[論文レビュー] An Efficient Privacy-Preserving Algorithm based on Randomized Response in IoT-based Smart Grid

Hui Cao, Shubo Liu+4 more|arXiv (Cornell University)|Apr 9, 2018

Privacy-Preserving Technologies in Data参考文献 33被引用数 8

ひとこと要約

本稿では、スパースコーディングとランダム化応答を用いて、IoTベースのスマートグリッド向けにバッチ最適化され、微分プライバシーを保証するアルゴリズムを提案する。フェイズノードにおける集約エネルギーデータから行動シグネチャ辞書を構築し、古典的ランダム化応答を用いてノイズを付加することで、高い実用性を維持しつつ強力なプライバシー保護を実現し、スマートグリッド応用におけるバッチデータ処理の効率性とスケーラビリティにおいて、既存手法を上回る性能を発揮する。

ABSTRACT

Among existing privacy-preserving approaches, Differential Privacy (DP) is a powerful tool that can provide privacy-preserving noisy query answers over statistical databases and has been widely adopted in many practical fields. In particular, as a privacy machine of DP, Randomized Aggregable Privacy-Preserving Ordinal Response (RAPPOR) enables strong privacy, efficient, and high-utility guarantees for each client string in data crowdsourcing. However, as for Internet of Things(IoT), such as smart gird, data are often processed in batches. Therefore, developing a new random response algorithm that can support batch-processing tend to make it more efficient and suitable for IoT applications than existing random response algorithms. In this paper, we propose a new randomized response algorithm that can achieve differential-privacy and utility guar-antees for consumer's behaviors, and process a batch of data at each time. Firstly, by applying sparse coding in this algorithm, a behavior signature dictionary is created from the aggregated energy consumption data in fog. Then, we add noise into the behavior signature dictionary by classical randomized response techniques and achieve the differential privacy after data re-aggregation. Through the security analysis with the principle of differential privacy and experimental results verification, we find that our Algorithm can preserve consumer's privacy with-out comprising utility.

研究の動機と目的

• IoTベースのスマートグリッドで一般的なバッチ処理シナリオにおいて、既存のランダム化応答アルゴリズムの非効率性を解消すること。
• 統計的分析に適した高いデータ実用性を維持しつつ、エネルギー消費データにおける消費者のプライバシーを保護すること。
• 大規模スマートグリッド展開に適したフェイクコンピューティング環境においてスケーラブルなソリューションを設計すること。
• スパースコーディングを微分プライバシー技術と統合し、より優れたシグネチャ表現とノイズ挿入を実現すること。
• セキュリティ解析と実証的評価を通じて、プライバシーと実用性のトレードオフを検証すること。

提案手法

• フェイクコンピューティング層でスパースコーディングを用いて、集約エネルギー消費データから行動シグネチャ辞書を構築する。
• 古典的ランダム化応答を適用して、行動シグネチャ辞書にノイズを付加し、微分プライバシーを確保する。
• ノイズ挿入後に再集約処理を実施し、個人のプライバシーを保護しつつ実用性を維持する。
• スパース辞書の構造を活用してノイズの分散を低減し、実用性を向上させる。
• 微分プライバシーの原則を用いて、すべてのクライアントデータに対して形式的なプライバシー保証を検証する。
• フェイクベースアーキテクチャにアルゴリズムを統合し、IoTデータの効率的かつスケーラブルなバッチ処理を支援する。

実験結果

リサーチクエスチョン

• RQ1 IoTベースのスマートグリッドにおけるバッチ処理シナリオに最適化されたランダム化応答ベースのアルゴリズムは、効率性を向上させることができるか？
• RQ2 スパースコーディングは、プライバシーを保ちつつ、消費者のエネルギー消費行動の表現をどのように向上させることができるか？
• RQ3 バッチ処理されたエネルギー消費データにおいて、プライバシー保証とデータ実用性のトレードオフはどのようなものか？
• RQ4 フェイクコンピューティング環境において、ランダム化応答によるノイズ挿入は、再集約後に高い実用性を維持できるか？
• RQ5 本手法は、既存の微分プライバシー技術と比較して、プライバシーと実用性のバランスおよび計算効率において優れているか？

主な発見

• 提案手法は、ランダム化応答の原則に基づく形式的解析により、強力な微分プライバシー保証を達成している。
• ノイズ挿入とスパースコーディングの統合により、ノイズ応答の分散が低減され、データ実用性が向上している。
• 本手法はエネルギー消費データの効率的バッチ処理を可能としており、大規模スマートグリッド展開に適している。
• 実験結果から、本手法は消費者のプライバシーを保護しつつ高い実用性を維持しており、従来手法に比べて実用性指標で優れていることが確認された。
• フェイクベースアーキテクチャにより通信オーバーヘッドが低減され、IoT環境におけるリアルタイムデータ処理のスケーラビリティが向上した。
• セキュリティ解析から、本手法は推論攻撃に耐性があり、公開データから個々の消費者行動が再構築できないことが確認された。