Giải thích các kỹ thuật ẩn danh hóa dữ liệu bằng ví dụ

Các kỹ thuật ẩn danh dữ liệu chính gồm che một phần thông tin, khái quát hóa, tổng hợp, thêm nhiễu, hoán đổi, mã hóa bằng token, giả danh hóa và băm, cùng với hai cách đo lường kết quả: k-anonymity và quyền riêng tư vi sai. Không kỹ thuật nào đủ dùng một mình. Các cơ quan quản lý châu Âu cho biết mọi kỹ thuật đều để lại một mức độ rủi ro tái nhận dạng, và kết quả chỉ được xem là ẩn danh khi không ai có thể tìm ra một cách hợp lý rằng hồ sơ nói về ai.

Tiêu chí dùng để đánh giá mọi kỹ thuật

Theo GDPR của EU và GDPR của Vương quốc Anh, thông tin ẩn danh nằm ngoài phạm vi luật bảo vệ dữ liệu, còn dữ liệu cá nhân nằm trong phạm vi luật này. Lời mở đầu 26 nêu rõ ranh giới: cần tính đến mọi phương tiện "có khả năng được sử dụng một cách hợp lý", chẳng hạn như khả năng phân biệt riêng một người, để nhận diện trực tiếp hoặc gián tiếp người đó. Cùng lời mở đầu cũng nêu rằng dữ liệu được giả danh hóa mà có thể quy về một người nhờ thông tin bổ sung vẫn là thông tin về một người có thể nhận diện.

Các cơ quan quản lý bảo vệ dữ liệu của EU thời đó, Nhóm Công tác Điều 29, đã chuyển nguyên tắc này thành ba câu hỏi trong Ý kiến 05/2014 về các kỹ thuật ẩn danh hóa (WP216). Người ta có thể vẫn phân biệt riêng một cá nhân không? Có thể liên kết hai hồ sơ về cùng một người không? Có thể suy luận điều gì đó về một người không? Ý kiến này kết luận rằng mỗi kỹ thuật được xem xét đều không vượt qua ít nhất một câu hỏi trong một số tình huống, đó là lý do cần kết hợp nhiều kỹ thuật. Hướng dẫn của cơ quan quản lý Vương quốc Anh về ẩn danh hóa và giả danh hóa, được công bố ngày 28 tháng 3 năm 2025, cũng áp dụng cách tiếp cận dựa trên rủi ro tương tự.

Nếu trước tiên bạn cần phân biệt ẩn danh hóa, giả danh hóa và biên tập xóa thông tin, hãy bắt đầu với bài viết về cách chọn phương án cần dùng cho AI. Bài viết này tập trung vào từng kỹ thuật riêng lẻ.

Hồ sơ mẫu

Tất cả ví dụ dưới đây đều bắt đầu từ cùng một hồ sơ giả định trong hồ sơ nhân sự:

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

Các kỹ thuật xóa hoặc làm mờ giá trị

Che một phần thông tin và xóa thông tin

Che một phần thông tin là ẩn một phần giá trị; xóa thông tin là xóa giá trị, cột hoặc toàn bộ hồ sơ.

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

Các cách này bảo vệ khỏi việc nhận diện trực tiếp. Chúng làm mất khả năng xử lý mọi việc cần giá trị đã bị xóa và không thể đảo ngược dựa trên đầu ra. Phần còn lại vẫn có thể chỉ đến Anna: tìm một điều dưỡng trong khoa nhỏ sinh năm 1989 không khó. Chỉ che thông tin thường hiếm khi khiến dữ liệu trở thành ẩn danh.

Khái quát hóa

Khái quát hóa thay một giá trị chính xác bằng một giá trị rộng hơn.

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

Cách này bảo vệ khỏi việc phân biệt riêng một người bằng cách khiến nhiều người trông giống nhau. Nó làm mất độ chính xác: bạn không còn biết ai lớn tuổi hơn. Không thể đảo ngược. Việc kết quả có ẩn danh hay không phụ thuộc vào số người có cùng tổ hợp thuộc tính; đó là điều k-anonymity đo lường (xem bên dưới).

