JP7355232B2 - 属性推定装置、属性推定方法、プログラム - Google Patents

Description

本発明は、データベースの属性を推定する技術に関する。

データベースの属性はユーザが定義する。そのため、通常は属性推定処理を行う必要はない。しかし、例えば、データベースの匿名化処理を自動化する場合のように、与えられたデータベースのデータの集合から、当該データの属性を推定する必要が生じることもある。

従来、データの集合から当該データの属性を推定する方法として、非特許文献１の画像の一致検索や非特許文献２のマルウェアの検知で用いられている方法がある。これは、属性推定の対象となるデータの集合と別途事前に用意するデータの集合とを用いて計算されるデータの一致率が一定の値以上となる場合、属性推定の対象となるデータの属性は別途事前に用意するデータの属性であると推定する方法である。

上記方法はデータベースの属性推定に適用することができる。以下、例を用いて説明する。属性推定の対象となるデータの集合を{東京都武蔵野市緑町, 神奈川県横須賀市光の丘, 神奈川県厚木市森の里若宮, 京都府相楽郡精華町光台, 茨城県つくば市花畑}、別途事前に用意するデータの集合を{東京都, 神奈川県, 埼玉県, 千葉県, 栃木県, 群馬県, 茨城県}、別途事前に用意するデータの属性を“住所”とし、当該２つの集合を用いて計算されるデータの一致率が７割以上である場合、属性推定の対象となるデータの属性は“住所”であると推定することとする。ここでは、データの一致を部分一致で判定することとして、一致率を計算すると、4/5、つまり８割となることから、属性推定の対象となるデータの属性は“住所”であると推定することができる。

佐藤雄隆, "画像理解のためのパターン処理," 日本ロボット学会誌, Vol.29, No.5, pp.439-442, 2011. 未知ウィルス検出技術に関する調査 調査報告書, IPA, 2003, ［online］，［令和２年４月１４日検索］，インターネット<URL: https://www.ipa.go.jp/security/fy15/reports/uvd/documents/uvd_report.pdf>

しかし、上記方法によるデータベースの属性推定では、一致率計算のために、データベースを構成するすべてのレコードから属性推定の対象となる属性のデータを抽出して処理を行う必要があるため、レコードの数が多い場合、属性推定に膨大な時間を要することとなる。

そこで本発明では、属性推定の対象となる属性のすべてのデータを対象とした処理を実行することなく、データベースの属性を推定する技術を提供することを目的とする。

本発明の一態様は、Xを属性推定の対象となるデータベースTの属性（以下、推定対象属性という）のデータの集合、Yを前記推定対象属性の推定に用いるデータ（以下、補助情報という）の集合、pを集合Yに含まれる補助情報と一致する割合とし、集合Xから抽出したm個のデータからなる集合を第iサンプル集合X⁽ⁱ⁾ (i=1, …, s)として生成し、第iサンプル集合X⁽ⁱ⁾のm個のデータのうち、集合Yに含まれる補助情報のいずれかと一致するデータの数k_i(i=1, …, s)を求める処理をs回繰り返すことで、数列{k₁, …, k_s}を生成する数列生成部と、数列{k₁, …, k_s}を用いて、以下の不等式が成り立つか否かを判定し、当該不等式が成り立つ場合、前記推定対象属性は集合Yで表される属性であるという推定結果を生成する推定結果生成部と

（ただし、nは集合Xに含まれるデータの数、εは0≦ε≦1を満たす所定の数である）を含む。

本発明によれば、属性推定の対象となる属性のすべてのデータを対象とした処理を実行することなく、データベースの属性を推定することが可能となる。

属性推定装置１００の構成を示すブロック図である。 属性推定装置１００の動作を示すフローチャートである。 推定結果生成部１２０の構成を示すブロック図である。 推定結果生成部１２０の動作を示すフローチャートである。 本発明の実施形態における各装置を実現するコンピュータの機能構成の一例を示す図である。

以下、本発明の実施の形態について、詳細に説明する。なお、同じ機能を有する構成部には同じ番号を付し、重複説明を省略する。

各実施形態の説明に先立って、この明細書における表記方法について説明する。

^（キャレット）は上付き添字を表す。例えば、x^{y^z}はy^zがxに対する上付き添字であり、x_y^zはy^zがxに対する下付き添字であることを表す。また、_（アンダースコア）は下付き添字を表す。例えば、x^y_zはy_zがxに対する上付き添字であり、x_{y_z}はy_zがxに対する下付き添字であることを表す。

