[논문 리뷰] Anonymizing Sensor Data on the Edge: A Representation Learning and Transformation Approach

Omid Hajihassani, Omid Ardakanian외 1명|arXiv (Cornell University)|2020. 11. 16.

Privacy-Preserving Technologies in Data참고 문헌 53인용 수 11

한 줄 요약

이 논문은 속성별로 특화된 변동형 오토인코더(VAE)를 사용하여 잠재 표현을 학습하고, 이후 잠재 공간에서 결정론적 또는 확률론적 변환을 통해 비밀 속성을 은폐하면서도 공개 속성을 유지하는, 적대적 모델 기반의 비모델 기반 익명화 기법을 제안한다. 이 방법은 라즈베리 파이와 같은 엣지 디바이스에서 실시간 익명화를 구현하며, 비밀 속성 보호와 유용성 유지 측면에서 적대적 모델 기반 기준보다 뛰어난 성능을 보인다.

ABSTRACT

The abundance of data collected by sensors in Internet of Things (IoT) devices, and the success of deep neural networks in uncovering hidden patterns in time series data have led to mounting privacy concerns. This is because private and sensitive information can be potentially learned from sensor data by applications that have access to this data. In this paper, we aim to examine the tradeoff between utility and privacy loss by learning low-dimensional representations that are useful for data obfuscation. We propose deterministic and probabilistic transformations in the latent space of a variational autoencoder to synthesize time series data such that intrusive inferences are prevented while desired inferences can still be made with sufficient accuracy. In the deterministic case, we use a linear transformation to move the representation of input data in the latent space such that the reconstructed data is likely to have the same public attribute but a different private attribute than the original input data. In the probabilistic case, we apply the linear transformation to the latent representation of input data with some probability. We compare our technique with autoencoder-based anonymization techniques and additionally show that it can anonymize data in real time on resource-constrained edge devices.

연구 동기 및 목표

• 자원이 제한된 엣지 디바이스에서 실시간 익명화를 가능하게 하여, IoT 센서 데이터의 사생활-유용성 트레이드오프 문제를 해결한다.
• 특정 모델을 사용한 적대적 훈련에 의존하지 않고도 속성 추론 공격을 방지한다.
• 공개 속성의 유용성을 유지하면서 비밀 속성을 은폐하는 확장 가능한 모델 기반 익명화 프레임워크를 설계한다.
• 실제 HAR 데이터셋을 대상으로 기술을 평가하고, 라즈베리 파이와 같은 저전력 엣지 하드웨어에서의 구현 가능성을 입증한다.
• 익명화 워크로드에 대해 엣지와 클라우드 간의 계산 방식 간의 성능 차이를 탐색한다.

제안 방법

• 각 공개 속성 클래스에 대해 속성별로 특화된 VAE를 훈련하여, 임팩트가 작고 임무에 특화된 잠재 표현을 학습한다.
• 잠재 공간이 비밀 속성 클래스 주변으로 구조화되도록, 비밀 속성 분류를 위한 교차 엔트로피 항을 VAE 손실에 추가한다.
• 공개 속성 정체성을 유지하면서 비밀 속성의 다른 클래스로 이동하도록, 잠재 표현에 결정론적 또는 확률론적 선형 변환을 적용한다.
• 중앙 서버가 각 공개-비밀 속성 쌍에 대한 평균 잠재 표현을 브로드캐스트하며, 엣지 디바이스는 추론 시 이를 활용한다.
• 사전 훈련된 분류기를 사용하여 엣지에서 예측된 공개 속성에 따라 적절한 VAE와 평균 잠재 표현을 선택한다.
• 모든 익명화 파이프라인을 디바이스 내부에서 실행하여 원시 데이터가 엣지 외부로 유출되지 않도록 하며, 중앙 서버에 대한 신뢰를 요구하지 않는다.

실험 결과

연구 질문

• RQ1 VAE 기반의 잠재 공간 변환 접근법이 공개 속성의 유용성을 유지하면서 센서 데이터를 효과적으로 익명화할 수 있는가?
• RQ2 제안된 적대적 모델 기반의 비모델 기반 기법이 비밀 속성 추론 공격에 대해 적대적 모델 기반 기준보다 얼마나 잘 견뎌내는가?
• RQ3 라즈베리 파이와 같은 저전력 엣지 디바이스에서 익명화 파이프라인이 실시간으로 실행될 수 있는가?
• RQ4 결정론적 변환과 확률론적 변환 간의 잠재 공간 변환 방식이 성능에 미치는 영향은 무엇인가?
• RQ5 클라우드에 일부 익명화 작업을 오프로드하는 것이 지연 시간과 에너지 효율성 측면에서 유리한가?

주요 결과

• 제안된 방법은 MotionSense와 MobiAct 데이터셋 모두에서 비밀 속성 추론 정확도를 근사적으로 무작위 추측 수준(≈50%)으로 낮춰 강력한 개인정보 보호 효과를 입증했다.
• 라즈베리 파이 3 모델 B에서 임베딩당 지연 시간이 5.63ms로 측정되어 실시간 운영이 가능했다.
• 확률론적 변환 방식이 비밀 속성 추론 정확도를 50%로 낮춰 이론적 최소값에 가까운 최적의 개인정보 보호 성능을 달성했다.
• 공개 속성 인식 정확도 측정 기준으로 볼 때, 제안된 방법은 비밀 속성 보호와 유용성 유지 측면에서 모두 적대적 모델 기반 기준보다 뛰어난 성능을 보였다.
• 익명화 파이프라인의 일부를 클라우드에 오프로드하는 것은 네트워크 지연이 높아져 효율성이 떨어져 엣지에서의 실행이 더 유리한 것으로 나타났다.
• 속성별로 특화된 VAE의 사용은 단일 공유 VAE 대비 모델 크기를 줄이고 익명화 성능을 향상시켰다.