39、数据共享可滥用性评分与 OAuth/OIDC 部署风险评估

数据共享可滥用性评分与 OAuth/OIDC 部署风险评估

1. 数据共享可滥用性评分（tkl - Score）

在数据共享的场景中，对数据可滥用性的评估至关重要。传统的可滥用性评分存在一定的局限性，而 tkl - Score 则是对以往可滥用性评分的一次扩展。

1.1 tkl - Score 的优势

tkl - Score 引入了新的区分因素，如 l - 区分因素和 t - 区分因素，以考虑敏感属性的独特性。这使得它能够处理以往可滥用性评分无法检测到的数据滥用场景。例如，在某些情况下，k - 区分因素可能无法很好地区分记录，而 l - 区分因素和 t - 区分因素则可以更细致地对记录进行区分，使记录得分更加细化。与 L - 严重性和 M - 评分相比，tkl - Score 和 tkl - Scoremax 能更好地刻画记录的严重程度。

1.2 可滥用性评分的作用

可滥用性评分通过量化数据的敏感性，实现了不同数据集之间关于发布严重性的比较。tkl - Score 不仅考虑了身份披露攻击，还考虑了属性披露攻击，是对现有可滥用性评分的改进。

1.3 局限性

可滥用性评分的基础是领域专家定义的敏感属性值权重，因此数据的“可滥用性”完全取决于属性的分类方式。此外，针对一个源表进行归一化的可滥用性评分不应与针对不同源表进行归一化的评分进行比较，因为源表的属性敏感性、大小和属性值可能不同，记录的区分因素也可能不同。不过，可滥用性评分在决定源表中已共享或即将共享的记录子集的可滥用性时是有益的。

2. OAuth 2.0 和 OpenID Connect 部署的自动化风险评估 </