Tổng hợp

Tổng hợp công bố các con số tổng hoặc số trung bình thay vì từng hàng dữ liệu cá nhân.

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

Cách này bảo vệ từng cá nhân miễn là mỗi nhóm đủ lớn. Nó làm mất khả năng trả lời mọi câu hỏi về một người cụ thể. Với nhóm chỉ có một hoặc hai người, số trung bình sẽ tiết lộ con số của cá nhân, vì vậy các ô dữ liệu có số lượng nhỏ thường bị xóa.

Nhiễu (làm nhiễu dữ liệu)

Nhiễu làm các giá trị thay đổi đôi chút một cách ngẫu nhiên.

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

Nhiễu giúp các số liệu thống kê nhìn chung vẫn chính xác, đồng thời khiến từng giá trị riêng lẻ không còn đáng tin cậy. Phương pháp này làm mất tính chính xác của các con số cụ thể. WP216 cảnh báo rằng nếu mức nhiễu không lớn hơn lượng thông tin thì nhiễu không phải là phương pháp ẩn danh hóa độc lập: một giá trị ngoại lệ, chẳng hạn người duy nhất có 90 ngày nghỉ phép, vẫn dễ bị nhận ra.

Hoán đổi (hoán vị)

Hoán đổi chuyển các giá trị giữa những bản ghi, nhờ đó tổng của mỗi cột vẫn được giữ nguyên nhưng các hàng không còn thuộc về cùng một người.

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

Phương pháp này bảo vệ khỏi việc liên kết một giá trị với một người. Nó phá vỡ mối quan hệ giữa các cột, và WP216 cho thấy phương pháp thất bại khi các giá trị đã hoán đổi vẫn gắn với những cột khác: mức lương của một quản lý được chuyển sang chức danh công việc cấp dưới sẽ trở nên nổi bật.

Các kỹ thuật thay thế thông tin định danh

Token hóa

Token hóa thay một mã định danh bằng một token ngẫu nhiên và lưu mối liên kết trong một bảng riêng được bảo vệ.

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

ICO lưu ý rằng token ngẫu nhiên không có mối liên hệ toán học nào với giá trị ban đầu, vì vậy chỉ riêng token không tiết lộ điều gì. Người nắm giữ bảng có thể đảo ngược quy trình, đó là lý do kết quả vẫn là dữ liệu cá nhân đối với họ.

Giả danh hóa bằng chỗ giữ chỗ nhất quán

Mỗi người, công ty hoặc địa chỉ được gán một chỗ giữ chỗ dễ đọc, và cùng một giá trị luôn được thay bằng cùng một chỗ giữ chỗ.

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

Phương pháp này che giấu các mã định danh trực tiếp nhưng vẫn giữ cho nội dung về việc ai làm gì dễ đọc, điều rất quan trọng đối với văn bản. Mạch logic của tài liệu vẫn được giữ nguyên. Có thể đảo ngược bằng bảng ánh xạ, và theo Điều khoản mở đầu 26, dữ liệu vẫn là dữ liệu cá nhân. Câu hỏi chi tiết về người nắm giữ khóa được đề cập trong bài viết của chúng tôi về việc dữ liệu đã giả danh hóa có còn là dữ liệu cá nhân hay không.

Băm

Băm đưa một giá trị qua một hàm một chiều và lưu lại kết quả.

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

Cách này có vẻ không thể đảo ngược, nhưng với tên và địa chỉ email thì thường không phải vậy. Bất kỳ ai có danh sách các giá trị có khả năng xuất hiện đều có thể băm từng giá trị rồi so sánh: số tên nhân viên hoặc địa chỉ công ty có thể có là hữu hạn. WP216 nêu vấn đề này đối với các phạm vi đầu vào đã biết, và ICO khuyến cáo không nên băm mà không có salt, pepper hoặc khóa, cũng như không dùng các thuật toán lỗi thời như MD5 và SHA-1, vì chúng dễ bị tấn công vét cạn. Băm có khóa là giả danh hóa; băm email thông thường hầu như không được xem là như vậy.