また、ある文字xに対する^xや~xのような上付き添え字の”^”や”~”は、本来”x”の真上に記載されるべきであるが、明細書の記載表記の制約上、^xや~xと記載しているものである。

＜第１実施形態＞
Xを属性推定の対象となるデータベースTの属性（以下、推定対象属性という）のデータの集合、Yを推定対象属性の推定に用いるデータ（以下、補助情報という）の集合、pを集合Yに含まれる補助情報と一致する割合とする。なお、集合Y、割合pの具体例については後述する。

属性推定装置１００は、集合Xと集合Yと割合pとを入力とし、所定の条件を満たす場合は推定対象属性は集合Yで表される属性であるという推定結果を、それ以外の場合は推定対象属性は集合Yで表される属性であるとはいえないという推定結果を生成し、出力する。

以下、図１～図２を参照して属性推定装置１００について説明する。図１は、属性推定装置１００の構成を示すブロック図である。図２は、属性推定装置１００の動作を示すフローチャートである。図１に示すように属性推定装置１００は、数列生成部１１０と、推定結果生成部１２０と、記録部１９０を含む。記録部１９０は、属性推定装置１００の処理に必要な情報を適宜記録する構成部である。記録部１９０には、例えば、集合X、集合Y、割合pが記録される。

図２に従い属性推定装置１００の動作について説明する。

Ｓ１１０において、数列生成部１１０は、集合Xと集合Yとを入力とし、集合Xから抽出したm個（mは1以上の整数）のデータからなる集合を第iサンプル集合X⁽ⁱ⁾ (i=1, …, s)として生成し、第iサンプル集合X⁽ⁱ⁾のm個のデータのうち、集合Yに含まれる補助情報のいずれかと一致するデータの数k_i(i=1, …, s)を求める処理をs回繰り返すことで、数列{k₁, …, k_s}を生成し、出力する。ここで、mをサンプリング数、sをサンプリング回数という。なお、m, sはいずれも1以上の整数である。

具体的には、数列生成部１１０は、以下の処理（１）、（２）をs回繰り返し実行することにより、数列{k₁, …, k_s}を生成する。

（１）数列生成部１１０は、集合Xからランダムにデータをm個抽出し、抽出したm個のデータを要素とする集合を第iサンプル集合X⁽ⁱ⁾ (i=1, …, s)として生成する。したがって、X⁽ⁱ⁾⊂Xとなる。

（２）数列生成部１１０は、データx∈X⁽ⁱ⁾に対して、補助情報y∈Yのいずれかと一致するか否かを判定する。そして、数列生成部１１０は、ある補助情報と一致した、第iサンプル集合X⁽ⁱ⁾のデータの数k_i(i=1, …, s)を求める。

Ｓ１２０において、推定結果生成部１２０は、Ｓ１１０で出力された数列{k₁, …, k_s}と割合pとを入力とし、数列{k₁, …, k_s}を用いて、以下の不等式(1)が成り立つか否かを判定し、不等式(1)が成り立つ場合、推定対象属性は集合Yで表される属性であるという推定結果を、それ以外の場合、推定対象属性は集合Yで表される属性であるとはいえないという推定結果を生成し、出力する。

（ただし、nは集合Xに含まれるデータの数、εは0≦ε≦1を満たす所定の数である）
ここで、εを正確度という。

不等式(1)の計算では、項_nC_jp^j(1-p)^n-jを複数回計算し、s回の加算を実行することになる。このような組合せ計算のコストは大きいため、必要最低限の計算で済ませるように工夫をし、計算の効率化を図ることにする。

以下、図３～図４を参照して不等式(1)の計算の効率化を図った推定結果生成部１２０について説明する。図３は、推定結果生成部１２０の構成を示すブロック図である。図４は、推定結果生成部１２０の動作を示すフローチャートである。図３に示すように推定結果生成部１２０は、ソート部１２１と、関数計算部１２２と、推定部１２３を含む。

図４に従い推定結果生成部１２０の動作について説明する。

Ｓ１２１において、ソート部１２１は、数列{k₁, …, k_s}を入力とし、数列{k₁, …, k_s}から、昇順ソートにより、数列{~k₁, …, ~k_s}（ただし、~k₁, …, ~k_sは~k₁≦…≦~k_sを満たす）を生成し、出力する。

