# L23401 數據隱私、安全與合規 — 模擬試題 30 題 > 題型：四選一單選題（iPAS AI 規劃師中級 標準題型） > 教材來源：`chunks/L23401.txt`（每題解析末標 chunks 行號） > 命題原則：用易混淆概念設計干擾項（同類項換位、屬性錯配、定義 partial swap） --- ## 第一部分｜前言與章節導覽（Q1） ### Q1 下列關於本章「數據隱私、安全與合規」的章節目標，何者**錯誤**？ - (A) 說明數據隱私風險的來源與評估方法 - (B) 介紹常用的隱私強化與匿名化技術 - (C) 比較不同國際與本地資料保護法規 - (D) 提供完整可繞過 GDPR/CCPA 規範的技術手段 **答案：(D)** 解析：(D) 與本章「合規」精神完全相反 — 本章目標是建立合規處理數據的基本原則，並非繞過法規。(A)(B)(C) 才是章節四大目標。（chunks line 13–16） --- ## 第二部分｜數據隱私風險辨識與評估（Q2–Q9） ### Q2 下列關於「直接識別風險」的敘述，何者**正確**？ - (A) 資料中含有足以「直接」辨識特定個人的欄位，如姓名、身分證號碼、電子郵件、聯絡電話、金融帳號 - (B) 必須結合多項資訊交叉比對才能識別個人身份 - (C) 即使資料已去識別化處理後仍可能被還原 - (D) 不屬於 GDPR/CCPA/PDPA 高度敏感的個人識別資訊 **答案：(A)** 解析：直接識別 = 單一欄位即可辨識個人（PII）；(B) 是間接識別；(C) 是再識別風險；(D) 與事實相反，PII 屬於最高優先處理層級。（chunks line 28–34） --- ### Q3 「準識別資訊（Quasi-identifiers）」的**核心特性**為何？ - (A) 單一欄位即可直接辨識特定個人 - (B) 雖無單一能辨識個體的欄位，但透過多項資訊交叉比對仍可能「推導」出個人身份 - (C) 經過加密處理後絕對無法被還原 - (D) 必然違反所有國際個資保護法規 **答案：(B)** 解析：準識別資訊 = 單一欄位無法直接識別，但交叉比對可推導；典型例子 = 性別、出生年月、職業、地理位置、消費習慣、瀏覽紀錄。（chunks line 36–42） --- ### Q4 下列關於「再識別風險（Re-identification Risk）」的敘述，何者**正確**？ - (A) 只發生在未做任何匿名化處理的資料 - (B) 即便資料已經過去識別化處理（如移除姓名或以代碼替代），仍可能因外部資料的豐富性與可取得性而被「重新還原」出個人身分 - (C) 與資料共享、開放數據完全無關 - (D) 用於 AI 模型訓練時不會涉及此風險 **答案：(B)** 解析：再識別 = 已匿名化的資料被外部資料交叉比對而還原身份。尤其在開放數據、資料共享、AI 模型訓練場景中應高度重視。（chunks line 44–48） --- ### Q5 建立完整的資料清冊或「資料地圖（Data Map）」時，下列何者**不屬於**必要記錄項目？ - (A) 資料來源、處理流程、欄位型態 - (B) 接觸單位、流通路徑、儲存位置、保留期限 - (C) 各員工的身高體重與宗教信仰 - (D) 資料的開放層級與敏感度層級 **答案：(C)** 解析:(C) 與資料治理無關。Data Map 應記錄：資料來源/處理流程/欄位型態/接觸單位/流通路徑/儲存位置/保留期限；並進一步做開放層級 + 敏感度層級分類。（chunks line 56–110） --- ### Q6 依教材分類，下列哪一項**屬於「高度敏感個資」**？ - (A) 政府公布的統計年報 - (B) 公司內部一般員工通訊錄 - (C) 健康、財務、族群、宗教、政治傾向資訊 - (D) 公司產品型錄 **答案：(C)** 解析：高度敏感個資 = 健康/財務/族群/宗教/政治傾向，外洩恐造成當事人重大損害，常受法律特別規範。