تقييم تقنيات إخفاء الهوية من خلال تحليل المقايضة بين الخصوصية والفائدة

الملخص

لا يزال تحقيق التوازن بين خصوصية البيانات وفائدتها يمثل تحدياً أساسياً في نشر البيانات مع الحفاظ على الخصوصية. وعلى الرغم من اقتراح العديد من تقنيات إخفاء الهوية، فإن الكثير من الدراسات الحالية تعتمد على مقارنات نظرية أو تقييمات تجريبية محدودة، وغالباً ما تفتقر لإطار موحد لتقييم الخصوصية والفائدة معاً.

تقدم هذه الورقة البحثية تقييماً تجريبياً منهجياً لأربعة من نماذج إخفاء الهوية واسعة الاستخدام: k‑anonymity، ℓ‑diversity، t‑closeness وk‑map. تم إجراء التقييم باستخدام أداة ARX على مجموعة بيانات Adult من العالم الحقيقي، علاوة على ذلك، جرى تقييم نموذجي k‑anonymity، وℓ‑diversity على مجموعة بيانات الرعاية الصحية (Heart Disease).

تم تحليل مقاييس الخصوصية والفائدة ضمن إطار منهجي موحد. ولتعزيز اتساق التقييم وقابليته للتفسير، نقترح مقياس فائدة موحد (UUM) يدمج عدة مقاييس للفائدة في درجة مجمعة واحدة. يقلل هذا النهج من التناقضات المرتبطة بالمقاييس المنفصلة ويقدّم تقييماً أكثر شموليةً لفائدة البيانات.

تكشف النتائج عن علاقة عكسية واضحة بين الخصوصية والفائدة، حيث تؤدي متطلبات الخصوصية الأكثر صرامة إلى تدهور كبير في فائدة البيانات. كذلك، تم تحديد المعلمات المثلى تجريبياً لكل نموذج لتحقيق توازن فعّال. وأخيراً، تم تقديم إرشادات عملية لدعم اتخاذ قرارات مستنيرة بشأن إخفاء الهوية.