[논문 리뷰] A Tabula Rasa Approach to Sporadic Location Privacy.

Simon Oya, Carmela Troncoso외 1명|arXiv (Cornell University)|2018. 09. 12.

Privacy-Preserving Technologies in Data참고 문헌 21인용 수 4

한 줄 요약

이 논문은 사전 훈련된 데이터에 의존하지 않고 실시간 쿼리에서 유저 이동 패턴을 점진적으로 학습하는 빈 템플릿 모델을 제안한다. 이는 희박한 위치 기반 개인정보 보호에 적합하다. 또한 프로파일 추정 기반 공격(PEBA)과 출력 피드백 기법을 도입하여 실제 데이터를 사용해 최신 기술보다 뛰어난 개인정보 보호 성능을 입증한다.

ABSTRACT

Attacks and defenses in the location privacy literature largely consider that users' data available for training wholly characterizes their mobility patterns. Thus, they hardwire this information in their models. We show that, in practice, training information cannot capture users' behavior with perfect certainty, and hence state-of-the-art defenses overestimate the level of privacy they provide. To tackle this problem, we propose a new model for user mobility in sporadic scenarios, that we call the blank-slate model. This model acknowledges the uncertainty of designers about real user behavior: it starts as a blank page, and learns the actual user behavior as she queries the service provider. We use the blank-slate model to develop both an attack, the Profile Estimation Based Attack (PEBA), and a design technique, called output-feedback, that can be used to create LPPMs that progressively learn the user behavior. Using real data, we empirically show that our proposals outperform state-of-the-art mechanisms designed based on previous hardwired models. Our learning LPPMs do not require bootstrapping with training data and are easy to compute, so they could be easily deployed in current location privacy solutions.

연구 동기 및 목표

• 기존 위치 기반 개인정보 보호 기법이 고정된 이동 모델에 의존함으로써 개인정보 보호 수준을 과도하게 평가하는 문제를 해결하기 위해.
• 실제 사용자 행동에 대한 지식이 불완전한 상황에서 고유한 불확실성을 내재한 희박한 시나리오에서 사용자 이동 패턴을 모델링하기 위해.
• 사용자 패턴을 서비스 쿼리에서 점진적으로 학습함으로써 실용적이고 구현 가능한 방어 기법을 개발하기 위해.
• 기본 설정이나 훈련 데이터 없이도 기존 접근 방식보다 더 나은 개인정보 보호를 달성할 수 있음을 입증하기 위해.

제안 방법

• 사용자 이동에 대한 가정 없이 시작하는 빈 템플릿 모델을 제안하며, 서비스 제공자와의 상호작용을 통해 행동을 학습한다.
• 고정된 이동 패턴을 가정하는 기존 모델의 취약점을 드러내기 위해 프로파일 추정 기반 공격(PEBA)을 개발한다.
• 출력 피드백 기법을 도입하여 위치 기반 개인정보 보호 기법(LPPMs)이 시간이 지남에 따라 사용자 행동을 적응적으로 학습할 수 있도록 한다.
• 실제 이동 데이터를 사용하여 제안된 모델과 방어 기법을 훈련 및 평가한다.
• 초기 훈련 데이터가 필요 없이 쿼리 피드백을 바탕으로 사용자 행동 추정을 점진적으로 개선하는 LPPMs를 설계한다.
• 새로운 쿼리가 들어올 때마다 동적으로 사용자 프로필을 업데이트하는 학습 기반 프레임워크를 활용하여 불확실성 하에서 개인정보 보호를 향상시킨다.

실험 결과

연구 질문

• RQ1 기존 모델에서 고정된 이동 패턴을 가정함으로써 실제 위치 기반 개인정보 보호 수준에 어떤 영향을 미치는가?
• RQ2 사용자 행동에 대한 사전 지식이 전혀 없는 모델이 희박한 위치 기반 시나리오에서 강력한 개인정보 보호 보장을 달성할 수 있는가?
• RQ3 실시간 쿼리 피드백이 사용자 행동 모델링 및 개인정보 보호 정확도를 얼마나 향상시킬 수 있는가?
• RQ4 기존의 사전 훈련된 이동 데이터에 의존하는 최신 기술 대비 제안된 빈 템플릿 모델은 어떻게 비교되는가?
• RQ5 출력 피드백 기법을 통해 LPPMs가 부트스트랩핑이나 훈련 데이터 없이도 사용자 행동을 학습할 수 있는가?

주요 결과

• 제안된 빈 템플릿 모델은 실제 쿼리에서 점진적으로 사용자 행동을 학습함으로써 고정된 가정의 오류를 피하고 개인정보 보호 수준을 크게 향상시킨다.
• 프로파일 추정 기반 공격(PEBA)은 기존 방어 기법이 정확하지 않은 이동 모델링으로 인해 개인정보 보호 수준을 과도하게 평가하고 있음을 성공적으로 드러냈다.
• 출력 피드백 기반 LPPMs는 실제 데이터 평가에서 최신 기술 대비 뛰어난 성능을 보였다.
• 학습 기반 LPPMs는 훈련 데이터나 부트스트랩핑이 필요 없어 실제 시스템에 구현하기가 더 쉽다.
• 실험 결과, 제안된 접근 방식은 이전 방법보다 더 강력한 개인정보 보호를 달성하면서도 낮은 계산 오버헤드를 기록했다.
• 불확실성 하에서의 적응성 덕분에 이 모델은 희박한 이동 시나리오에서 더 정확하고 견고한 사용자 행동 추정이 가능하다.