第3章 l-多样性原理：从k-匿名到l-多样性，解决同质性攻击
好，咱们继续往下走。上一章我们把k-匿名聊透了，你大概也感觉到——它有个挺致命的盲区。我当年第一次拿k-匿名做项目，数据脱敏完，自我感觉良好。结果甲方一个电话打过来：“你这个数据，我按疾病列一筛，得艾滋的全是25岁男性，住一个邮编区，跟没脱敏有啥区别？”
嗯，那句“跟没脱敏有啥区别”我记到现在。这就是我们要说的——同质性攻击。
3.1 k-匿名为什么不够？
先简单回顾一下。k-匿名保证的是：在准标识符上，每条记录至少跟其他k-1条记录无法区分。说白了，就算攻击者知道你的年龄、性别、邮编，他最多也只能锁定一个大小为k的组。
但这里面有个大坑——如果这个组里的敏感值都一样呢？
核心问题：k-匿名只约束准标识符的分布，完全不关心敏感属性的多样性。当组内敏感值高度一致时，k-匿名形同虚设。
我举个极端例子。假设有张医疗表，按年龄和邮编泛化后，一个等价组里有5个人，都是“25岁，邮编100000”。他们的疾病列清一色全写着“HIV阳性”。攻击者只要知道目标在这个组里，根本就不需要猜——直接就能断定目标得了什么病。
| 等价组 | 年龄 | 邮编 | 疾病 | k值 | 是否安全？ |
|---|---|---|---|---|---|
| 组A | 25-30 | 100000 | HIV, HIV, HIV, HIV, HIV | 5 | ✗ 同质性攻击 |
| 组B | 25-30 | 100001 | HIV, 感冒, 糖尿病, 感冒, 肺炎 | 5 | ✓ 多样性好 |
你看，组A满足5-匿名，但毫无隐私保护可言。这就是同质性攻击的本质——敏感属性分布过于集中，导致匿名保护失效。
3.2 l-多样性的核心思想
所以，l-多样性就是对k-匿名打了个补丁。它要求：每个等价组里，敏感属性的取值至少要达到l种不同的“良表示”的值。这里的“良表示”我们后面细说，先理解字面意思——就是不能全一样。
我个人习惯把l-多样性拆成两层理解：
- 形式层：每个等价组中，敏感值的种类数 ≥ l
- 语义层：攻击者就算定位到某个等价组，也无法以大于1/l的概率猜对敏感值
说白了，l-多样性就是防止“一锅端”。你想想看，如果l=3，那每个组里至少要有3种不同的疾病。攻击者再厉害，也只能说“可能是这3种之一”——准确率从100%直接降到33%。
我的一点经验：刚开始设l值时，很多人喜欢设很大，觉得越大越安全。其实过头了反而适得其反——数据效用下降太快。我在一个医疗项目里试过l=10，结果泛化太狠，医生根本没法做统计分析。后来妥协到l=4，效果刚好。
3.3 l-多样性的三种定义
l-多样性不是铁板一块，它有几个不同的“口味”。我这里讲三种最常用的，你根据场景选。
3.3.1 明显l-多样性
最简单粗暴的定义：等价组里至少有l个“不同”的敏感值。注意关键词是“不同”，不关心频率，不关心分布。只要种类数够了就行。
# 判断明显l-多样性
def is_distinct_l_diversity(group, l):
distinct_values = set(group['sensitive'])
return len(distinct_values) >= l
这玩意儿好处是容易实现，坏处是太松了。比如一个组里有100条记录，99条是HIV，1条是感冒。种类数是2，满足2-多样性。但攻击者猜中HIV的概率是99%——这算哪门子保护？
3.3.2 概率l-多样性
用来解决上面那个问题。它要求：每个敏感值在组内出现的频率不超过1/l。换句话说，攻击者猜中任何一个具体值的概率都不能太高。
| 组内敏感值分布 | 明显l-多样性 | 概率l-多样性 |
|---|---|---|
| HIV(99), 感冒(1) | ✅ 2-多样性 | ❌ 最大频率99% > 50% |
| HIV(50), 感冒(50) | ✅ 2-多样性 | ✅ 最大频率50% ≤ 50% |
你看，同样是2种疾病，概率分布不同，安全级别完全不同。我个人更倾向于用概率l-多样性，尤其当敏感值有稀有类别时，这东西能防住“少数服从多数”式的泄漏。
3.3.3 递归(c,l)-多样性
这个更精细一些。它考虑的是：组里最频繁出现的值，不能比其他值加起来还要多太多。公式有点绕，我直接说直觉——它防止的是“一个值独大，其他值都是陪衬”的情况。
曾经踩过的坑：有次我用了概率l-多样性，以为万无一失。结果遇到一个组：高血压(60)、感冒(30)、骨折(10)。最大频率60%刚好卡在1/l线以下。但攻击者还是能直接排除骨折和感冒——因为高血压占比超过一半。从此以后，敏感数据我至少会上递归(c,l)-多样性过一遍。
3.4 同质性攻击的完整解决路径
好，剩下就是把所有东西串起来。从k-匿名到l-多样性，不是一个简单的替换，而是一个递进增强的过程。我画了一张图帮你理清思路。
这条路径很清楚：原始数据 -> k-匿名（粗粒度保护） -> 发现同质性攻击漏洞 -> 引入l-多样性（细粒度保护） -> 攻击概率被控制在1/l以下。每个环节都不多余。
3.5 实战中的l值选择
我最后给个实用建议。l值到底选多少？这不是拍脑袋决定的。
- l=2：只防最明显的同质性攻击。如果你数据里敏感值本来就很均衡，够用。
- l=3~4：我大部分项目的首选。平衡了隐私和效用。
- l≥5：高隐私场景。但要做好数据严重失真的心理准备。
一个简单判断标准：如果你做的是公开发布的统计数据集，l至少取3。如果是内部研究用，l=2也可以接受。但无论如何，先跑一遍同质性检测——看看有没有哪个等价组里，敏感值的种类数少于总记录数的10%。如果少于，那个组就是高危组。
好了，k-匿名到l-多样性的跨越，核心就是解决那个“跟没脱敏有啥区别”的尴尬局面。你掌握了明显l-多样性、概率l-多样性、递归(c,l)-多样性这三种变体，基本就能应对绝大多数同质性攻击的场景。接下来，就是把这些规则动态地应用到真实的流式数据里了。