数据使用，如何才能做到既保护个人隐私，又能让数据分析有用处、有意义？数据架构师和工程师可从本书学习到如何以可持续方式，建立安全和可复用的匿名化流水线，并将其整合到数据流和分析工作中。 本书作者在解决真实业务需求所用采集模型和应用场景的基础上，探讨设备和物联网数据匿名化的端到端解决方案。书中示例来自人们对其有着迫切需求的数据环境，如卫生保健，这些示例所用方法都已经过时间的检验。

前言
第1章 简介
可识别性
术语介绍
法律法规
数据状态
匿名化作为数据保护措施
许可或同意
目的说明
重识别攻击
匿名化落地
小结
第2章 可识别性范围
法律环境
披露风险
披露类型
数据隐私的维度
重识别科学
确定群体
匹配方向
数据结构
总体可识别性
小结
第3章 风险管理实用框架
“五个安全”匿名化框架
安全项目
安全人员
安全环境
安全数据
安全输出
“五个安全”框架落地
小结
第4章 明识数据
需求收集
应用场景
数据流
数据和数据主体
从主要到次要用途
处理直接标识符
处理间接标识符
从明识到匿名
明识数据和匿名数据相混合
将匿名化应用于明识数据
小结
第5章 伪匿名数据
数据保护和法律权威
伪匿名化服务
法定权力
合法权益
匿名化第一步
重新反思“从主要到次要用途”
分析平台
合成数据
生物统计特征标识符
小结
第6章 匿名数据
再思考可识别性范围
源头匿名化
汇总匿名数据
从源头采集数据的利弊
从源头采集数据的方法
安全汇总
访问存储数据
反哺源头匿名化
小结
第7章 安全使用
信任基础
信任算法
AIML技术
技术难点
信任失控的算法
负责任AIML技术的原则
管理和监督
隐私伦理
数据监控
小结
作者介绍
封面介绍