[논문 리뷰] Enabling Multi-level Trust in Privacy Preserving Data Mining

Yaping Li, Minghua Chen외 2명|arXiv (Cornell University)|2011. 04. 04.

Privacy-Preserving Technologies in Data참고 문헌 33인용 수 5

한 줄 요약

이 논문은 다양한 신뢰 수준에 맞게 다르게 교란된 데이터 복제본을 생성할 수 있도록 허용하는 다중 수준 신뢰 개인 정보 보존 데이터 마이닝(MLT-PPDM)을 소개한다. 공변형 행렬의 '모서리 파동' 성질을 활용해 복제본 간의 노이즈를 상관관계 있게 연결함으로써, 공격자가 다양성 공격을 통해 원본 데이터를 더 정확하게 복원하는 데 이점을 얻는 것을 방지하여, 어떤 단일 복제본을 사용하는 것보다도 공동 추론이 더 정확하지 않음을 보장한다.

ABSTRACT

Privacy Preserving Data Mining (PPDM) addresses the problem of developing accurate models about aggregated data without access to precise information in individual data record. A widely studied \emph{perturbation-based PPDM} approach introduces random perturbation to individual values to preserve privacy before data is published. Previous solutions of this approach are limited in their tacit assumption of single-level trust on data miners. In this work, we relax this assumption and expand the scope of perturbation-based PPDM to Multi-Level Trust (MLT-PPDM). In our setting, the more trusted a data miner is, the less perturbed copy of the data it can access. Under this setting, a malicious data miner may have access to differently perturbed copies of the same data through various means, and may combine these diverse copies to jointly infer additional information about the original data that the data owner does not intend to release. Preventing such \emph{diversity attacks} is the key challenge of providing MLT-PPDM services. We address this challenge by properly correlating perturbation across copies at different trust levels. We prove that our solution is robust against diversity attacks with respect to our privacy goal. That is, for data miners who have access to an arbitrary collection of the perturbed copies, our solution prevent them from jointly reconstructing the original data more accurately than the best effort using any individual copy in the collection. Our solution allows a data owner to generate perturbed copies of its data for arbitrary trust levels on-demand. This feature offers data owners maximum flexibility.

연구 동기 및 목표

• 일반적인 단일 수준 신뢰 가정을 넘어서 다중 수준 신뢰 환경을 지원하는 편향 기반 PPDM를 확장하기 위해.
• 여러 교란된 복제본에 접근한 데이터 마이너가 다양성 공격을 통해 원본 데이터를 더 정확하게 복원할 수 있는 위험을 해결하기 위해.
• 다른 신뢰 수준의 복제본 간에 공동 복원 이득이 발생하지 않도록 보장하는 노이즈 상관 구조를 설계하기 위해.
• 데이터 소유자가 최대한의 유연성을 확보할 수 있도록 임의의 신뢰 수준에서 교란된 데이터 복제본을 즉시 생성할 수 있도록 하기 위해.

제안 방법

• 이 방법은 '모서리 파동' 구조를 가지는 정밀하게 설계된 공분산 행렬을 사용하여 다양한 신뢰 수준 간의 교란을 상관관계 있게 연결하는 가우시안 노이즈의 덧셈 방식을 사용한다.
• 다변량 정규분포를 사용하여 평균 벡터와 공분산 행렬을 설정함으로써, 복제본 간에 필요한 상관관계를 강제로 구현한다.
• 어떤 데이터 마이너가 여러 복제본에 접근하더라도, 그들의 공동 추론 능력이 단지 가장 덜 교란된 복제본을 단독으로 사용하는 것보다 더 나아지지 않도록 보장한다.
• 독립 노이즈(기준)용, 두 가지 상관 노이즈용 알고리즘을 제안하며, 알고리즘 3은 신뢰 수준 매핑에 있어 최대한의 유연성을 제공한다.
• 신뢰 수준과 교란 강도 사이에 일대일 매핑을 기반으로 하며, 노이즈 공분산을 설계하여 다양성 이득을 방지한다.
• 이론적 분석을 통해, 최상의 단일 복제본 수준의 복원 정확도에 제한된 개인정보 보호 목표를 달성하는 데 있어 다양성 공격에 대한 강건성을 입증한다.

실험 결과

연구 질문

• RQ1 편향 기반 PPDM가 개인 정보 보호를 훼손하지 않고 다중 수준 신뢰를 지원할 수 있는가?
• RQ2 다른 수준으로 교란된 복제본 간의 노이즈 상관관계는 어떻게 공동 복원 공격을 방지할 수 있는가?
• RQ3 여러 교란된 복제본 간에 다양성 이득이 발생하지 않는 이론적 조건은 무엇인가?
• RQ4 제안된 방법은 강력한 개인정보 보호 보장을 유지하면서 효율적으로 구현될 수 있는가?
• RQ5 유용성과 확장성 측면에서 상관 노이즈 접근 방식은 독립 노이즈와 비교해 어떻게 성능을 발휘하는가?

주요 결과

• 모서리 파동 공분산 행렬을 사용하는 제안된 방법은 어떤 데이터 마이너도 여러 교란된 복제본을 조합하여 원본 데이터를 가장 덜 교란된 복제본을 단독으로 사용하는 것보다 더 정확하게 복원할 수 없음을 보장한다.
• Iris 및 워리클랜드 유방암 데이터셋에 대한 실험 결과, 제안된 방법에서 교란된 데이터의 유용성은 독립 노이즈 기반 기법과 비교해 유사하거나 더 뛰어나며, 특히 높은 노이즈 수준에서 두드러진다.
• 알고리즘 3의 런타임은 신뢰 수준 수 M에 대해 약 선형적으로 증가하며, 평균적으로 30개의 복제본을 생성하는 데 0.37초가 소요되어 높은 효율성을 보여준다.
• 실제 런타임은 이론적 상한선 O(M³ + N³ + T(M²N + MN²))보다도 크게 낮아 실용적 성능이 뛰어나다는 것을 시사한다.
• 노이즈 상관관계가 적절히 설계되어 있다면, 여러 복제본이 泄露되거나 공모적으로 활용되더라도 개인정보 보호의 강건성이 유지됨을 입증한다.