Ｓ１２２において、関数計算部１２２は、Ｓ１２１で出力された数列{~k₁, …, ~k_s}を入力とし、数列{~k₁, …, ~k_s}に対して、関数f(k)=Σ_j=k ^m _nC_jp^j(1-p)^n-jの値f(~k_i)を計算し、出力する。関数計算部１２２は、以下の処理（１）、（２）を実行することにより、f(~k_i)(i=1, …, s)を計算する。

（１）関数計算部１２２は、f(~k₁)を計算する。

（２）関数計算部１２２は、i=2, …, sについてはf(~k_i-1)を用いて帰納的にf(~k_i)を計算する。

Ｓ１２３において、推定部１２３は、Ｓ１２２で出力されたf(~k_i)(i=1, …, s)を入力とし、f(~k_i)(i=1, …, s)を用いてΣ_i=1 ^slogf(~k_i)を計算し、不等式(1)が成り立つ場合、推定対象属性は集合Yで表される属性であるという推定結果を、それ以外の場合、推定対象属性は集合Yで表される属性であるとはいえないという推定結果を生成し、出力する。

（集合Y、割合pの具体例）
例１：推定対象属性が“住所”であるか推定する場合
集合Y={北海道, 青森県, 岩手県, 宮城県, 秋田県, 山形県, 福島県, 茨城県, 栃木県,群馬県, 埼玉県, 千葉県, 東京都, 新潟県, 富山県, 石川県, 福井県, 山梨県, 長野県, 岐阜県, 静岡県, 愛知県, 三重県, 滋賀県, 京都府, 大阪府, 兵庫県, 奈良県, 鳥取県, 島根県, 岡山県, 広島県, 山口県, 徳島県, 香川県, 愛媛県, 高知県, 福岡県, 佐賀県, 長崎県, 熊本県, 大分県, 宮崎県, 沖縄県}、割合p=0.9076439とする。すなわち、集合Yは、神奈川県、和歌山県、鹿児島県の３件を除く４４都道府県からなる集合であり、割合pは、平成２７年国勢調査時の全国の総人口に対する、集合Yに含まれる４４都道府県の総人口の割合である。

なお、サンプリング数m、サンプリング回数s、正確度εについては、集合Xに含まれるデータの数nに対して適当な値を用いることができる。例えば、n=10000000の場合、m=1000, s=10, ε=0.95とするとよい。

例２：推定対象属性が“氏名”であるか推定する場合
集合Y={佐藤, 鈴木, 高橋, 田中, 伊藤, 渡辺, 山本, 中村, 小林, 加藤, 吉田, 山田, 山口, 松本, 井上, 木村, 斎藤, 清水, 山崎, 阿部, 池田, 橋本, 山下, 石川, 中島, 前田, 藤田}、割合p=0.1778762とする。すなわち、集合Yは、人口が多い名字の上位３０位から、２文字名字を抜粋することで得られる集合であり、割合pは、平成２７年国勢調査時の全国の総人口に対する、集合Yに含まれる名字をもつ概算人数の割合である。

なお、サンプリング数m、サンプリング回数s、正確度εについては、集合Xに含まれるデータの数nに対して適当な値を用いることができる。例えば、n=10000000の場合、m=1000, s=10, ε=0.95とするとよい。

本発明の実施形態によれば、属性推定の対象となる属性のすべてのデータを対象とした処理を実行することなく、データベースの属性を推定することが可能となる。つまり、属性推定の対象となる属性のすべてのデータを用いる代わりに、サンプリングにより得られた一部のデータを用いた場合であっても、一致率を確率的に正確に評価することで、高速な属性推定が可能となる。

＜補記＞
図５は、上述の各装置（つまり、各ノード）を実現するコンピュータの機能構成の一例を示す図である。上述の各装置における処理は、記録部２０２０に、コンピュータを上述の各装置として機能させるためのプログラムを読み込ませ、制御部２０１０、入力部２０３０、出力部２０４０などに動作させることで実施できる。

