УДК 004.056.53 Защита от несанкционированного доступа
ГРНТИ 20.23 Информационный поиск
Пространственные данные становятся персональными в тех случаях, когда в совокупности с другими данными позволяют однозначно идентифицировать субъект данных. В связи с этим необходимо четко разграничивать, в каких случаях следует считать такие данные персональными и защищать их как персональные, а в каких в этом нет необходимости. Целью исследования являлось определение набора необходимых требований по защите пространственных данных в контексте персональных при разработке систем, связанных с определением местоположения. Для достижения обозначенной цели проведена классификация систем, обрабатывающих пространственные данные, изучены подходы к защите таких данных и обоснованы эффективные меры по их защите. В качестве способов защиты данных рассмотрены различные методы геомаскирования и обезличивания. В результате исследования обоснованы и рационально распределены методы защиты информации для выделенных классов систем. Выявлен набор необходимых требований по защите пространственных данных при разработке систем, связанных с определением местоположения, а также определены направления для дальнейших исследований в этой области.
геомаскирование, геозонирование, API геолокации, обезличивание, агрегация точек, агрегация области, корректировка координат, замена координат, FOAM
1. Redlich S. Quantitative Analysis of Geomasking Methods. Dr. of Sci. thesis. Essen: 2022. 318 p.
2. Kounadi O., Leitner M. Adaptive Areal Elimination (AAE): A tansparent way of disclosing protected spatial datasets // Computers, Environment and Urban Systems. 2016. Vol. 57. P. 59–67. DOIhttps://doi.org/10.1016/j.compenvurbsys.2016.01.004. (https://www.sciencedirect.com/science/article/pii/S0198971516300047?via%3Dihub)
3. Leitner M., Curtis A. Cartographic Guidelines for Geographically Masking the Locations of Confidential Point Data // Cartographic Perspectives. 2004. Vol. 49. No. 7. P. 22–39. DOIhttps://doi.org/10.14714/CP49.439. (https://cartographicperspectives.org/index.php/journal/article/view/cp49-leitner-curtis)
4. Allshouse W.B., Fitch M.K., Hampton K.H., et al. Geomasking sensitive health data and privacy protection: an evaluation using an E911 database // Geocarto International. 2010. Vol. 25. No. 6. P. 443–452. DOI:10.1080%2F10106049.2010.496496. https://www.tandfonline.com/doi/abs/10.1080/10106049.2010.496496)
5. Kroll M., Schnell R. Anonymisation of geographical distance matrices via Lipschitz embedding // International Journal of Health Geographics. 2016. Vol. 15. No. 1. P. 1–14. DOIhttps://doi.org/10.1186/s12942-015-0031-7. (https://ij-healthgeographics.biomedcentral.com/articles/10.1186/s12942-015-0031-7)
6. Schnell R., Klingwort J., Farrow J.M. Locational privacy-preserving distance computations with intersecting sets of randomly labeled grid points // International Journal of Health Geographics. 2021. Vol. 20. No. 14. P. 1–16. DOIhttps://doi.org/10.1186/s12942-021-00268-y. (https://ij-healthgeographics.biomedcentral.com/articles/10.1186/s12942-021-00268-y)
