来源：一个数据玩家的自我修养(Data_Player)
数据猿官网 | www.datayuan.cn
上一篇传送门
新技术加速隐私暴露，如何应对？（一）
二、 网络爬虫技术给隐私保护带来的挑战
网络爬虫技术并不是一个新技术，最初是搜索引擎用来抓取散落在因特网上的海量网站，解析后为用户提供搜索服务的一种技术，本质上是模拟浏览器浏览网页的行为，用程序获取网页上展示（或隐藏）的数据。Web 1.0时代，互联网上的个人信息少之又少，以门户、新闻等信息为主，爬虫低调而务实，仅仅是一个搜索引擎收集数据的工具。Web 2.0时代，随着UGC（User Generate Content）的增加，爬虫可以用来做一些群体用户行为分析了。互联网 时代，特别是互联网金融的发展，大数据供应商们绞尽脑汁，寻找一切可以判定个人信用的数据，从最早的信用卡邮箱账单，到社保、公积金、运营商通话详单，甚至通过模拟登陆网贷平台，来判断一个手机号是否曾经注册过，或者登陆B网贷平台，用其额度和利率来作为A平台的风控参考。
诚然，技术并无对错，这几年由于需求旺盛，大数据供应商如雨后春笋般遍地开花，替代数据风控模式如百花齐放般层出不穷，确实使得国内互联网企业、金融机构在大数据风控方面有了不小的发展。然而监管的滞后，让大量无牌照的大数据公司赚得盆满钵满，还把爬取到的数据通过批量出售、交换等方式获取多次利润和更多的数据。
出来混，总是要还的，通过违法方式收集数据的公司必然会受到法律的制裁，但是由于数据作为资产的特殊性，流通到黑市和暗网上的数据，却已经难以追回，因此隐私泄露，只有0次和无数次，一旦泄露，造成的危害难以想象。
关于如何使用网络爬虫技术才是合规的，近期已经有不少文章做过精彩论述，本文不再赘述。这里数据玩家主要想探讨的是，不管企业合不合规，爬虫技术到底可能带来哪些隐私泄露的风险，我们应该如何避免？这里我们分成公开数据和非公开数据两类分别讨论。
1. 公开数据
即任何人不需要登录任何账号、或登录一般账号就可以查看的数据，比如用户在各类论坛、贴吧、微博等发布的内容
大家会感觉这些数据没什么隐私，因为都是自主发布的，一般人也不会把自己的隐私信息公开发布。当然，完整的隐私信息没人会公开发布，但是由于隐私保护意识不够，社交媒体上经常见到有人晒出各种暴露隐私的信息，再加上之前介绍的大数据相关分析技术，可以很容易的复原一套完整的个人隐私信息。
我们举个栗子：
- 小明为了在社交网络上刷存在感，所有平台的ID都是一样的，叫xiaoming0229（疑似生日get）。
- 国庆出国去玩，小明在微博晒了自己的登机牌（姓名get）
- 在贴吧找一个资源，小明留下了自己的邮箱：xm137xxxxxxx@qq.com（疑似手机号get）
- 小明出差很多，有一次在知乎回答“整天出差的工作是一种什么体验”的问题时，小明晒出了一叠火车票，大部分信息都遮住了，但是身份证后四位没遮住（身份证后四位get）
- 小明在某个地区论坛认老乡，发帖说到自己的身份证也是XXXXXX开头的（身份证前六位get）
- 小明是某闰年2月29日出生的（ID也可以看出来），在豆瓣加入了2月29日出生的小组，并且晒出了出生年月日（身份证中间八位get）
看到这里，大家应该发现，拿到小明的姓名 身份证 手机号三要素一点难度都没有，如果小明神经再大条些，在某个羊毛论坛晒自己的借记卡没把卡号遮住，在某个社交媒体晒自己的身份证大头照有多不满意……一套完整的四要素，加上身份证照片都可以做好了。
四要素能干嘛呢？可以做的事情太多了，我们留到黑产章节再详细介绍。
大家看到这里可能认为这个案例太极端了，而且很多数据并非标准化（如登机牌、火车票的照片等）。确实这是一个极端的例子，难以大规模实施攻击，但是如果黑客有意针对一个个体进行攻击的话，完全是可以做到的。与其抱有侥幸心理认为下一个不会是你，不如提升隐私保护意识，防患于未然。
2. 非公开数据
即必须登录特定账号才能查看的数据。比如邮箱、社保、公积金、运营商官网等。
相比公开数据来说，由于需要用户授权自己的用户名、密码，大多数用户对于这类数据是相对比较谨慎的。但是由于需要获取这些数据的，一般都是金融相关的企业，用于辅助信用评估，所以当一个人有了金融需求，真的需要借钱时，往往对于隐私的谨慎就排不到第一位了。
这类爬虫最大的风险点除了获取的数据外，在于获取了用户的密码。如果非要授权，至少应该改一个临时的密码，授权之后再改回自己常用的密码，毕竟大多数人常用的密码就那几套，我们可以相信一个企业的底线，但是难以估计企业里每一个员工的素质。
