Techniki anonimizacji danych wyjaśnione na przykładach

Główne techniki anonimizacji danych to maskowanie, uogólnianie, agregowanie, dodawanie szumu, zamiana, tokenizacja, pseudonimizacja i haszowanie, a także dwa sposoby mierzenia uzyskanego efektu: k-anonimowość i prywatność różnicowa. Żadna z nich nie wystarcza sama w sobie. Europejskie organy regulacyjne stwierdzają, że każda technika pozostawia pewne ryzyko ponownej identyfikacji, a wynik uznaje się za anonimowy tylko wtedy, gdy nikt nie może w rozsądny sposób ustalić, kogo dotyczy dany rekord.

Test, według którego ocenia się każdą technikę

Zgodnie z unijnym i brytyjskim RODO informacje anonimowe nie podlegają przepisom o ochronie danych, natomiast dane osobowe im podlegają. Motyw 26 wyznacza tę granicę: bierze się pod uwagę wszelkie środki, „których zastosowanie jest racjonalnie prawdopodobne”, takie jak wyodrębnienie konkretnej osoby, w celu jej bezpośredniej lub pośredniej identyfikacji. W tym samym motywie stwierdzono, że dane pseudonimizowane, które można przypisać osobie przy użyciu dodatkowych informacji, nadal są informacjami o osobie możliwej do zidentyfikowania.

Organy ochrony danych w UE, działające wówczas jako Grupa Robocza Art. 29, ujęły tę kwestię w formie trzech pytań w swojej Opinii 05/2014 w sprawie technik anonimizacji (WP216). Czy nadal można wyodrębnić jedną osobę? Powiązać dwa rekordy dotyczące tej samej osoby? Wywnioskować coś o danej osobie? W opinii stwierdzono, że każda z analizowanych technik w pewnych sytuacjach nie spełnia co najmniej jednego z tych kryteriów, dlatego łączy się różne techniki. Brytyjski organ nadzorczy wytyczne dotyczące anonimizacji i pseudonimizacji, opublikowane 28 marca 2025 r., opierają się na tym samym podejściu uwzględniającym ryzyko.

Jeśli najpierw chcesz poznać różnicę między anonimizacją, pseudonimizacją a usuwaniem lub zasłanianiem informacji, zacznij od artykułu o tym, której z nich potrzebujesz do AI. Ten artykuł dotyczy poszczególnych technik.

Przykładowy rekord

Wszystkie poniższe przykłady zaczynają się od tego samego fikcyjnego rekordu z akt kadrowych:

Anna Kowalski, born 12.03.1989 (37), 14 Elm Street, Leeds,
anna.kowalski@example.com, staff nurse, 12 days of sick leave

Techniki usuwające lub rozmywające wartości

Maskowanie i usuwanie

Maskowanie ukrywa część wartości; usuwanie oznacza skasowanie wartości, kolumny albo całego rekordu.

A***** K*******, born **.**.1989, [address removed], staff nurse

Chroni przed bezpośrednią identyfikacją. Uniemożliwia wykonywanie działań, które wymagają usuniętej wartości, a na podstawie wyniku nie można jej odzyskać. To, co pozostaje, nadal może wskazywać Annę: nietrudno znaleźć na małym oddziale pielęgniarkę urodzoną w 1989 roku. Samo maskowanie rzadko wystarcza, by dane stały się anonimowe.

Uogólnianie

Uogólnianie zastępuje dokładną wartość bardziej ogólną.

age 37 → 30-39; 14 Elm Street, Leeds → Leeds; staff nurse → healthcare worker

Chroni przed wyodrębnieniem osoby, sprawiając, że wiele osób wygląda podobnie. Odbiera precyzję: nie można już stwierdzić, kto jest starszy. Nie da się go odwrócić. To, czy wynik jest anonimowy, zależy od liczby osób mających każdą kombinację cech, co mierzy k-anonimowość (zob. niżej).

Agregacja

Agregacja publikuje sumy lub średnie zamiast pojedynczych wierszy.

Ward 4, 2025: 23 nurses, average sick leave 9.4 days

Chroni osoby, o ile każda grupa jest duża. Uniemożliwia odpowiadanie na wszystkie pytania dotyczące pojedynczej osoby. Jeśli grupa liczy jedną lub dwie osoby, średnia ujawnia wartość danej osoby, dlatego małe komórki zwykle się usuwa.

Szum (perturbacja)

Szum polega na niewielkiej, losowej zmianie wartości.

age 37 → 39; sick leave 12 days → 10 days

Pozwala zachować przybliżoną poprawność statystyk, a jednocześnie sprawia, że poszczególne wartości stają się niewiarygodne. Uniemożliwia uzyskanie dokładnych danych. WP216 ostrzega, że jeśli szum nie przewyższa ilości informacji, nie jest samodzielną metodą anonimizacji: wartość odstająca, na przykład jedyna osoba z 90 dniami urlopu, pozostaje rozpoznawalna.