(A) 是公開資料；(B)(D) 屬一般或機密資料。（chunks line 107–110） --- ### Q7 隱私影響評估（Privacy Impact Assessment, PIA）的執行流程**順序**為何？ - (A) 治理責任分工 → 策略擬定 → 影響程度分析 → 風險辨識 → 資料流程盤點 - (B) 資料流程盤點 → 風險辨識 → 影響程度分析 → 策略擬定 → 治理責任分工 - (C) 風險辨識 → 資料流程盤點 → 策略擬定 → 治理責任分工 → 影響程度分析 - (D) 策略擬定 → 治理責任分工 → 風險辨識 → 資料流程盤點 → 影響程度分析 **答案：(B)** 解析：PIA 五步驟順序：① 資料流程盤點 → ② 風險辨識 → ③ 影響程度分析 → ④ 策略擬定 → ⑤ 治理責任分工。（chunks line 115–135） --- ### Q8 下列關於「風險矩陣（Risk Matrix）」的敘述，何者**正確**？ - (A) 將「風險發生的可能性（Likelihood）」與「風險影響程度（Impact）」交叉評估，形成二維矩陣 - (B) 只考慮單一面向：發生機率 - (C) 風險等級的計算公式 = 發生機率 + 影響程度 - (D) 高風險可直接忽略，無需處理 **答案：(A)** 解析：風險矩陣 = Likelihood × Impact 二維評估，常見 3x3 或 5x5；風險等級 = 發生機率 × 影響程度（乘積，不是加法）；高風險應優先處理。（chunks line 141–166） --- ### Q9 下列何者**不屬於**再識別模擬與滲透測試（Re-identification Simulation）的常見測試方法？ - (A) 交叉比對測試 — 利用公開社群、政府開放或商業資料比對 - (B) 欄位組合分析 — 評估多個欄位在特定情境下的推導能力 - (C) 將原始資料完整公開於網路上做壓力測試 - (D) 若測試顯示再識別風險偏高，應強化匿名化技術或限制資料使用情境 **答案：(C)** 解析：(C) 嚴重違反隱私保護原則，絕非合規測試方法。正確做法為 (A)(B)(D)。常見干擾項把「測試」混淆為「公開資料」。（chunks line 168–186） --- ## 第三部分｜基礎匿名化技術（Q10–Q14） ### Q10 下列關於「遮蔽（Masking）」匿名化技術的敘述，何者**正確**？ - (A) 以符號或虛構數據替換敏感欄位的部分或全部內容（如「王大明」→「王○○」、「A123456789」→「A12*******89」） - (B) 必然產生不可逆的雜湊字串 - (C) 主要應用於數值統計分析 - (D) 必能完全防止外部資料推測還原 **答案：(A)** 解析：遮蔽 = 以符號替換敏感欄位部分內容；應用於報表展示、測試環境；優點：實作簡單、保留資料格式；限制：搭配其他資料仍可能推測還原。（chunks line 196–212） --- ### Q11 下列關於「雜湊處理（Hashing）」的敘述，何者**錯誤**？ - (A) 對身分類欄位（如帳號、Email）進行單向雜湊（如 SHA-256） - (B) 產生固定長度、不可逆的字串 - (C) 適合用於數值分析（如平均薪資計算） - (D) 若原始資料種類有限（如短 ID），易受彩虹表攻擊 **答案：(C)** 解析:(C) 錯 — 雜湊產生不可逆字串，「不適合用於數值分析」（無法做數學運算）。雜湊適用於 ID 匿名化、跨資料庫比對、資料去重。（chunks line 214–230） --- ### Q12 下列關於「泛化（Generalization）」的敘述，何者**正確**？ - (A) 將出生日期「1987-03-12」泛化為「1980 年代」，或將地址「台北市信義區基隆路」簡化為「台北市」 - (B) 對數值資料加入隨機噪聲 - (C) 將連續數值轉換為區間 - (D) 對敏感欄位做不可逆雜湊處理 **答案：(A)** 解析：泛化 = 降低資料精度（時間、地理範圍變粗）；(B) 是隨機擾動；(C) 是分桶；(D) 是雜湊。