Основные методы обезличивания данных — маскирование, обобщение, агрегирование, добавление шума, перестановка, токенизация, псевдонимизация и хеширование, а также два способа оценки результата: k-анонимность и дифференциальная приватность. Ни одного из них недостаточно по отдельности. Европейские регуляторы указывают, что каждый метод оставляет некоторый риск повторной идентификации, а данные считаются анонимными только тогда, когда никто не может разумными средствами установить, к кому относится запись.
Критерий, по которому оценивают каждый метод
Согласно GDPR и UK GDPR анонимная информация не подпадает под законодательство о защите данных, а персональные данные подпадают. Преамбула 26 определяет эту границу: учитываются все средства, «которые с разумной вероятностью могут быть использованы», например выделение записи, чтобы прямо или косвенно идентифицировать человека. В той же преамбуле говорится, что псевдонимизированные данные, которые можно соотнести с человеком с помощью дополнительной информации, всё равно являются информацией об идентифицируемом человеке.
Европейские органы по защите данных того времени — Рабочая группа по статье 29 — свели это к трём вопросам в своём документе «Заключение 05/2014 о методах анонимизации» (WP216). Можно ли по-прежнему выделить конкретного человека? Связать две записи об одном и том же человеке? Сделать вывод о человеке? В заключении сказано, что каждый рассмотренный метод в некоторых ситуациях не проходит хотя бы одну из этих проверок, поэтому методы комбинируют. В руководстве британского регулятора по анонимизации и псевдонимизации, опубликованном 28 марта 2025 года, применяется такой же подход с оценкой рисков.
Если сначала нужно разобраться в разнице между анонимизацией, псевдонимизацией и редактированием данных, начните с материала о том, какой метод нужен для ИИ. В этой статье рассматриваются отдельные методы.
Пример записи
Все примеры ниже начинаются с одной и той же вымышленной записи из кадрового файла:
Anna Kowalski, born 12.03.1989 (37), 14 Elm Street, Leeds,
anna.kowalski@example.com, staff nurse, 12 days of sick leaveМетоды, которые удаляют или размывают значения
Маскирование и удаление данных
Маскирование скрывает часть значения; удаление данных стирает значение, столбец или всю запись.
A***** K*******, born **.**.1989, [address removed], staff nurseЭто защищает от прямой идентификации. При этом становится невозможно выполнить любую операцию, требующую удалённого значения, а восстановить его по результату нельзя. Оставшиеся сведения всё ещё могут указывать на Анну: найти медсестру, родившуюся в 1989 году, в небольшом отделении нетрудно. Одного маскирования редко достаточно, чтобы данные стали анонимными.
Обобщение
Обобщение заменяет точное значение более широким.
age 37 → 30-39; 14 Elm Street, Leeds → Leeds; staff nurse → healthcare workerОно защищает от выделения конкретной записи, делая многих людей похожими друг на друга. При этом теряется точность: уже нельзя сказать, кто старше. Обобщение необратимо. Анонимны ли полученные данные, зависит от того, сколько людей имеют одинаковое сочетание признаков; именно это измеряет k-анонимность (см. ниже).
Агрегирование
При агрегировании вместо отдельных строк публикуются суммарные или средние значения.
Ward 4, 2025: 23 nurses, average sick leave 9.4 daysОно защищает людей, если каждая группа достаточно велика. Но с его помощью нельзя ответить ни на один вопрос об отдельном человеке. Если в группе один или два человека, среднее значение раскрывает индивидуальный показатель, поэтому небольшие ячейки обычно удаляют.
Добавление шума (возмущение данных)
Шум немного изменяет значения случайным образом.
age 37 → 39; sick leave 12 days → 10 daysЭто позволяет сохранять примерную точность статистики, делая ненадёжным каждое отдельное значение. При этом теряется точность конкретных цифр. WP216 предупреждает: если шум не перевешивает содержащуюся в данных информацию, он не является самостоятельным методом анонимизации. Выброс, например единственный человек с 90 днями отпуска, всё равно можно узнать.
Перестановка (пермутация)
При перестановке значения меняются местами между записями: итоги по каждому столбцу сохраняются, но строки больше не относятся к одному и тому же человеку.
Anna's 12 days of leave ↔ another nurse's 3 daysЭто защищает от привязки значения к конкретному человеку. При этом нарушаются связи между столбцами, а WP216 показывает, что метод не срабатывает, если переставленные значения связаны с другими столбцами: зарплата руководителя, перенесённая в строку с должностью младшего сотрудника, будет выделяться.