另外，关于邮箱的授权，一般是用于信用卡账单管理，这是一个需要持续授权的服务，最好单独用一个邮箱来做信用卡账单邮箱授权。如果已经有常用的邮箱又懒得改，也可以用邮箱提供的来信分类功能，将特定邮件转发到特定邮箱（51信用卡已经提供了这个功能）。常用邮箱密码一旦泄露是非常麻烦的，绝大多数社交平台、甚至有些金融机构直销银行的密码，都可以通过邮箱重置。
总之，在隐私保护这件事上，建议做到以“小人”之心度“君子”之腹。
图1 邮箱来信分类功能，避免直接提供邮箱密码
三、云计算技术给隐私保护带来的挑战
云计算给互联网和金融行业带来了诸多益处，比如接入方便，压缩成本，弹性计算等等，同时也带来一系列问题，尤其是数据安全方面。由于云计算服务提供商的承载了多家企业的生产系统，如果出现故障，很容易造成大面积企业受到影响，进而造成更大面积的个人用户受到影响，如2018年8月发生的腾讯云数据丢失事件[1]，虽然类似大规模数据丢失事件极少发生，但是通过搜索相关云服务商数据丢失的情况，发现非常多局部数据丢失的情况，出于对云服务的信任，多数用户并没有保存本地备份，导致数据无法找回。同样，我们有理由担心，如果发生云服务商数据泄露，造成的影响也是单个企业数据泄露所无法比拟的。
由于云计算的底层服务器，包括操作系统、组件等，都是多租户共享的，因此黑客有可能通过底层服务入侵，一旦破解，那将如入无人之境。攻击者可以通过自身安全意识不强的企业用户作为突破口，从木桶的短板进攻，使得同一云平台的其他企业用户同样危险。而且由于公有云服务的接口都暴露在公网上，使得攻击更容易进行。
更为危险的是内部人作案，如果云服务商的内部员工作案，将会导致极大规模的数据泄露，再加上不少金融机构也开始上云了，金融机构的数据如果泄露，后果不堪设想，事实上这种情况在Capital One已经发生了[2]。云服务商为了给各地用户提供低延迟的服务，会建立多个物理数据中心，不同地区的数据中心，在物理设施、人员配备、管理细则上参差不齐，也给了攻击者可乘之机。[3]
企业上云是大势所趋，遗憾的是，我们没什么办法来在这趋势中更好的保护自己的隐私，只能寄希望于上云的企业，以及云服务供应商，在技术上做好安全防护、数据加密，管理上做好权责分离。
四、移动互联网技术给隐私保护带来的挑战
1.定位数据
区别于PC互联网时代，移动互联网时代最有特点的数据就是定位数据，从原来的IP定位，已经发展到GPS定位以及运营商基站定位。人们在享受定位数据带来的便捷服务的同时，也承担着相应的风险。比如，通过提供LBS（LocationBased Service）服务的App，变换三次位置可以框定附近某个用户的位置；通过手机相机拍摄的照片Exif（ExchangeableImage File）信息，也可以获取该照片拍摄的GPS定位；更不用说用户们在社交网络上主动分享自己定位了。
定位信息仅仅泄露的是个人隐私，风险相对可控，但是结合大数据分析及可视化技术，大量用户的定位信息可能带来更大的危害，比如揭示军事机密。这并非天方夜谭，Strava是一款户外运动健身App，由于用户中有很多军人，结合他们的运动轨迹和已知军事基地的大概范围，可以挖掘非常多的信息，甚至揭露隐藏的军事基地。[4]
图2 Strava Global heatmap（图片来自https://www.iafrikan.com）
2.设备数据
除定位数据外，各类App还会收集各类设备信息，尤其是具有金融借贷属性的App，为了识别用户的还款能力和还款意愿，以及对用户是否本人进行判断时，常常收集App安装列表、通讯录、通话记录、短信等，持牌金融机构会在用户授权的前提下获取数据，并且保证数据的安全，但其他机构则未必，轻则提供数据给外包催收公司进行暴力催收，重则违法出售数据给黑产牟取暴利。
图3 设备农场（图片来自网络）
收集部分设备数据主要是用来防范黑产，比如图3这种设备农场，这一批设备的陀螺仪角度、电池电量、App版本、操作系统版本等等都是类似的，当营销活动中出现一批类似的设备时，通常是黑产来了。如果不加防范，大量的营销费用可能都进了黑产的口袋。
对于持牌金融机构的App，大家不用过于紧张，除了通讯录、通话记录、短信之外，设备数据绝大多数是去隐私化的，即无法识别用户的身份。但是有一类数据比较特殊，也容易被大家忽略，数据玩家这里重点提一提，那就是相册数据。
相册数据需要的权限比较低，读写外部存储权限即可。相册中经常保存着一些我们容易忽略的敏感信息：
- 通过微信发送、接收的图片
- 各类App调用摄像头拍摄过的照片
- 人脸识别过程中产生的自拍图片、视频