k-anonymity và quyền riêng tư vi sai

Đây không phải là những cách thay đổi một giá trị. Đây là những cách kiểm tra hoặc bảo đảm mức độ bảo vệ của toàn bộ tập dữ liệu.

k-anonymity có nghĩa là mỗi tổ hợp thuộc tính nhận dạng (nhóm tuổi, thị trấn, công việc) xuất hiện trong ít nhất k bản ghi. Với k = 5, Anna ẩn mình giữa ít nhất năm người có đặc điểm giống cô ấy. Phương pháp này không ngăn được suy luận: nếu cả năm nhân viên y tế từ 30 đến 39 tuổi ở Leeds đều nghỉ phép hơn mười ngày, bạn sẽ biết điều đó về Anna. l-diversity bổ sung quy tắc yêu cầu mỗi nhóm phải có ít nhất l giá trị khác nhau của thuộc tính nhạy cảm.

Quyền riêng tư vi sai áp dụng cho các câu trả lời thay vì từng hàng dữ liệu. Nhiễu được thêm vào mỗi số liệu thống kê được công bố, với mức độ được hiệu chỉnh sao cho câu trả lời hầu như không thay đổi dù có hay không có dữ liệu của bất kỳ một người nào trong tập dữ liệu. Mức bảo vệ được xác định bằng một tham số; bảo vệ càng mạnh thì số liệu càng kém chính xác. Cục Điều tra Dân số Hoa Kỳ đã sử dụng phương pháp này cho các sản phẩm dữ liệu của Điều tra Dân số năm 2020 ngoại trừ tổng số theo tiểu bang dùng để phân bổ đại diện. Phương pháp này phù hợp với thống kê; nó không giúp gì cho một tài liệu mà ai đó cần đọc.

Đối với bảng dữ liệu, các công cụ sẽ đo lường những điều này thay bạn. ARX, một công cụ máy tính để bàn và thư viện Java miễn phí, mã nguồn mở (giấy phép Apache 2.0, phiên bản 3.9.2 tính đến tháng 10 năm 2026), áp dụng khái quát hóa, loại bỏ và vi tổng hợp cho dữ liệu có cấu trúc, đồng thời kiểm tra kết quả theo k-anonymity, l-diversity, t-closeness và quyền riêng tư vi sai. Công cụ này cũng ước tính rủi ro tái nhận dạng còn lại. Nó được thiết kế cho các tập dữ liệu như tệp CSV, bảng tính Excel và bảng cơ sở dữ liệu, chứ không phải hợp đồng hay thư từ.

So sánh tất cả kỹ thuật

Phần lớn các hàng ghi “tùy thuộc” vì việc một tập dữ liệu có ẩn danh hay không được quyết định dựa trên toàn bộ tập dữ liệu trong bối cảnh sử dụng, chứ không phải dựa trên từng kỹ thuật. Nếu định công bố hoặc chia sẻ dữ liệu dưới dạng ẩn danh, hãy hỏi DPO hoặc luật sư về bảo vệ dữ liệu.

Những kỹ thuật phù hợp với tài liệu bạn đưa cho AI

Một tập dữ liệu dùng cho thống kê và một tài liệu dành cho chatbot AI đòi hỏi những điều trái ngược nhau. Thống kê cần nhiều hàng và không có cá nhân nào nổi bật; tổng hợp, khái quát hóa, k-anonymity và quyền riêng tư vi sai được thiết kế cho mục đích đó. Hợp đồng, chuỗi email hoặc thư khiếu nại nói về những người cụ thể, và AI cần theo dõi được họ.

