nach oben

Erschienen in:

2024 | OriginalPaper | Buchkapitel

6. Data Anonymization: Techniques and Models

verfasst von : Stéphane Monteiro, Diogo Oliveira, João António, Filipe Sá, Cristina Wanzeller, Pedro Martins, Maryam Abbasi

Erschienen in: Marketing and Smart Technologies

Verlag: Springer Nature Singapore

Einloggen

Aktivieren Sie unsere intelligente Suche, um passende Fachinhalte oder Patente zu finden.

search-config

KI-gestützte Suche

Aus

Abstract

Data growth is exponential and nearly immeasurable. We used to talk about megabytes when we spoke about data, but now we talk about petabytes with BigData. This data growth makes sensitive data and identifiers increasingly exposed. To address this issue, there is anonymization data, which attempts to “mask” the data so that it is nearly difficult to identify and correlate persons with them; yet, the data remains usable for statistical reasons, among other things. To avoid falling behind in these technical difficulties, many businesses employ free, open-source software. However, this software is not always secure or meets the user’s expectations. The goal of OSSpal is to normalize these concerns.

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

über 102.000 Bücher
über 537 Zeitschriften

aus folgenden Fachgebieten:

Automobil + Motoren
Bauwesen + Immobilien
Business IT + Informatik
Elektrotechnik + Elektronik
Energie + Nachhaltigkeit
Finance + Banking
Management + Führung
Marketing + Vertrieb
Maschinenbau + Werkstoffe
Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

über 67.000 Bücher
über 390 Zeitschriften

aus folgenden Fachgebieten:

Automobil + Motoren
Bauwesen + Immobilien
Business IT + Informatik
Elektrotechnik + Elektronik
Energie + Nachhaltigkeit
Maschinenbau + Werkstoffe

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

über 67.000 Bücher
über 340 Zeitschriften

aus folgenden Fachgebieten:

Bauwesen + Immobilien
Business IT + Informatik
Finance + Banking
Management + Führung
Marketing + Vertrieb
Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Vorheriges Kapitel Human Talent Management to Increase Productivity: Case Study EQUATOROSES EQR

Nächstes Kapitel Performance Evaluation Between HarperDB, Mongo DB and PostgreSQL

Bayardo, R., & Agrawal, R. (2005). Data privacy through optimal k-anonymization. In 21st International Conference on Data Engineering (ICDE’05) (pp. 217–228)

Bingchun, L., & Guohua, L. (2011). The classification of k-anonymity data. In 2011 Seventh International Conference on Computational Intelligence and Security (pp. 1374–1378)

Carvalho, G., Mykolyshyn, S., Cabral, B., Bernardino, J., & Pereira, V. (2022). Comparative analysis of data modeling design tools. IEEE Access, 10, 3351–3365.CrossRef

Enam, M. A., Sakib, S., & Rahman, M. S. (2019). An algorithm for l-diversity clustering of a point-set. In 2019 International Conference on Electrical, Computer and Communication Engineering (ECCE) (pp. 1–6)

Karle, T., & Vora, D. (2017). Privacy preservation in big data using anonymization techniques. In 2017 International Conference on Data Management, Analytics and Innovation (ICDMAI) (pp. 340–343)

Kohlmayer, F., Prasser, F., Eckert, C., Kemper, A., & Kuhn, K. A. (2012). Flash: Efficient, stable and optimal k-anonymity. In 2012 International Conference on Privacy, Security, Risk and Trust and 2012 International Conference on Social Computing (pp. 708–717)

Li, T., Li, N., & Zhang, J. (2009). Modeling and integrating background knowledge in data anonymization. In 2009 IEEE 25th International Conference on Data Engineering (pp. 6–17)

Majeed, A., & Lee, S. (2021). Anonymization techniques for privacy preserving data publishing: A comprehensive survey. IEEE Access, 9, 8512–8545.CrossRef

Murthy, S., Abu Bakar, A., Abdul Rahim, F., & Ramli, R. (2019). A comparative study of data anonymization techniques. In 2019 IEEE 5th Intl Conference on Big Data Security on Cloud (BigDataSecurity), IEEE Intl Conference on High Performance and Smart Computing, (HPSC) and IEEE Intl Conference on Intelligent Data and Security (IDS) (pp. 306–309)

10.

F. Prasser, J. Eicher, R. Bild, H. Spengler, and K. A. Kuhn. A tool for optimizing de-identified health data for use in statistical classification. In 2017 IEEE 30th International Symposium on Computer-Based Medical Systems (CBMS), pages 169– 174, 2017.

11.

Raghunathan, B. (2013). The complete book of data anonymization: From planning to implementation. CRC Press

12.

Susan, V. S., & Christopher, T. (2022). Anatomisation with slicing: a new privacy preservation approach for multiple sensitive attributes. Springerplus, 5(1), 964

13.

Zhang, X., Qi, L., Dou, W., He, Q., Leckie, C., Kotagiri, R., & Salcic, Z. (2022). Mrmondrian: Scalable multidimensional anonymisation for big data privacy preservation. IEEE Transactions on Big Data, 8(1), 125–139.CrossRef

Titel: Data Anonymization: Techniques and Models
verfasst von: Stéphane Monteiro
Diogo Oliveira
João António
Filipe Sá
Cristina Wanzeller
Pedro Martins
Maryam Abbasi
Verlag: Springer Nature Singapore
Buch: Marketing and Smart Technologies
Print ISBN: 978-981-9903-32-0

Electronic ISBN: 978-981-9903-33-7

Copyright-Jahr: 2024
DOI: https://doi.org/10.1007/978-981-99-0333-7_6

Springer Professional

Abstract

Bitte loggen Sie sich ein, um Zugang zu Ihrer Lizenz zu erhalten.

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Springer Professional "Technik"

Springer Professional "Wirtschaft"

Premium Partner