Vilkasua henkilötietomurron sisältöön

Päivitys: Liitin postinumerot kuntatietoihin ja tulos löytyy viestin loppupuolelta.

Päivitys: MikroPC teki pienen jutun liittyen tähän blogaukseen, esittäen omia teorioitaan aineiston taustasta.

Päivitys: Vauhdilla rapatessa roiskuu. Aikaisemmin mainitsemani 11 kpl alle  18 vuotiaita ei pidä paikkaansa. Todellinen luku on 513. Kiitoksia tarkkaavaiselle lukijalle huomiosta. Muitakin kommentteja & korjauksia otetaan myös mielellään vastaan! Päivitin samalla myös ikäkuvaajan tarkempaan versioon josta todellinen ikäjakauma näkyy selvemmin. 

Useat tiedotusvälineet uutisoivat lauantaina 5. marraskuuta 2011 ilmitulleesta tietomurrosta, jonka seurauksena internetiin levitettiin tiedostoa joka sisälsi yli 16 000 suomalaisen henkilötiedot (esim. Helsingin Sanomat, Yle).

Tiedosto levisi välittömästi laajalle ja herätti valtavasti kiinnostusta eri puolilla. Tämän kirjoitushetkellä tiedossa ei ole mistä tiedot ovat alun perin peräisin. Koska tiedostosta löytyy usean tuttavani tiedot ja pohdimme yhdessä mikä niiden lähde on, päätin pureutua hieman tiedoston sisältöön ja koittaa selvittää minkälaisesta kokoelmasta oikeasti on kysymys. Tämä kirjoitus sisältää pintapuolista data-analyysiä tiedoston sisällöstä, kuitenkaan paljastamatta mitään yksityiskohtia henkilökohtaisista tiedoista.

Aineisto sisältää 16102 riviä tietoa. Rivit on indeksoitu henkilötunnusten (hetu) mukaan, joten yksi rivi vastaa yhtä henkilöä.  Mahdollisia tietoja henkilötunnuksen lisäksi ovat etunimet, sukunimi, osoite, sähköpostiosoite, puhelinnumero, sekä (ilmeisesti) oppilaitos. Kaikki henkilötunnukset ovat muodoltaan ja tarkistusmerkiltään oikeallisia Suomen henkilötunnuksia.

Tiedot ovat osittain puutteellisia ja esimerkiksi joiltakin henkilöiltä hetun lisäksi löytyy ainoastaan nimi tai sähköpostiosoite. Kuitenkin henkilöitä joille löytyy hetu, etu- ja sukunimet, osoite, sähköpostiosoite ja puhelinnumero, on 11 885 kappaletta. Opiskelupaikka tiedot löytyvät 1 230 henkilöltä.

Henkilötunnuksista laskettavien sukupuolten mukaan listalla on 4 955 naista (n. 31%) ja 11 147 miestä (n. 69%).

Henkilöiden henkilötunnusten mukaan laskettu ikäjakauma on seuraavanlainen: iät ovat väliltä 4-110  vuotta. Keski-ikä on 39 vuotta (1. ja 3. kvartiilit 29..49 vuotta). Yleisin ikä on 43 vuotta (472 kpl). Ääriarvojen tarkastelu paljastaa että 110 vuotias henkilö on Luottokunnan testitunnus. Kyseisen testihenkilön tiedot näyttävät siltä että kyseessä voisi olla todellinen Luottokunnan testitunnus. Toiseksi vanhin henkilö on 100 vuotias, mutta kyseessä on selkeästi keksitty henkilötunnus (joka tosin muodoltaan on oikeallinen), nimi ja osoite. Todellisia yli 90 vuotiaita henkilöitä aineistosta näyttää löytyvän 3 kappaletta. Nuorimman 4 vuotiaan henkilön tiedot näyttävät myös todellisen henkilön tiedoilta. Alle 10 vuotiaita henkilöitä aineistossa on 3 kappaletta, alle 15 vuotiaita 4 kappaletta, ja alle 18 vuotiaita 513 kappaletta. Kuvaajaa tarkistelemalla on kuitenkin selvää että aineisto keskittyy täysi-ikäisiin ihmisiin.

