k-匿名化

同じ属性の組合せをもつ人がデータ中に必ずk人以上存在するように加工し、個人を特定できないようにする匿名化手法。kが大きいほど安全性は高まるが、データの有用性は下がる。

同じ属性の組合せを持つレコードが必ずk件以上存在するようにデータを加工し、個人の特定を困難にする手法。kの値が大きいほど安全性は高まるが、データの有用性は下がる。

年齢、性別、郵便番号など、組み合わせると個人を特定し得る属性（準識別子）について、同じ値の組合せを持つレコードがどれもk件以上になるように、値の一般化（年齢を年代にするなど）や削除を行う匿名化の手法。外部の情報と照合されても、少なくともk人のうちの誰かまでしか絞り込めない。同じ組合せの人がみな同じ病名を持つ場合などは属性が推測されるため、l-多様性などの考え方で補う。

個人データを匿名化する高度な手法の一つで、年齢や住所などの組合せが同じレコードがデータ中に必ずk件以上存在するように、値の一般化や削除を行うこと。どのレコードも少なくともk人のうちの誰かまでしか絞り込めないため、他の情報と照合して個人を特定されることを防ぐ。kが大きいほど安全だが、データの精度は下がる。

個人を特定できないようにデータを加工すること。項目削除、一般化、トップコーディングなどの手法があり、他の情報と照合しても個人を識別できない状態を目指す。個人情報保護法の匿名加工情報の作成でも用いられる。

各拠点が持つデータを外部へ持ち出さず、学習によって得られたモデルの更新情報だけを集約して共通のモデルを構築する機械学習手法。データを集中させないためプライバシーや機密性の確保に有利。

入口対策、内部対策、出口対策など複数の防御層を重ねて配置するセキュリティの考え方。1つの対策が突破されても他の層で防御できるため、セキュリティ強度を高められる。ファイアウォール、IDS/IPS、ウイルス対策、暗号化などを組み合わせる。

個人情報の利用目的、取得方法、第三者提供の有無、安全管理措置、問合せ窓口などを対外的に公表する方針。個人情報保護方針とも呼ばれ、本人への説明責任を果たし、信頼を得るための基本的な手段となる。

ネットワークやシステムへの不正侵入を検知するシステム。シグネチャ型（既知の攻撃パターンとの照合）とアノマリ型（通常動作からの逸脱検知）がある。NIDS（ネットワーク型）とHIDS（ホスト型）に分類される。検知のみで遮断は行わない。

不正侵入を検知するだけでなく、自動的にその通信を遮断する機能を持つシステム。IDSの機能に加えてインラインで通信経路上に配置され、攻撃をリアルタイムでブロックする。ただし誤検知による正常通信の遮断リスクがある。