研究人員使用統(tǒng)計(jì)模型跟蹤兩個(gè)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(xiàng)新研究發(fā)現(xiàn)，編寫(xiě)關(guān)于人類(lèi)運(yùn)動(dòng)模式的大規(guī)模匿名數(shù)據(jù)集的不斷增長(zhǎng)的做法是一把雙刃劍：雖然它可以提供對(duì)人類(lèi)研究行為的深刻見(jiàn)解，但它也可能使人們的私人數(shù)據(jù)處于危險(xiǎn)之中。

公司，研究人員和其他實(shí)體開(kāi)始收集，存儲(chǔ)和處理包含用戶“位置標(biāo)記”(地理坐標(biāo)和時(shí)間戳)的匿名數(shù)據(jù)?？梢詮氖謾C(jī)記錄，信用卡交易，公共交通智能卡，Twitter帳戶和移動(dòng)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(lèi)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(lái)了很大的隱私問(wèn)題：位置標(biāo)記非常特定于個(gè)人，可用于惡意目的。最近的研究表明，在移動(dòng)數(shù)據(jù)集中只有少數(shù)隨機(jī)選擇的點(diǎn)，有人可以識(shí)別和學(xué)習(xí)有關(guān)個(gè)人的敏感信息。使用合并的移動(dòng)數(shù)據(jù)集，這變得更加容易：代理可能會(huì)將來(lái)自一個(gè)數(shù)據(jù)集的匿名數(shù)據(jù)中的用戶軌跡與另一個(gè)數(shù)據(jù)集中的去匿名數(shù)據(jù)進(jìn)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(gè)大型數(shù)據(jù)集中首次分析所謂的用戶“匹配性”，一個(gè)來(lái)自移動(dòng)網(wǎng)絡(luò)運(yùn)營(yíng)商和一個(gè)來(lái)自當(dāng)?shù)氐慕煌ㄏ到y(tǒng)。

研究人員使用統(tǒng)計(jì)模型跟蹤兩個(gè)數(shù)據(jù)集中用戶的位置標(biāo)記，并提供兩組數(shù)據(jù)點(diǎn)來(lái)自同一個(gè)人的概率。在實(shí)驗(yàn)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(gè)體，并且在一個(gè)月的收集數(shù)據(jù)后超過(guò)55%的個(gè)體。這項(xiàng)工作展示了一種有效，可擴(kuò)展的方式來(lái)匹配數(shù)據(jù)集中的移動(dòng)軌跡，這可以成為研究的福音。但是，研究人員警告說(shuō)，這樣的過(guò)程可以增加對(duì)真實(shí)用戶數(shù)據(jù)進(jìn)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(lèi)社會(huì)和流動(dòng)性的前所未有的見(jiàn)解，使我們能夠更好地規(guī)劃城市。然而，重要的是要證明識(shí)別是否可行，以便人們意識(shí)到潛力分享移動(dòng)數(shù)據(jù)的風(fēng)險(xiǎn)，“新加坡麻省理工學(xué)院研究與技術(shù)聯(lián)盟未來(lái)城市交通小組的博士后Daniel Kondor說(shuō)。

麻省理工學(xué)院城市系教授Carlo Ratti補(bǔ)充說(shuō)：“在公布結(jié)果時(shí) - 特別是對(duì)數(shù)據(jù)進(jìn)行去匿名化的后果 - 我們感覺(jué)有點(diǎn)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?duì)其進(jìn)行監(jiān)管的新可能性。”

消除誤報(bào)

要了解匹配位置標(biāo)記和潛在的去異常化的工作方式，請(qǐng)考慮以下情況：“我兩天前在新加坡的圣淘沙島，昨天來(lái)到迪拜機(jī)場(chǎng)，今天在迪拜的朱美拉海灘。我不太可能看到另一個(gè)人的軌跡完全相同。簡(jiǎn)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(kāi)放位置數(shù)據(jù)，他們就可以對(duì)我的信用卡數(shù)據(jù)進(jìn)行匿名化，“拉蒂說(shuō)。

存在類(lèi)似的模型來(lái)評(píng)估數(shù)據(jù)中的去異義化。但是那些使用計(jì)算密集型方法進(jìn)行重新識(shí)別，這意味著將匿名數(shù)據(jù)與公共數(shù)據(jù)合并以識(shí)別特定個(gè)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(jiǎn)單的統(tǒng)計(jì)方法 - 測(cè)量誤報(bào)的概率 - 有效地預(yù)測(cè)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(gè)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(dòng)電話使用和個(gè)人交通，2011年記錄了一周。移動(dòng)數(shù)據(jù)來(lái)自大型移動(dòng)網(wǎng)絡(luò)運(yùn)營(yíng)商和包含來(lái)自超過(guò)200萬(wàn)用戶的超過(guò)4.85億條記錄的時(shí)間戳和地理坐標(biāo)。運(yùn)輸數(shù)據(jù)包含超過(guò)7000萬(wàn)條記錄，其中包含個(gè)人在城市中移動(dòng)的時(shí)間戳。

給定用戶在兩個(gè)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(bào)概率也會(huì)增加。研究人員的模型從一個(gè)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(jiǎn)單地說(shuō)，隨著匹配點(diǎn)的數(shù)量增加，假陽(yáng)性匹配的概率降低。在沿著軌跡匹配一定數(shù)量的點(diǎn)之后，該模型排除了匹配是誤報(bào)的可能性。

他們關(guān)注典型用戶，估計(jì)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(jì)數(shù)躍升至95%左右。

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

更好的隱私

通過(guò)他們的研究，研究人員希望提高公眾意識(shí)并促進(jìn)更嚴(yán)格的共享消費(fèi)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(shuí)共享它做出更明智的決定，”Ratti說(shuō)。“我們需要繼續(xù)思考處理大規(guī)模數(shù)據(jù)，個(gè)人以及提供足夠保障以保護(hù)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(wèn)題。2013年，麻省理工學(xué)院的Senseable City Lab啟動(dòng)了一項(xiàng)名為“參與數(shù)據(jù)”的計(jì)劃，該計(jì)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(dòng)數(shù)據(jù)。

“今天的世界充斥著大數(shù)據(jù)，”Kondor說(shuō)。“在2015年，人類(lèi)產(chǎn)生的信息與人類(lèi)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(jī)構(gòu)掌握的。很多關(guān)于我們的事情，雖然我們對(duì)它們知之甚少。我們需要注意避免數(shù)據(jù)壟斷和濫用。“