Ikätietojen perusteella voi siis päätellä että kyseessä on rekisteri jonka tietoja ei varmisteta etukäteen (selkeästi keksityt henkilötiedot ja osittain puutteelliset tiedot). Rekisteri sisältää tietoja monen ikäisistä henkilöistä (mukaan lukien pienet lapset). On myös mahdollista että kyseessä on toimija joka käyttää Luottokunnan palveluita.

Sähköpostien domain-nimien perusteella sähköpostit edustavat yleisesti Suomessa käytettyjä sähköpostipalveluita. Yleisimmät domain-nimet ovat gmail.com, hotmail.com, luukku.com, suomi24.fi, pp.inet.fi, kolumbus.fi. Oppilaitosten sähköposteista yliedustettuja ovat Itä-Suomen yliopisto ja sen entiset osayliopistot (Kuopion ja Joensuun yliopisto), mm. domain-nimillä hytti.uku.fi, student.uef.fi, cc.joensuu.fi, joensuu.fi, uef.fi.

Domain	Lukumäärä
gmail.com	1859
hotmail.com	1840
luukku.com	800
suomi24.fi	388
pp.inet.fi	330
kolumbus.fi	328
netti.fi	222
elisanet.fi	210
hytti.uku.fi	207
dnainternet.net	143
student.uef.fi	105
jippii.fi	102
yahoo.com	100
windowslive.com	97
cc.joensuu.fi	93
saunalahti.fi	93
joensuu.fi	78

Yleisin postinumero on Helsingin 00940 (120 kpl), toisena Kuopion 70100 (94 kpl), kolmantena Joensuun 80100 (92 kpl). Muuten listan kärkipää sisältää lähinnä pääkaupunkiseudun postinumeroita. Silmämääräisesti Kuopio ja Joensuu tuntuvat siis olevan asukasmääräänsä nähden yliedustettuina myös postinumeroissa.

Postinumero	Lukumäärä
00940	120
70100	94
80100	92
00980	91
01450	91
01900	89
05200	84
01200	83
01600	75
80140	75

Liitettäessä postinumerot kuntatietoihin, listan kärki näyttää seuraavalta:

Kunta	Lukumäärä
Helsinki	1657
Vantaa	971
Espoo	591
Kuopio	520
Joensuu	422
Tampere	402
Hyvinkää	299
Turku	223
Oulu	140
Järvenpää	135
Kerava	130
Riihimäki	128
Lahti	126
Pori	111
Jyväskylä	99
Hämeenlinna	98
Tuusula	96
Nurmijärvi	89
Rajamäki	84
Lappeenranta	81
Klaukkala	69
Nummela	59
Vaasa	55
Porvoo	54
Lohja	51
Kajaani	50
Seinäjoki	50
Mikkeli	48
Varkaus	46
Kotka	41
Karkkila	40
Savonlinna	40

Aikaisemmin havaittu Kuopion ja Joensuun yliedustus näyttää vahvistuvan myös kuntakohtaisella tarkastelulla. 

Listattujen opiskelupaikkojen kärkipäässä ovat Tampereen ammattiopisto (103 kpl) ja Poliisiammattikorkeakoulu (95 kpl). Yllättäen Kuopion, Joensuun, tai Itä-Suomen yliopistot eivät sijoitu tällä listalla korkealle, vaikka näissä oppilaitoksissa opiskelevia ihmisiä listalta löytyy paljon. Tämän johdosta on hankalaa tulkita ovatko kyseisessä kentässä olevat tiedot ihmisten nykyisiä opiskelupaikkoja vai jotain muuta tietoa.

Oppilaitos	Lukumäärä
Tampereen ammattiopisto	103
Poliisiammattikorkeakoulu	95
Turun ammatti-instituutti	44
Tampere	30
Helmi Liiketalousopisto	29
Tampereen Ammattiopisto	27
Oulun seudun ammattiopisto	21
Vaasan ammattiopisto	20
Koulutuskeskus Salpaus	19
Pirkanmaan ammattiopisto	18

Päivitän/korjaan/lisäilen näitä tietoja mahdollisesti sitä mukaan kun kerkeän & jaksan.