비식별 데이터의 재식별 — 문패를 뗀 집은 누가 찾아올 수 있나

「개인을 알아볼 수 없게 처리한 뒤 연구에 씁니다」

병원 동의서나 건강검진 안내문 끝에는 이런 문장이 자주 붙습니다. 진료 기록은 개인을 알아볼 수 없게 처리한 뒤 연구에 쓰일 수 있다는 문장입니다. 앱 약관에도 이름과 연락처를 지운 이용 기록을 통계와 서비스 개선에 쓴다는 대목이 있습니다. 읽는 사람은 대개 안심합니다. 기록에 내 이름이 없으면 그 기록이 나라는 것을 아무도 모를 것 같기 때문입니다.

안내문이 말하는 그 처리에는 이름이 있습니다. 비식별화(de-identification)는 기록에서 이름·연락처처럼 사람을 알아볼 수 있게 하는 항목을 지우거나 바꿔, 그 기록을 다시 사람에게 잇기 어렵게 만드는 처리입니다. 「개인정보와 익명화 — 이름을 지워도 사람은 남는다」가 가른 가명처리(따로 둔 추가 정보가 있으면 다시 이을 수 있는 처리)와 익명처리(다시는 알아낼 수 없게 하려는 처리)를 실무에서는 흔히 이 한 이름으로 부릅니다. 어느 선까지 처리해야 「알아볼 수 없다」고 인정할지가 이 글의 다툼거리입니다.

이 처리를 믿을 만한 이유가 있습니다. 사람을 곧바로 가리키는 것은 보통 이름·신분증 번호·전화번호이고, 그것을 지우면 남는 것은 나이·성별·진단명·검사 결과 같은 흔한 값들입니다. 법도 비슷한 선을 그어 왔습니다. 2011년의 한 문헌고찰은 대부분의 관할권에서 개인정보 법이 비식별 처리한 건강 자료를 연구 같은 2차 목적으로 환자 동의 없이 내보내는 것을 허용한다고 적었습니다 (DOI: 10.1371/journal.pone.0028071). 미국의 의료 정보 법인 HIPAA는 비식별 처리를 마친 건강 자료를 그 법의 규제 밖에 두어, 어떤 목적으로든 쓸 수 있게 합니다 (PMID 22735615).

그래서 널리 퍼진 믿음은 이렇게 적을 수 있습니다. 이름 같은 항목을 지우면 그 자료는 익명이다. 반대쪽 주장도 실제로 있습니다. 같은 문헌고찰은 의학·법학·컴퓨터과학 쪽의 몇몇 글이 비식별 처리는 쉽게 되돌릴 수 있어 보호가 충분하지 않다고 주장해 왔다고 정리합니다 (DOI: 10.1371/journal.pone.0028071).

이 글은 두 주장 사이를 근거로 따라갑니다. 근거는 대부분 미국·캐나다·유럽의 의료 자료 연구이고, 유전체와 위치 기록이 함께 나옵니다. 따라가다 보면 물음이 바뀝니다. 누가 어떤 자료를 더 쥐고, 얼마나 쉽게 이을 수 있는가입니다.

세 항목이면 거의 한 사람

캐나다 몬트리올 인구의 25%를 무작위로 뽑은 인구 자료로 추정해 보니, 주민의 거의 98%가 우편번호 전체·생년월일·성별 세 항목만으로 유일했습니다 (PMID 21696636). 유일성(uniqueness)은 몇 가지 항목의 조합이 같은 사람이 단 한 명뿐인 상태입니다. 몬트리올 수치는 그 「한 명뿐」을 몬트리올 주민 전체를 기준으로, 25% 표본에서 추정한 값입니다. 저자들은 이 세 항목이 몬트리올 주민에게는 사실상 이름과 같은 구실을 한다고 적었습니다. 이름을 지워도 이 세 칸이 남아 있으면, 그 기록은 거의 언제나 한 사람의 것으로 좁혀진다는 뜻입니다.

이 세 항목이 준식별자입니다. 하나만으로는 누구인지 모르지만 몇 개가 모이면 한 사람을 가리킬 수 있는 정보입니다. 같은 연구는 값을 거칠게 하면 위험이 낮아진다는 것도 보였습니다. 한 시점의 자료라면 우편번호 앞 세 자리·성별·태어난 해와 달 정도로 줄였을 때 위험이 충분히 낮았습니다. 여러 해에 걸친 자료는 유일성이 더 높아서, 같은 수준까지 낮추려면 값을 더 크게 뭉개야 했습니다 (PMID 21696636).