常見混淆 Generalization vs Bucketing。（chunks line 232–248） --- ### Q13 下列關於「分桶（Bucketing）」的應用，何者**正確**？ - (A) 對姓名打星號遮蔽 - (B) 將連續數值轉換為區間，如將收入「58,000 元」轉為「50K–60K」、年齡「32 歲」歸類為「30–39 歲」 - (C) 對 Email 做 SHA-256 雜湊 - (D) 增加隨機高斯噪聲 **答案：(B)** 解析：分桶 = 連續數值 → 區間；用於統計報表、人口統計分析；若分桶過細仍可能再識別。常與泛化混淆 — 泛化是「精度降低」、分桶是「數值 → 區間」（兩者概念相近但教材分列）。（chunks line 250–266） --- ### Q14 下列關於「隨機擾動（Noise Injection）」的敘述，何者**錯誤**？ - (A) 為數值資料加入隨機噪聲（如高斯噪聲），如將薪資「50,000」擾動為「50,123」 - (B) 噪聲幅度越大越好，能完全保護資料 - (C) 保留整體統計特性（如平均數、標準差） - (D) 應用於數值型資料分享、統計分析 **答案：(B)** 解析:(B) 錯 — 噪聲幅度「過大會影響數據分析」，「過小則難以達到保護效果」，需精心設計平衡。常見干擾項。（chunks line 268–284） --- ## 第四部分｜進階隱私強化技術 PETs（Q15–Q21） ### Q15 下列關於「K-匿名（K-Anonymity）」的敘述，何者**正確**？ - (A) 確保每筆紀錄至少與其他 K-1 筆紀錄在準識別欄位（如年齡、性別）上相同 - (B) 要求每個群組內敏感欄位必須有至少 K 種不同值 - (C) 要求群組內敏感欄位的分佈與全體資料集相近 - (D) 必須使用對抗式網路訓練達成 **答案：(A)** 解析：K-匿名 = 每筆紀錄與 K-1 筆在準識別欄位相同 → 群體內無法單獨識別；(B) 是 L-多樣性；(C) 是 T-接近性。常見三者混淆。（chunks line 292–294） --- ### Q16 下列關於「L-多樣性（L-Diversity）」的敘述，何者**正確**？ - (A) 在 K-匿名基礎上，進一步要求每個群組內敏感欄位（如疾病）必須具有至少 L 種不同值，以避免屬性推測 - (B) 要求每筆紀錄至少與其他 L-1 筆在準識別欄位相同 - (C) 要求群組內敏感欄位的分佈與全體資料集相近 - (D) 是基礎匿名化技術，無需 K-匿名前置 **答案：(A)** 解析：L-多樣性 = K-匿名「擴展」+ 敏感欄位至少 L 種值 → 防止屬性推測攻擊。(B) 是 K-匿名定義；(C) 是 T-接近性。（chunks line 296–298） --- ### Q17 下列關於「T-接近性（T-Closeness）」的敘述，何者**正確**？ - (A) 要求群組內敏感欄位的分佈與全體資料集相近，防止因分佈偏差而推測個體特徵 - (B) 要求每筆紀錄至少與其他 K-1 筆相同 - (C) 是最基礎的匿名化技術，無需任何前置條件 - (D) 不適用於結構化資料 **答案：(A)** 解析：T-接近性 = 群組內敏感欄位分佈 ≈ 全體分佈，最進階的 K-匿名擴展。三者層次：K-匿名 < L-多樣性 < T-接近性。（chunks line 300–302） --- ### Q18 下列關於「聯邦學習（Federated Learning）」的核心思想，何者**正確**？ - (A) 將所有客戶端資料統一集中到中央伺服器再訓練 - (B) 模型在各個客戶端（如使用者裝置或不同機構）本地進行訓練，只將模型參數更新（如梯度）傳回中央伺服器，避免原始資料集中存放或傳輸 - (C) 完全不需要中央伺服器 - (D) 通訊成本極低且完全無攻擊風險 **答案：(B)** 解析：聯邦學習 = 資料在本地、僅傳梯度；應用於醫療聯盟、手機鍵盤輸入預測；限制是通訊成本高 + 可能面臨參數逆向推導攻擊。