- 手机截图
- ……
图4 相册里的秘密
这是数据玩家自己的相册，刚看了一眼，才清理过又发现了不少敏感信息，比如身份证照片，这是之前在某App做了OCR证件识别以后留下的，这个如果被别有用心的App拿去，后果难以想象。如果有人脸识别的视频就更麻烦了，拿去做个活体监测一点问题也没有。大家也可以看下自己的相册，希望没有惊喜，有的话尽快清理，不然会变成惊吓。
在安装App时一定要慎之又慎，选择可信的渠道，安装可信的App，对于非必须的授权一律禁止，必须授权才能使用的App尽量寻找替代品。
2019年8月8日，《信息安全技术移动互联网应用（App）收集个人信息基本规范（草案）》公开征求意见，明确了个人信息最少够用的原则，并且针对21类常用App可收集到的最少信息及使用要求做了规定，当用户拒绝提供最少信息之外的个人信息时，APP不得以任何理由拒绝该类型服务，同时，对外共享、转让个人信息前，APP应事先征得用户明示同意。相信对于设备数据的收集会逐渐规范起来。
五、物联网及边缘计算给隐私保护带来的挑战
2016年10月22日, Mirai病毒将数百万路由器、智能摄像头当做“肉鸡”向美国域名服务器管理机构Dyn发动大规模的DDos (分布式拒绝服务)攻击，致使美国互联网大面积瘫痪。[5]
此外还有360水滴直播事件[6]， LG智能家居漏洞事件[7]等等，甚至RFID（RadioFrequency Identification）技术也会导致隐私泄露[8]，物联网及边缘计算相关的安全事件频发。究其原因，主要是因为物联网和边缘计算的风险集中在设备端，多种类型、多种型号的设备处于开放的环境中，更容易被攻击，无防火墙防护，更易损耗，难以远程修复漏洞和升级补丁，更易获取用户相关隐私信息。
大家普遍认为摄像头数据泄露是带来隐私危害最大的，却忽略了路由器最为所有智能设备的入口，其安全性的重要性。如果路由器被攻破，所有家用智能设备也等于被攻破。360安全大脑通过对用户的调研显示，61.7%的用户会修改密码并设置高防护密码，而30.5%的用户会使用弱密码，还有6.8%的用户根本不去修改密码。[9]由于wifi的连接密码可能被可以共享wifi密码的App共享出去，而很多路由器的控制台通过admin/admin就可以登陆，钓鱼网站、流量劫持，黑客便可以如入无人之境。另一个被忽略的智能设备是智能音箱。正常情况下，用户唤醒音箱后，音箱才可以收集用户语音等信息，由于识别率不高或唤醒算法缺陷等，有可能智能音箱在未被唤醒的情况下，自行唤醒，从而造成隐私泄露。[10]
由于物联网、边缘计算本身还处在发展初期，自然会出现较多的安全漏洞，相信随着相关技术的完善，安全体系也能够得以加强。
六、区块链技术给隐私保护带来的挑战
本节仅针对公有链带来的隐私保护问题进行讨论。由于每个节点都能够获取全部的交易数据备份，因此每个节点进行的所有交易都是透明的。虽然通过交易地址无法关联到个体的真实身份，但是通过相关性分析，通过交易所实名注册信息、社交媒体用户自行发布的信息、IP地址等等，仍然有可能推测出账户与个体的关联。加上区块链不可篡改的特性，一旦用户的地址与真实身份被关联起来，该用户的所有交易将会大白于天下，和他有过交易的客户也难以幸免。
针对以上问题，业界目前主要有三类比较好的应对方法，环签名、同态加密与零知识证明。
其中，环签名可以在多个公钥中，隐藏自己拥有私钥的那个公钥，可以在区块链交易中隐藏交易的发起人；
同态加密是指有一种加密方法，可以允许我们对加密后的密文进行运算，其结果解密后等于明文做同样运算的结果。打个比方，有一颗钻石希望找人加工，但是又怕被加工的人掉包，可以将钻石锁在一个带手套的操作箱内，这样就可以通过手套加工钻石而又无法取出，加工完成后自己开锁即可；
零知识证明是指在不像验证者提供任何信息的前提下，是验证者相信某个论断是正确的。比如两个数学家都声称掌握了某种方法，但是为了不让对方掌握细节，又不能把具体方法披露出来，如果通过零知识证明的方法，就能够在不泄露具体方法的前提下，证明自己掌握了该方法。
不过区块链技术的应用目前还不太多，仍然以数字货币为主，随着更多应用的落地，很可能会出现新的隐私泄露问题。
七、生物特征识别技术给隐私保护带来的挑战
账号密码泄露了可以更改，手机号泄露了可以更换，设备被入侵了也可以更换，但是如果你的指纹被盗取了呢？
生物特征不同于后天产生的数据，具有普遍性、唯一性、稳健性、易采集性等多种特点。即这些生物特征是普遍存在的，且不同个体具有不易改变和容易采集等特点，这些特点导致了生物特征一旦泄露造成的危害将会更大。目前常用的生物特征识别技术包括：指纹识别、人脸识别、虹膜识别、掌静脉识别、声纹识别、姿态识别等，还包括结合多种生物特征的多模态识别。[11]