사람을 가리키는 조합은 인구 항목에만 있지 않습니다. 비식별 처리한 환자 전자 의무기록에서, 어떤 검사를 처방받았는지만 보아도 평균적인 환자는 98.4%의 경우 다른 모든 환자와 구별됐습니다 (PMID 30864342). 손목에 차는 동작 센서는 조금 다른 길로 사람을 가리킵니다. 353명이 10주 동안 일상에서 찬 기록으로 학습한 모형은, 하루 치 자료만 주어져도 같은 사람을 다시 골라낼 위험이 평균 96%였습니다 (PMID 36883116). 공개된 대규모 흉부 엑스선 자료로 훈련한 판별 시스템은 두 장이 같은 사람의 것인지를 95.55% 정확하게 맞혔고, 처음 찍은 지 10년 넘게 지난 사진에서도 그랬습니다 (DOI: 10.1038/s41598-022-19045-3). 사진에서 이름을 알아낸 것과는 다른 단계입니다. 저자들은 그래도 공격자가 영상을 다른 자료와 맞대 더 많은 정보를 얻을 수 있다고 적었습니다. 위치 기록도 같습니다. 한 시간 단위로 기지국 범위만큼 적힌 150만 명의 이동 기록에서는 시각과 장소 네 점으로 95%가 한 사람으로 가려졌습니다 (DOI: 10.1038/srep01376).

이름을 지운 뒤에도 몸과 생활에서 나온 기록은 대부분의 사람을 한 명으로 좁히거나 같은 사람으로 알아보게 합니다.

한 사람으로 좁혀진 다음에 필요한 것

앞의 수치들은 기록이 한 사람으로 좁혀진다는 것을 보여 줍니다. 그 한 사람이 누구인지까지 알아내려면 한 가지가 더 필요합니다. 검사 기록 연구의 저자들은 자기 결과가 검사 기록만으로 개인을 알아볼 수 있다는 뜻은 아니라고 적었습니다. 공격자가 처음부터 이름이 붙은 검사 기록을 따로 쥐고 있어야 재식별이 된다는 것입니다 (PMID 30864342). 이 연구에서 한 번 방문한 날의 검사 처방만으로 환자를 다른 99명 사이에서 골라낸 비율은 적어도 25%였습니다.

이름 붙은 다른 자료와 맞대는 이 방법이 연결 공격, 곧 이름을 지운 자료와 이름이 붙은 다른 자료를 둘 다에 있는 항목으로 맞대어 기록의 주인을 찾아내는 방법입니다. 공개하거나 반쯤 공개된 명부와 맞대는 이 공격에서, 유일성은 재식별 위험을 재는 흔한 잣대입니다 (PMID 22776564).

연구용 자료에서는 이 「한 명뿐」의 기준이 둘로 갈립니다. 연구용 내보내는 자료는 흔히 전체 인구의 일부라서, 그 자료 안에서 한 명뿐인 조합이 바깥 사회에서는 여럿일 수 있습니다. 모집단 유일성(population uniqueness)은 그 조합을 가진 사람이 자료 밖 사회 전체에서도 한 명뿐인 상태입니다. 미국 텍사스주의 수술 환자 자료로 계산해 보니, 무작위로 고른 환자 한 명의 기록이 주 전체 외부 자료의 단 한 기록과 짝지어질 확률은 42.8%였습니다 (PMID 27172145). 저자들은 이 수치가 받아들이기 어려울 만큼 높은 위험이고, 인구가 더 적은 주에서는 위험을 낮춰 잡은 값이라고 적었습니다. 작은 임상시험의 자료를 논문 부록으로 올리는 일을 놓고 계산한 값입니다.

맞댈 자료는 실제로 어디에 있을까요. 연구자들이 공격 시나리오로 따져 본 출처는 유권자 명부와 소셜 미디어 게시물입니다 (PMID 33448306). 온라인 건강 게시판도 그 출처가 됩니다. 한 학회 논문이 두 건강 게시판 자료로 개념 증명 공격을 해 보니, 한 게시판 사용자 2,805명 가운데 347명이 실제 사람에게 이어졌고, 다시 찾아진 사용자 대부분은 전체 이름·생년월일·전화번호와 건강 정보까지 드러났습니다 (DOI: 10.1109/icde48307.2020.00143).

유전체에서는 맞댈 자료가 사람의 DNA 그 자체입니다. 비콘(genomic beacon)은 DNA의 특정 자리에 특정 글자를 가진 사람이 자료에 있느냐는 물음에 예·아니오로만 답하는 유전체 공유 서버입니다. 예·아니오만 돌려주니 안전해 보였지만, 1,000명이 든 모의 비콘에서는 물음 5,000번으로 특정인이 그 안에 있는지 가려낼 수 있었습니다. 실제로 운영 중인 비콘에서도 물음 1,000번으로 한 공개 유전체 사업 참여자의 존재를 알아냈습니다 (PMID 26522470). 비콘은 참여 사실과, 그로부터 짐작되는 형질 정보까지 드러낼 수 있었습니다. 이 공격은 공격자가 그 사람의 유전체를 이미 쥐고 있고 비콘이 비교적 작을 때 성립합니다 (PMID 28339683).

유일한 기록은 이름이 붙은 맞댈 자료가 있을 때 찾아지고, 그 자료가 얼마나 쉽게 구해지느냐가 위험을 정합니다.

