[論文レビュー] Under the Hood of Membership Inference Attacks on Aggregate Location Time-Series.

Apostolos Pyrgelis, Carmela Troncoso+1 more|arXiv (Cornell University)|Feb 20, 2019

Privacy-Preserving Technologies in Data被引用数 11

ひとこと要約

本稿では、集約された位置時間系列データに対するメンバーシップ推定攻撃がなぜ成功するかを、データ量と移動パターンの規則性の観点から分析することで調査している。既存の位置プライバシー防御手法を集約設定に適応させ、一般的な移動分析の文脈で有用性を保ちつつ推定リスクを低減できることが示された。

ABSTRACT

Aggregate location statistics are used in a number of mobility analytics to express how many people are in a certain location at a given time (but not who). However, prior work has shown that an adversary with some prior knowledge of a victim's mobility patterns can mount membership inference attacks to determine whether or not that user contributed to the aggregates. In this paper, we set to understand why such inferences are successful and what can be done to mitigate them. We conduct an in-depth feature analysis, finding that the volume of data contributed and the regularity and particularity of mobility patterns play a crucial role in the attack. We then use these insights to adapt defenses proposed in the location privacy literature to the aggregate setting, and evaluate their privacy-utility trade-offs for common mobility analytics. We show that, while there is no silver bullet that enables arbitrary analysis, there are defenses that provide reasonable utility for particular tasks while reducing the extent of the inference.

研究の動機と目的

• 集約された位置時間系列データに対するメンバーシップ推定攻撃が成功する根本的原因を理解すること。
• 攻撃を可能にする主要なデータ特性（例：データ量、移動パターンの規則性）を同定すること。
• 既存の位置プライバシー防御を集約データ設定に適応させること。
• 一般的な移動分析タスクにおけるこれらの防御のプライバシー-有用性トレードオフを評価すること。

提案手法

• 攻撃成功の鍵をなす要因として、データ量と移動パターンの規則性を特定するための詳細な特徴量分析を実施した。
• 位置プライバシー分野の既存防御を、集約データ環境で機能する形に適応した。
• 標準的な移動分析ワークロードを用いてプライバシー-有用性トレードオフを評価した。
• 実験的評価を通じて、防御がメンバーシップ推定の成功率をどの程度低減できるか、かつ分析的有用性をどの程度維持できるかを評価した。

実験結果

リサーチクエスチョン

• RQ1 どのようなデータ特性が集約位置時間系列データをメンバーシップ推定攻撃に対して脆弱にするか？
• RQ2 データ量とパターンの規則性は、このような攻撃の成功にどのように影響するか？
• RQ3 どの既存の位置プライバシー防御が集約設定に効果的に適応可能か？
• RQ4 これらの適応済防御のプライバシー-有用性トレードオフは、実世界の移動分析タスクにおいてどのように評価されるか？

主な発見

• データ量と移動パターンの規則性が、集約位置データに対するメンバーシップ推定攻撃の成功を可能にする主要因である。
• 適応された防御は、メンバーシップ推定攻撃の成功率を顕著に低減した。
• 単一の防御がすべての分析タスクに普遍的に効果を発揮するわけではないが、いくつかの防御は許容可能な有用性損失で強力なプライバシー保護を提供した。
• 最も効果的な防御は、特定の移動分析タスクにおいて有用性を保持しつつ、著しく推定リスクを低減した。