常見混淆把「資料集中」與「梯度傳輸」概念對調。（chunks line 316–332） --- ### Q19 下列關於「同態加密（Homomorphic Encryption）」的敘述，何者**正確**？ - (A) 允許在加密資料上直接執行運算（如加法、乘法），解密後結果與在明文上運算相同 - (B) 必須先解密才能進行任何運算 - (C) 計算效能極高，無需高效能硬體 - (D) 與密碼學無關 **答案：(A)** 解析：同態加密 = 在密文上直接運算，全程資料不解密；基於密碼學提供強安全保證；限制是計算效能較低，FHE 尤甚，需高效能硬體。（chunks line 334–350） --- ### Q20 下列何者**不屬於**進階隱私強化技術（PETs）？ - (A) K-匿名、L-多樣性、T-接近性 - (B) 聯邦學習（Federated Learning） - (C) 同態加密（Homomorphic Encryption） - (D) 字典編碼（Label Encoding） **答案：(D)** 解析：Label Encoding 是特徵工程的類別變數編碼技術，與隱私保護無關。進階 PETs = K-匿名/L-多樣性/T-接近性、聯邦學習、同態加密。（chunks line 286–350） --- ### Q21 下列關於「K-匿名 vs L-多樣性 vs T-接近性」三者的層次關係，何者**正確**？ - (A) K-匿名 → L-多樣性 → T-接近性，層層擴展、保護強度遞增 - (B) 三者完全獨立，無層次關係 - (C) T-接近性最基礎，K-匿名最進階 - (D) 三者都是基礎匿名化技術，與 K 無關 **答案：(A)** 解析：K-匿名（準識別欄位相同）→ L-多樣性（敏感欄位多種值）→ T-接近性（敏感欄位分佈相近）。層層遞進、保護強度遞增。常見考點。（chunks line 290–302） --- ## 第五部分｜合規實務建議（Q22–Q30） ### Q22 下列關於「告知同意」應具備要素的敘述，何者**錯誤**？ - (A) 自由性：不可因服務限制、經濟利益或壓力而被迫同意 - (B) 明確性與具體性：應清楚載明蒐集資料項目、利用目的、範圍、保存期間 - (C) 可撤回性：當事人應有權隨時撤回同意 - (D) 一經同意便永久有效，不可撤回 **答案：(D)** 解析:(D) 錯 — 「可撤回性」是必備要素之一，當事人應有權隨時撤回同意，企業須說明撤回方式與後續影響。常見干擾項。（chunks line 358–371） --- ### Q23 「資料最小化（Data Minimization）」與「目的限制（Purpose Limitation）」原則的**核心精神**為何？ - (A) 應盡可能蒐集所有資料，以利未來商業應用 - (B) 僅收集實現 AI 訓練或預期功能所需的最低限度資料，且不得將資料用於未經告知或未獲同意的其他目的 - (C) 即使對企業有商業價值，也應將資料挪作其他用途 - (D) 敏感資料無需特別評估 **答案：(B)** 解析：必要性原則 = 只收必要資料；目的限制 = 不得挪作其他用途，即使有商業價值。對敏感資料（健康/族群/宗教信仰）更須謹慎評估比例原則。常見干擾項把「最大化」與「最小化」對調。（chunks line 374–378） --- ### Q24 下列關於「去識別化或匿名化處理」的合規實務建議，何者**錯誤**？ - (A) 若資料計畫對外共享、用於模型發布或第三方合作，應優先採取去識別化或匿名化技術 - (B) 應確保無法輕易回推個人身份，並結合再識別風險測試 - (C) 不同法規對匿名化的標準認定完全一致，無差異 - (D) 在某些情境下，應考慮先對敏感欄位進行泛化、分桶或差分隱私處理 **答案：(C)** 解析:(C) 錯 — 不同法規對匿名化的標準認定「有所差異」，企業仍須保留風險評估紀錄。