실제 공격의 성적표

맞댈 자료가 있는 공격은 실제로 얼마나 성공했을까요. 2011년까지 알려진 재식별 공격 14건을 체계적 문헌고찰로 모아 보니, 평균적으로 기록의 약 4분의 1이 다시 찾아졌고 추정치의 불확실성은 컸습니다 (DOI: 10.1371/journal.pone.0028071). 그런데 기존 기준대로 비식별 처리한 자료를 공격한 경우는 14건 가운데 2건뿐이었고, 그중 건강 자료를 겨눈 1건의 성공률은 0.00013이었습니다. 저자들은 알려진 근거가 높은 재식별률을 보이지만 대부분 작은 연구와 기준대로 처리하지 않은 자료라서, 비식별 방법의 효과에 결론을 내리기에는 근거가 모자란다고 적었습니다.

비식별 기준으로 자주 거론되는 것이 미국 HIPAA의 방식입니다. HIPAA는 비식별로 인정받는 길을 둘로 둡니다. 하나는 예상되는 받는 쪽에 대해 재식별 위험이 작다는 것을 정식 모형으로 보이는 길입니다. 다른 하나가 세이프 하버입니다 (PMID 25911674). 세이프 하버(Safe Harbor)는 지우거나 바꿀 항목을 목록으로 정해 두고, 그 목록대로 처리하면 비식별로 인정하는 HIPAA의 방식입니다. 날짜를 연도로 바꾸는 식입니다. 이해하기 쉬워 많이 쓰이지만, 받는 쪽의 능력에 맞춰 보호를 조절하지는 못합니다.

미국 각 주의 인구 자료로 따져 보니, 세이프 하버로 처리한 가상 자료에서 유일해서 재식별될 수 있는 인구는 주마다 0.01%에서 0.25%였습니다 (DOI: 10.1136/jamia.2009.000026). 이 값은 공격자가 환자 식별 항목을 다 안다고 가정한 것입니다. 공격자가 실제 유권자 명부를 쓴다고 가정하자 많은 주에서 비율이 떨어졌고, 몇몇 주에서는 0%였습니다. 주마다 유권자 명부를 구할 수 있는 정도가 다르기 때문입니다. 한 명을 재식별하는 데 드는 비용도 0달러에서 17,000달러까지 벌어졌습니다. 저자들은 세이프 하버 같은 일괄 규칙이 기관마다 다른 정도의 위험을 남긴다고 결론짓고, 자료를 내보내기 전에 그 자리에서 위험을 따로 추정할 근거가 된다고 적었습니다.

같은 연구는 비식별 자료가 아닌 경우도 비교로 쟀습니다. 「제한 데이터 세트」는 HIPAA가 비식별로 인정하는 두 길과는 별개로, 직접 식별자만 뺀 채 이용 계약을 맺고 넘기는, 여전히 법의 규제를 받는 자료입니다. 이 자료에서 유일해서 재식별될 수 있는 인구는 주마다 10%에서 60%였습니다 (DOI: 10.1136/jamia.2009.000026).

목록이 놓치는 항목도 있습니다. 세이프 하버대로 처리한 진료 기록에서도, 교통사고를 적어 둔 기록은 목록 밖 항목인 사고 장소 때문에 일반 인구에 비해 재식별 위험이 537배였습니다 (PMID 30815177). 몇 명이 실제로 찾아졌는지는 이 값에 들어 있지 않고, 위험이 몇 배로 커지는지만 잰 값입니다. 저자들은 영구 장애·입원·사망으로 이어진 큰 사고라면 사고 장소 정보를 빼야 한다고 권했습니다.

기준을 넘어 위험을 따로 잰 공개 사례도 있습니다. 다음 해 입원 일수를 맞히는 국제 경진대회에 보험 청구 자료를 내놓으면서, 자료를 비식별 처리한 연구진이 그럴듯한 공격 세 가지를 상정하고 위험을 평가했습니다. 그들이 추정한 재식별 확률은 0.0084로, 자료를 처리한 연구진이 대회용으로 정한 기준 0.05보다 낮았고, 처음 가정을 어겨도 크게 흔들리지 않았습니다 (PMID 22370452). 확률도 기준도 처리한 쪽이 정하고 잰 값입니다.

공격자가 실제로 쥘 자료를 가정하면 위험이 줄어드는 모습은 병원 자료에서도 나왔습니다. 미국 한 대학병원의 환자 100만 명 넘는 자료에서 공격자가 모든 항목을 안다고 가정한 최악의 경우 재식별 위험의 중앙값은 0.987이었습니다(1이 가장 위험). 공격자가 유권자 명부를 쓴다고 가정하면 위험은 중앙값으로 90.1% 줄었고, 소셜 미디어 게시물을 쓴다고 가정하면 중앙값으로 100% 줄었습니다 (PMID 33448306). 절반 넘는 사람의 위험이 사라졌다는 뜻이고, 모두의 위험이 0이 됐다는 뜻은 아닙니다. 저자들은 재식별 위험이 상황에 따라 달라지며, 공격자를 알맞게 가정하면 생명의학 자료를 지금보다 넓게 나눌 수도 있다고 결론지었습니다. 2013년의 한 워크숍 정리 글은 HIPAA 기준대로 제대로 비식별 처리한 자료가 재식별됐다는 발표된 근거는 적지만, 걱정은 커지고 있다고 적었습니다 (PMID 22735615).

