返回资讯中心
外部精选
软件工程
#开发者实时流

研究者称欧盟要求谷歌共享搜索数据的匿名化机制可被破解

来源标题:Alone among a thousand: the EU "anonymisation" of Google searches is broken

一名研究者受谷歌委托审计欧盟《数字市场法》要求下的搜索数据共享方案,结果发现其匿名化层可被攻破。该方案要求谷歌将欧洲用户的搜索查询共享给AI聊天机器人厂商或搜索引擎等第三方,并按日期、地区、设备类型和查询语言分组,仅在单日同一地点有至少1000名登录用户搜索时才保留位置标记。研究者表示自己在真实谷歌数据(数千亿条搜索记录)上测试并破解了这一匿名化处理。

Hacker News 最新pjf2026/11/12 · 5 天前24 分钟阅读

以下正文由 AI 翻译自 Hacker News 最新(原文版权归原站所有),可能存在偏差,重要内容请以原文为准。

欧盟委员会命令 Google 与其他公司(例如 AI 聊天机器人开发商或搜索引擎)共享所有欧洲人的搜索数据。从高层来看,这相当于把用户在 Google 搜索引擎中输入的搜索查询复制粘贴给接收方,并经过某种“匿名化”处理。我在真实的 Google 数据(数千亿条搜索记录)上测试了这层处理。我攻破了它。

欧盟委员会向 Google 发出了一项数字市场法(DMA)执行命令。今年 4 月,我在无法访问数据的情况下自行评估了先前的方案,认为其存在重大的隐私和国家安全风险。随后在今年 9 月,Google 要求我审计该方案并根据 DMA 命令发布结果。我于 10 月开始工作。本报告就是审计结果。

用户本应被隐藏在人群之中。根据欧盟委员会的方案,搜索查询的交付方式应使他人无法从中识别出个别搜索。分组依据的是元数据:日期、位置(例如布鲁塞尔地区)、设备类型(如桌面端、移动端)、查询语言。只有当至少 1000 名已登录用户在同一天、使用同一语言、在同一类设备上于某地发起搜索时,数据才会包含该位置标记。否则,该区会被替换为国家级别(例如“比利时”);如果这样分组仍然太小,该搜索就会被移除。委员会认为,这使得用户“彼此无法区分”。我对此进行了验证,并找到了违反这些要求的方法。

问题在于,该方案统计的是用户搜索时使用的语言,而不是屏幕语言——也就是浏览器配置的语言,后者可以说比搜索语言持久得多。数据集中两者都有,但泛化方案只考虑了其中一个。以下是数据中的一个案例。例如,8 月 1 日,比利时列日区的一位用户用英语在手机上搜索,而 Google 显示语言为菲律宾语,这条搜索在 92,990 条记录中被单独标出。类似的被单独标出的搜索者还有很多。这也不仅涉及非欧洲语言。例如,在巴伐利亚上阿尔高区,一位 Google 显示语言为罗马尼亚语的德国搜索者在 479,463 条记录中被单独标出;在波兰卡利什地区,一条 Google 显示语言为匈牙利语的波兰语搜索在 220 万条记录中被单独标出;在法国厄尔省,一条 Google 显示语言为意大利语的法语搜索在 170 万条记录中被单独标出;在比利时韦尔维耶区,一条显示语言配置为波兰语的法语搜索在 125,524 条记录中被单独标出。当然,浏览器配置语言越罕见,风险就越高。欧盟委员会知道这一点——并在 7 月的原始决定中指出了这一点。

我对大规模数据进行了系统研究,覆盖了 8 月的每一条记录(以及 5 月和其他月份的数据)。以类似方式,我仅针对少数几个国家、仅 8 月(2026 年)一个月,就单独标出了 50 万次搜索背后的人。问题肯定更大。放在 8 月比利时、法国、波兰、德国所有其他搜索的背景下,这可能看起来只占 260 亿的一小部分,但匿名化要成立,就必须对每个人都成立。欧洲数据保护委员会确认了这一点。被单独标出意味着在人群中孤身一人。GDPR 确认,单独标出是识别一个人的一种方式。这里的失败是直接且不可否认的。令人震惊的是,即使回退到国家层面的泛化也没有奏效,因为我验证了 8.5 万次搜索背后的人当天即使在整个国家范围内仍然是孤立的。这一切之所以可能,是因为在匿名化设计中,一个具有识别性的信号没有被视为标识符。形式上,这意味着匿名化允许记录隔离。

欧盟委员会还要求将搜索历史切成三條一段。最多三条搜索可以通过一个 ID(迷你会话 ID)关联起来。欧盟委员会表示其自行做了实验,这些片段无法被拼接。

我突破了三条的上限,将它们拼接起来。利用前面提到的被隔离的搜索者,我仅在德国、仅在 8 月,就将片段拼接成了超过 20 万个长度超过三条搜索的集合。

对于专业内容,关联效果甚至更好。以下是一个基于数据内容构建的示例(合成)。想象一位搜索者先搜索脑肿瘤,第二条查询关于脑部手术和康复,第三条关于某个命名城镇的神经外科医生。每个片段透露的信息很少,但合在一起读起来就像一份病人档案。

欧盟委员会的决定甚至说,搜索文本“不像一份含有诊断的病人档案”,因为搜索可能关于别人。一条搜索?也许。但当同一个医疗状况出现在多个拼接的片段中时,这种解释就困难得多。在通过罕见医疗值(例如输入了两次的化验结果)关联的集合中,大约五分之一包含任何单个片段都没有的医疗或个人细节。一个罕见的医疗值还能将不同设备上的搜索关联起来,例如先在手机上、后在电脑上。这在形式上称为关联。

在证明了记录隔离和关联之后,我还确认可以对数据集进行推断。推断意味着了解到一个人从未陈述过的信息。在上面的例子中,没有人输入“我有脑肿瘤”。但关联的搜索让这一点更加清晰。尤其是对于拼接的查询,关联提供的信息比任何其他单个搜索查询都多。此类敏感信息在关联搜索中出现的频率是单个迷你会话(上限为 3 条)的 3 到 5 倍。我大规模使用 AI 来推断信息。我能够提取有关健康、宗教、政治观点、性、露骨内容兴趣等信息。这些正是 GDPR 保护最严格的类别。

(原文较长,此处译出前 6000 字,完整内容请点「打开原文」。)

正文由 探How 从来源站点 RSS 同步,内容未经改写;遇到排版缺失或需要图片、视频时请以原文为准。

打开原文
去社区讨论 →