[논문 리뷰] Differentially Private Spatial Decompositions

Graham Cormode, Magda Procopiuc외 3명|arXiv (Cornell University)|2011. 03. 26.

Privacy-Preserving Technologies in Data참고 문헌 25인용 수 26

한 줄 요약

이 논문은 2분할 트리 구조인 2분할 트리, kd-트리, R-트리를 포함한 트리 기반 구조를 사용하여 공간 데이터를 비밀리에 공개하는 프레임워크인 미분적 비밀리 공간 분할(PSD)을 소개한다. 계층적 수준 간에 비균일한 노이즈 파rameter를 적용하고, 노이즈가 첨가된 카운트를 사후처리하여 분산을 최소화함으로써, 강력한 미분적 비밀리 보장을 유지하면서도 쿼리 정확도를 크게 향상시킨다. 실험 결과 상대 오차가 일자리 이내로 나타났다.

ABSTRACT

Differential privacy has recently emerged as the de facto standard for private data release. This makes it possible to provide strong theoretical guarantees on the privacy and utility of released data. While it is well-known how to release data based on counts and simple functions under this guarantee, it remains to provide general purpose techniques to release different kinds of data. In this paper, we focus on spatial data such as locations and more generally any data that can be indexed by a tree structure. Directly applying existing differential privacy methods to this type of data simply generates noise. Instead, we introduce a new class of "private spatial decompositions": these adapt standard spatial indexing methods such as quadtrees and kd-trees to provide a private description of the data distribution. Equipping such structures with differential privacy requires several steps to ensure that they provide meaningful privacy guarantees. Various primitives, such as choosing splitting points and describing the distribution of points within a region, must be done privately, and the guarantees of the different building blocks composed to provide an overall guarantee. Consequently, we expose the design space for private spatial decompositions, and analyze some key examples. Our experimental study demonstrates that it is possible to build such decompositions efficiently, and use them to answer a variety of queries privately with high accuracy.

연구 동기 및 목표

• 범위 쿼리에 대한 유용성을 유지하면서도 공간 데이터를 비밀리에 공개하는 데 도전 과제를 해결하기 위해.
• 2분할 트리, kd-트리, R-트리와 같은 일반적인 공간 색인 구조의 비밀리 버전을 설계하기 위해.
• 계층적 수준 간 노이즈 할당 최적화와 노이즈가 첨가된 카운트의 사후처리를 통해 쿼리 정확도를 향상시키기 위해.
• 비밀리, 효율성, 유용성의 균형을 고려한 일반적인 비밀리 공간 분할 프레임워크를 제공하기 위해.
• 다양한 분할 전략이 쿼리 정확도와 확장성에 미치는 영향을 평가하기 위해.

제안 방법

• 표준 공간 색인 구조(예: 2분할 트리, kd-트리)를 변형하여 미분적 비밀리 보장을 통합하는 비밀리 공간 분할(PSD)을 제안한다.
• 루트에서 잎으로 향하는 기하급수적 증가를 따르는 비균일한 노이즈 파rameter를 적용하여, 더 깊이 있는 더 구체적인 영역에서 오차를 감소시킨다.
• 노이즈가 첨가된 입력에서 노드 카운트의 최소 분산 추정치를 계산하기 위한 새로운 사후처리 기법을 도입하며, 이는 이전의 균일한 노이즈 방법을 일반화한다.
• 모든 빌딩 블록에서의 분할점과 영역 통계치를 비밀리에 계산하여 미분적 비밀리 보장을 확보하고, 모든 구성 요소의 보장을 조합한다.
• 계층적 노이즈 할당과 사후처리를 활용하여 쿼리 답변의 분산을 최소화하면서도 종단 간 비밀리 보장을 유지한다.
• 정보 泄露를 방지하기 위해 비밀리에 중앙값과 기타 통계치를 계산함으로써, 데이터 의존적 분할(예: kd-트리)을 지원한다.

실험 결과

연구 질문

• RQ1 강력한 미분적 비밀리 보장을 유지하면서도 트리 기반 구조를 사용하여 공간 데이터를 어떻게 비밀리에 분할할 수 있는가?
• RQ2 계층적 수준 간 비균일한 노이즈 할당이 비밀리 공간 분할에서 쿼리 정확도에 어떤 영향을 미치는가?
• RQ3 노이즈가 첨가된 카운트의 사후처리가 미분적 비밀리 공간 데이터 구조에서 범위 쿼리의 정확도를 향상시킬 수 있는가?
• RQ4 고정된 비밀리 예산 하에서 다양한 분할 전략(예: 2분할 트리, kd-트리, R-트리)이 정확도와 효율성 측면에서 어떻게 비교되는가?
• RQ5 실제 응용 분야인 비밀리 레코드 매칭에서 비밀리 공간 분할이 오차를 얼마나 줄일 수 있는가?

주요 결과

• 최적화된 2분할 트리가 깊이 10, ε = 0.5에서 테스트된 방법들 중에서 가장 높은 쿼리 정확도를 기록하며, 모든 비밀리 예산을 노이즈가 첨가된 카운트에 할당하는 것이 유리함을 입증한다.
• 깊이 8에서 하이브리드 kd-트리가 깊이 10의 2분할 트리와 유사한 정확도를 달성하며, 비밀리 중앙값 계산과 결합된 데이터 의존적 분할이 효과적일 수 있음을 보여준다.
• 셀 기반 kd-트리는 작은 정사각형 쿼리에서는 형태 정렬 덕분에 잘 작동하지만, 더 큰 쿼리에서는 노드 탐색 수와 노이즈 누적 증가로 인해 성능 저하를 겪는다.
• 비밀리 힐버트 R-트리는 성능이 다양하게 나타나며, 일부 쿼리 형태에서는 높은 오차를 보이며, 이는 구조와 좌표 인코딩에 민감함을 시사한다.
• 비균일한 노이즈와 사후처리를 적용한 제안된 kd-트리는 비밀리 레코드 매칭에서 감소 비율을 0.93에서 0.95로 향상시켜, 보안 다자간 계산 작업량을 28% 감소시켰다.
• 사후처리로 쿼리 답변의 분산이 감소하고 모든 테스트된 PSD에서 정확도가 향상되었으며, 상대적 쿼리 오차는 일관되게 일자리 이내로 유지되었다.