, MI: University of Michigan Press, 183.
  9. Valenzuela-Rendón, M. (1991). The Fuzzy Classifier System: Motivations and First Results. Proceedings of Parallel Solving from Nature (PPSN II), 330–334.
  10. Smith, S. F. (1980). A Learning System Based on Genetic Adaptive Algorithms. Pittsburgh: University of Pittsburgh, 214.
  11. Carmona, C. J., González, P., del Jesus, M. J., Herrera, F. (2014). Overview on evolutionary subgroup discovery: analysis of the suitability and potential of the search performed by evolutionary algorithms. Wiley Interdisciplinary Reviews: Data Mining and Knowledge Discovery, 4 (2), 87–103. doi: https://doi.org/10.1002/widm.1118
  12. Ishibuchi, H., Nakashima, T., Murata, T. (1999). Performance evaluation of fuzzy classifier systems for multidimensional pattern classification problems. IEEE Transactions on Systems, Man and Cybernetics, Part B (Cybernetics), 29 (5), 601–618. doi: https://doi.org/10.1109/3477.790443
  13. Hundepool, A., de Wolf, P.-P., Bakker, J., Reedijk, A., Franconi, L. et. al. (2018). μ-ARGUS Version 5.1.3. User’s Manual. Available at: http://neon.vb.cbs.nl/casc/Software/MUmanual5.1.3.pdf
  14. Angiuli, O., Waldo, J. (2016). Statistical Tradeoffs between Generalization and Suppression in the De-identification of Large-Scale Data Sets. 2016 IEEE 40th Annual Computer Software and Applications Conference (COMPSAC). doi: https://doi.org/10.1109/compsac.2016.198
  15. Sweeney, L. (2002). K-Anonymity: A Model for Protecting Privacy. International Journal of Uncertainty, Fuzziness and Knowledge-Based Systems, 10 (05), 557–570. doi: https://doi.org/10.1142/s0218488502001648
  16. Fienberg, S., McIntyre, J. (2005). Data Swapping: Variations on a Theme by Dalenius and Reiss. Journal of Official Statistics, 21 (2), 309–323.
  17. Evfimievski, A. (2002). Randomization in privacy preserving data mining. ACM SIGKDD Explorations Newsletter, 4 (2), 43–48. doi: https://doi.org/10.1145/772862.772869
  18. Templ, M. (2008). Statistical Disclosure Control for Microdata Using the R-package sdcMicro. Transactions on Data Privacy, 1 (2), 67–85.
  19. Domingo-Ferrer, J., Mateo-Sanz, J. M. (2002). Practical data-oriented microaggregation for statistical disclosure control. IEEE Transactions on Knowledge and Data Engineering, 14 (1), 189–201. doi: https://doi.org/10.1109/69.979982
  20. Chertov, O. R. (2012). Minimizatsiya spotvoren pry formuvanni mikrofailu z zamaskovanymy danymy. Visnyk Skhidnoukrainskoho natsionalnoho universytetu im. V. Dalia, 8 (179), 240–246.
  21. Chertov, O., Tavrov, D. (2012). Providing Group Anonymity Using Wavelet Transform. Lecture Notes in Computer Science, 25–36. doi: https://doi.org/10.1007/978-3-642-25704-9_5
  22. Chertov, O., Tavrov, D. (2016). Two-Phase Memetic Modifying Transformation for Solving the Task of Providing Group Anonymity. Studies in Fuzziness and Soft Computing, 239–253. doi: https://doi.org/10.1007/978-3-319-32229-2_17
  23. Zadeh, L. A. (2013). Toward a restriction-centered theory of truth and meaning (RCT). Information Sciences, 248, 1–14. doi: https://doi.org/10.1016/j.ins.2013.06.003
  24. Neri, F., Cotta, C. (2012). A Primer on Memetic Algorithms. Studies in Computational Intelligence, 43–52. doi: https://doi.org/10.1007/978-3-642-23247-3_4
  25. Goldberg, D. E., Korb, B., Deb, K. (1989). Messy Genetic Algorithms: Motivation, Analysis, and First Results. Complex Systems, 3, 493–530.
  26. Syswerda, G. (1991). Schedule Optimization Using Genetic Algorithms. Handbook of Genetic Algorithms. New York: Van Nostrand Reinhold, 332–349.
  27. Eiben, A. E., Smith, J. E. (2015). Introduction to Evolutionary Computing. Springer-Verlag, 287. doi: https://doi.org/10.1007/978-3-662-44874-8
  28. Brindle, A. (1981). Genetic Algorithms for Function Optimization. Edmonton: University of Alberta, 193.
  29. Zadeh, L. A. (1975). The concept of a linguistic variable and its application to approximate reasoning – I. Information Sciences, 8 (3), 199–249. doi: https://doi.org/10.1016/0020-0255(75)90036-5
  30. Wrobel, S. (1997). An algorithm for multi-relational discovery of subgroups. Lecture Notes in Computer Science, 78–87. doi: https://doi.org/10.1007/3-540-63223-9_108
  31. Lavrač, N., Flach, P., Zupan, B. (1999). Rule Evaluation Measures: A Unifying View. Lecture Notes in Computer Science, 174–185. doi: https://doi.org/10.1007/3-540-48751-4_17
  32. Ishibuchi, H., Nozaki, K., Yamamoto, N., Tanaka, H. (1995). Selecting fuzzy if-then rules for classification problems using genetic algorithms. IEEE Transactions on Fuzzy Systems, 3 (3), 260–270. doi: https://doi.org/10.1109/91.413232
  33. Syswerda, G. (1989). Uniform Crossover in Genetic Algorithms. Proceedings of the 3rd International Conference on Genetic Algorithms. Morgan Kaufmann Publishers Inc., 2–9.
  34. Olivetti, E., Greiner, S., Avesani, P. (2014). Statistical independence for the evaluation of classifier-based diagnosis. Brain Informatics, 2 (1), 13–19. doi: https://doi.org/10.1007/s40708-014-0007-6
  35. Ruggles, S., Flood, S., Goeken, R., Grover, J., Meyer, E., Pacas, J., Sobek, M. (2018). Integrated Public Use Microdata Series, Version 8.0 [Dataset]. Minneapolis: University of Minnesota. Available at: https://usa.ipums.org/usa/
  36. Demographics. Profile of the Military Community (2012). Available at: http://www.militaryonesource.mil/12038/MOS/Reports/2011_Demographics_Report.pdf

