Kişisel verilerin korunmasında öznitelik tabanlı gizlilik etki değerlendirmesi yöntemi

Abstract

Kişisel veriler öncelikli olarak korunması gereken hassas bilgi varlıklarıdır. Bugüne kadar kişisel verilerinkorunabilmesi için gizliliği koruyan kurallar, rehberler ve tasarımlar geliştirilmiştir. Özellikle sonzamanlarda Gizlilik Etki Değerlendirmesi yöntemleri Avrupa ülkelerinde büyüyen bir ilgiylegeliştirilmektedir. Bununla birlikte gelişen bilgi teknolojileri bu düzenlemeleri yetersiz bırakmaktadır. Buçalışmada kişisel verilerin korunması amacıyla öznitelik tabanlı yeni bir Gizlilik Etki Değerlendirmesi yöntemi önerilmektedir. Çalışma, kişisel verilerin korunması alanında genel yaklaşım olan verilerinbütününü değerlendirmek yerine öznitelik bazında veri setinin gizlilik etkisini değerlendirmeye dayalıdır.Öznitelik bazında hesaplamalar ile kişisel verilerin daha hassas ve gizli kalması gereken bölümleribelirlenebilecek ve gizlenebilecektir. Gizlilik etki değerlendirme hesaplamaları için veri homojenliğiyöntemi tercih edilmiştir. Çalışmanın çıktısı gizlilik etkisine göre gruplanmış veri öğeleridir. Önerimize göre daha homojen veri daha hassas veridir ve gizliliği daha önemlidir. Önerilen yöntem iki farklı veri kümesiüzerinde test edilmiş ve elde edilen sonuçlar analiz edilmiştir. Çalışmamızın en önemli bulgusu gizligörünmeyen niteliklerin nitelik birleştirme sonrası gizli olabilmesidir

Personal data is sensitive information asset primarily needed to be protected. In order to protect personal data, privacy-protected rules, designs, guidelines, and legal arrangements have been developed so far.Especially, Privacy Impact Assessment methods have been developed with a growing interest in European countries. However, developing information technologies leave these studies insufficient. In this work, a new feature based Privacy Impact Assessment method is proposed for the purpose of protection of personal data. This study focuses on evaluating the privacy impact of data set at attribute level instead of evaluatingall of the data which is a general approach to protect data. With the help of calculation at feature level, moresensitive and private personal data parts can be defined and hidden. Data homogeneity method is preferredfor privacy impact evaluation calculations. The outcome of this work is data items grouped by privacyimpact. According to our proposal, more homogeneous data is more sensitive and its privacy is important. The proposed method is tested on two different data set and the obtained results are analyzed. The mostimportant finding of our work is that attributes that do not appear to be private can be private after combiningattributes