기준대로 처리한 자료가 실제 공격에 뚫린 근거는 드물지만, 그 기준이 남기는 위험은 자료와 장소마다 다릅니다.

희귀질환 환자 한 명의 기록

희귀질환을 앓는 사람은 의학적 조언과 마음의 지지를 함께 얻기 어렵습니다. 그래서 병원 누리집과 소셜 미디어, 재단 사이트에 환자 모임 게시판이 많이 생겼습니다 (PMID 32867839). 한 환자가 거기에 자기 이야기를 씁니다. 나이와 성별, 결혼했는지, 어느 지역에 사는지, 어떤 병을 진단받았는지가 글 속에 자연스럽게 들어갑니다.

같은 환자의 진료 기록이 세이프 하버대로 처리돼 연구용으로 나간다고 합시다. 이름과 주소는 지워졌지만, 결혼 여부·우편번호 앞 세 자리·나이·성별은 이렇게 처리한 기록에 흔히 남습니다. 진단명도 남습니다. 연구진은 여덟 가지 희귀질환 환자 80명의 게시글·소셜 미디어·공개 기록에서 이런 항목을 모은 뒤, 미국에서 같은 조합을 가진 사람이 몇 명일지를 추정했습니다. 그 추정으로는 거의 75%의 환자가 자기가 들어 있는 의료 자료에서 재식별될 위험이 높았습니다 (PMID 32867839).

이 장면의 위험은 게시판 글이 그 항목들을 쉽게 구할 수 있는 정보로 만든 데서 옵니다. 저자들은 그 정보가 동기 있는 공격자에게 길을 연다고 적었습니다. 동기 있는 공격자(motivated intruder)는 특정한 사람이나 기록을 찾아낼 이유가 있어, 흩어진 공개 정보를 일부러 모아 맞대는 공격자입니다. 그런 공격자는 환자의 항목 조합과 병명을 함께 써서 익명 자료 속 기록을 다시 찾아낼 수 있습니다. 75%는 같은 조합을 가진 사람이 적다는 추정에서 나온 「고위험」의 비율이고, 실제로 찾아낸 사람의 비율과는 다릅니다. 저자들은 게시판 참여 지침을 조금 고치고 기관 쪽 보호를 함께 높이면 이 위험을 줄일 수 있다고 보았고, 위험한 진단 코드 일부를 준식별자로 다룰 것을 앞으로 연구할 과제로 제안했습니다.

이 위험이 실제 피해로 이어지려면 누군가 그 수고를 들여야 합니다. 그동안의 재식별 연구는 공격을 어떻게 할 수 있는지에 집중했고, 실제로 일어날 가능성은 덜 따졌습니다 (PMID 25807380). 한 게임 이론 연구는 받는 쪽이 재식별로 얻을 이득이 드는 비용보다 클 때만 시도한다는 가정을 세웠습니다. 실제 사례에 적용해 보니, 받는 쪽이 재식별로 이득을 보는 일이 없게 하면서도 위험을 조금 허용한 최적안에 가까운 양의 자료를 나눌 수 있었고, 그 양은 세이프 하버보다 훨씬 많았습니다 (PMID 25807380). 이 결론은 그 가정 위에 서 있습니다.

누가 왜 노리는지는 연구자들도 목록으로 정리하고 있습니다. 한 워크숍에서는 재식별을 시도할 만한 상대를 동기에 따라 여섯 유형으로 묶고, 각 유형을 여섯 가지 피해와 이었습니다 (PMID 39176596).

같은 기록이라도 누가 어떤 공개 정보를 들고 노리느냐에 따라 위험은 크게 달라집니다.

내보내기 전에 위험을 재는 일

위험이 조건에 따라 달라진다면, 내보내기 전에 그 조건으로 계산해 볼 수 있습니다. 재식별 위험 추정(re-identification risk estimation)은 자료를 내보내기 전에, 누가 어떤 바깥 자료와 맞대면 몇 명이 다시 찾아질지를 미리 계산해 보는 일입니다. 건강 기록에서 나온 연구 자료를 두고 제안된 한 틀은 세 단계로 갑니다. 바깥 자료와 겹치는 항목을 찾고, 그 항목들의 조합이 한두 명뿐인 작은 묶음을 찾고, 연구 자료와 바깥 자료가 같은 사람들을 얼마나 함께 담고 있는지를 따집니다 (PMID 30972355). 자살 행동 예측용 대형 자료에 이 틀을 적용하자, 거주 주를 대신 알려 주는 의료기관 표시와 방문 연도를 지우는 것이 대책으로 나왔습니다.

계산이 늘 쉽지는 않습니다. 모집단 유일성은 대개 직접 잴 수 없어 추정해야 합니다. 여러 임상 자료로 추정 방법들을 시험해 보니, 모든 조건에서 잘 맞는 방법은 하나도 없었습니다. 연구진은 조건에 따라 방법을 골라 쓰는 규칙을 만들었습니다 (PMID 22776564). 모집단 자료의 합성 판본으로 추정하는 방법도 나왔고, 두 가지 추정을 평균하면 모의 실험에서 오차의 중앙값이 0.05 아래였습니다 (PMID 35714132).