本発明の装置は、例えば単一のハードウェアエンティティとして、キーボードなどが接続可能な入力部、液晶ディスプレイなどが接続可能な出力部、ハードウェアエンティティの外部に通信可能な通信装置（例えば通信ケーブル）が接続可能な通信部、ＣＰＵ（Central Processing Unit、キャッシュメモリやレジスタなどを備えていてもよい）、メモリであるＲＡＭやＲＯＭ、ハードディスクである外部記憶装置並びにこれらの入力部、出力部、通信部、ＣＰＵ、ＲＡＭ、ＲＯＭ、外部記憶装置の間のデータのやり取りが可能なように接続するバスを有している。また必要に応じて、ハードウェアエンティティに、ＣＤ－ＲＯＭなどの記録媒体を読み書きできる装置（ドライブ）などを設けることとしてもよい。このようなハードウェア資源を備えた物理的実体としては、汎用コンピュータなどがある。

ハードウェアエンティティの外部記憶装置には、上述の機能を実現するために必要となるプログラムおよびこのプログラムの処理において必要となるデータなどが記憶されている（外部記憶装置に限らず、例えばプログラムを読み出し専用記憶装置であるＲＯＭに記憶させておくこととしてもよい）。また、これらのプログラムの処理によって得られるデータなどは、ＲＡＭや外部記憶装置などに適宜に記憶される。

ハードウェアエンティティでは、外部記憶装置（あるいはＲＯＭなど）に記憶された各プログラムとこの各プログラムの処理に必要なデータが必要に応じてメモリに読み込まれて、適宜にＣＰＵで解釈実行・処理される。その結果、ＣＰＵが所定の機能（上記、…部、…手段などと表した各構成部）を実現する。

本発明は上述の実施形態に限定されるものではなく、本発明の趣旨を逸脱しない範囲で適宜変更が可能である。また、上記実施形態において説明した処理は、記載の順に従って時系列に実行されるのみならず、処理を実行する装置の処理能力あるいは必要に応じて並列的にあるいは個別に実行されるとしてもよい。

既述のように、上記実施形態において説明したハードウェアエンティティ（本発明の装置）における処理機能をコンピュータによって実現する場合、ハードウェアエンティティが有すべき機能の処理内容はプログラムによって記述される。そして、このプログラムをコンピュータで実行することにより、上記ハードウェアエンティティにおける処理機能がコンピュータ上で実現される。

この処理内容を記述したプログラムは、コンピュータで読み取り可能な記録媒体に記録しておくことができる。コンピュータで読み取り可能な記録媒体としては、例えば、磁気記録装置、光ディスク、光磁気記録媒体、半導体メモリ等どのようなものでもよい。具体的には、例えば、磁気記録装置として、ハードディスク装置、フレキシブルディスク、磁気テープ等を、光ディスクとして、ＤＶＤ（Digital Versatile Disc）、ＤＶＤ－ＲＡＭ（Random Access Memory）、ＣＤ－ＲＯＭ（Compact Disc Read Only Memory）、ＣＤ－Ｒ（Recordable）／ＲＷ（ReWritable）等を、光磁気記録媒体として、ＭＯ（Magneto-Optical disc）等を、半導体メモリとしてＥＥＰ－ＲＯＭ（Electronically Erasable and Programmable-Read Only Memory）等を用いることができる。

また、このプログラムの流通は、例えば、そのプログラムを記録したＤＶＤ、ＣＤ－ＲＯＭ等の可搬型記録媒体を販売、譲渡、貸与等することによって行う。さらに、このプログラムをサーバコンピュータの記憶装置に格納しておき、ネットワークを介して、サーバコンピュータから他のコンピュータにそのプログラムを転送することにより、このプログラムを流通させる構成としてもよい。

このようなプログラムを実行するコンピュータは、例えば、まず、可搬型記録媒体に記録されたプログラムもしくはサーバコンピュータから転送されたプログラムを、一旦、自己の記憶装置に格納する。そして、処理の実行時、このコンピュータは、自己の記憶装置に格納されたプログラムを読み取り、読み取ったプログラムに従った処理を実行する。また、このプログラムの別の実行形態として、コンピュータが可搬型記録媒体から直接プログラムを読み取り、そのプログラムに従った処理を実行することとしてもよく、さらに、このコンピュータにサーバコンピュータからプログラムが転送されるたびに、逐次、受け取ったプログラムに従った処理を実行することとしてもよい。また、サーバコンピュータから、このコンピュータへのプログラムの転送は行わず、その実行指示と結果取得のみによって処理機能を実現する、いわゆるＡＳＰ（Application Service Provider）型のサービスによって、上述の処理を実行する構成としてもよい。なお、本形態におけるプログラムには、電子計算機による処理の用に供する情報であってプログラムに準ずるもの（コンピュータに対する直接の指令ではないがコンピュータの処理を規定する性質を有するデータ等）を含むものとする。

