Data anonymisation approaches for mobile crowdsourced data

Mobilna nabava iz mnoštva sve više je korištena od strane tvrtki koje žele koristiti vanjska poduzeća i pojedinca za obavljanje posla. Razlog tomu je što mobilna nabava iz mnoštva pruža prijenos podataka u stvarnom vremenu te jednostavniji način prikupljanja istih. Podaci prikupljeni na taj način koriste se u svrhu rješavanja problema ili raznih analiza, ali problem je što ti podaci mogu sadržavati osjetljive informacije o pojedincu. Stoga, nad tim podacima primjenjuju se tehnike anonimizacije. U praktičnom dijelu ovog rada izrađen je alat koji nudi primjenu tih tehnika nad učitanim podacima. Alat implementira modele privatnosti poput k-anonimizacije i l-raznolikosti. Nakon što se nad podacima primjene tehnike anonimizacije te se utvrdi da zadovoljavaju modele privatnosti, korisnik i dalje ne može biti siguran od opasnosti reidentifikacije. Do problema dolazi kada se mora birati između očuvanja privatnosti pojedinca i kvalitete podataka. Sigurnije tehnike po pitanju zaštite privatnosti podrazumijevaju veći gubitak informacija.Mobile crowdsourcing is increasingly being used by companies that want to outsource work. The reason for that is that mobile crowdsourcing provides real-time data transmission. Data collected that way is used for solving a problem or for various types of analyses, but problem lies in the fact that data may contain sensitive information about an individual. Therefore, anonymization techniques can be applied on data. As practical part of this thesis, a tool is made which provides application of these techniques on uploaded data. Tool implements models of privacy, such as k-anonymizationa and l-diversity. After anonymization techniques are applied on the data and it is concluded that the data meets models of privacy, user still can not be protected from danger of reidentification. The problem arises when a choice has to be made between protecting privacy and ensuring the quality of the data. More secure techniques regarding privacy protection involve greater loss of information