[論文レビュー] A Tabula Rasa Approach to Sporadic Location Privacy.

Simon Oya, Carmela Troncoso+1 more|arXiv (Cornell University)|Sep 12, 2018

Privacy-Preserving Technologies in Data参考文献 21被引用数 4

ひとこと要約

本稿では、事前学習済みデータに依存せずに、リアルタイムのクエリから段階的にユーザーの移動パターンを学習する、スクラッチからのモデルを提示する。このモデルは、Profile Estimation Based Attack (PEBA) と出力フィードバック機構を導入し、実世界のデータを用いた評価で、最先端の手法を上回るプライバシー保護を実現している。

ABSTRACT

Attacks and defenses in the location privacy literature largely consider that users' data available for training wholly characterizes their mobility patterns. Thus, they hardwire this information in their models. We show that, in practice, training information cannot capture users' behavior with perfect certainty, and hence state-of-the-art defenses overestimate the level of privacy they provide. To tackle this problem, we propose a new model for user mobility in sporadic scenarios, that we call the blank-slate model. This model acknowledges the uncertainty of designers about real user behavior: it starts as a blank page, and learns the actual user behavior as she queries the service provider. We use the blank-slate model to develop both an attack, the Profile Estimation Based Attack (PEBA), and a design technique, called output-feedback, that can be used to create LPPMs that progressively learn the user behavior. Using real data, we empirically show that our proposals outperform state-of-the-art mechanisms designed based on previous hardwired models. Our learning LPPMs do not require bootstrapping with training data and are easy to compute, so they could be easily deployed in current location privacy solutions.

研究の動機と目的

• 既存の場所プライバシー保護手法が、固定された移動モデルに依存することで、プライバシーの過剰評価が生じる問題に対処すること。
• 実際のユーザー行動の知識が不完全であることに鑑み、固有の不確実性を内蔵する、断続的なシナリオにおけるユーザー移動のモデル化。
• ユーザーのパターンを段階的にサービスクエリから学習できる、実用的で導入可能な防御メカニズムの開発。
• ブートストラップやトレーニングデータが不要なモデルが、従来のアプローチを上回るプライバシー保護を達成できることの実証。

提案手法

• ユーザー移動に関するあらゆる仮定を初期段階で持たず、サービスプロバイダーとの相互作用を通じて行動を学習するスクラッチモデルを提案。
• 固定された移動パターンを仮定する既存モデルの脆弱性を露呈するため、Profile Estimation Based Attack (PEBA) を開発。
• 出力フィードバック技術を導入し、場所プライバシー保護メカニズム（LPPMs）が時間経過とともにユーザー行動を適応的に学習できるようにする。
• 実世界の移動データを用いて、提案モデルおよび防御メカニズムのトレーニングと評価を実施。
• 初期トレーニングデータを必要とせず、クエリのフィードバックに基づいて段階的にユーザー行動推定を精緻化するLPPMsを設計。
• 新しいクエリが入力されるたびに動的にユーザープロファイルを更新する学習ベースのフレームワークを採用し、不確実性下でのプライバシー向上を実現。

実験結果

リサーチクエスチョン

• RQ1 既存モデルが固定された移動パターンを仮定することで、実際に提供される場所プライバシーの水準にどのような影響を与えるか？
• RQ2 ユーザー行動に関する事前の知識を持たないモデルでも、断続的な場所プライバシーのシナリオにおいて、強固なプライバシー保証を達成できるか？
• RQ3 リアルタイムのクエリフィードバックが、ユーザー行動モデリングおよびプライバシー保護の精度をどの程度向上できるか？
• RQ4 ブートストラップやトレーニングデータに依存しない本稿のスクラッチモデルは、最先端の防御手法と比較してどのように差をつけるか？
• RQ5 出力フィードバック機構により、LPPMsがブートストラップやトレーニングデータなしにユーザー行動を学習できるか？

主な発見

• 提案されたスクラッチモデルは、実際のクエリから段階的にユーザー行動を学習することで、固定された仮定による落とし穴を回避し、プライバシー保護を顕著に向上させた。
• Profile Estimation Based Attack (PEBA) は、不正確な移動モデリングに起因する、既存の防御手法によるプライバシーの過剰評価を成功裏に特定した。
• 出力フィードバック機構に基づくLPPMsは、実世界データ評価において、最先端の防御手法を上回った。
• 学習ベースのLPPMsはトレーニングデータやブートストラップを一切不要としており、実システムへの導入が容易である。
• 実験的結果から、本手法は従来の方法と比較して、より高いプライバシー保護と低い計算オーバーヘッドを実現した。
• 不確実性下でのモデルの適応性が、断続的な移動シナリオにおけるより正確で頑健なユーザー行動推定をもたらした。