위험을 맥락에 맞춰 재면 자료를 덜 망가뜨릴 수도 있습니다. 공격자의 목표와 배경지식을 다르게 가정한 위험 모형으로 생명의학 자료를 처리해 보니, 원래 자료를 100%로 할 때 잃는 정보를 강한 공격자를 막을 때는 최대 10%, 약한 공격자를 막을 때는 최대 24%까지 줄일 수 있었습니다 (PMID 27322502). 미국 10개 주의 인구 자료로 규칙형 비식별 정책을 탐색해 평균 5,000개의 후보 묶음을 얻자, 그중 2%가 세이프 하버보다 위험은 낮으면서 쓸모는 더 컸습니다 (PMID 25911674).

계산 밖의 장치도 있습니다. 영국에서는 「다섯 가지 안전」이라는 원칙으로 운영하는 보안 자료 환경 안에서 연구자가 자료를 씁니다. 비식별 처리한 진료 기록 글을 이런 환경에 두면 환자가 재식별될 위험이 매우 낮다는 것이 한 종설의 결론이고, 저자들은 그래서 이런 자료를 연구에 더 열어야 한다고 보았습니다 (PMID 40978336). 독일의 한 종설은 같은 원칙을 대책으로 내놓으면서, 실무에서는 재식별 가능성을 흔히 낮춰 본다고 적었습니다 (PMID 38231225). 브라질의 코로나19 공개 자료를 다룬 법학 논문도 비식별 처리만으로는 모자라고, 접근 통제와 개인정보 영향평가 같은 조직의 장치가 함께 가야 한다고 보았습니다 (DOI: 10.1093/idpl/ipaa025).

익명인지는 자료 하나만으로 정해지지 않고, 처리 방식과 받는 사람과 자료를 보관하는 문이 함께 정합니다.

같은 근거가 다른 결론으로 가는 자리

「익명화는 쉽게 뚫린다」와 「실제 위험은 과장됐다」는 같은 문헌을 읽고도 갈립니다. 갈리는 자리는 크게 다섯입니다.

첫째는 무엇을 쟀느냐입니다. 98%와 95%는 항목 조합이 한 사람뿐인 비율입니다. 96%는 학습한 모형이 같은 사람을 다시 골라낸 비율입니다. 0.00013은 기준대로 처리한 자료를 겨눈 단 한 건의 공격이 성공한 비율이고, 0.987은 최악의 공격자를 가정한 모형의 위험입니다. 네 종류의 수치는 서로 다른 물음에 답합니다.

둘째는 공격자를 어떻게 가정하느냐입니다. 유전체 자료 공유를 다룬 한 연구는 지금까지의 재식별 공격이 최악의 경우에 초점을 맞춰, 연구를 불필요하게 막는 공유 관행을 낳았다고 보았습니다. 그 대안으로 한없는 수단을 가진 공격자 대신 합리적인 자원을 가진 받는 쪽에 맞춰 보호를 설계했고, 8,000명 넘는 유전체 요약 자료에 적용했습니다 (PMID 28065469). 반대쪽에도 이유가 있습니다. 공격자의 배경지식을 좁게 가정하면 위험 평가가 그 가정에 묶이기 때문에, 배경지식을 가장 많이 가진 공격자를 가정해 시험하는 방법이 한 학회 논문에서 제안됐습니다. 쓸모를 위해 보호 수준을 느슨하게 했을 때 특히 그렇습니다 (DOI: 10.1109/pst.2015.7232951).

셋째는 자료의 종류입니다. 문헌 대부분은 표 형태의 자료를 다뤘습니다. 글·영상 같은 자료를 두고 유럽연합 개인정보 보호 규정(GDPR)을 따진 법학 논문은, 위험을 따지는 접근이 GDPR의 목적에 맞는 더 세밀한 시험이라고 보면서도, 유럽 자문기구가 낸 엄격한 기준을 따르면 원본이 남아 있는 한 익명처리가 사실상 불가능하다고 적었습니다 (DOI: 10.1093/idpl/ipac008). 영상에서는 처리의 효과가 부분적입니다. 얼굴 뼈 CT에서 얼굴의 연한 조직만 골라 지우는 처리를 하자, 딥러닝으로 같은 사람을 맞힌 비율은 85%에서 64%로, 사람이 눈으로 맞힌 비율은 84%에서 55%로 내려갔습니다. 한 병원의 얼굴뼈 골절 환자 자료였고, 눈으로 맞힌 비율은 일반인과 성형외과 의사가 비슷했습니다. 저자들은 이 처리가 자료의 쓸모를 거의 잃지 않으면서 위험을 크게 낮췄다고 결론지었습니다 (PMID 41741849). 위험은 줄었고, 사라지지는 않았습니다.

