[論文レビュー] Location Privacy in Mobile Edge Clouds: A Chaff-based Approach

Ting He, Ertuğrul Necdet Çiftçioğlu+2 more|arXiv (Cornell University)|Sep 10, 2017

Privacy-Preserving Technologies in Data参考文献 18被引用数 3

ひとこと要約

本稿では、モバイルエッジクラウド（MECs）におけるユーザーの位置プライバシーを保護するためのチャフベースの防御機構を提案する。ここでは、エavesdropper（盗聴者）がMEC間のサービス移行を監視することでユーザーを追跡できる。適切に配置されたチャフサービスは、正当なユーザーの移動を模倣するが、ユーザーの移動が十分にランダムな場合、最適な戦略により盗聴者の追跡精度をゼロにまで低下させることができる。これは、最大尤度検出を用いる高度な盗聴者に対しても有効である。

ABSTRACT

In this paper, we consider user location privacy in mobile edge clouds (MECs). MECs are small clouds deployed at the network edge to offer cloud services close to mobile users, and many solutions have been proposed to maximize service locality by migrating services to follow their users. Co-location of a user and his service, however, implies that a cyber eavesdropper observing service migrations between MECs can localize the user up to one MEC coverage area, which can be fairly small (e.g., a femtocell). We consider using chaff services to defend against such an eavesdropper, with focus on strategies to control the chaffs. Assuming the eavesdropper performs maximum likelihood (ML) detection, we consider both heuristic strategies that mimic the user's mobility and optimized strategies designed to minimize the detection or tracking accuracy. We show that a single chaff controlled by the optimal strategy or its online variation can drive the eavesdropper's tracking accuracy to zero when the user's mobility is sufficiently random. We further propose extended strategies that utilize randomization to defend against an advanced eavesdropper aware of the strategy. The efficacy of our solutions is verified through both synthetic and trace-driven simulations.

研究の動機と目的

• モバイルエッジクラウドにおけるサイバー盗聴の脅威に対処し、サービス移行のサイドチャnelを通じてユーザーの位置が露呈されることを防ぐ。
• MECプロバイダーが信頼できない場合（サービス移行を監視する可能性がある）に、ユーザーの位置プライバシーを保護すること。
• 最大尤度検出を用いて本物のユーザーを追跡する能力を最小限に抑えるチャフサービス戦略を設計すること。
• チャフ戦略を把握しているが適応可能な高度な盗聴者に対しても耐性を高めること。

提案手法

• 著者らはユーザーの移動をマルコフ連鎖としてモデル化し、実際のユーザー移動パターンを模倣するチャフサービスの軌道を生成する。
• ヒューリスティック戦略（IM, ML, OO, MO）と、マーカフ決定過程（MDP）を解いて最小化する最適戦略を提案し、検出精度を最小限に抑える。
• 動的計画法を用いて、盗聴者が本物のユーザーを正しく特定する可能性を最小限に抑える最適戦略を導出する。
• 将来の移動状態を事前に把握できない状況を想定し、リアルタイム展開を可能にする最適戦略のオンライン版を導入する。
• 盗聴者がチャフ戦略を把握している場合に備え、ランダム化を用いて耐性を高めた戦略（RML, ROO）を設計する。
• 性能評価には、合成移動モデルと実際のタクシー移動データ（959個のボロノイ細胞、174件のユーザー軌跡）を用いる。

実験結果

リサーチクエスチョン

• RQ1 チャフサービスは、MECにおけるサービス移行を監視する盗聴者に対して、ユーザーの真の位置を効果的に隠蔽できるか？
• RQ2 最適なチャフ戦略が盗聴者の追跡精度をゼロにまで低下させられる条件は何か？
• RQ3 空間的・時間的偏りを持つ異なるユーザー移動モデル下で、チャフ戦略の性能はどのように変化するか？
• RQ4 チャフ展開戦略を把握している高度な盗聴者に対しても、耐性のあるチャフ戦略は有効か？
• RQ5 チャフサービスの数は、プライバシーとシステムコストのトレードオフにどのように影響するか？

主な発見

• 最適なチャフ戦略とそのオンライン版は、ユーザー移動に十分なエントロピーがある場合、盗聴者の追跡精度をゼロにまで低下させることができる。
• 基本的な盗聴者（最大尤度検出を用いる）に対して、MLおよびOO戦略は、1つのチャフでもベースラインと比較して追跡精度を顕著に低下させる。
• ユーザーの軌道が「短絡的経路」の尤度を支配する場合、MO戦略は本物のユーザーの位置から逸脱しないため、性能が著しく劣る。
• 2つのチャフを用いる場合、元の戦略（IM, ML, OO, MO）は高度な盗聴者に対しては失敗するが、耐性戦略（RML, ROO）は追跡精度を顕著に低下させる。
• 実際のタクシー移動データを用いたトレース駆動型シミュレーションにより、提案戦略が空間的・時間的偏りを持つ移動環境でも高いプライバシー保護を維持することが確認された。