[논문 리뷰] Applications of Differential Privacy in Social Network Analysis: A Survey

Honglu Jiang, Jian Pei외 4명|arXiv (Cornell University)|2020. 10. 06.

Privacy-Preserving Technologies in Data참고 문헌 89인용 수 13

한 줄 요약

이 종합 검토는 사회적 네트워크 분석에서 미분적 비밀유지의 응용에 대한 포괄적인 분석을 제시하며, 기초 원칙, 변종, 그리고 차수 분포, 부분그래프 수세기, 엣지 가중치 공개와 같은 작업을 위한 실용적 구현을 다룹니다. 데이터 상관관계, 고차원성, 동적 데이터 업데이트와 같은 주요 과제를 특정하고, 유티리티를 유지하면서도 강력한 개인정보 보호 보장을 확보하기 위해 적응형 비밀유지 예산 할당과 노이즈 관리의 필요성을 강조합니다.

ABSTRACT

Differential privacy is effective in sharing information and preserving privacy with a strong guarantee. As social network analysis has been extensively adopted in many applications, it opens a new arena for the application of differential privacy. In this article, we provide a comprehensive survey connecting the basic principles of differential privacy and applications in social network analysis. We present a concise review of the foundations of differential privacy and the major variants and discuss how differential privacy is applied to social network analysis, including privacy attacks in social networks, types of differential privacy in social network analysis, and a series of popular tasks, such as degree distribution analysis, subgraph counting and edge weights. We also discuss a series of challenges for future studies.

연구 동기 및 목표

• 미분적 비밀유지 원칙과 사회적 네트워크 분석 응용을 연결하는 체계적인 검토를 제공하는 것.
• 데이터 상관관계, 고차원성, 동적 데이터 업데이트와 같은 문제들로 인해 사회적 네트워크에 미분적 비밀유지를 적용할 때 발생하는 핵심 과제를 식별하고 분석하는 것.
• 민감한 사회적 네트워크 데이터를 공개하면서도 비밀유지와 유티리티를 유지하는 데 있어 기존 기법들을 검토하는 것.
• 미분적 비밀유지의 사회적 네트워크 분석 분야에서의 열린 연구 문제와 향후 방향성을 부각하는 것.

제안 방법

• 사회적 네트워크 데이터에 관련된 주요 미분적 비밀유지 변종을 분류하고 검토하는 것.
• 차수 분포, 부분그래프 수세기, 엣지 가중치 공개와 같은 특정 작업에 대한 미분적 비밀유지의 적용을 분석하는 것.
• 고차원 데이터 공개를 위한 랜덤 프로젝션, 베이지안 네트워크, 샘플링 기법들을 평가하는 것.
• 동적 데이터 공개를 위한 메커니즘을 조사하며, 비밀유지 예산 할당과 노이즈 누적 완화를 포함하는 것.
• 실제 사회적 네트워크 시나리오에서 비밀유지 보장과 데이터 유티리티 사이의 트레이드오프를 평가하는 것.
• 특히 상관관계가 있는 데이터와 변화하는 네트워크 구조를 다루는 데에서 기존 접근법의 한계를 식별하는 것.

실험 결과

연구 질문

• RQ1 어떻게 하면 분석 유티리티를 유지하면서도 사회적 네트워크 데이터의 비밀을 효과적으로 보호할 수 있는가?
• RQ2 고차원성과 동적 사회적 네트워크 데이터에 대해 미분적 비밀유지를 적용할 때 주요 과제는 무엇인가?
• RQ3 사회적 네트워크에서의 데이터 상관관계는 다양한 미분적 비밀유지 분석에서 비밀유지-유티리티 트레이드오프에 어떻게 영향을 미치는가?
• RQ4 여러 쿼리 또는 데이터 업데이트에 걸쳐 비밀유지 예산을 효율적으로 할당할 수 있는 전략은 무엇인가?
• RQ5 현재의 미분적 비밀유지 메커니즘은 복잡한 사회적 네트워크 구조와 변화하는 데이터를 다루는 데에서 어떤 한계를 지니는가?

주요 결과

• 미분적 비밀유지는 공격자 배경 지식과 무관하게 강력한 수학적 근거를 바탕으로 한 개인정보 보호 보장을 제공하므로, 적대적 환경에서 k-익명성과 l-다양성보다 열등하지 않다.
• 고차원 사회적 네트워크 데이터는 낮은 신호 대 노이즈 비율과 복잡한 속성 상관관계로 인해, 노이즈를 균일하게 추가할 경우 유티리티가 떨어진다.
• 기존 정적 미분적 비밀유지 메커니즘은 빠른 노이즈 누적과 비밀유지 예산의 조기 고갈로 인해 동적 사회적 네트워크에 실패한다.
• 차원 축소와 노이즈 주입은 모두 데이터 유티리티에 영향을 미치며, 이 둘의 병합 영향은 여전히 중요한 열린 문제이다.
• 현재 동적 데이터 공개를 위한 접근법들은 시간이 지남에 따라 무한정 증가하는 노이즈로 인해 장기적인 비밀유지 보장을 유지하지 못하는 경우가 많다.
• 쿼리에 따라 비밀유지 예산 할당이 유티리티 최적화에 필수적이며, 특히 차원의 민감도와 정보량이 다양할 경우 더욱 중요하다.