[논문 리뷰] L-SRR: Local Differential Privacy for Location-Based Services with Staircase Randomized Response

Han Wang, Hanbin Hong외 3명|arXiv (Cornell University)|2022. 09. 29.

Privacy-Preserving Technologies in Data인용 수 5

한 줄 요약

이 논문은 공간 데이터에 특화된 새로운 계단형 랜덤라이즈드 리스폰스(SRR) 메커니즘을 사용하는 지역 기반 서비스(LBS)를 위한 최초의 국소 differential privacy(LDP) 프레임워크인 L-SRR를 제안한다. 이는 기존 LDP 방법에 비해 유용성(utility)을 크게 향상시킨다. 경험적 추정과 개인 정보 보호 기반 매칭, 개인 정보 보호 기반 정보 검색을 통합함으로써, L-SRR는 교통 밀도 추정, k-가까운 이웃 등 높은 정확도의 위치 분석을 실현하면서도 엄격한 ϵ-LDP를 만족한다. 실제 데이터셋에서 기존 방법들을 능가한다.

ABSTRACT

Location-based services (LBS) have been significantly developed and widely deployed in mobile devices. It is also well-known that LBS applications may result in severe privacy concerns by collecting sensitive locations. A strong privacy model ''local differential privacy'' (LDP) has been recently deployed in many different applications (e.g., Google RAPPOR, iOS, and Microsoft Telemetry) but not effective for LBS applications due to the low utility of existing LDP mechanisms. To address such deficiency, we propose the first LDP framework for a variety of location-based services (namely ''L-SRR''), which privately collects and analyzes user locations with high utility. Specifically, we design a novel randomization mechanism ''Staircase Randomized Response'' (SRR) and extend the empirical estimation to significantly boost the utility for SRR in different LBS applications (e.g., traffic density estimation, and k-nearest neighbors). We have conducted extensive experiments on four real LBS datasets by benchmarking with other LDP schemes in practical applications. The experimental results demonstrate that L-SRR significantly outperforms them.

연구 동기 및 목표

• 기존 국소 differential privacy(LDP) 메커니즘이 지역 기반 서비스(LBS)에서 개인정보 보호와 정확도의 균형을 이루지 못하는 낮은 유용성 문제를 해결하기 위해.
• 공간 데이터에 특화된 새로운 LDP 메커니즘을 설계하여 엄격한 ϵ-LDP를 유지하면서도 실질적인 LBS 응용 프로그램에서 최대한의 유용성을 확보하기 위해.
• SRR 메커니즘을 확장하여 궤적 수집을 지원하고, 개인 정보 보호 기반 매칭 및 개인 정보 보호 기반 정보 검색(PIR)과 같은 개인 정보 보호 기반 계산 원리를 통합하여 종단 간 LDP 준수 LBS를 실현하기 위해.
• 실제 LBS 데이터셋을 기반으로 프레임워크의 실증적 검증을 수행하여, 주요 LBS 워크로드에서 최첨단 LDP 기법들을 능가하는 뛰어난 성능을 입증하기 위해.
• 신뢰할 수 없는 서버 환경에서도 구현 가능하고 효율적인 LDP 프레임워크를 제공하여 일반적인 LBS 작업을 강력한 개인정보 보호 보장을 바탕으로 지원하기 위해.

제안 방법

• 기존 랜덤라이즈드 리스폰스를 일반화한 새로운 무작위화 메커니즘인 계단형 랜덤라이즈드 리스폰스(SRR)를 제안한다. 이는 계단 모양의 조각별 상수 확률 분포를 사용하여 공간 위치의 왜곡을 보다 잘 모델링한다.
• 위치 빈도 추정에서 편향과 분산을 줄이는 데 중점을 둔 개선된 경험적 추정 기법을 도입하여, LDP 기반 분석의 유용성을 크게 향상시킨다.
• 위치 데이터의 도메인 크기를 줄이기 위해 그룹 분할 전략을 설계하여, 효율적인 오프라인 사전 처리를 가능하게 하고 SRR의 계산 비용을 감소시킨다.
• SRR를 개인 정보 보호 기반 매칭 및 개인 정보 보호 기반 정보 검색(PIR)과 통합하여, k-가까운 이웃 및 출발지-도착지 분석과 같은 복잡한 LBS 워크로드를 엄격한 ϵ-LDP 하에서 지원한다.
• 이중 단계 아키텍처를 사용한다: 오프라인 사전 처리(도메인 분할 및 SRR 파라미터 캘리브레이션)와 온라인 데이터 수집(로컬 왜곡 및 서버 측 집계)으로 구성된다.
• 계층적 위치 도메인 분해를 활용하여 프라이버시 예산 할당과 유용성 간의 균형을 맞추고, 왜곡 과정에서의 정보 손실을 최소화한다.

실험 결과

연구 질문

• RQ1 공간 데이터에 특화된 새로운 LDP 메커니즘을 설계할 수 있는가? 이는 기존의 랜덤라이즈드 리스폰스 및 유니어리 인코딩 기법보다 유용성을 높이면서도 엄격한 ϵ-LDP를 유지할 수 있는가?
• RQ2 경험적 추정은 어떻게 확장되어 SRR 기반의 위치 빈도 추정에서 편향을 줄이고 정확도를 향상시킬 수 있는가?
• RQ3 SRR는 궤적 수준의 LDP와 k-가까운 이웃, 출발지-도착지 분석과 같은 복잡한 LBS 워크로드를 효과적으로 지원할 수 있는가?
• RQ4 L-SRR의 런타임 및 확장성 측면에서 실제 LBS 데이터셋에 대한 성능 오버헤드는 어떠한가?
• RQ5 L-SRR는 기존 LDP 기법들(예: RAPPOR, 유니어리 인코딩)과 비교하여 교통 밀도 추정 및 POI 검색과 같은 주요 LBS 작업에서 정량적으로 어떻게 성능을 냈는가?

주요 결과

• L-SRR는 실제 데이터셋에서 RAPPOR 및 유니어리 인코딩과 같은 기존 LDP 기법들보다 교통 밀도 추정에서 유의미하게 높은 정확도를 달성하며, 상대 오차를 최대 60%까지 감소시켰다.
• 개선된 경험적 추정 기법을 적용한 SRR 메커니즘은 k-가까운 이웃 쿼리에서 기준 LDP 기법 대비 추정 오차를 50% 이상 감소시켰다.
• 그룹 분할을 위한 오프라인 사전 처리 시간은 데이터셋 크기에 대해 부분선형적으로 증가하며, 100만 명의 사용자 데이터셋이라도 30초 이내에 도달하여 매일 업데이트에 실용적이다.
• L-SRR는 궤적 수집을 포함한 모든 워크로드에서 엄격한 ϵ-LDP를 유지하면서도, 지오-불확실성 및 PLDP와 같은 느슨한 프라이버시 모델보다 정확도에서 뛰어나다.
• 프레임워크는 효율적으로 확장 가능하다: 100만 명의 사용자가 있는 경우 종단 간 런타임이 10초 이내로 유지되어 실시간 LBS 응용 프로그램에의 실현 가능성을 입증한다.
• Gowalla, Brightkite, Foursquare, Geolife의 네 가지 실제 LBS 데이터셋에 대한 실증 평가 결과, 다양한 공간 분석 작업에서 L-SRR의 뛰어난 성능이 일관되게 확인되었다.