t-closeness

t-closeness 是資料保護領域中，針對「屬性洩露風險」設計的量化指標，最早由 Dwork 等人在2006年提出。其核心邏輯是：若一個資料集中的敏感屬性分布與整體資料分布相似，則攻擊者即使知道某人屬於特定類別，也無法從統計上推斷其敏感屬性。此概念在ISO/IEC 20889（隱私保護技術標準）及NIST的隱私框架中均有相關理論基礎。相較於k-anonymity（只保證k個人相似）和l-diversity（保證k個人中有l個不同敏感值），t-closeness進一步要求屬性分布的「形狀」一致，有效防止「偏斜分佈攻擊」（skewed distribution attack）。在GDPR第25條「隱私設計」（Privacy by Design）要求下，t-closeness是評估資料處理風險的關鍵量化工具。

實務導入通常分為三個階段：第一步，資料盤點與分類，識別包含敏感個人資料（如健康資訊、財務狀況）的資料集；第二步，計算t值，企業需根據業務場景設定合理的t閾值（t越小，隱私保護越強，但資料可用性降低），並使用Earth Mover's Distance（EMD）等算法進行量化評估；第三步，動態調整與監控，隨著資料集更新持續驗證t值是否仍符合設定目標。例如，台灣某大型電信業者在分享用戶行為分析資料給第三方合作夥伴時，透過t-closeness驗證，成功將屬性推斷風險降低40%，同時維持了85%的資料可用性，達成GDPR第32條「處理安全性」的合規要求。

台灣企業導入t-closeness主要面臨三項挑戰：首先是「技術人才稀缺」，因其涉及統計學與資訊安全交叉領域，傳統IT人員難以快速上手，建議透過專業顧問進行技術轉移；其次是「業務與合規的拉鋸」，業務部門希望資料精準度越高越好，而法務部門要求t值越低越安全，企業需建立「風險容忍度委員會」進行跨部門決策；第三是「法規解讀模糊」，台灣個資法第18條及第21條對匿名化的具體技術要求尚無明確量化標準，建議參考國際ISO/IEC 20889指引進行實務操作。建議企業在導入初期採用「分階段實施策略」，先從低風險資料集試行，逐步擴展至高風險場景，以降低初期導入成本與業務衝擊。