Anonymiser des données

Principe général

Les données à caractère personnelles ne sont pas “communicables”.

Exceptions

• Décret « Fourmi-santé »
• Consentement

Décret « Fourmi-santé » 1/2

Informations relatives :

• aux conditions d’organisation de l’administration : organigramme, annuaire de l’administration ;
• aux conditions d’organisation de la vie économique, associative et culturelle : RNA et SIRENE ;
• aux conditions d’organisation et d’exercice des professions réglementées : notaires, avocats, huissiers et architectes ;

Exceptions : Décret « Fourmi-santé » 2/2

• à l’enseignement et la recherche : résultats aux examens et concours administratifs ;
• aux conditions d’organisation et d’exercice des activités sportives ;
• aux conditions d’organisation et d’exercice de la vie politique : RNE ;
• aux conditions d’organisation et d’exercice des activités touristiques ;
• formalités préalables prévues par des dispositions législatives ou réglementaires : occupation du domaine public, etc ;

Exemple : L’annuaire d’Ameli

## Observations: 100
## Variables: 4
## $ X2 <chr> "RABATEL", "MOUGENOT", "AULIN GUILLOT", "TOCHON", "PIQUERAS...
## $ X3 <chr> "FABIEN", "VINCENT", "AGNES", "FRANCOISE", "ERIC", "CHRISTI...
## $ X6 <chr> "50 AVENUE LEON MARIE FOURNET", "50 AVENUE LEON MARIE FOURN...
## $ X9 <chr> "JASSANS RIOTTIER", "JASSANS RIOTTIER", "JASSANS RIOTTIER",...

L’exemple des taxis new-yorkais

• Les données de parcours des taxi new yorkais ont été publié avec hachage des numéros de licence et de permis de conduire
• Un développeur a désanonymisé les 173 millions d’entrées en moins de 2 heures !
• Source : https://arstechnica.com/tech-policy/2014/06/poorly-anonymized-logs-reveal-nyc-cab-drivers-detailed-whereabouts/

Réidentification

• Sweeney (2001) a réidentifié une base de données médicale pseudonymisée en la croisant avec une liste électorale.
• Le croisement réalisé sur un triplet de valeurs : code postal, date de naissance et sexe
• Ce triplet est unique pour environ 80% de la population des Etats-Unis.

Pseudonymisation

Pseudonymisation : traitement de données à caractère personnel de manière à ce qu’on ne puisse pas attribuer les données à une personne physique sans avoir recours à des informations supplémentaires.

Source : Rapport Cadiet

Anonymisation

Anonymisation : traitement de données à caractère personnel afin d’empêcher totalement l’identification d’une personne physique

Source : Rapport Cadiet

Pseudonymiser

• Données structurées : pseudonymisation facile
• Données non structurées (décisions de justice) : méthodes de NLP

Anonymiser

• généralisation
• échantillonnage

Définitions

• Variables directement identifiantes : nom, prénom, identifiant utilisateur, numéro de Sécurité Sociale, etc.
• Variables quasi-identifiantes : une variable est quasi-identifiante, si, une fois combinée avec d’autres variables, elle permet l’identification d’un individu. Par exemple, âge, lieu de naissance et métier.
• Variables sensibles : une variable est dite sensible si elle révèle une information personnelle, privée ou confidentielle à propos d’un individu. Exemple : la personne est malade ou non.

La k-anonymisation

Un jeu de données est k-anonymisé, si et seulement si à chaque combinaison de catégories quasi-identifiantes qui composent la base correspond un minimum de k individus.

Par exemple :

• On s’assure qu’on a au moins 5 individus par combinaison de catégories

anonymizer (work in progress)

une librairie Python qui permet de

• calculer la valeur de k anonymat d’un jeu de données (get_k())
• k anynimiser un jeu de données avec la fonction (local_aggregation())

-> Source https://github.com/SGMAP-AGD/anonymisation

Références

• Anonymisation des données : https://github.com/SGMAP-AGD/anonymisation/wiki
• http://www.benjamin-nguyen.fr/papers/ss.pdf