[論文レビュー] Anonymizing Unstructured Data

Rajeev Motwani, Shubha U. Nabar|ArXiv.org|Oct 31, 2008

Privacy-Preserving Technologies in Data参考文献 26被引用数 23

ひとこと要約

本稿では、ユーザーのクエリログやマーケットバスケットデータなど、各個人のデータがプライベートなアイテムの集合であるようなセット値データに対するkアナニマスティのモデルを導入する。各ユーザーのアイテム集合が少なくともk−1人もの他のユーザーと区別できなくなるように保証するため、データ変更の最小化を図るO(k log k)およびO(1)の性能保証を持つ近似アルゴリズムを提案し、AOLクエリログデータセットへの適用を示している。

ABSTRACT

In this paper we consider the problem of anonymizing datasets in which each individual is associated with a set of items that constitute private information about the individual. Illustrative datasets include market-basket datasets and search engine query logs. We formalize the notion of k-anonymity for set-valued data as a variant of the k-anonymity model for traditional relational datasets. We define an optimization problem that arises from this definition of anonymity and provide O(klogk) and O(1)-approximation algorithms for the same. We demonstrate applicability of our algorithms to the America Online query log dataset.

研究の動機と目的

• AOLクエリログやNetflixレーティングのような公開データセットで、ユーザーが一意のアイテム集合により再識別可能となるプライバシー侵害を是正すること。
• 各ユーザーのアイテム集合が少なくともk−1人もの他のユーザーと共有されることを保証する、セット値データに対するkアナニマスティの形式的定式化。
• kアナニマスティを達成するために必要なアイテムの追加・削除の回数を最小限に抑え、データの利用価値を維持すること。
• 2000万件のクエリを含むAOLログのような大規模データセットに対してもスケーラブルな匿名化アルゴリズムの設計。

提案手法

• 各ユーザーのアイテム集合が少なくともk−1人の他のユーザーの集合と同一であることを要件とするセット値データのkアナニマスティの定義。
• 全アイテム変更数（追加・削除）を最小化する最適化問題として匿名化問題を定式化。
• クラスタリングとセットカバーのヒューリスティクスを用いたO(k log k)-近似アルゴリズムの設計。
• 近似比が有界であるグリーディーなアプローチを用いたO(1)-近似アルゴリズムの開発。
• 計算複雑性を低減するために、匿名化の前段階でデータセットをクラスタに分割するスケーリング戦略。
• ユーザーのセッションをクエリの集合とみなしてAOLクエリログデータセットに適用し、スレッド単位で匿名化を実行。

実験結果

リサーチクエスチョン

• RQ1 各個人がプライベートなアイテムの集合に関連付けられるセット値データセットに対して、kアナニマスティを形式的に定式化する方法は何か？
• RQ2 このようなデータセットでkアナニマスティを達成するために必要な最小のアイテム変更数は何か？
• RQ3 AOLクエリログのような大規模な実世界データセットを、強いプライバシー保証を維持したまま匿名化できるスケーラブルなアルゴリズムを設計できるか？
• RQ4 （完全なセッションではなく）スレッド単位での匿名化は、プライバシーと利用価値にどのように影響を与えるか？
• RQ5 アイテム変更数を最小限に抑える際の、データ利用価値とプライバシーのトレードオフは何か？

主な発見

• 提案されたO(k log k)-近似アルゴリズムは、近似比が有界であることを保証し、必要なデータ変更回数を顕著に削減する。
• O(1)-近似アルゴリズムは定数倍の保証を達成し、理論的性能保証がより強固である。
• これらのアルゴリズムはAOLクエリログデータセットに成功裏に適用され、実世界の大規模データへの適用可能性が示された。
• 匿名化の前段階でデータセットをグループにクラスタリングすることで、2000万件のクエリを含む全データセットへの効率的スケーリングが可能になった。
• 類似したクエリパターンを持つユーザーがグループ化されたことから、再識別攻撃が効果的に防止されたことが実証された。
• 元のデータへの変更を最小限に抑えながらkアナニマスティを達成できるため、ナイーブな匿名化手法よりも利用価値が顕著に高いことが確認された。