该技能用于在数据分析流程中应用 LGPD 的匿名化(第5条XI项)与假名化(第13条第4款)技术,使数据脱离 LGPD 适用范围或降低分析管道中的风险。
一、核心区别 匿名化在合理技术手段下不可逆,属于 LGPD 适用范围之外(第12条),典型用于公开统计和研究数据集,残余重识别风险极低。假名化可通过隔离保存的附加信息还原,仍属个人数据,典型用于内部 analytics、日志和降低暴露面,风险取决于密钥安全,属中等。
二、技术手段 假名化:确定性令牌化,将 PII 替换为令牌,映射关系保存在独立 vault;加盐哈希(注意低熵字段如 CPF 若无随机盐可被暴力破解);需要保持格式时使用保格式加密。 匿名化:泛化(精确年龄转为区间、CEP 转为城市);抑制(删除标识字段);扰动(加入随机噪声);k-匿名(k≥5,每个准标识符组合至少出现在 k 条记录中);l-多样性、t-闭包用于抵御推断攻击;差分隐私(ε 较小)提供数学上的重识别防护。
三、典型管道 生产 Postgres → 经假名化 ETL(PII 令牌化)→ 分析数据仓库 → 泛化 + k-匿名 → 公开仪表盘。
四、常见反模式 仅删除姓名而保留 CPF、邮箱、地址,不构成匿名化;对 CPF 做无唯一盐的哈希,约 2.1 亿种组合可轻易还原;将暴露在 URL 和日志中的内部 ID 当作假名,不构成假名化;数据集字段足以交叉推断时仅按地区聚合。
五、重识别必测 在宣称数据集已匿名化前,需进行关联攻击(尝试与公开数据集合并)、推断攻击(由其他属性估计敏感属性)、单点识别(是否存在唯一记录);任一测试通过,数据集仍属个人数据。
六、实现 具体 SQL 与 Python 配方见 assets/anonymization-recipes.md,资料未提供其中内容细节。