また、この形態では、コンピュータ上で所定のプログラムを実行させることにより、ハードウェアエンティティを構成することとしたが、これらの処理内容の少なくとも一部をハードウェア的に実現することとしてもよい。

上述の本発明の実施形態の記載は、例証と記載の目的で提示されたものである。網羅的であるという意思はなく、開示された厳密な形式に発明を限定する意思もない。変形やバリエーションは上述の教示から可能である。実施形態は、本発明の原理の最も良い例証を提供するために、そして、この分野の当業者が、熟考された実際の使用に適するように本発明を色々な実施形態で、また、色々な変形を付加して利用できるようにするために、選ばれて表現されたものである。すべてのそのような変形やバリエーションは、公正に合法的に公平に与えられる幅にしたがって解釈された添付の請求項によって定められた本発明のスコープ内である。

Claims (4)

1. Xを属性推定の対象となるデータベースTの属性（以下、推定対象属性という）のデータの集合、Yを前記推定対象属性の推定に用いるデータ（以下、補助情報という）の集合、pを集合Yに含まれる補助情報と一致する割合とし、
   集合Xから抽出したm個のデータからなる集合を第iサンプル集合X⁽ⁱ⁾ (i=1, …, s)として生成し、第iサンプル集合X⁽ⁱ⁾のm個のデータのうち、集合Yに含まれる補助情報のいずれかと一致するデータの数k_i(i=1, …, s)を求める処理をs回繰り返すことで、数列{k₁, …, k_s}を生成する数列生成部と、
   数列{k₁, …, k_s}を用いて以下の不等式が成り立つか否かを判定し、当該不等式が成り立つ場合、前記推定対象属性は集合Yで表される属性であるという推定結果を生成する推定結果生成部と
   

   

   
   （ただし、nは集合Xに含まれるデータの数、εは0≦ε≦1を満たす所定の数である）
   を含む属性推定装置。
2. 請求項１に記載の属性推定装置であって、
   前記推定結果生成部は、
   数列{k₁, …, k_s}から、昇順ソートにより、数列{~k₁, …, ~k_s}（ただし、~k₁, …, ~k_sは~k₁≦…≦~k_sを満たす）を生成するソート部と、
   f(k)=Σ_j=k ^m _nC_jp^j(1-p)^n-jとし、
   数列{~k₁, …, ~k_s}に対して、f(~k₁)を計算し、i=2, …, sについてはf(~k_i-1)を用いて帰納的にf(~k_i)を計算することにより、f(~k_i)(i=1, …, s)を計算する関数計算部と、
   f(~k_i)(i=1, …, s)を用いてΣ_i=1 ^slogf(~k_i)を計算し、前記不等式が成り立つ場合に前記推定結果を生成する推定部とを含む
   ことを特徴とする属性推定装置。
3. Xを属性推定の対象となるデータベースTの属性（以下、推定対象属性という）のデータの集合、Yを前記推定対象属性の推定に用いるデータ（以下、補助情報という）の集合、pを集合Yに含まれる補助情報と一致する割合とし、
   属性推定装置が、集合Xから抽出したm個のデータからなる集合を第iサンプル集合X⁽ⁱ⁾ (i=1, …, s)として生成し、第iサンプル集合X⁽ⁱ⁾のm個のデータのうち、集合Yに含まれる補助情報のいずれかと一致するデータの数k_i(i=1, …, s)を求める処理をs回繰り返すことで、数列{k₁, …, k_s}を生成する数列生成ステップと、
   前記属性推定装置が、数列{k₁, …, k_s}を用いて以下の不等式が成り立つか否かを判定し、当該不等式が成り立つ場合、前記推定対象属性は集合Yで表される属性であるという推定結果を生成する推定結果生成ステップと
   

   

   
   （ただし、nは集合Xに含まれるデータの数、εは0≦ε≦1を満たす所定の数である）
   を含む属性推定方法。
4. 請求項１または２に記載の属性推定装置としてコンピュータを機能させるためのプログラム。

Images