##submission.downloads##

Опубліковано

2018-12-12

Як цитувати

Chertov, O., & Tavrov, D. (2018). Підвищення ефективності забезпечення групової анонімності даних шляхом розроблення інформаційної технології. Eastern-European Journal of Enterprise Technologies, 6(4 (96), 41–56. https://doi.org/10.15587/1729-4061.2018.150805

Номер

Том 6 № 4 (96) (2018): Математика та кібернетика - прикладні аспекти

Розділ

Математика та кібернетика - прикладні аспекти

Ліцензія

Авторське право (c) 2018 Oleg Chertov, Dan Tavrov

Creative Commons License

Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License.

Закріплення та умови передачі авторських прав (ідентифікація авторства) здійснюється у Ліцензійному договорі. Зокрема, автори залишають за собою право на авторство свого рукопису та передають журналу право першої публікації цієї роботи на умовах ліцензії Creative Commons CC BY. При цьому вони мають право укладати самостійно додаткові угоди, що стосуються неексклюзивного поширення роботи у тому вигляді, в якому вона була опублікована цим журналом, але за умови збереження посилання на першу публікацію статті в цьому журналі.

Ліцензійний договір – це документ, в якому автор гарантує, що володіє усіма авторськими правами на твір (рукопис, статтю, тощо).
Автори, підписуючи Ліцензійний договір з ПП «ТЕХНОЛОГІЧНИЙ ЦЕНТР», мають усі права на подальше використання свого твору за умови посилання на наше видання, в якому твір опублікований. Відповідно до умов Ліцензійного договору, Видавець ПП «ТЕХНОЛОГІЧНИЙ ЦЕНТР» не забирає ваші авторські права та отримує від авторів дозвіл на використання та розповсюдження публікації через світові наукові ресурси (власні електронні ресурси, наукометричні бази даних, репозитарії, бібліотеки тощо).
За відсутності підписаного Ліцензійного договору або за відсутністю вказаних в цьому договорі ідентифікаторів, що дають змогу ідентифікувати особу автора, редакція не має права працювати з рукописом.
Важливо пам’ятати, що існує і інший тип угоди між авторами та видавцями – коли авторські права передаються від авторів до видавця. В такому разі автори втрачають права власності на свій твір та не можуть його використовувати в будь-який спосіб.