Безопасность цифровых технологий

БЕЗОПАСНОСТЬ ЦИФРОВЫХ ТЕХНОЛОГИЙ

БЕЗОПАСНОСТЬ
ЦИФРОВЫХ ТЕХНОЛОГИЙ

English | Русский

Последний выпуск
№3(122) Июль - Сентябрь 2026

АЛГОРИТМЫ, МЕТОДЫ И ПОДХОДЫ К ОБЕЗЛИЧИВАНИЮ И ОБОГАЩЕНИЮ ДАННЫХ, В ТОМ ЧИСЛЕ ПЕРСОНАЛЬНЫХ

Выпуск № 4 (107) октябрь - декабрь 2022
Авторы:

Малявко Александр Антонович ,
Реутов Владимир Владимирович ,
Коротких Игорь Валерьевич ,
Шперлинг Владимир Константинович ,
DOI: http://dx.doi.org/10.17212/2782-2230-2022-4-9-26
Аннотация

В настоящей статье представлены результаты исследования алгоритмов, методов и подходов к обезличиванию и обогащению данных, в том числе и персональных данных. Среди типов обогащения данных были рассмотрены обогащения демографических, географических и поведенческих данных, а также изучены структурный, статистический, семантический и прагматический алгоритмы обогащения данных. Также в работе было рассмотрено обогащение онтологий, а именно: выразительные онтологии, легкие онтологии, такие как таксономии, и т.?д. Обогащение онтологий – это обширная область исследований, в которой можно выделить три категории работ, посвященных извлечению семантических знаний из разнородных данных. В результате проведенного анализа было выяснено, что процессы обогащения данных оптимизируют продажи и уменьшают затраты бизнеса. Были представлены преимущества и недостатки рассмотренных подходов и методов обогащения данных и онтологий. Основным преимуществом обогащения является повышение ценности и точности информации, помогающее компаниям принимать важные бизнес-решения. Основным недостатком является риск нарастания избыточных данных, что может привести к неправильной аналитике и, соответственно, к неправильным бизнес-решениям, что, в свою очередь, вредит бизнесу. Также представлена значимость проведенного анализа: на основе проведенных исследований предполагается формирование технического предложения для создания базовой инфраструктуры проекта ЦК НТИ «Доверенная среда обмена информаций» для проведения дальнейших исследований на тему обогащения и обезличивания данных.


Ключевые слова: обогащение данных, обезличивание данных, персональные данные, большие данные, обезличивание, онтологии, обогащение онтологий, методы обогащения
Малявко Александр Антонович
кандидат технических наук, доцент, НГТУ,
a.malyavko@corp.nstu.ru
Orcid: 0000-0003-2672-7753

Реутов Владимир Владимирович
начальник коммерческого отдела ООО «Системы информационной безопас-ности»
Orcid:

Коротких Игорь Валерьевич
руководитель регионального отделения МОО «Ассоциация руководителей служб информационной безопасности»
Orcid:

Шперлинг Владимир Константинович
Новосибирский Государственный Технический Университет,
shperling.2017@stud.nstu.ru
Orcid:

Список литературы

1. Laney D. 3D data management: controlling data volume, velocity, and variety // Application Delivery Strategies. – Meta Group, 2001. – Fail 949. – P. 1–4.



2. Supriya M., Chattu V.K. A review of artificial intelligence, big data, and blockchain technology applications in medicine and global health // Big Data and Cognitive Computing. – 2021. – Vol. 5, iss. 41. – P. 41. – DOI: 10.3390/bdcc5030041.



3. Khan M.A.-u.-d., Uddin M.F., Gupta N. Seven V's of Big Data understanding Big Data to extract value // Proceedings of the 2014 Zone 1 Conference of the American Society for Engineering Education. – IEEE, 2014. – DOI: 10.1109/ASEEZone1.2014.6820689.



4. Zhang L. A framework to model big data driven complex cyber physical control systems // 20th International Conference on Automation and Computing. – IEEE, 2014. – P. 283–288. – DOI: 10.1109/IConAC.2014.6935501.



5. Provost F., Fawcett T. Data science and its relationship to big data and data-driven decision making // Big Data. – 2013. – Vol. 1 (1). – P. 51–59. – DOI: 10.1089/big.2013.1508.



6. Романов С.В., Сытник А.А., Шульга Т.Э. О возможностях использования коммуникативных грамматик и LSPL-шаблонов для автоматического построения онтологий // Известия Самарского научного центра Российской академии наук. – 2015. – Т. 17, № 2 (5). – С. 1104–1108.



7. Разработка методов дискретного анализа семантики слабоструктурированных систем: отчет о НИР / Саратовский государственный технический университет им. Гагарина Ю.А.; А.А. Сытник, Н.И. Вагарина, Н.И. Мельникова и др. – № ГР 01201459267. – Саратов, 2015.



8. Semantic marking method for non-text documents of website based on their con-text in hypertext clustering / S. Papshev, A. Sytnik, N. Melnikova, A. Bogomolov // Recent Research in Control Engineering and Decision Making. ICIT 2019. – Cham: Spring-er, 2019. – P. 313–323. – (Studies in Systems, Decision and Control; vol. 199). – DOI: 10.1007/978-3-030-12072-6_26.