넷째는 대책이 통하느냐입니다. 유전체 비콘을 두고 한 연구는 희귀한 변이의 존재를 가리거나 사용자별 물음 횟수에 상한을 두면 위험을 효과적으로 줄일 수 있다고 보였습니다 (PMID 28339683). 다른 연구는 이웃한 자리의 DNA 글자들이 서로 독립이 아니라는 점을 이용하는 새 공격을 내놓고, 일부 자리를 숨기거나 물음 횟수에 상한을 두는 대책이 참여자를 지키지 못한다고 보였습니다. 유럽 인구 65명이 든 모의 비콘에서 희귀한 변이를 숨겨도 물음 5번으로 95% 확신을 얻었습니다 (PMID 30052749). 뒤 연구는 대책을 자기가 새로 제안한 공격에 대 보았고, 앞 연구는 공개 유전체 사업 자료로 만든 비콘에서 자기 대책을 시험했습니다. 대책의 효과는 그 대책을 시험한 공격까지만 말해 줍니다.

다섯째는 어느 기준에 견주느냐입니다. 법학 연구자들은 익명 자료의 법적 정의 자체가 불확실하다고 적었습니다. GDPR은 익명 자료에도 식별 위험이 남을 수 있다고 인정하지만, 어떤 위험도 받아들일 수 없다고 주장하는 쪽도 있습니다. 저자들은 기술을 살펴본 뒤, 익명처리를 써도 남는 위험은 늘 있다고 결론지었습니다 (DOI: 10.1093/idpl/ipz026). 그렇다면 위험이 0이어야 익명이라고 보는 기준 아래서는 익명이 될 수 있는 자료가 거의 없고, 어디에 선을 긋느냐가 답을 가릅니다. 장소와 규모도 기준을 흔듭니다. 중국 선전시의 휴대전화 위치 자료에서 나온 재식별 위험은 서구 지역에서 보고된 값과 뚜렷이 달랐습니다 (PMID 26469780). 캐나다 노동력 조사 자료를 공개된 소셜 미디어 정보와 맞대는 추정에서는 인구가 적은 두 주에서 위험이 12.5%, 더 큰 매니토바주에서 1.9%였습니다 (DOI: 10.1109/csp62567.2024.00010, 학회 발표).

결과에 일부러 잡음을 섞어 한 사람의 자료가 있든 없든 결과가 거의 같게 만드는 차분 프라이버시는 이 논쟁에 수학적 보장으로 답하려는 다른 길이고, 그 쓸모와 대가는 「미국 인구조사의 차분 프라이버시 — 합계만 내보내면 안전하다는 믿음이 무너진 뒤」에서 다룹니다.

두 주장은 같은 수치를 서로 다른 물음의 답으로 읽고 있습니다.

의의 — 이름을 지운 뒤에 남는 물음

통념에 가까운 결과가 나온 범위가 있습니다. 표 형태의 자료를 기준대로 처리하고, 내보내기 전에 위험을 따로 추정하고, 받는 사람을 정해 보안 환경 안에서 쓰게 한 경우입니다. 기준대로 처리한 자료가 실제 공격에 뚫렸다는 발표된 근거는, 2011년까지의 공격을 모은 문헌고찰에서 해당하는 건강 자료 공격이 한 건이었을 만큼 드물었습니다 (DOI: 10.1371/journal.pone.0028071). 2013년의 워크숍 정리 글도 그런 근거는 적지만 걱정은 커진다고 적었습니다 (PMID 22735615). 보안 환경의 위험이 매우 낮다는 결론은 영국의 진료 기록 글을 다룬 한 종설의 것이고 (PMID 40978336), 낮게 나온 위험 수치 하나는 자료를 처리한 쪽이 스스로 잰 값입니다 (PMID 22370452). 네 조건을 모두 갖춘 자료를 실제로 공격해 본 연구는 이 글이 다룬 근거 안에 없습니다.

통념이 틀리는 범위도 있습니다. 여러 해에 걸친 세밀한 기록, 검사·센서·영상·유전체처럼 몸에서 나온 기록, 누구나 받아 갈 수 있게 공개한 자료, 그리고 게시판에 남은 글처럼 맞댈 자료를 누군가 일부러 모을 수 있는 경우입니다. 그때 이름을 지운 것은 출발점일 뿐입니다.

2011년의 문헌고찰이 적은 결론은 지금도 두 방향을 모두 막습니다. 알려진 근거는 높은 재식별률을 보이지만, 그 대부분은 기준대로 처리하지 않은 자료였고, 비식별 방법의 효과를 판단하기에는 근거가 모자랍니다 (DOI: 10.1371/journal.pone.0028071). 「익명화는 무의미하다」도, 「이름만 지우면 충분하다」도 이 근거로는 서지 않습니다.

이름을 지운 기록이 익명인지는, 누가 어떤 자료를 더 쥐고 그 기록에 얼마나 쉽게 닿을 수 있느냐로 정해집니다.

준식별자·재식별·연결 공격이 무엇이고 k-익명성 같은 처리 방법이 어떻게 생겼는지는 「개인정보와 익명화 — 이름을 지워도 사람은 남는다」가 처음부터 설명합니다. 합계만 내보내도 개인이 드러날 수 있는지, 그리고 잡음을 섞는 방식이 통계의 쓸모와 어떻게 맞바뀌는지는 「미국 인구조사의 차분 프라이버시 — 합계만 내보내면 안전하다는 믿음이 무너진 뒤」가 이어서 다룹니다.