Методы, которые заменяют идентификаторы
Токенизация
Токенизация заменяет идентификатор случайным токеном и хранит связь между ними в отдельной защищённой таблице.
anna.kowalski@example.com → TKN-8F3K2QICO отмечает, что случайный токен математически не связан с исходным значением, поэтому сам по себе он ничего не раскрывает. Тот, у кого есть таблица, может выполнить обратную замену, поэтому для него результат всё ещё является персональными данными.
Псевдонимизация с постоянными обозначениями
Каждому человеку, компании или адресу присваивается понятное обозначение, и одно и то же значение всегда получает одно и то же обозначение.
Person_1, born [Date_1], [Address_1], staff nurse.
Person_1 asked Person_2 to approve the leave.Этот метод скрывает прямые идентификаторы, но позволяет понять, кто что сделал, что важно для текста. Логика документа сохраняется. С помощью таблицы соответствий данные можно восстановить, а согласно Преамбуле 26 они остаются персональными данными. Подробнее о том, кто владеет ключом, см. в нашей статье о том, остаются ли псевдонимизированные данные персональными данными.
Хеширование
При хешировании значение пропускают через одностороннюю функцию и сохраняют результат.
anna.kowalski@example.com → 3f9a…c71e (SHA-256)Хеширование выглядит необратимым, но для имён и адресов электронной почты это часто не так. Любой, у кого есть список вероятных значений, может хешировать каждое из них и сравнить результаты: имён сотрудников или адресов компаний не так уж много. WP216 указывает на эту проблему применительно к известным диапазонам исходных значений, а ICO не рекомендует хеширование без соли, перца или ключа, а также устаревшие алгоритмы, например MD5 и SHA-1, поскольку они уязвимы для атак перебором. Хеширование с ключом — это псевдонимизация; простой хеш адреса электронной почты едва ли можно так назвать.
k-анонимность и дифференциальная приватность
Эти методы не изменяют значение. Они позволяют проверить или гарантировать, насколько хорошо защищён весь набор данных.
k-анонимность означает, что каждое сочетание идентифицирующих признаков (возрастная группа, город, профессия) встречается как минимум в k записях. При k = 5 Анна затеряется как минимум среди пяти похожих на неё людей. Однако этот метод не предотвращает выводы: если все пять медицинских работников в возрасте от 30 до 39 лет в Лидсе брали отпуск более десяти дней, вы узнаете это и об Анне. l-разнообразие добавляет требование, чтобы в каждой группе было не менее l разных значений чувствительного признака.
Дифференциальная приватность применяется к ответам, а не к строкам. К каждой публикуемой статистике добавляется шум, откалиброванный так, чтобы ответ почти не менялся в зависимости от того, включён ли в данные конкретный человек. Уровень защиты задаётся параметром, и более высокая защита означает менее точные цифры. Бюро переписи населения США использовало этот метод для статистических продуктов переписи 2020 года за исключением итоговых показателей по штатам, применявшихся для распределения мест. Метод подходит для статистики, но бесполезен для документа, который нужно прочитать.
Для таблиц эти измерения выполняют за вас специальные инструменты. ARX— бесплатный инструмент с открытым исходным кодом для настольных компьютеров и библиотека Java (лицензия Apache 2.0; версия 3.9.2 по состоянию на октябрь 2026 года). Он применяет обобщение, удаление данных и микроагрегирование к структурированным данным и проверяет результат на соответствие требованиям k-анонимности, l-разнообразия, t-близости и дифференциальной приватности. Он также оценивает сохраняющийся риск повторной идентификации. Инструмент предназначен для наборов данных, таких как файлы CSV, таблицы Excel и таблицы баз данных, а не для договоров или писем.
Сравнение всех методов
| Метод | Защищает от | Нарушает | Обратим | По-прежнему является персональными данными согласно GDPR |
|---|---|---|---|---|
| Маскирование, удаление данных | Прямая идентификация | Любых операций, для которых нужно это значение | Нет | Обычно да, если остаются другие сведения |
| Обобщение | Выделение конкретной записи | Точность | Нет | Зависит от размера групп |
| Агрегирование | Выделение конкретной записи, связывание записей | Любых вопросов об отдельных людях | Нет | Часто нет, если группы велики |
| Шум | Точные значения | Точные цифры | Нет | Обычно да, если применять отдельно |
| Перестановка | Связывание значения с конкретным человеком | Связи между столбцами | Нет | Обычно да, если применять отдельно |
| Токенизация | Прямая идентификация | В малой степени | Да, если есть таблица | Да |
| Псевдонимизация (обозначения) | Прямая идентификация | В малой степени; текст остаётся читаемым | Да, если есть таблица соответствий | Да |
| Хеширование | Поверхностное прочтение | В малой степени | Часто можно, угадав, даже без ключа | Да |
| k-анонимность, l-разнообразие | Выделение конкретной записи; выводы о чувствительных данных (l) | Точность, отдельные записи | Нет | Зависит от k, l и контекста |
| Дифференциальная приватность | Получение сведений об одном человеке из статистики | Точные цифры, любые операции с отдельными людьми | Нет | Зависит от параметров |
В большинстве строк указано «зависит», потому что анонимность определяется для всего набора данных в контексте его использования, а не для отдельного метода. Если вы собираетесь публиковать или передавать данные как анонимные, проконсультируйтесь со специалистом по защите данных (DPO) или юристом по защите данных.