常見干擾項把「差異」說成「一致」。（chunks line 380–385） --- ### Q25 下列關於「透明度與紀錄保存」的合規要求，何者**不屬於**應紀錄項目？ - (A) 資料來源及收集方式、法律基礎 - (B) 資料處理過程、傳輸及外部共享情況 - (C) 受影響的資料類別與當事人群體、所採用的保護技術與風險緩解措施 - (D) 員工個人通訊軟體聊天紀錄 **答案：(D)** 解析：(D) 涉及員工隱私且與資料治理紀錄保存無關，反而是隱私違規來源。應紀錄項目為 (A)(B)(C) 三項合規要素。（chunks line 387–400） --- ### Q26 下列關於「跨境傳輸（Cross-border Data Transfer）」規範的敘述，何者**正確**？ - (A) GDPR 規定若將歐盟居民個資移轉至歐盟以外國家，需符合足夠保護措施、標準合約條款或其他合法機制 - (B) 跨境傳輸完全不受任何法規限制 - (C) 不需評估接收國的隱私保護水準 - (D) 跨境傳輸協議無需保存紀錄 **答案：(A)** 解析：GDPR 跨境傳輸要求 = 足夠保護措施 / 標準合約條款 / 合法機制。企業須明確定義範圍/用途/國家，評估接收國保護水準，並保存紀錄供監管機關查驗。（chunks line 402–411） --- ### Q27 下列關於常見國際個資保護法規縮寫的**正確配對**為何？ - (A) GDPR = 加州消費者隱私法案；CCPA = 一般資料保護規則 - (B) GDPR = 一般資料保護規則（歐盟）；CCPA = 加州消費者隱私法案；PDPA = 個人資料保護法 - (C) GDPR = 個人資料保護法；PDPA = 加州消費者隱私法案 - (D) 三者皆為同一部法律 **答案：(B)** 解析：GDPR = General Data Protection Regulation（歐盟）；CCPA = California Consumer Privacy Act（加州）；PDPA = Personal Data Protection Act（個資法）。常見縮寫互換干擾項。（chunks line 22） --- ### Q28 下列關於風險等級（Risk Level）三大分級的處理建議，何者**錯誤**？ - (A) 低風險（Low）：可接受、可監控 - (B) 中風險（Medium）：需規劃因應對策 - (C) 高風險（High）：應優先處理，必要時迴避或延後導入 - (D) 高風險可置之不理，因為發生機率不高 **答案：(D)** 解析:(D) 錯反 — 高風險應「優先處理」，必要時迴避或延後導入，不可置之不理。常見干擾項。（chunks line 162–166） --- ### Q29 若企業欲在「醫療聯盟跨院數據建模」場景中保護病患原始資料、又需多家醫院聯合訓練 AI 模型，最適合採用何種技術？ - (A) 將所有醫院的病患原始資料統一上傳到中央伺服器訓練 - (B) 聯邦學習（Federated Learning）— 模型在各院本地訓練，僅傳模型參數更新 - (C) 對病患資料完全公開以加速研究 - (D) 知識蒸餾（Knowledge Distillation） **答案：(B)** 解析：聯邦學習就是為此類「跨機構合作但不傳原始資料」場景設計，醫療聯盟跨院建模 + 手機鍵盤輸入預測都是典型案例。(D) 知識蒸餾屬模型壓縮，不解決隱私問題。（chunks line 316–332） --- ### Q30 下列關於「直接識別 / 間接識別（準識別）/ 再識別風險」三者的層次差異，何者**錯誤**？ - (A) 直接識別：單一欄位即可辨識個人（如姓名、身分證號） - (B) 間接識別（準識別）：需多欄位交叉比對才能推導身份（如出生年月+性別+地理位置） - (C) 再識別：已匿名化資料被外部資料還原身份 - (D) 三者實際上是同一種風險，僅名稱不同 **答案：(D)** 解析：三者為層次不同的風險：直接識別（最直接）→ 間接識別（需交叉比對）→ 再識別（已匿名仍被還原）。常見混淆三者層次。（chunks line 26–48） --- ## 答案速查表 | Q | 答 | Q | 答 | Q | 答 | |---|---|---|---|---|---| | 1 | D | 11 | C | 21 | A | | 2 | A | 12 | A | 22 | D | | 3 | B | 13 | B | 23 | B | | 4 | B | 14 | B | 24 | C | | 5 | C | 15 | A | 25 | D | | 6 | C | 16 | A | 26 | A | | 7 | B | 17 | A | 27 | B | | 8 | A | 18 | B | 28 | D | | 9 | C | 19 | A | 29 | B | | 10 | A | 20 | D | 30 | D | ## 命題分布統計 | 章節 | 題號 | 題數 | 重點 | |---|---|---:|---| | 前言／章節導覽 | Q1 | 1 | 章節四大目標 | | 數據隱私風險辨識與評估 | Q2–Q9 | 8 | PII/Quasi-identifier/Re-id/Data Map/PIA/Risk Matrix/Re-id Test | | 基礎匿名化技術 | Q10–Q14 | 5 | Masking/Hashing/Generalization/Bucketing/Noise Injection | | 進階隱私強化技術 PETs | Q15–Q21 | 7 | K-匿名/L-多樣性/T-接近性/聯邦學習/同態加密 | | 合規實務建議 | Q22–Q30 | 9 | 告知同意/最小化/匿名化/紀錄/跨境/法規縮寫/風險等級/聯邦案例/三類風險 | | **合計** | — | **30** | — | ## 易混淆考點清單 | # | 易混淆對 | 差異 | |---|---|---| | 1 | 直接識別 vs 間接識別 vs 再識別 | 直接=單欄即可；間接=交叉比對；再識別=匿名後仍被還原（Q2/Q3/Q4/Q30） | | 2 | K-匿名 vs L-多樣性 vs T-接近性 | K=準識別欄位至少 K-1 筆相同；L=敏感欄位至少 L 種值；T=敏感欄位分佈接近全體（Q15/Q16/Q17/Q21） | | 3 | GDPR / CCPA / PDPA | GDPR 歐盟；CCPA 加州；PDPA 個資法（Q27） | | 4 | 遮蔽 Masking vs 雜湊 Hashing | 遮蔽=部分符號替換、保留格式；雜湊=單向不可逆固定長度字串（Q10/Q11） | | 5 | 泛化 Generalization vs 分桶 Bucketing vs 隨機擾動 Noise | 泛化=精度降低；分桶=數值→區間；擾動=加噪聲（Q12/Q13/Q14） | | 6 | 聯邦學習 vs 同態加密 | 聯邦=本地訓練傳梯度；同態=在密文上直接運算（Q18/Q19/Q29） | | 7 | 公開資料 vs 機密資料 vs 個人資料 vs 高度敏感個資 | 公開=政府統計；機密=商業機密；個資=姓名等；高敏=健康/族群/宗教/政治（Q6） | | 8 | PIA 五步驟順序 | 資料盤點 → 風險辨識 → 影響分析 → 策略擬定 → 治理分工（Q7） | | 9 | 風險等級 = 發生機率 × 影響程度 | 乘積（不是加法）；高/中/低三級對應不同處理優先（Q8/Q28） | | 10 | 告知同意三大要素 | 自由性 + 明確性具體性 + 可撤回性（Q22） | --- — 命題：Heiter（2026-05-12） — 對應章節：6.1 數據隱私、安全與合規（chunks 6058–6467）