9. Völker J., Hitzler P., Cimiano P. Acquisition of OWL DL axioms from lexical re-sources // 4th European Semantic Web Conference (ESWC), Innsbruck, Austria. – Springer, 2007. – P. 670–685.



10. Ma Y., Distel F. Concept adjustment for description logics // 7th International Conference on Knowledge Capture, K-CAP’ 13, Banff, Canada. – ACM, 2013. – P. 65–72.



11. Ma Y., Distel F. Learning formal definitions for snomed CT from text // Proceedings of Artificial Intelligence in Medicine (AIME), Murcia, Spain. – Springer, 2013. – P. 73–77.



12. Chitsaz M. Enriching ontologies through data // Doctoral Consortium co-located with International Semantic Web Conference (ISWC). – Sydney, Australia, 2013. – P. 1–8.



13. Cimiano P. Ontology learning and population from text: algorithms, evaluation and applications. – New York: Springer, 2006. – 347 p.



14. Cimiano P., Völker J., Studer R. Ontologies on demand? – A description of the state-of-the-art, applications, challenges and trends for ontology learning from text // Information, Wissenschaft und Praxis. – 2006. – Vol. 57 (6–7). – P. 315–320.



15. Alec C., Reynaud-Delaître C., Safara B. A combined approach for ontology enrichment from textual and open data // Advances in Knowledge Discovery and Management. – Cham: Springer, 2018. – P. 1–21. – (Studies in Computational Intelligence; vol. 732).



16. Ferreira P., Ladeiras J., Camacho R. Assessing the impact of data set enrichment to improve drug sensitivity in cancer // Practical Applications of Computational Biology and Bioinformatics, 15th International Conference (PACBB 2021). – Cham: Springer, 2021. – P. 74–84. – DOI: 10.1007/978-3-030-86258-9_8.



17. Borgwardt K., Stegle O. An introduction to Graph Mining. – URL: https://ethz.ch/content/dam/ethz/special-interest/bsse/borgwardt-lab/documents/slides/CA10_GraphMining.pdf (accessed: 07.12.2022).



18. Saeed S., Alokshiya M., Hasan M.A. RASMA: a reverse search algorithm for mining maximal frequent subgraphs // BioData Mining. – 2021. – Vol. 14. – Art. 19. – DOI: 10.1186/s13040-021-00250-1.



19. Mountantonakis M., Tzitzikas Y. Content-based union and complement metrics for dataset search over RDF knowledge graphs // Journal of Data and Information Quality. – 2020. – Vol. 12 (2). – Art. 10. – P. 1–31. – DOI: 10.1145/3372750.



20. Tang L., Liu H. Graph mining applications to social network analysis // Managing and Mining Graph Data. – Boston, MA: Springer, 2010. – P. 487–513. – DOI: 10.1007/978-1-4419-6045-0_16.



21. Towards embedding information diffusion data for understanding big dynamic networks / H. Yang, P. Zhang, H. Wang, C. Zhou, Z. Li, L. Gao, Q. Tan // Neurocomputing. – 2021. – Vol. 466. – P. 265–284. – DOI: 10.1016/j.neucom.2021.09.024.



22. Link mining: models, algorithms, and applications / P.S. Yu, J. Han, C. Faloutsos, eds. – New York: Springer, 2010. – 586 p. – DOI: 10.1007/978-1-4419-6515-8.



23. Носов Р., Курносов А. Применение технологии graph mining в аудите банковских транзакций. – URL: https://newtechaudit.ru/graph-mining-audit/? (дата обращения:

Просмотров аннотации: 1022
Скачиваний полного текста: 558
Просмотров интерактивной версии: 0
Для цитирования:

Алгоритмы, методы и походы к обезличиванию и обогащению данных, в том числе персональных / А.А. Малявко, В.В. Реутов, И.В. Коротких, В.К. Шперлинг // Безопасность цифровых технологий. – 2022. – № 4 (107). – С. 9–26. – DOI: 10.17212/2782-2230-2022-4-9-26.

For citation:

Malyavko A.A., Reutov V.V., Korotkikh I.V., Shperling V.K. Algoritmy, metody i pokhody k obezlichivaniyu i obogashcheniyu dannykh, v tom chisle personal'nykh [Algorithms, methods and approaches to details and enrich data, including personal data]. Bez-opasnost' tsifrovykh tekhnologii = Digital Technology Security, 2022, no. 4 (107), pp. 9–26. DOI: 10.17212/2782-2230-2022-4-9-26.

 

Обработка персональных данных

Мы используем сервис веб-аналитики Яндекс Метрика, который использует cookie.

Собранная при помощи cookie информация не может идентифицировать вас, однако может помочь нам улучшить работу нашего сайта. Вы можете отказаться от использования cookies, выбрав соответствующие настройки в браузере. Также Вы можете запретить сбор данных с помощью расширения для браузера «Блокировщик Яндекс Метрики». Используя этот сайт, вы соглашаетесь на обработку персональных данных.