근거 논문

• "A Systematic Review of Re-Identification Attacks on Health Data" (2011) — DOI: 10.1371/journal.pone.0028071 — 공격 14건, 평균 약 4분의 1 재식별(불확실성 큼). 기준대로 처리한 자료 공격은 2건, 건강 자료 1건 성공률 0.00013. 근거는 소규모·기준 미적용 자료 위주라 비식별 효과에 결론 불가.
• "Building public trust in uses of Health Insurance Portability and Accountability Act de-identified data." (2013) — PMID 22735615 — HIPAA 비식별 자료는 규제 밖·어떤 목적으로든 사용 가능. 적정 비식별 자료의 재식별 발표 근거는 적지만 우려는 커지는 중.
• "The re-identification risk of Canadians from longitudinal demographics." (2011) — PMID 21696636 — 몬트리올 인구 25% 표본으로 추정, 거의 98%가 우편번호 전체·생년월일·성별로 유일. 우편번호 앞 세 자리·성별·생년월이면 한 시점 자료는 충분히 낮은 위험, 장기 자료는 더 일반화 필요.
• "Evaluation of patient re-identification using laboratory test orders and mitigation via latent space variables." (2019) — PMID 30864342 — 731,850명 EHR, 검사 처방만으로 98.4% 유일. 한 방문 처방으로 100명 중 25% 이상 재식별. 단 이름 붙은 외부 검사 자료가 있어야 재식별 가능.
• "WristPrint: Characterizing User Re-identification Risks from Wrist-worn Accelerometry Data." (2021) — PMID 36883116 — 353명·10주 손목 센서 자료, 하루 치 공유 시 재식별 위험 평균 96%.
• "Deep learning-based patient re-identification is able to exploit the biometric nature of medical chest X-ray data" (2022) — DOI: 10.1038/s41598-022-19045-3 — 흉부 엑스선 112,120장·30,805명, 같은 사람 판별 정확도 95.55%, 10년 넘은 사진에서도.
• "Unique in the Crowd: The privacy bounds of human mobility" (2013) — DOI: 10.1038/srep01376 — 150만 명·15개월 이동 기록, 한 시간·기지국 해상도에서 네 점으로 95% 유일.
• "Estimating the re-identification risk of clinical data sets." (2012) — PMID 22776564 — 공개 명부와의 연결 공격에서 유일성은 흔한 위험 척도. 직접 잴 수 없어 추정해야 하며, 모든 조건에 맞는 추정기는 없어 결정 규칙을 개발.
• "The Risks to Patient Privacy from Publishing Data from Clinical Anesthesia Studies." (2016) — PMID 27172145 — 텍사스주 수술 환자, 모집단 유일 확률 42.8%. 작은 주에서는 과소평가.
• "Enabling realistic health data re-identification risk assessment through adversarial modeling." (2021) — PMID 33448306 — 100만 명 넘는 환자 자료, 최악 가정 위험 중앙값 0.987, 유권자 명부 가정 90.1%·소셜 게시물 가정 100% 감소. 위험은 상황 의존.
• "De-Health: All Your Online Health Information Are Belong to Us" (2020) — DOI: 10.1109/icde48307.2020.00143 — 개념 증명 공격으로 건강 게시판 사용자 2,805명 중 347명을 실제 사람에 연결, 대부분 이름·생년월일·전화번호 노출.
• "Privacy Risks from Genomic Data-Sharing Beacons." (2015) — PMID 26522470 — 1,000명 모의 비콘에서 물음 5,000번으로 재식별, 실제 비콘에서 물음 1,000번으로 참여자 존재 탐지. 참여 사실과 함축된 형질 정보 노출.
• "Addressing Beacon re-identification attacks: quantification and mitigation of privacy risks." (2017) — PMID 28339683 — 공격은 작은 비콘·전체 유전체를 쥔 공격자 조건에서 성립. 희귀 변이 가리기·물음 횟수 제한으로 위험을 효과적으로 줄임.
• "Re-identification of individuals in genomic data-sharing beacons via allele inference." (2019) — PMID 30052749 — 자리 간 상관을 이용한 새 공격, 65명 모의 비콘에서 물음 5번으로 95% 확신. 일부 숨기기·물음 상한은 실패.
• "R-U policy frontiers for health data de-identification." (2015) — PMID 25911674 — HIPAA 두 경로(정식 위험 모형 / 항목 목록형 세이프 하버). 10개 주 정책 20,000개 탐색, 정책 묶음의 2%가 세이프 하버보다 위험 낮고 쓸모 큼.
• "Evaluating re-identification risks with respect to the HIPAA privacy rule" (2010) — DOI: 10.1136/jamia.2009.000026 — 주별 유일 재식별 가능 인구: 세이프 하버 0.01~0.25%, 제한 데이터 세트 10~60%. 유권자 명부 공격 시 감소, 일부 주 0%. 비용 0~17,000달러. 일괄 규칙은 위험을 고르게 남기지 않는다.
