गोपनीयता-संरक्षित डेटा माइनिंग के तरीके
गोपनीयता-संरक्षित डेटा माइनिंग डेटा माइनिंग में गोपनीयता सुरक्षा के जवाब में डेटा माइनिंग शोध का एक अनुप्रयोग है। इसे गोपनीयता-वर्धित या गोपनीयता-संवेदनशील डेटा माइनिंग कहा जाता है। यह मूल संवेदनशील डेटा मूल्यों का खुलासा किए बिना सच्चे डेटा माइनिंग परिणाम प्राप्त करने से संबंधित है।
ट्रेड-ऑफ
अधिकांश गोपनीयता-संरक्षित डेटा माइनिंग दृष्टिकोण गोपनीयता संरक्षण लागू करने के लिए डेटा पर परिवर्तन के विभिन्न रूपों का उपयोग करते हैं। आमतौर पर, ऐसी विधियां विवरण की बारीकी को कम करके गोपनीयता बनाए रखती हैं।
उदाहरण के लिए, वे एकल उपयोगकर्ताओं से उपयोगकर्ता समूहों में डेटा को सामान्यीकृत कर सकते हैं। बारीकी में यह कमी डेटा के नुकसान और संभवतः डेटा माइनिंग परिणामों की उपयोगिता का कारण बनती है। यह डेटा हानि और गोपनीयता के बीच ट्रेड-ऑफ है।
गोपनीयता-संरक्षित डेटा माइनिंग विधियों के तत्व
1. रैंडमाइजेशन विधियां (Randomization methods)
ये विधियां डेटा में शोर डालकर डेटा के कई मूल्यों को मास्क करती हैं। जोड़ा गया शोर इतना बड़ा होना चाहिए कि व्यक्तिगत डेटा मूल्यों, विशेष रूप से संवेदनशील लोगों को प्राप्त न किया जा सके। इसे कुशलतापूर्वक जोड़ा जाना चाहिए ताकि डेटा माइनिंग के अंतिम परिणाम आम तौर पर संरक्षित रहें। खंडित डेटा से कुल वितरण बदलने के लिए विभिन्न विधियां डिज़ाइन की गई हैं।
2. k-अनामता और l-विविधता विधियां (The k-anonymity and l-diversity methods)
ये दोनों विधियां एकल डेटा को बदलती हैं ताकि उन्हें विशेष रूप से पहचाना न जा सके। k-अनामता विधि में, डेटा प्रतिनिधित्व की बारीकी को पर्याप्त रूप से कम किया जाता है ताकि कोई भी दिया गया डेटा डेटा में न्यूनतम k अन्य रिकॉर्ड पर मैप हो। इसे सामान्यीकरण और दमन जैसी तकनीकों की आवश्यकता होती है।
k-अनामता विधि इस मायने में कमजोर है कि, यदि किसी समूह के अंदर संवेदनशील मूल्यों की एकरूपता है, तो उन मूल्यों को परिवर्तित डेटा के लिए अनुमानित किया जा सकता है। l-विविधता मॉडल को संवेदनशील मूल्यों की अंतर-समूह विविधता को लागू करके गुमनामी प्रदान करके इस कमजोरी को प्रबंधित करने के लिए डिज़ाइन किया गया था। उद्देश्य विरोधियों के लिए डेटा विशेषताओं के संयोजनों का उपयोग करके एकल रिकॉर्ड को सटीक रूप से पहचानना पर्याप्त रूप से कठिन बनाना है।
3. वितरित गोपनीयता संरक्षण (Distributed privacy preservation)
बड़े डेटा सेट को क्षैतिज रूप से (यानी, डेटा सेट को डेटा के कई उपसमूहों में विभाजित किया जाता है और कई साइटों पर वितरित किया जाता है) या लंबवत रूप से (यानी, डेटा सेट को उनकी विशेषताओं द्वारा विभाजित और वितरित किया जाता है), या दोनों के संयोजन में विभाजित और वितरित किया जा सकता है।
जबकि एकल साइटों को अपने पूरे डेटा सेट को साझा करने की आवश्यकता नहीं हो सकती है, वे कई प्रोटोकॉल के उपयोग के साथ सीमित डेटा साझाकरण के लिए सहमति दे सकते हैं। ऐसी विधियों का कुल प्रभाव प्रत्येक एकल वस्तु के लिए गोपनीयता का समर्थन करना है, जबकि कुछ डेटा पर कुल परिणामों को बदलना है।
4. डेटा माइनिंग परिणामों की प्रभावशीलता को कम करना (Downgrading the effectiveness of data mining results)
कई मामलों में, भले ही डेटा उपलब्ध न हो, डेटा माइनिंग का आउटपुट (जैसे, एसोसिएशन नियम और क्लासिफिकेशन मॉडल) गोपनीयता के उल्लंघन का परिणाम हो सकता है। समाधान डेटा या खनन परिणामों को बदलकर डेटा माइनिंग की दक्षता को कम करना हो सकता है, जिसमें कुछ एसोसिएशन नियमों को छिपाना या कुछ क्लासिफिकेशन मॉडल को थोड़ा विकृत करना शामिल है।
