Real-world K-Anonymity applications: The KGen approach and its evaluation in fraudulent transactions

Pascale, Daniel De; Cascavilla, Giuseppe; Tamburri, Damian A.; Heuvel, Willem‐Jan van den

doi:10.1016/j.is.2023.102193

Cited by 7 publications

(2 citation statements)

References 10 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…La permutación reordena los elementos presentes dentro de un conjunto de datos. (De Pascale et al, 2023;Majeed & Lee, 2021).…”

Section: Permutaciónunclassified

Técnicas de anonimización y pseudonimización en la protección de datos personales

Córdova-Real,

López-Sevilla

2024

MQRInvestigar

View full text Add to dashboard Cite

Las técnicas de anonimización y pseudonimización ofrecen a los usuarios la protección de sus datos personales para evitar que sean difundidos y utilizados con un propósito ajeno para los cuales fueron recolectados. El presente articulo tiene como objetivo comparar las diversas técnicas de protección de datos personales como la anonimización y pseudonimización. Para ello, se examina a detalle su fundamentación teórica y características inherentes de cada técnica, los procedimientos de aplicación, beneficios y limitaciones que trae consigo la aplicación de estas metodologías. Para investigar acerca de la temática, se emplea la metodología PRISMA que permite buscar, seleccionar y analizar la literatura científica, dando como resultado de la recopilación de documentos mediante el empleo de gestores de búsqueda un total de 32 artículos científicos que fueron desarrollados entre 2018-2023 y contienen información relevante que aporta al desarrollo del presente artículo. Los resultados indican que la técnica de anonimización está enfocada en presentar datos no identificables mediante la adición de ruido, permutaciones o privacidad diferencial que contribuyen a mantener la privacidad de los datos y preservar la utilidad de los mismos. Paralelamente, la pseudonimización tiene como objetivo reemplazar la información inicial identificable con seudónimos que mantengan protegida la identidad de una persona. Como conclusión del estudio, se definen las técnicas de protección de información personal. Estas estrategias son fundamentales para identificar datos considerados como confidenciales para los usuarios, aplicando métodos de privatización que reduzcan los riesgos inherentes al compartir información con terceros; logrando el equilibrio entre utilidad y la reserva de información.

show abstract

“…La permutación reordena los elementos presentes dentro de un conjunto de datos. (De Pascale et al, 2023;Majeed & Lee, 2021).…”

Section: Permutaciónunclassified

Técnicas de anonimización y pseudonimización en la protección de datos personales

Córdova-Real,

López-Sevilla

2024

MQRInvestigar

View full text Add to dashboard Cite

show abstract

“…It could be more feasible through developing efficient privacy-preserving algorithms to help mitigate the risk of re-identification. The concepts of k-anonymity [186], l-diversity and t-closeness have been introduced to enhance this traditional technique.…”

Section: Technologies For Big Data Securitymentioning

confidence: 99%

Federated learning and differential privacy in clinical health: Extensive survey

Odera¹

2023

World J. Adv. Eng. Technol. Sci.

View full text Add to dashboard Cite

Federated Learning (FL) is concept that has been adopted in medical field to analyze data in individual devices through aggregation of machine learning model in global server. It also provides data privacy being that the sampled devices are not allowed to share data among themselves. Therefore, it minimizes computation costs and privacy risks to some extent compared to conventional methods of machine learning. However, federation learning provides a different use case in health as compared to other sectors. Preservation of patients’ sensitive information such as electronic health record (EHR) when sharing data among different medical practitioners is of greatest concern. So the question is, how should FL techniques be structured in the current clinical environment where heterogeneity is the order of the day? The EU’s General Data Protection Regulation (GDPR) and Health Insurance Portability and Accountability Act of 1996 (HIPPA) regulations recommends health providers to gain authorizations from patients before sharing their private data for medical analytical progression. This leads to some bottlenecks in clinical analysis. Although attempts have been made to address some of the challenges, privacy, performance, implementation, computation and adversaries still pose some threats. This paper provides a comprehensive review that covers literature, mathematical notations, architecture, process flow, challenges and frameworks used to implement FL with respect to healthcare. Possible solutions on how to address privacy challenges in accordance with HIPPA act and GDPR is discussed. Finally, the study gives future direction of FL in clinical health and a list of practical tools to conduct analysis on patients’ data.

show abstract

Mastering data privacy: leveraging K-anonymity for robust health data sharing

Karagiannis,

Ntantogian,

Magkos

et al. 2024

Int. J. Inf. Secur.

View full text Add to dashboard Cite

In modern healthcare systems, data sources are highly integrated, and the privacy challenges are becoming a paramount concern. Despite the critical importance of privacy preservation in safeguarding sensitive and private information across various domains, there is a notable deficiency of learning and training material for privacy preservation. In this research, we present a k-anonymity algorithm explicitly for educational purposes. The development of the k-anonymity algorithm is complemented by seven validation tests, that have also been used as a basis for constructing five learning scenarios on privacy preservation. The outcomes of this research provide a practical understanding of a well-known privacy preservation technique and extends the familiarity of k-anonymity and the fundamental concepts of privacy protection to a broader audience.

show abstract

Real-world K-Anonymity applications: The KGen approach and its evaluation in fraudulent transactions

Cited by 7 publications

References 10 publications

Técnicas de anonimización y pseudonimización en la protección de datos personales

Técnicas de anonimización y pseudonimización en la protección de datos personales

Federated learning and differential privacy in clinical health: Extensive survey

Mastering data privacy: leveraging K-anonymity for robust health data sharing

Contact Info

Product

Resources

About