Zamiana (permutacja)

Zamiana polega na wymianie wartości między rekordami, tak aby sumy w każdej kolumnie pozostały takie same, ale wiersze nie odpowiadały już jednej osobie.

Anna's 12 days of leave ↔ another nurse's 3 days

Chroni przed powiązaniem wartości z konkretną osobą. Niszczy relacje między kolumnami, a WP216 pokazuje, że metoda zawodzi, gdy zamienione wartości są powiązane z innymi kolumnami: pensja menedżera przypisana do stanowiska młodszego pracownika rzuca się w oczy.

Techniki zastępujące identyfikatory

Tokenizacja

Tokenizacja zastępuje identyfikator losowym tokenem, a powiązanie przechowuje w oddzielnej, zabezpieczonej tabeli.

anna.kowalski@example.com → TKN-8F3K2Q

ICO zauważa, że losowy token nie ma matematycznego związku z oryginałem, więc sam token niczego nie ujawnia. Osoba posiadająca tabelę może odwrócić ten proces, dlatego dla niej wynik nadal stanowi dane osobowe.

Pseudonimizacja przy użyciu spójnych symboli zastępczych

Każda osoba, firma lub ulica otrzymuje czytelny symbol zastępczy, a ta sama wartość zawsze otrzymuje ten sam symbol.

Person_1, born [Date_1], [Address_1], staff nurse.
Person_1 asked Person_2 to approve the leave.

Ukrywa bezpośrednie identyfikatory i pozwala zachować czytelność informacji o tym, kto co zrobił, co ma znaczenie w przypadku tekstu. Logika dokumentu zostaje zachowana. Proces można odwrócić przy użyciu mapowania, a zgodnie z motywem 26 dane nadal pozostają danymi osobowymi. Szczegółowe omówienie kwestii posiadacza klucza znajduje się w naszym artykule o tym, czy dane spseudonimizowane nadal są danymi osobowymi.

Haszowanie

Haszowanie polega na przepuszczeniu wartości przez funkcję jednokierunkową i zachowaniu wyniku.

anna.kowalski@example.com → 3f9a…c71e (SHA-256)

Wygląda na nieodwracalne, ale w przypadku imion i nazwisk oraz adresów e-mail często tak nie jest. Każdy, kto ma listę prawdopodobnych wartości, może zahaszować każdą z nich i porównać wyniki: liczba imion i nazwisk pracowników czy adresów firm jest ograniczona. WP216 zwraca uwagę na ten problem w przypadku znanych zakresów wartości wejściowych, a ICO odradza haszowanie bez soli, pieprzu lub klucza, a także używanie przestarzałych algorytmów, takich jak MD5 i SHA-1, ponieważ są podatne na ataki siłowe. Haszowanie z kluczem jest pseudonimizacją; zwykły skrót adresu e-mail ledwo można tak nazwać.

k-anonimowość i prywatność różnicowa

Nie są to metody zmiany wartości. Służą do sprawdzenia lub zagwarantowania, jak dobrze chroniony jest cały zbiór danych.

k-anonimowość oznacza, że każda kombinacja atrybutów identyfikujących (przedział wiekowy, miejscowość, zawód) występuje w co najmniej k rekordach. Przy k = 5 Anna ukrywa się wśród co najmniej pięciu osób, które wyglądają tak samo. Nie zapobiega to wnioskowaniu: jeśli wszystkie pięć osób pracujących w ochronie zdrowia, w wieku od 30 do 39 lat, w Leeds miało ponad dziesięć dni urlopu, można się tego dowiedzieć o Annie. l-różnorodność dodaje zasadę, zgodnie z którą każda grupa musi zawierać co najmniej l różnych wartości atrybutu wrażliwego.

Prywatność różnicowa dotyczy odpowiedzi, a nie wierszy. Do każdej publikowanej statystyki dodaje się szum, którego wielkość dobiera się tak, by odpowiedź zmieniała się nieznacznie niezależnie od tego, czy dane jednej konkretnej osoby znajdują się w zbiorze. Poziom ochrony określa parametr, a większa ochrona oznacza mniej dokładne wartości. Amerykańskie Biuro Spisu Ludności zastosowało ją w produktach danych ze spisu powszechnego z 2020 r. z wyjątkiem sum dla poszczególnych stanów użytych do podziału miejsc w Izbie Reprezentantów. Metoda sprawdza się w przypadku statystyk; nie pomaga w przypadku dokumentu, który ktoś musi przeczytać.

W przypadku tabel narzędzia wykonują te pomiary za Ciebie. ARX, bezpłatne narzędzie desktopowe o otwartym kodzie źródłowym oraz biblioteka Java (licencja Apache 2.0, wersja 3.9.2 według stanu na październik 2026 r.), stosuje uogólnianie, usuwanie i mikroagregację do danych strukturalnych oraz sprawdza wynik pod kątem k-anonimowości, l-różnorodności, t-bliskości i prywatności różnicowej. Szacuje również pozostałe ryzyko ponownej identyfikacji. Narzędzie jest przeznaczone do zbiorów danych, takich jak pliki CSV, arkusze Excel i tabele baz danych, a nie do umów czy listów.