Đối với tài liệu, có ba kỹ thuật đảm nhiệm phần lớn công việc:

• Giả danh hóa bằng chỗ giữ chỗ nhất quán cho tên, công ty, địa chỉ, email và số ID. Person_1 vẫn là Person_1 xuyên suốt toàn bộ văn bản, để AI có thể phân biệt ai viết gì và ai nợ ai. Các vạch đen hoặc một chỗ giữ chỗ duy nhất “[ĐÃ LƯỢC BỎ]” sẽ xóa mất điều đó; xem vì sao chỗ giữ chỗ hiệu quả hơn.
• Khái quát hóa ngày tháng và địa điểm mà câu hỏi không cần chính xác: “tháng 3 năm 2025” thay vì ngày cụ thể, “một thành phố ở miền bắc nước Anh” thay vì tên đường.
• Loại bỏ những gì câu hỏi hoàn toàn không cần, chẳng hạn chi tiết sức khỏe trong tài liệu mà bạn chỉ hỏi về thời hạn báo trước.

Nhiễu, hoán đổi và quyền riêng tư vi sai không phù hợp trong trường hợp này: thay đổi sự thật trong tài liệu sẽ khiến câu trả lời của AI sai. Băm biến tên thành các chuỗi mà không ai, kể cả AI, có thể hiểu trong ngữ cảnh.

Kết quả là dữ liệu đã giả danh hóa, vì vậy các quy tắc bảo vệ dữ liệu vẫn áp dụng cho bạn. Điều thay đổi là những gì rời khỏi máy tính của bạn. Nếu đang chọn phần mềm cho việc này, danh sách kiểm tra của chúng tôi về những điều cần tìm ở một công cụ giả danh hóa giải thích dữ liệu được chuyển đi đâu và tên được khôi phục như thế nào.

Câu hỏi thường gặp

Kỹ thuật ẩn danh hóa dữ liệu nào hiệu quả nhất?

Không có một kỹ thuật duy nhất. WP216 nhận thấy rằng trong một số tình huống, mọi kỹ thuật được xem xét đều không đạt ít nhất một trong ba phép thử. Đối với tập dữ liệu thống kê, khái quát hóa và loại bỏ được đánh giá bằng k-anonymity, hoặc quyền riêng tư vi sai, cho kết quả mạnh nhất. Đối với tài liệu mà AI cần đọc, lựa chọn thực tế là giả danh hóa kết hợp khái quát hóa ngày tháng và địa điểm; đây không phải là ẩn danh hóa.

Băm địa chỉ email có đủ để ẩn danh hóa không?

Không. Địa chỉ email tuân theo các mẫu dễ đoán, nên kẻ tấn công có thể băm danh sách các địa chỉ có khả năng xuất hiện rồi đối chiếu kết quả. Băm có khóa hoặc token ngẫu nhiên sẽ an toàn hơn, nhưng cả hai vẫn là giả danh hóa chứ không phải ẩn danh hóa.

Các công cụ ẩn danh hóa dữ liệu cho bảng là gì?

ARX là một ví dụ miễn phí, mã nguồn mở: bạn tải tệp CSV, tệp Excel hoặc bảng cơ sở dữ liệu lên, đặt quy tắc khái quát hóa và loại bỏ, chọn mô hình quyền riêng tư như k-anonymity, rồi công cụ báo cáo rủi ro còn lại. Các công cụ loại này xử lý cột và hàng, chứ không xử lý văn bản liên tục.

Dữ liệu đã ẩn danh có thuộc phạm vi GDPR không?

Theo Điều khoản mở đầu 26, dữ liệu thực sự ẩn danh thì không. Dữ liệu đã giả danh hóa thì có. Khó khăn nằm ở việc chứng minh rằng không ai có thể tái nhận dạng dữ liệu một cách hợp lý; đó là lý do các cơ quan quản lý xem ẩn danh hóa là một đánh giá rủi ro chứ không phải một bước đơn lẻ.

ClientSafe giả danh hóa tài liệu trên máy tính của bạn: công cụ thay tên, công ty, địa chỉ, số điện thoại, địa chỉ email, số tài khoản và ID, cũng như ngày sinh bằng các chỗ giữ chỗ như Person_1, đồng thời giữ nguyên chỗ giữ chỗ cho cùng một tên trong mọi tài liệu thuộc một vụ việc. Việc phát hiện không hoàn hảo, vì vậy hãy xem lại danh sách trước khi sao chép.