なぜコンフィデンシャル・コンピューティングの社会実装は難しいのか 一過性のブームで終わらせないために
【第3回】企業、産業を横断した価値を生み出せる社会を目指して
本連載では、第1回でコンフィデンシャル・コンピューティングが昨今のDXのトレンドの中で着目された背景やLayerXが着目した理由を紹介し、第2回では、コンフィデンシャル・コンピューティングの技術的な特徴である秘匿性/監査性・透明性担保の仕組みについて解説しました。第3回の今回は最終回として、コンフィデンシャル・コンピューティングを社会実装し、実際のサービスやシステムで活用する際の注意点や課題についてお話しします。
パーソナルデータにおける匿名性の担保
LayerXの研究開発組織であるLayerX Labsでは、本連載でも紹介してきた自社ソリューション「Anonify」を軸に、コンフィデンシャル・コンピューティングの社会実装に取り組んでいます。第1回で紹介した通り、コンフィデンシャル・コンピューティングがパブリッククラウドで利用しやすくなったことなどを背景に、我々が研究開発に取り組み始めた数年前と比べて普及が進んだように感じます。
また、コンフィデンシャル・コンピューティングと同様「データを秘匿化したまま処理する」技術である(暗号学的な手法を用いた)秘密計算についても、メディアで取り上げられる頻度が増えるなど、注目度が高まっているように思います。
しかしながら、コンフィデンシャル・コンピューティングや秘密計算はあくまで「要素技術」ですので、実際のビジネスやサービスにおいて本当に力を発揮させるためには、様々な工夫が必要となります。

たとえば、プライバシーや情報漏洩防止の観点で元データを秘匿化して何らかの処理を行う場合、その結果のデータ形式や出力ロジックをどうするかという論点があります。
そもそも、パーソナルデータの匿名性を担保すること自体が、長年研究されている奥が深い問題です。氏名やIDなどの識別子を削除することにより、一見すると個人の識別性がないようなデータに加工した場合でも、実は他の情報と照合することで個人を識別することが可能だというケースはよくあります。
Netflix社がかつて行った、推薦アルゴリズムのコンテストが有名な事例です。同社が公開したデータセットには1999年から2005年における、約48万人もの実ユーザーによる映画のレーティングの値が含まれていました。匿名化に関する研究で著名なArvind Narayananらの研究[※1]では、特定の個人の複数の映画に対するレイティング値と、レイティングをした日付という前提知識をどの程度精緻に持っていれば、どの程度の識別が可能かという分析がされています。
これらの前提知識を使って識別を試みることができるのは、対象の個人の知人や友人だけとも限りません。同研究では、公開情報であるIMDbという別のサービスによる映画のレイティングを使って、同一のユーザーを高い確率で推定できたという結果も出ています。
そのため、このようなパーソナルデータにおける特定個人の識別を防ぐため、「k-匿名化」[※2]をはじめとする匿名化手法が古くから研究されています。
[※1] Arvind Narayanan and Vitaly Shmatikov:Robust De-anonymization of Large Datasets (PDF),(2008).
[※2] 「k-匿名性とはデータの匿名性を評価する指標で、『同じような属性の人が、必ずk人以上いる状態』のこと」(国立情報学研究所、『NII Today 第64号』、「匿名化技術の最新動向とその課題」より)
この記事は参考になりましたか?
- 関連リンク
- 暗号化の切り札、コンフィデンシャル・コンピューティングの可能性を探る連載記事一覧
-
- なぜコンフィデンシャル・コンピューティングの社会実装は難しいのか 一過性のブームで終わらせ...
- なぜ秘匿性/監査性・透明性を担保できるのか? コンフィデンシャル・コンピューティングの仕組...
- 社会全体のDXに向けた切り札、コンフィデンシャル・コンピューティングの可能性を探る
- この記事の著者
-
中村 龍矢(LayerX)(ナカムラ リュウヤ)
LayerXに創業から参画し、R&D部門を立ち上げ、研究成果を国内外の学会・カンファレンスにて発表。現在は、執行役員 兼 LayerX Labs所長として、R&Dを強みにした事業開発を推進。プライバシー保護・秘匿化技術を用いたプロダクト開発や、民間企業・行政との共同プロジェクトを分野...
※プロフィールは、執筆時点、または直近の記事の寄稿時点での内容です
この記事は参考になりましたか?
この記事をシェア