"गुमनाम" डेटा के मिथक का भंडाफोड़
यह दावा कि user data को सुरक्षित रूप से “anonymized” किया जा सकता है, वास्तविक दुनिया के re-identification मामलों और GDPR जैसे कानूनी मानकों से तेजी से चुनौती दी जा रही है, जो अधिकांश pseudonymous datasets को भी अभी व्यक्तिगत मानते हैं। टिप्पणीकार इस पर बहस करते हैं कि differential privacy, k-anonymity, synthetic data, और hashing जैसी तकनीकें वास्तव में व्यक्तियों की पर्याप्त सुरक्षा करती हैं या नहीं, खासकर जब datasets को लिंक किया जा सकता है और business incentives अधिकतम utility के पक्ष में होते हैं। कई लोग निष्कर्ष निकालते हैं कि true anonymity या तो व्यावहारिक रूप से असंभव है या इतनी noise मांगती है कि data अपना अधिकांश मूल्य खो देता है, जिससे post hoc anonymization पर निर्भर रहने के बजाय data collection को ही सीमित करने की मांग मजबूत होती है।
“गुमनाम” डेटा की सीमाएँ
- कई टिप्पणीकार सहमत हैं कि समृद्ध, व्यक्ति-स्तरीय डेटासेट को वास्तव में गुमनाम बनाना स्वाभाविक रूप से कठिन है; डेटासेट्स के बीच लिंकिंग अक्सर लोगों की पुनः-पहचान कर देती है।
- क्लासिक विफलताएँ (AOL सर्च लॉग्स, Netflix Prize) “संबंधित होने तक अनाम” के उदाहरणों के रूप में उद्धृत की जाती हैं।
- कुछ का तर्क है कि यदि किसी भी यथोचित व्यावहारिक पुनः-पहचान की संभावना हो, तो डेटा को व्यक्तिगत माना जाना चाहिए।
- अन्य लोग इसका प्रतिवाद करते हैं कि अनामता एक स्पेक्ट्रम है: “अमेरिकी जनसंख्या का 51.1% महिला है” जैसे समुच्चय स्पष्ट रूप से व्यक्तियों को शामिल करते हैं, फिर भी पुनः-पहचान का कोई वास्तविक जोखिम नहीं होता।
डिफरेंशियल प्राइवेसी और अन्य तकनीकी दृष्टिकोण
- कई लोग नोट करते हैं कि लेख डिफरेंशियल प्राइवेसी (DP), सिंथेटिक डेटा, ज़ीरो-नॉलेज प्रूफ्स, और होमोमॉर्फिक एन्क्रिप्शन को कम आँकता है या छोड़ देता है।
- कुछ के अनुसार DP गणितीय रूप से ठोस है और अक्सर “काफी अच्छा” होता है; दूसरों को लगता है कि यह अधिक डेटा साझा करने को प्रोत्साहित करता है और सुरक्षा का झूठा एहसास देता है, तथा यह पैरामीटर चयन पर बहुत निर्भर करता है।
- आलोचक कहते हैं कि अधिकांश “अनामीकरण” योजनाएँ कमजोर हमलावरों को मानती हैं और परिष्कृत विरोधियों के सामने विफल हो जाती हैं; मौजूदा तकनीकें मुख्यतः लागत बढ़ाती हैं, डी-एनोनिमाइज़ेशन को रोकती नहीं हैं।
- इस पर बहस है कि क्या प्रभावी, स्केलेबल, और वास्तव में अनाम विश्लेषणात्मक मॉडल सैद्धांतिक रूप से भी संभव हैं।
स्यूडोनिमाइज़ेशन, अप्रत्यक्ष पहचानकर्ता, और GDPR
- कई लोग स्यूडोनिमाइज़ेशन (प्रत्यक्ष पहचानकर्ताओं को हटाना या हैश करना) को उन मजबूत तकनीकों से अलग करते हैं जो अप्रत्यक्ष पहचानकर्ताओं (उम्र, ZIP, gender, आदि) को भी संबोधित करती हैं।
- EU-शैली के नियमों पर ज़ोर दिया गया है: कोई भी डेटा जिसे यथोचित रूप से किसी व्यक्ति से जोड़ा जा सकता है, वह अभी भी व्यक्तिगत डेटा है; “यथोचित रूप से संभावित” हमलों पर विचार किया जाना चाहिए, जिसमें नियंत्रक के पास उपलब्ध सभी डेटा का उपयोग शामिल है।
- इस बात पर असहमति है कि व्यवहार में इसे कितना सख्ती से समझा जाता है और यह US के PII जैसे concepts से कैसे मेल खाता है।
उद्योग प्रथा, प्रोत्साहन, और थ्रेट मॉडल्स
- कुछ का तर्क है कि मूल समस्या अत्यधिक डेटा संग्रह है; कोई तकनीक इसका समाधान नहीं करती।
- Ad-tech और डेटा ब्रोकरों के मजबूत privacy methods अपनाने की संभावना कम मानी जाती है क्योंकि raw data अधिक मूल्यवान है और दंड कमजोर हैं।
- अन्य लोग आंतरिक, first-party use cases (जैसे dev/test databases) पर ज़ोर देते हैं, जहाँ अनामीकरण डेटा बेचने के बिना जोखिम को सार्थक रूप से कम करता है।
- “अच्छी नीयत से की गई, आंशिक सुरक्षा सार्थक है” और “डेटा न एकत्र करने से कम कुछ भी झूठी सुरक्षा या snake oil है” के बीच तनाव है।
प्रदर्शन, सेवाएँ, और व्यावहारिकता
- कुछ लोग जोखिम विश्लेषण, de-identification, या anonymization देने वाले tools/startups का उल्लेख करते हैं; एक व्यक्ति जोखिम दिखाने के लिए de-anonymization सेवाएँ चाहता है।
- दरवाज़े के locks के analogy threat modeling पर ज़ोर देते हैं: कोई lock perfect नहीं होता, लेकिन वे अधिकांश attackers के विरुद्ध पर्याप्त अच्छे हो सकते हैं।
- कुछ लोग re-identification के प्रयासों को विफल करने के लिए datasets में विश्वसनीय fake data “poison” करने की वकालत करते हैं।