[논문 리뷰] Digital Healthcare in The Metaverse: Insights into Privacy and Security

Mehdi Letafati, Safa Otoum|arXiv (Cornell University)|2023. 07. 22.

Privacy-Preserving Technologies in Data인용 수 5

한 줄 요약

이 논문은 메타버스 기반 디지털 헬스케어에서 프라이버시 보장형 피드포워드 러닝을 위한 분산 미분 프라이버시(Distributed Differential Privacy, DDP) 프레임워크를 제안한다. 가상 클리닉들은 로컬 의료 모델 업데이트에 적응형 노이즈를 도입한 후 공유한다. 유방암 웨일스 데이터셋을 대상으로 평가한 결과, 최적의 정확도는 ε = 28–30에서 달성되었으며, 이는 ε = 50일 때와 비교해도 성능 저하 없이 더 강력한 프라이버시를 확보할 수 있음을 보여준다. 이는 20개의 참가 클리닉이 참여할 경우에 유의미한 진단 성능 유지가 가능함을 시사한다.

ABSTRACT

In this article, we study the privacy and security aspects of the metaverse in the context of digital healthcare. Our studies include the security aspects of data collection and communications for access to the metaverse, the privacy and security threats of employing Machine Learning and Artificial Intelligence (AI/ML) algorithms for metaverse healthcare, and the privacy of social interactions among patients in the metaverse from a human-centric perspective. In this article, we aim to provide new perspectives and less-investigated solutions, which are shown to be promising mechanisms in the context of wireless communications and computer science and can be considered novel solutions to be applied to healthcare metaverse services. Topics include physical layer security (PHYSec), Semantic Metaverse Communications (SMC), Differential Privacy (DP), and Adversarial Machine Learning (AML). As a case study, we propose distributed differential privacy for the metaverse healthcare systems, where each virtual clinic perturbs its medical model vector to enhance privacy against malicious actors and curious servers. Through our experiments on the Breast Cancer Wisconsin Dataset (BCWD), we highlight the privacy-utility trade-off for different adjustable levels of privacy.

연구 동기 및 목표

• 메타버스 기반 디지털 헬스케어에서 데이터 수집, AI/ML 모델 공유, 사회적 상호작용 등에 대한 프라이버시 및 보안 위험을 해결하기 위해.
• 메타버스 헬스케어 환경에서 미흡하게 다뤄진 프라이버시 보장 기법들인 물리계층 보안, 의미 기반 통신, 적대적 기계학습 기법을 탐색하기 위해.
• 가상 임상 환경에서 피드포워드 러닝에 적용 가능한 새로운 조정 가능한 프라이버시 메커니즘인 분산 미분 프라이버시를 제안하고 평가하기 위해.
• 분산 의료 AI 시스템에서 공식적인 프라이버시 보장을 달성하면서도 진단 유용성을 유지할 수 있는 가능성을 입증하기 위해.

제안 방법

• 각 가상 클리닉에서 로컬 모델 벡터에 분산 미분 프라이버시(DDP)를 적용하여 중앙 서버로 공유하기 전에 노이즈를 도입한다.
• 시스템 요구사항에 따라 프라이버시 수준을 정밀 조정하기 위해 모델 집계 과정에서 적응형 노이즈 주입을 적용한다.
• 피드포워드 서포트 벡터 머신(SVM) 모델을 훈련하기 위해 683건의 기록과 9개의 이산적 속성을 가진 유방암 웨일스 데이터셋(BCWD)을 사용한다.
• 훈련 라운드 전반에 걸쳐 프라이버시 수준을 정량화하고 제어하기 위해 프라이버시 예산(ε) 프레임워크를 구현한다.
• 훈련 파이프라인에 오염된 데이터를 주입하는 백도어 공격에 대비해 적대적 훈련(AT)을 방어 수단으로 통합한다.
• 다양한 ε 수준에서 진단 정확도와 손실 함수를 지표로 사용하여 프라이버시-유용성 트레이드오프를 분석하기 위해 시스템을 평가한다.

실험 결과

연구 질문

• RQ1 분산 미분 프라이버시는 피드포워드 러닝 기반 메타버스 헬스케어 시스템에서 환자 데이터를 효과적으로 보호하는 데 어떻게 적용될 수 있는가?
• RQ2 실제 의료 데이터 기반 메타버스 기반 임상 AI 모델에서 프라이버시 예산(ε)을 다양하게 조절할 경우, 진단 정확도에 어떤 영향을 미치는가?
• RQ3 물리계층 보안 및 안전한 의미 기반 통신은 메타버스 헬스케어 환경에서 전송 중 데이터 기밀성을 얼마나 향상시킬 수 있는가?
• RQ4 백도어 공격는 분산 메타버스 클리닉의 AI/ML 모델에 어떤 영향을 미치며, 효과적인 방어 수단는 무엇인가?
• RQ5 DDP와 적대적 훈련과 같은 프라이버시 보장 기법들이 동시에 작동하여 가상 헬스케어 환경에서 데이터 프라이버시와 모델 무결성을 모두 보호할 수 있는가?

주요 결과

• 제안된 분산 미분 프라이버시 프레임워크는 엄격한 프라이버시 수준에서도 높은 진단 정확도를 달성했으며, ε = 28 및 ε = 30에서 ε = 50과 거의 동일한 성능을 기록했다.
• 낮은 ε 값(강력한 프라이버시)일수록 약간의 정확도 저하가 있었지만, 프라이버시-유용성 트레이드오프(PUT) 관계에서 ε = 30를 초과하면 성능 포화점에 도달함을 관찰했다.
• 참여 가상 클리닉 수를 10개에서 20개로 증가시킴에 따라 더 나은 모델 집계와 훈련 통찰력의 다양성 덕분에 전체 진단 정확도가 향상되었다.
• 특히 ε를 28–30 수준으로 낮출 경우, 성능 저하 없이 더 강력한 프라이버시를 확보할 수 있음을 입증했다.
• 적대적 훈련은 일반 샘플과 오염된 샘플 모두에서 모델의 강건성을 향상시켜 백도어 공격의 영향을 효과적으로 완화했다.
• 클라이언트 수준의 미분 프라이버시와 집계 단계에서의 적응형 노이즈 조정 통합을 통해 메타버스 내 분산 의료 AI에 대해 공식적이고 조정 가능한 프라이버시 보장을 제공했다.