kAnonymität

k-Anonymität ist ein Datenschutzprinzip, das bei der Veröffentlichung personenbezogener Mikrodaten verwendet wird. Eine Datenmenge besitzt die Eigenschaft k-Anonymität, wenn jeder Datensatz in Bezug auf eine festgelegte Gruppe von Merkmalen, den Quasi-Identifikatoren, mit mindestens k-1 weiteren Datensätzen identisch ist. Typische Quasi-Identifikatoren sind Merkmale wie Alter, Postleitzahl oder Geschlecht; obwohl einzelne Merkmale allein möglicherweise nicht eindeutig sind, macht die Kombination dieser Merkmale eine Identifizierung unsicher, solange mindestens k Datensätze dieselbe Merkmalskombination teilen. Dadurch ist eine Person in dem Datensatz durch mindestens k-1 andere Personen nicht unterscheidbar.

Um k-Anonymität zu erreichen, kommen Techniken wie Generalisierung (einzelne Werte durch allgemeinere Bereiche ersetzen) und Suppression (Auslassen oder Verbergen von Werten) zum Einsatz. Die Daten werden in Äquivalenzklassen gruppiert, sodass jede Klasse mindestens k Datensätze enthält. Ziel ist es, ein Gleichgewicht zwischen Privatsphäre und Nutzbarkeit der Daten zu finden.

K-Anonymität schützt vor identifikationsbasierten Angriffen, jedoch nicht vor Attribut-Disclosure. Insbesondere können homogene Gruppen oder Hintergrundwissen zu Verletzungen führen, sodass zusätzliche Ansätze wie L-Diversität (vielfältige sensible Werte in jeder Klasse) oder T-Closeness vorgeschlagen wurden, um das Risiko weiter zu minimieren.

Historisch wurde der Begriff in der Datenschutzforschung von Latanya Sweeney eingeführt (frühe 2000er Jahre). K-Anonymität wird heute weiterhin als Grundlage bei der Veröffentlichung sensibler Mikrodaten genutzt und bildet oft die Basis weiterer Privatsphäre-Modelle.