[发明专利]一种保留分布特征的姓名脱敏方法

说明书

一种保留分布特征的姓名脱敏方法，从一个或多个数据库中收集待脱敏姓名数据；检验待脱敏姓名数据的合规性；姓、名频率密度及权重空间表建立，用混合线性同余发生器产生均匀随机数，用拒绝采样原理进行采样，根据采样结果统计得出姓、名概率密度表，根据概率密度表生成权重表，根据权重表生成权重区间表；将待脱敏姓名转化为Unicode码，根据相关算法进行计算得出结果；以结果为索引，结合前面所生成的权重区间表得出相关脱敏结果。本发明可行性强，能很好的保留脱敏结果的分析价值、能保证脱敏过程结果的一致性、能保证脱敏过程的多样性。

技术领域

本发明涉及数据处理领域，尤其涉及一种保留分布特征的姓名脱敏方法。

背景技术

随着大数据时代的来临，数据呈爆炸式增长。无论是各种企业还是政府都越来越重视这份宝贵的财富。大数据是把双刃剑，用好了能很好的促进企业的发展、减少企业成本，亦能提高政府部门管理效率、提升人民生活的幸福感，但是如果这把利剑被不法分子掌握在了手里，也会对人民、企业甚至国家造成重大的伤害。尤其是各个企业、政府部门为了实现数据的利用最大化，各单位之间就必须要实现数据的共享交换，以打破数据壁垒，连通数据孤岛，在交换共享的过程中，数据泄露的风险也在不断的提升。不可避免的，在交换的数据之中，一定会存在各种各样的个人隐私数据，随着数据交换的不断进行，不可避免的，敏感数据泄露的风险也在与日俱增。数据脱敏又称数据变形、数据漂白。主要方法有算法转换、替代、混洗、数值变换、加密、模糊、截断等。相比于数据加密“粗暴的”将一串明文加密成没有任何意义的一串字符，一种好的脱敏方法能尽可能的保留数据价值，同时消除原始数据的一些隐私痕迹，从而达到既能有效的保护数据，又能提高数据利用率的目的，并且，相较于加密算法的“笨重”，数据脱敏要轻巧的多，所涉及的算法时间复杂度也相对较低，转换速度快，在个人隐私数据的共享交换之中，姓名信息是一个人重要的隐私信息，通常姓名信息是一个人给外界最直观的信息，虽然每个人的姓名可能会与他人重复，但是若是再结合其他相关信息，很容易让人定位到现实生活中的具体某一个人。所以，做好姓名信息的脱敏工作十分重要。

在一部分现有的姓名脱敏方法中，直接对姓名进行截断或者模糊处理，如原始姓名“凌破天”变为脱敏后的姓名“凌某某”或者“凌**”，脱敏之后数据完全丧失独立特征，大量重复，会对数据库之间的数据串联，个体数据分析等造成严重影响。还有的姓名脱敏方法中，通过对数据库中的汉语姓名分解成单个汉字，然后将汉字编码得到编码数据，之后采用若干初等变换方法将编码次序置乱，最后使用互补、映射得到脱敏码，组合得到汉语姓名的全部脱敏结果，这种脱敏方法中虽然用到了汉字编码，并对编码求补数，进行编码变换等，能够有效保障了数据唯一性和可标识别性，使得数据库在处理过程中无信息损失，但是脱敏后的数据是一串数字，丧失了姓名的相关特征，并且脱敏的转换方法过于简单，一旦泄露转换规则，就能逆推出未脱敏前的姓名，存在安全隐患。还有一些姓名脱敏方法中，针对所述待脱敏姓名中的每一个汉字，从预存的多级字库中，查找该汉字所属级别的字库；其中，不同级别字库中的汉字的属性存在不同，同一级别字库中的汉字的属性相同；按照预设的单字变换算法，确定该汉字在所属级别的字库中对应的脱敏后的汉字，基于所述待脱敏姓名中的每一个汉字对应的脱敏后的汉字，生成脱敏后的姓名。该方法虽然可以将待脱敏姓名中的每一个汉字脱敏成同级别字库中的汉字，从而使脱敏后的姓名仍然保持原有的属性，但是预存的字库并不一定能满足一些特有的应用场景，并且虽然对姓名的分布特征有一定的保留，但是还是有所欠缺，并没有很好的保留分布特征。

发明内容

为了克服现有的姓名脱敏方法的无法较好保留分布特征的不足，本发明提供一种能很好的保留分布特征的姓名脱敏方法。

本发明为了解决上述技术问题采用的技术方案如下：

一种保留分布特征的姓名脱敏方法，包括如下步骤：

(1)收集待脱敏姓名数据；

(2)判断姓名数据是否符合规范，将异常数据放入异常数据集单独处理；