Porównanie wszystkich technik

W większości wierszy tabeli widnieje „zależy”, ponieważ o tym, czy zbiór danych jest anonimowy, decyduje się w odniesieniu do całego zbioru i jego kontekstu, a nie pojedynczej techniki. Jeśli zamierzasz opublikować lub udostępnić cokolwiek jako anonimowe, skonsultuj się z inspektorem ochrony danych lub prawnikiem specjalizującym się w ochronie danych.

Które techniki nadają się do dokumentów przekazywanych AI

Zbiór danych do celów statystycznych i dokument przeznaczony dla chatbota AI wymagają czegoś zupełnie innego. Statystyki potrzebują wielu wierszy i braku informacji o poszczególnych osobach; do tego służą agregacja, uogólnianie, k-anonimowość i prywatność różnicowa. Umowa, wątek e-maili czy list ze skargą dotyczy konkretnych osób, a AI musi umieć je śledzić.

W przypadku dokumentów większość pracy wykonują trzy techniki:

• Pseudonimizacja przy użyciu spójnych symboli zastępczych dla nazwisk i imion, firm, adresów, e-maili i numerów identyfikacyjnych. Person_1 pozostaje Person_1 w całym tekście, więc AI może ustalić, kto co napisał i kto jest komu winien pieniądze. Czarne paski lub pojedynczy symbol „[ZREDAKOWANO]” zacierają te informacje; zobacz dlaczego symbole zastępcze sprawdzają się lepiej.
• Uogólnianie dat i miejsc, których pytanie nie wymaga w dokładnej postaci: „marzec 2025 r.” zamiast konkretnego dnia, „miasto na północy Anglii” zamiast ulicy.
• Usuwanie wszystkiego, czego pytanie w ogóle nie wymaga, na przykład informacji o stanie zdrowia w dokumencie, w którym pytasz jedynie o okresy wypowiedzenia.

Szum, zamiana i prywatność różnicowa nie mają tu zastosowania: zmiana faktów w dokumencie sprawi, że AI udzieli błędnej odpowiedzi. Haszowanie zamienia nazwiska w ciągi znaków, których nikt, także AI, nie potrafi odczytać w kontekście.

Wynikiem jest pseudonimizacja, więc przepisy o ochronie danych nadal Cię obowiązują. Zmienia się to, co opuszcza Twój komputer. Jeśli wybierasz do tego oprogramowanie, nasza lista kontrolna dotycząca tego, czego szukać w narzędziu do pseudonimizacji omawia, dokąd trafiają dane i jak przywrócić nazwy.

Często zadawane pytania

Jaka technika anonimizacji danych jest najskuteczniejsza?

Nie ma jednej takiej techniki. WP216 wykazało, że każda analizowana technika w pewnych sytuacjach nie spełnia co najmniej jednego z trzech kryteriów. W przypadku statystycznych zbiorów danych najlepsze wyniki dają uogólnianie i usuwanie mierzone za pomocą k-anonimowości albo prywatność różnicowa. W przypadku dokumentów, które AI musi przeczytać, praktycznym rozwiązaniem jest pseudonimizacja połączona z uogólnianiem dat i miejsc, ale nie jest to anonimizacja.

Czy zahaszowanie adresu e-mail wystarczy, żeby go zanonimizować?

Nie. Adresy e-mail mają przewidywalny format, więc osoba atakująca może zahaszować listę prawdopodobnych adresów i dopasować wyniki. Bezpieczniejsze są haszowanie z kluczem albo losowy token, ale oba rozwiązania nadal stanowią pseudonimizację, a nie anonimizację.

Czym są narzędzia do anonimizacji danych w tabelach?

Bezpłatnym narzędziem o otwartym kodzie źródłowym jest na przykład ARX: wczytujesz plik CSV, plik Excel lub tabelę bazy danych, ustawiasz zasady uogólniania i usuwania, wybierasz model prywatności, taki jak k-anonimowość, a narzędzie podaje pozostałe ryzyko. Tego rodzaju narzędzia działają na kolumnach i wierszach, a nie na tekście ciągłym.

Czy zanonimizowane dane podlegają RODO?

Zgodnie z motywem 26 prawdziwie anonimowe dane nie podlegają RODO. Dane spseudonimizowane podlegają. Trudność polega na wykazaniu, że nikt nie może w rozsądny sposób ponownie zidentyfikować danych, dlatego organy nadzorcze traktują anonimizację jako ocenę ryzyka, a nie pojedynczy krok.

ClientSafe pseudonimizuje dokumenty na Twoim komputerze: zastępuje imiona i nazwiska, nazwy firm, adresy, numery telefonów, adresy e-mail, numery kont i identyfikacyjne oraz daty urodzenia symbolami zastępczymi, takimi jak Person_1, a tę samą nazwę zastępuje tym samym symbolem we wszystkich dokumentach w danej sprawie. Wykrywanie nie jest doskonałe, więc przed skopiowaniem tekstu sprawdź listę.