• "Re-Identification Risk in HIPAA De-Identified Datasets: The MVA Attack." (2018) — PMID 30815177 — 세이프 하버 처리 기록에서 교통사고 장소로 재식별 상대위험 537. 큰 사고의 장소 정보 삭제 권고.
• "De-identification methods for open health data: the case of the Heritage Health Prize claims dataset." (2012) — PMID 22370452 — 경진대회용 청구 자료를 처리한 연구진의 평가, 재식별 확률 0.0084(기준 0.05 미만), 가정 위반에도 견고.
• "Participation in patient support forums may put rare disease patient data at risk of re-identification." (2020) — PMID 32867839 — 희귀질환 8종 환자 80명의 게시판 정보로 추정, 거의 75%가 고위험. 동기 있는 공격자. 참여 지침 조정·기관 보호로 완화 가능.
• "A game theoretic framework for analyzing re-identification risk." (2015) — PMID 25807380 — 이득이 비용보다 클 때만 시도한다는 가정. 위험 0으로도 최적안에 가까운 양 공유, 세이프 하버보다 훨씬 많음.
• "Health Data Re-Identification: Assessing Adversaries and Potential Harms." (2024) — PMID 39176596 — 연구자 13명 워크숍, 제안 28개를 동기별 여섯 유형으로, 여섯 가지 피해와 연결.
• "Assessing and Minimizing Re-identification Risk in Research Data Derived from Health Care Records." (2019) — PMID 30972355 — 겹치는 항목·작은 묶음·인구 겹침으로 위험 평가. 자살 행동 예측 자료에서 의료기관 표시·방문 연도 삭제.
• "Measuring re-identification risk using a synthetic estimator to enable data sharing." (2022) — PMID 35714132 — 합성 모집단 기반 추정기, 두 추정 평균의 오차 중앙값 0.05 미만.
• "The Importance of Context: Risk-based De-identification of Biomedical Data." (2016) — PMID 27322502 — 위험 모형으로 맥락 맞춤 처리 시 정보 손실을 강한 공격자 최대 10%, 약한 공격자 최대 24% 줄임.
• "What is the patient re-identification risk from using de-identified clinical free text data for health research?" (2025) — PMID 40978336 — 비식별 진료 기록 글을 보안 자료 환경(다섯 가지 안전)에 두면 재식별 위험 매우 낮음.
• "[Re-identification potential of structured health data]." (2024) — PMID 38231225 — 실무에서 재식별 가능성은 흔히 과소평가. 다섯 가지 안전 원칙 기반 대책.
• "Open data on the COVID-19 pandemic: anonymisation as a technical solution for transparency, privacy, and data protection" (2021) — DOI: 10.1093/idpl/ipaa025 — 익명처리는 접근 통제·개인정보 정책·영향평가 같은 조직적 조치로 보완돼야 한다.
• "Expanding Access to Large-Scale Genomic Data While Promoting Privacy: A Game Theoretic Approach." (2017) — PMID 28065469 — 최악 가정 중심 공격이 연구를 불필요하게 막는 관행을 낳았다. 합리적 자원의 받는 쪽에 맞춘 보호, 8,000명 넘는 유전체 요약 자료.
• "Disclosure risk assessment via record linkage by a maximum-knowledge attacker" (2015) — DOI: 10.1109/pst.2015.7232951 — 배경지식 가정의 한계를 넘으려 최대 지식 공격자 모형과 연결 시험 제안.
• "The GDPR and unstructured data: is anonymization possible?" (2022) — DOI: 10.1093/idpl/ipac008 — 위험 기반 접근 vs 자문기구(WP 216)의 엄격한 접근. 엄격한 기준이면 원본이 남는 한 비정형 자료 익명처리는 사실상 불가능.
• "De-identification Strategy and Re-identification Risks for Facial Computed Tomography Images via Deep Learning." (2026) — PMID 41741849 — 얼굴 CT 3,206건, 연조직 선택 삭제로 딥러닝 재식별 85→64%, 사람 판별 84→55%.
• "They who must not be identified—distinguishing personal from non-personal data under the GDPR" (2020) — DOI: 10.1093/idpl/ipz026 — 익명 자료의 법적 정의는 불확실. GDPR은 잔여 위험을 인정하나 0을 요구하는 쪽도 있다. 익명처리에는 늘 잔여 위험.
• "Re-Identification Risk versus Data Utility for Aggregated Mobility Research Using Mobile Phone Location Data." (2015) — PMID 26469780 — 선전시 휴대전화 위치 자료의 재식별 위험은 서구 보고치와 뚜렷이 다르다(공간적 이질성).
• "Linkage Deanonymization Risks, Data-Matching and Privacy: A Case Study" (2024) — DOI: 10.1109/csp62567.2024.00010 — 캐나다 노동력 조사, 소셜 미디어와 연결 시 추정 위험 12.5%·12.5%·1.9%. 인구가 클수록 위험 낮음.