[논문 리뷰] DREAM: DiffeRentially privatE smArt Metering

Gergely Ács, Claude Castelluccia|arXiv (Cornell University)|2012. 01. 12.

Privacy-Preserving Technologies in Data참고 문헌 20인용 수 12

한 줄 요약

DREAM은 신뢰할 수 있는 제3자 집계자 없이도 개인 가정 활동을 드러내지 않으면서도 정확한 집합 소비 데이터를 수집할 수 있도록 하는 차별적 비밀보장 분산 스마트 미터링 시스템을 제안한다. 새로 개발한 분산 라플라스 노이즈 추가 알고리즘과 경량 암호화를 통해, 공격자가 사용자 행동을 유추할 수 있는 능력을 제한하면서도 낮은 오차와 높은 유용성을 유지한다. 이는 공모 공격 상황에서도 성립한다.

ABSTRACT

This paper presents a new privacy-preserving smart metering system. Our scheme is private under the differential privacy model and therefore provides strong and provable guarantees. With our scheme, an (electricity) supplier can periodically collect data from smart meters and derive aggregated statistics while learning only limited information about the activities of individual households. For example, a supplier cannot tell from a user's trace when he watched TV or turned on heating. Our scheme is simple, efficient and practical. Processing cost is very limited: smart meters only have to add noise to their data and encrypt the results with an efficient stream cipher.

연구 동기 및 목표

• 고해상도 스마트 미터 데이터가 세탁기, 전자레인지 등의 가전기기 사용과 같은 세부 가정 활동을 드러낼 수 있는 잠재적 개인정보 위험을 해결한다.
• 신뢰할 수 있는 제3자 집계자에 의존하지 않는 실용적이고 증명 가능한 비밀보장 스마트 미터링 시스템을 개발한다.
• 차별적 비밀보장 모델 하에서 강력한 개인정보 보호 보장을 확보하면서도 집합 통계의 높은 유용성을 유지한다.
• 최대 α 비율의 클러스터 구성원이 공급자와 공모할 수 있는 악성 노드 및 공모 공격에 대비한 내성적인 시스템을 설계한다.
• 효율적인 노이즈 주입 및 클러스터링을 통해 비밀보장(ε로 측정)과 유용성(집합 추정 오차로 측정) 간의 트레이드오프를 최적화한다.

제안 방법

• 각 스마트 미터가 소비 데이터에 로컬로 노이즈를 추가할 수 있도록 하는 분산 라플라스 노이즈 추가 알고리즘(DLPA)을 제안하여 신뢰할 수 있는 집계자가 필요 없도록 한다.
• 수백에서 수천 대의 미터가 그룹을 이루는 클러스터 기반 아키텍처를 사용하며, 각 미터는 효율적인 스트림 암호화 방식을 통해 노이즈가 추가된 데이터를 암호화한 후 전송한다.
• 집합 함수의 민감도에 맞춰 스케일링된 라플라스 노이즈를 주입함으로써 차별적 비밀보장을 적용하여, 개인 기여가 비밀보장 매개변수 ε 이내에서 구분 불가능하도록 보장한다.
• 개별 값 유출 없이도 공동으로 노이즈를 생성할 수 있는 새로운 분산 노이즈 생성 메커니즘을 도입하여 보안성과 비밀보장을 향상시킨다.
• 두 라운드 프로토콜을 구현한다: 첫 번째로, 미터들은 노이즈가 추가되고 암호화된 데이터를 공급자에게 전송한다. 두 번째로, 공급자는 모든 클러스터 구성원의 집합 합을 계산한다.
• 위치 검증 및 확장된 암호화 단계를 통해 악성 행동이나 고장 난 미터를 탐지하고 완화함으로써 체계의 강건성을 향상시킨다.

실험 결과

연구 질문

• RQ1 신뢰할 수 있는 제3자 집계자에 의존하지 않고도 차별적 비밀보장 모델 하에서 강력하고 증명 가능한 개인정보 보장을 제공할 수 있는 스마트 미터링 시스템은 가능한가?
• RQ2 스마트 미터 간 분산 환경에서 효율적이고 안전하게 노이즈를 생성하는 방법은 무엇인가? 이는 개인정보 보장을 유지하면서도 유용성 손실을 최소화할 수 있는가?
• RQ3 신뢰할 수 없는 환경에서 분산된 시스템에서 비밀보장(ε로 측정)과 유용성(집합 추정 오차로 측정) 간의 트레이드오프는 어떠한가?
• RQ4 집합 데이터에서 개별 가전기기 사용 패턴을 재구성하려는 추론 공격에 대해 이 방식은 얼마나 효과적인가?
• RQ5 일부 악성 또는 해킹된 미터가 포함된 공모 공격 상황에서 시스템은 얼마나 안전하고 기능적으로 유지되는가?

주요 결과

• 이 방식은 강력한 개인정보 보장을 달성한다: 고도의 추론 공격이 있더라도 비밀보장 매개변수 ε는 낮게 유지되어, 텔레비전 시청과 컴퓨터 사용 간의 구분이 어렵다.
• 사전 지식이 있는 베이지안 공격자(Bayesian-ST-Adv)는 활성 가전기기의 경우 중앙값 추론 오차가 1.7시간으로 나타나 정확한 작동 시작 시점을 특정하는 데 성공률이 낮다.
• 정기적인 사용 주기를 가진 수동 가전기기의 경우, ST-Adv(가장 가능성이 높은 시작 슬롯) 공격자가 베이지안 방법보다 더 뛰어난 정확도를 보이며, 노이즈의 영향 없이도 하나의 작동 주기 내에서 정확도를 유지한다.
• 클러스터 크기를 100에서 200으로 늘일 경우 비밀보장 매개변수 ε는 약 절반으로 감소하지만, 집합 추정 오차의 상대 오차는 약 0.118로 안정적으로 유지된다.
• 최대 α 비율의 공모 노드가 존재하더라도 시스템은 비밀보장과 유용성을 유지하며, 악성 조건 하에서도 안정성을 확보한다.
• 합성 1분 해상도 전기 사용 추적 생성기를 사용한 시뮬레이션 결과, 유용성 손실은 최소이며 확장 가능하며, 클러스터 크기가 증가할수록 오차가 감소한다.