生物特征通过专用的传感器进行采集，转换为生物信号，经过特征处理和识别，完成生物特征识别，值得一提的是，为了防止被破解，常使用活体识别技术，通过生物特征在一定物理条件下的自然变化，以及按指定要求发出的特定动作，来判断用户是否本人。
然而就算是活体识别技术也并不安全，2017年的央视315晚会上，主持人就现场演示了活体识别破解的过程，只需要用户本人的照片即可，常在朋友圈晒自拍的你是否感觉到不寒而栗。
通过用户分享的照片进行攻击通常具有较强的个体针对性，即容易对单个用户展开，不易对群体用户发起。不过我们假设这样一个场景：朋友圈里有一个小程序【测测你的颜值有几分】在传播，你好奇的试了一下，小程序的服务提供方就获取了你的高清照片，甚至是一段活体影像，谁能保证这个服务商不是第二个剑桥分析呢？
由于用户的防范意识薄弱，获取照片比用户密码容易得太多，加上人脸识别技术本身不够成熟，使得黑产有机可乘。现在，基于生成式对抗网络（GAN）已经可以做到视频换脸，所以破解活体识别从一个技术问题，变成了一个成本问题，只要收益能覆盖成本，就有人会铤而走险。
图5 杨幂版小龙女
在所有生物特征中，人脸照片确实易于获取，相比之下，指纹则似乎更安全，必须获取到用户本人接触过的物品才行，难以被黑产大规模盗取。不过日本国立情报学研究所的研究人员Isao Echizen表示，即使无意中在镜头前摆出“剪刀手”也会泄露自己的指纹，而且任何人都可以轻而易举地获取它，根本不需要高科技手段的帮助。他说：“将强光集中在照片中人像的指纹，指纹数据就可以再现。”[12]不禁让人感叹，防不胜防。
未完待续……
———————————————————————
[1]段倩倩，来莎莎：“腾讯云故障致客户数据丢失遭千万索赔”,https://www.yicai.com/news/100007159.html，最后访问时间2018年10月31日
[2]InfoQ, 33 岁大学肄业女黑客“云”上窃取美银行 1.06 亿用户数据， https://www.infoq.cn/article/UjLx6OV572NIrd-bUFwt
[3]Wayne Jansen , TimothyGrance, Guidelines on Security and Privacy in Public Cloud Computing, NISTSpecial Publication 800-144, Gaithersburg, MD, 2011, pp. 10-34
[4]Kumar, “健身APP泄露军事机密，包括中国南海”，http://www.wttech.org/archives/5255
[5]360企业安全，“边缘计算安全现状：关键且脆弱”，http://www.afzhan.com/news/detail/64200.html
[6]陈菲菲，“一位92年女生致周鸿祎：别再盯着我们看了”，http://tech.sina.com.cn/i/2017-12-12/doc-ifypnsip9780385.shtml
[7]Covfefe, “智能家居设备存在漏洞，吸尘器秒变监视器”，https://www.freebuf.com/articles/terminal/152761.html
[8]刘雅辉、张铁赢、靳小龙、程学旗：大数据时代的个人隐私保护[J]. 计算机研究与发展，2015，52(1): 229-247
[9]新华网，智能设备“偷走”多少隐私？摄像头安全隐患尤其突出， http://www.xinhuanet.com/fortune/2018-11/29/c_1123781627.htm
[10]国家互联网应急中心网络安全应急技术国家工程实验室、启明星辰积极防御实验室（ADLab）、西安四叶草信息技术有限公司、北京同余科技有限公司联合发布，CNCERT：智能音箱隐私与网络安全分析报告，https://www.secrss.com/articles/11928
[11]中国电子技术标准化研究院-全国信息技术标准化技术委员会生物特征识别分技术委员会：“生物特征识别白皮书（2017版）”
[12]中国日报网，“比个“剪刀手”也能泄露指纹信息？看看技术专家怎么说”，http://tech.sina.com.cn/d/i/2017-01-13/doc-ifxzqnip1003385.shtml
——END——
