গোপনীয়তা-রক্ষা ডেটা মাইনিংয়ের পদ্ধতিগুলো কী কী?

গোপনীয়তা-রক্ষা ডেটা মাইনিং হল ডেটা মাইনিং গবেষণার একটি অ্যাপ্লিকেশন যা ডেটা মাইনিং-এ গোপনীয়তা নিরাপত্তার প্রতিক্রিয়ায় উত্থিত। এটিকে গোপনীয়তা-উন্নত বা গোপনীয়তা-সংবেদনশীল ডেটা মাইনিংও বলা হয়। এটি বেসিক সংবেদনশীল ডেটা মান উজাগর না করে সঠিক ডেটা মাইনিং ফলাফল প্রাপ্তি নিয়ে কাজ করে।

অধিকাংশ গোপনীয়তা-রক্ষা ডেটা মাইনিং পদ্ধতি ডেটার ওপর রূপান্তরের বিভিন্ন রূপ ব্যবহার করে গোপনীয়তা সংরক্ষণ বাস্তবায়ন করতে। সাধারণত, এই পদ্ধতিগুলো বর্ণনার দানারিকতা (granularity) কমিয়ে গোপনীয়তা রক্ষা করে।

উদাহরণস্বরূপ, সেগুলো একক ব্যবহারকারীদের ডেটা থেকে ব্যবহারকারী গোষ্ঠীতে সাধারণীকরণ করতে পারে। দানারিকতায় এই হ্রাস ডেটা ক্ষতি এবং সম্ভবত ডেটা মাইনিং ফলাফলের উপযোগিতার ক্ষতির কারণ হয়। এটি ডেটা ক্ষতি এবং গোপনীয়তার মধ্যে ট্রেড-অফ।

গোপনীয়তা-রক্ষা ডেটা মাইনিং পদ্ধতিগুলো নিম্নলিখিত উপাদানগুলোর মধ্যে শ্রেণিবদ্ধ করা যায়:

র‍্যান্ডমাইজেশন পদ্ধতি (Randomization methods)

এই পদ্ধতিগুলো ডেটাতে শব্দ যোগ করে ডেটা মানগুলোর কিছু অংশ ছদ্মাবেশ ধারণ করে। যোগ করা শব্দ যথেষ্ট বড় হওয়া উচিত যাতে ব্যক্তিগত ডেটা মান, বিশেষত সংবেদনশীলগুলো, পুনরুদ্ধার করা না যায়।

এটি দক্ষতার সাথে যোগ করা উচিত যাতে ডেটা মাইনিং-এর চূড়ান্ত ফলাফল সাধারণত সংরক্ষিত থাকে। উচ্ছেদিত ডেটা থেকে সমষ্টিগত বিতরণ পরিবর্তন করার জন্য বিভিন্ন পদ্ধতি ডিজাইন করা হয়েছে।

k-অ্যানোনিমিটি এবং l-ডাইভারসিটি পদ্ধতি (The k-anonymity and l-diversity methods)

এই দুটি পদ্ধতিই একক ডেটা পরিবর্তন করে যাতে সেগুলো নির্দিষ্টভাবে শনাক্ত করা না যায়। k-অ্যানোনিমিটি পদ্ধতিতে, ডেটা প্রতিনিধিত্বের দানারিকতা যথেষ্ট কম করা হয় যাতে কোনো প্রদত্ত ডেটা ডেটাতে কমপক্ষে k অন্যান্য রেকর্ডের ওপর ম্যাপ হয়। এতে সাধারণীকরণ এবং দমন (suppression) কৌশল প্রয়োজন।

k-অ্যানোনিমিটি পদ্ধতি দুর্বল কারণ, যদি একটি গোষ্ঠীর ভিতরে সংবেদনশীল মানগুলোর ഏকরূপতা থাকে, তবে সেই মানগুলো পরিবর্তিত ডেটার জন্য অনুমান করা যায়। l-ডাইভারসিটি মডেল এই দুর্বলতা দূর করতে ডিজাইন করা হয়েছিল, যা গ্রুপের ভিতরে সংবেদনশীল মানগুলোর বৈচিত্র্য প্রয়োগ করে অ্যানোনিমাইজেশন প্রদান করে। লক্ষ্য হল opposition-দের জন্য ডেটা অ্যাট্রিবিউটের সমন্বয় ব্যবহার করে নির্দিষ্টভাবে একক রেকর্ড শনাক্ত করার জন্য যথেষ্ট কঠিন করা।

বিতরণ করা গোপনীয়তা সংরক্ষণ (Distributed privacy preservation)

বড় ডেটা সেটগুলো الأفকি (horizontally) অর্থাৎ ডেটা সেটগুলো একাধিক ডেটার সাবসেটে বিভক্ত হয়ে একাধিক সাইটে বিতরণ করা, বা ভার্টিকালি (vertically) অর্থাৎ ডেটা সেটগুলো তাদের অ্যাট্রিবিউট দ্বারা বিভক্ত এবং বিতরণ করা, বা উভয়ের মিশ্রণে পার্টিশন এবং বিতরণ করা যেতে পারে।

যখন একক সাইটগুলো তাদের পুরো ডেটা সেট শেয়ার করতে চায় না, তারা সীমিত ডেটা শেয়ারিংয়ের সাথে সম্মত হতে পারে বিভিন্ন প্রোটোকলের ব্যবহার দিয়ে। এই পদ্ধতিগুলোর সম্পূর্ণ প্রভাব হল প্রতিটি একক অবজেক্টের জন্য গোপনীয়তা প্রদান করা, একাধিক ডেটার ওপর সমষ্টিগত ফলাফল পরিবর্তন করার সময়।

ডেটা মাইনিং ফলাফলের কার্যকারিতা ডিগ্রেড করা (Downgrading the effectiveness of data mining results)

কিছু ক্ষেত্রে, ডেটা উপলব্ধ না হলেও, ডেটা মাইনিং-এর আউটপুট (যেমন: অ্যাসোসিয়েশন রুল এবং ক্লাসিফিকেশন মডেল) গোপনীয়তা লঙ্ঘনের কারণ হতে পারে। সমাধান হতে পারে ডেটা বা মাইনিং ফলাফল পরিবর্তন করে ডেটা মাইনিং-এর দক্ষতা ডিগ্রেড করা, যেমন কিছু অ্যাসোসিয়েশন রুল লুকানো বা কিছু ক্লাসিফিকেশন মডেল কিছুটা বিকৃত করা।