Khai thác dữ liệu bảo toàn quyền riêng tư là ứng dụng nghiên cứu khai thác dữ liệu để đáp ứng bảo mật quyền riêng tư trong khai thác dữ liệu. Nó còn gọi là khai thác dữ liệu tăng cường quyền riêng tư hoặc nhạy cảm quyền riêng tư. Nó xử lý việc đạt kết quả khai thác dữ liệu đúng mà không tiết lộ giá trị dữ liệu nhạy cảm cơ bản.
Hầu hết các phương pháp khai thác dữ liệu bảo toàn quyền riêng tư sử dụng các dạng biến đổi (transformation) trên dữ liệu để thực hiện bảo toàn quyền riêng tư. Thông thường, các phương pháp này giảm độ chi tiết của mô tả để giữ quyền riêng tư.
Ví dụ, chúng có thể khái quát hóa dữ liệu từ người dùng đơn lẻ thành nhóm người dùng. Sự giảm độ chi tiết này gây mất mát dữ liệu và có thể làm giảm hiệu dụng của kết quả khai thác dữ liệu. Đây là sự đánh đổi giữa mất dữ liệu và quyền riêng tư.
Các phương pháp khai thác dữ liệu bảo toàn quyền riêng tư có thể được định nghĩa thành các yếu tố sau:
Phương pháp Ngẫu nhiên hóa (Randomization Methods)
Các phương pháp này thêm nhiễu (noise) vào dữ liệu để che giấu một số giá trị dữ liệu. Nhiễu thêm phải đủ lớn để giá trị dữ liệu riêng lẻ, đặc biệt là nhạy cảm, không thể được khôi phục.
Nó phải được thêm khéo léo để kết quả cuối cùng của khai thác dữ liệu được bảo toàn chung. Có nhiều phương pháp được thiết kế để thay đổi phân phối tổng hợp từ dữ liệu bị nhiễu loạn (perturbed data).
Phương pháp k-ẩn danh (k-anonymity) và l-đa dạng (l-diversity)
Cả hai phương pháp này thay đổi dữ liệu đơn lẻ để chúng không thể được nhận diện cụ thể. Trong phương pháp k-ẩn danh, độ chi tiết của biểu diễn dữ liệu được giảm đủ nhiều để một số dữ liệu cho trước ánh xạ lên tối thiểu k bản ghi khác trong dữ liệu. Nó cần kỹ thuật như khái quát hóa (generalization) và ẩn giấu (suppression).
Phương pháp k-ẩn danh yếu ở chỗ, nếu có sự đồng nhất của giá trị nhạy cảm bên trong một nhóm, thì các giá trị đó có thể được suy luận cho dữ liệu đã thay đổi. Mô hình l-đa dạng được thiết kế để xử lý điểm yếu này bằng cách thực thi sự đa dạng nội nhóm của giá trị nhạy cảm để cung cấp ẩn danh. Mục tiêu là làm cho nó đủ khó cho kẻ tấn công sử dụng tổ hợp các thuộc tính dữ liệu để nhận diện chính xác các bản ghi đơn lẻ.
Bảo toàn quyền riêng tư phân tán (Distributed Privacy Preservation)
Tập dữ liệu lớn có thể được phân vùng và phân phối theo chiều ngang (horizontally - tập dữ liệu chia thành nhiều tập con dữ liệu và phân phối trên nhiều trang) hoặc theo chiều dọc (vertically - tập dữ liệu được phân vùng và phân phối theo thuộc tính), hoặc kết hợp cả hai.
Mặc dù các trang đơn lẻ không nhất thiết phải chia sẻ toàn bộ tập dữ liệu của họ, họ có thể đồng ý chia sẻ dữ liệu hạn chế bằng việc sử dụng một số giao thức. Hiệu quả tổng thể của các phương pháp như vậy là cung cấp quyền riêng tư cho từng đối tượng đơn lẻ, trong khi thay đổi kết quả tổng hợp trên một số dữ liệu.
Giảm hiệu quả kết quả Khai thác dữ liệu (Downgrading Effectiveness of Data Mining Results)
Trong một số trường hợp, ngay cả khi dữ liệu không khả dụng, đầu ra của khai thác dữ liệu (ví dụ: luật liên kết và mô hình phân loại) có thể dẫn đến vi phạm quyền riêng tư. Giải pháp có thể là giảm hiệu quả khai thác dữ liệu bằng cách thay đổi dữ liệu hoặc kết quả khai thác, bao gồm ẩn một số luật liên kết hoặc làm méo mô hình phân loại một chút.