[論文レビュー] Privacy by design in big data: An overview of privacy enhancing technologies in the era of big data analytics

Giuseppe D’Acquisto, Josep Domingo‐Ferrer+4 more|arXiv (Cornell University)|Dec 18, 2015

Privacy-Preserving Technologies in Data参考文献 3被引用数 83

ひとこと要約

この論文は、ビッグデータ分析におけるプライバシー・バイ・デザインを提唱し、データライフサイクル全体にわたりプライバシー強化技術（PETs）を統合するフレームワークを提案する。匿名化、暗号化計算、アクセス制御、データプロヴァンスといった技術を評価することで、利便性やパフォーマンスを損なわずに安全でプライバシー保護された分析を実現する。

ABSTRACT

The extensive collection and processing of personal information in big data analytics has given rise to serious privacy concerns, related to wide scale electronic surveillance, profiling, and disclosure of private data. To reap the benefits of analytics without invading the individuals' private sphere, it is essential to draw the limits of big data processing and integrate data protection safeguards in the analytics value chain. ENISA, with the current report, supports this approach and the position that the challenges of technology (for big data) should be addressed by the opportunities of technology (for privacy). We first explain the need to shift from "big data versus privacy" to "big data with privacy". In this respect, the concept of privacy by design is key to identify the privacy requirements early in the big data analytics value chain and in subsequently implementing the necessary technical and organizational measures. After an analysis of the proposed privacy by design strategies in the different phases of the big data value chain, we review privacy enhancing technologies of special interest for the current and future big data landscape. In particular, we discuss anonymization, the "traditional" analytics technique, the emerging area of encrypted search and privacy preserving computations, granular access control mechanisms, policy enforcement and accountability, as well as data provenance issues. Moreover, new transparency and access tools in big data are explored, together with techniques for user empowerment and control. Achieving "big data with privacy" is no easy task and a lot of research and implementation is still needed. Yet, it remains a possible task, as long as all the involved stakeholders take the necessary steps to integrate privacy and data protection safeguards in the heart of big data, by design and by default.

研究の動機と目的

• ビッグデータ分析における大規模なデータ収集・処理に伴う増大するプライバシー懸念に応える。
• 『ビッグデータ対プライバシー』というパラダイムから、『プライバシーを伴うビッグデータ』へとシフトするため、事前のプライバシー統合を推進する。
• ビッグデータバリューチェーン全体にわたり、技術的および組織的措置を特定・実装し、プライバシー保護を実現する。
• 現代のビッグデータシステムに適用可能な、新たなプライバシー強化技術（PETs）を評価する。
• ビッグデータ処理パイプラインにおいて、責任性、透明性、ユーザーのコントロールを促進する。

提案手法

• ビッグデータ分析ライフサイクルの初期段階からプライバシー保護を組み込む『プライバシー・バイ・デザイン』の原則を採用する。
• kアンダニティ、lダイバーシティ、tクロージネスを含む、主なPETsの匿名化技術を調査・分析する。
• 同型暗号やセキュアなマルチパーティ計算を含む、プライバシー保護計算技術を検討する。
• 暗号化されたデータ上で計算を実行できるようにするため、暗号化検索および検索可能な暗号化の評価を行う。
• ロールベースおよび属性ベースのアクセス制御メカニズムをポリシー強制と統合し、細分化されたデータガバナンスを実現する。
• データプロヴァンスと監査可能性を扱い、データ処理ワークフローにおける責任性と追跡可能性を確保する。

実験結果

リサーチクエスチョン

• RQ1 どのようにしてプライバシーを設計の初期段階から体系的にビッグデータ分析に統合できるか？
• RQ2 ビッグデータバリューチェーン全体で、プライバシーリスクを低減するために最も効果的な技術的および組織的措置は何か？
• RQ3 既存のプライバシー強化技術（PETs）が、現代のビッグデータワークロードにどの程度適合可能か？
• RQ4 大規模なデータ処理システムにおいて、ユーザーのコントロール、透明性、責任性をどのように達成できるか？
• RQ5 ビッグデータ分析において、データの有用性とプライバシー保護の間にはどのようなトレードオフがあるか？

主な発見

• プライバシー・バイ・デザインは、ビッグデータシステムにおけるプライバシー侵害を防ぐために不可欠であり、デフォルトかつ設計段階で実装されるべきである。
• kアンダニティやlダイバーシティといった匿名化技術は依然として有効であるが、有用性とプライバシーのバランスをとるために注意深くチューニングが必要である。
• 暗号化計算および検索可能な暗号化により、データを復号せずに処理が可能であるが、パフォーマンスのオーバーヘッドは依然として課題である。
• 細分化されたアクセス制御およびポリシー強制メカニズムは、データガバナンスの実行と不正アクセスの最小化に不可欠である。
• データプロヴァンスと監査ログは、責任性を高め、プライバシー規制への準拠を支援する。
• データアクセス要求や透明性ダッシュボードといったユーザーのエンパワーを促進するツールは実現可能であり、ビッグデータシステムにおける信頼を築くために不可欠である。