The search for untraceable convicts, without privacy violations

De beknopte uitleg per soort

1. Anonimiseren:

Anonimiseren is niets anders dan een verzameling technieken om data te ontdoen van persoonsgegevens. Dan is de data niet meer herleidbaar naar personen. Dit is vooral nuttig als de geaggregeerde, statistische informatie van belang is.

2. Pseudonimiseren:

Bij pseudonimiseren worden identificeerbare eigenschappen vervangen, zoals de achternaam van een persoon in een dataset, door andere waarden: pseudoniemen. Zonder aanvullende informatie (welk pseudoniem verwijst naar wie) is de data niet meer direct te herleiden naar personen. Dit wordt ingezet als databronnen gekoppeld worden.

3. Bloom filter inzetten:

Een bloom filter is een verkorte weergave (samenvatting) van een aantal objecten om te controleren of een object in een lijst aanwezig is. In het bloom filter zijn de afzonderlijke oorspronkelijke objecten niet herkenbaar. Bloom filters worden ingezet om matching te doen: gecheckt wordt of een persoon ook in een andere database voorkomt.

4. Differential privacy door kansberekening toepassen:

Bij differential privacy wordt een database bevraagd maar wordt een kleine verstoring, op basis van kansen, in het antwoord toegevoegd op zo’n manier dat gegevens nooit kunnen worden herleid naar personen. Differential privacy is nuttig bij statistische analyses en is veilig bij herhaald bevragen van de database. In het geheel van gegevens gaat geen informatie verloren maar de input is niet meer herleidbaar.

5. Secure set intersection gebruiken:

Met secure set intersection kunnen meerdere partijen nagaan welke objecten in hun datasets overeenkomen (een “hit” geven), zonder dat ze informatie over die objecten met elkaar delen.

6. Homomorfe encryptie in berekeningen toepassen:

Homomorfe encryptie is encryptie (versleuteling) waarmee specifieke berekeningen kunnen worden uitgevoerd op versleutelde data zonder deze eerst te hoeven ontcijferen. Dit kan gebruikt worden als men niet geïnteresseerd is in de data zelf maar de data wel in een berekening wil meenemen.

7. Secret sharing voor berekeningen toepassen:

Secret sharing is het in stukjes delen van gegevens waardoor geen gevoelige informatie wordt prijsgegeven maar wel in berekeningen kan worden gebruikt. Net als bij homomorfe encryptie is de functie dat men geïnteresseerd is in de uitkomst maar niet in de onderliggende data zelf.