Какие методы подходят для документов, передаваемых ИИ
Набор статистических данных и документ для чат-бота с ИИ требуют противоположного. Для статистики нужно много строк и отсутствие сведений об отдельных людях; для этого предназначены агрегирование, обобщение, k-анонимность и дифференциальная приватность. Договор, переписка по электронной почте или письмо с жалобой касаются конкретных людей, и ИИ должен уметь отслеживать, кто есть кто.
Для документов основную работу выполняют три метода:
- Псевдонимизация с постоянными обозначениями для имён, компаний, адресов, адресов электронной почты и номеров удостоверений личности. Person_1 остаётся Person_1 во всём тексте, поэтому ИИ может понять, кто что написал и кто кому должен. Чёрные полосы или единое обозначение «[REDACTED]» стирают эту информацию; см. почему обозначения работают лучше.
- Обобщение дат и мест, которые не нужны для ответа с высокой точностью: «март 2025 года» вместо конкретного дня, «город на севере Англии» вместо улицы.
- Удаление всего, что вовсе не нужно для ответа, например сведений о здоровье из документа, по которому вы спрашиваете только о сроках уведомления.
Шум, перестановка и дифференциальная приватность здесь не подходят: изменение фактов в документе приводит к неверному ответу ИИ. Хеширование превращает имена в строки, которые никто, включая ИИ, не сможет понять в контексте.
В результате данные псевдонимизируются, поэтому правила защиты данных по-прежнему применяются к вам. Меняется лишь то, какие данные покидают ваш ПК. Если вы выбираете для этого программное обеспечение, ознакомьтесь с нашим списком того, на что обращать внимание при выборе инструмента для псевдонимизации : в нём описано, куда попадают данные и как восстанавливаются имена.
Часто задаваемые вопросы
Какой метод обезличивания данных наиболее эффективен?
Единственного такого метода нет. WP216 установила, что каждый рассмотренный метод в некоторых ситуациях не проходит хотя бы одну из трёх проверок. Для статистических наборов данных наилучшие результаты дают обобщение и удаление данных с оценкой k-анонимности либо дифференциальная приватность. Для документов, которые должен читать ИИ, практичным выбором является псевдонимизация с обобщением дат и мест, но это не анонимизация.
Достаточно ли хешировать адрес электронной почты, чтобы обезличить его?
Нет. Адреса электронной почты составляются по предсказуемым шаблонам, поэтому злоумышленник может хешировать список вероятных адресов и сопоставить результаты. Хеширование с ключом или случайный токен надёжнее, но и то и другое является псевдонимизацией, а не анонимизацией.
Какие инструменты для обезличивания табличных данных существуют?
ARX — бесплатный инструмент с открытым исходным кодом. Вы загружаете CSV-файл, файл Excel или таблицу базы данных, задаёте правила обобщения и удаления данных, выбираете модель конфиденциальности, например k-анонимность, а затем получаете оценку сохраняющегося риска. Такие инструменты работают со столбцами и строками, а не со связным текстом.
Подпадают ли анонимизированные данные под действие GDPR?
По Преамбуле 26 по-настоящему анонимные данные не подпадают. Псевдонимизированные данные подпадают. Сложность заключается в том, чтобы доказать, что никто не может разумными средствами повторно идентифицировать данные; поэтому регуляторы рассматривают анонимизацию как оценку риска, а не как отдельный шаг.
ClientSafe псевдонимизирует документы на вашем ПК: заменяет имена, названия компаний, адреса, номера телефонов, адреса электронной почты, номера счетов и удостоверений личности, а также даты рождения обозначениями, например Person_1, и использует одно и то же обозначение для одного и того же имени во всех документах дела. Распознавание не идеально, поэтому перед копированием проверьте список.