[논문 리뷰] Local Differential Privacy: a tutorial

Björn Bebensee|arXiv (Cornell University)|2019. 07. 27.

Privacy-Preserving Technologies in Data참고 문헌 26인용 수 32

한 줄 요약

이 튜토리얼은 국소 미분 편안성(LDP)의 포괄적인 개요를 제공하며, 사용자 개인정보 보호를 위한 데이터 수집 과정에서의 기초 원리, 메커니즘, 응용 사례를 설명한다. LDP는 사용자가 랜덤화된 응답 및 기타 기법을 사용해 자신의 데이터를 현지에서 왜곡함으로써 중앙 서버를 신뢰할 필요 없이 강력한 개인정보 보호 보장을 가능하게 하며, 빈도 추정, 헤비 히터 탐지, 아이템셋 마이닝, 공간 데이터 수집과 같은 핵심 문제를 해결하기 위한 최신 프로토콜들을 조사한다.

ABSTRACT

In the past decade analysis of big data has proven to be extremely valuable in many contexts. Local Differential Privacy (LDP) is a state-of-the-art approach which allows statistical computations while protecting each individual user's privacy. Unlike Differential Privacy no trust in a central authority is necessary as noise is added to user inputs locally. In this paper we give an overview over different LDP algorithms for problems such as locally private heavy hitter identification and spatial data collection. Finally, we will give an outlook on open problems in LDP.

연구 동기 및 목표

• 연구자 및 실무자들을 대상으로 국소 미분 편안성(LDP)에 대한 명확하고 접근하기 쉬운 소개를 제공하는 것.
• LDP의 이론적 기초, 즉 공식 정의와 개인정보 보호 보장 조건을 설명하는 것.
• 빈도 추정, 헤비 히터 식별, 공간 데이터 수집과 같은 핵심 문제를 해결하기 위한 최신 LDP 프로토콜들을 조사하는 것.
• Apple, Google, Microsoft와 같은 주요 기술 기업들이 LDP를 실제 구현한 사례를 강조하는 것.
• 하이브리드 모델과 다단계 상호작용 프로토콜을 포함한 LDP의 열린 연구 문제와 향후 방향성들을 규명하는 것.

제안 방법

• 모든 두 입력값이 출력값의 가능도 비율이 exp(ε) 이내로 제한되는 ε-LDP의 공식 정의를 사용하여, 어떤 두 입력값이라도 유사도 비율이 최대 exp(ε) 이내가 되도록 보장한다.
• 사용자가 동전 뒷면을 사용해 응답을 왜곡함으로써 납득 가능성을 확보하는 기초적인 LDP 메커니즘으로 랜덤화된 응답을 도입한다.
• 실제로 LDP를 적용한 사례로 RAPPOR 프로토콜을 적용하여 텔레메트리 데이터 수집에 랜덤화된 응답을 사용한다.
• 사용자가 안전 영역(τ)을 정의하고 개별 사용자별로 다른 개인정보 보호 파라미터(ε)를 적용할 수 있도록 允허하는 개인화된 LDP(PLDP)를 확장 형태로 제안한다.
• 사용자 수를 공간 영역에서 추정하기 위해 개인화된 카운트 추정 프로토콜(PCEP)을 포함한 비밀스러운 공간 데이터 집계(PSDA) 프레임워크를 제시한다.
• 동일한 개인정보 보호 사양을 가진 사용자를 군집화하여 추정 오차를 최소화하고, 집계 결과의 전체 신뢰도를 확보한다.

실험 결과

연구 질문

• RQ1 신뢰할 수 있는 중앙 기관에 의존하지 않고 강력한 개인정보 보호 보장을 어떻게 달성할 수 있는가?
• RQ2 효율적이고 비밀스러운 데이터 수집을 가능하게 하는 LDP의 核심 알고리즘 기법과 프로토콜은 무엇인가?
• RQ3 사용자가 정의한 안전 영역과 같은 개인화된 개인정보 보호 선호도를 지원하기 위해 LDP는 어떻게 확장될 수 있는가?
• RQ4 정확도 측면에서 순수한 LDP의 한계는 무엇이며, 하이브리드 모델은 성능 향상에 어떻게 기여할 수 있는가?
• RQ5 다단계 상호작용 프로토콜은 합성 그래프 생성과 같은 복잡한 데이터 수집 작업에서 LDP의 정확도를 향상시킬 수 있는가?

주요 결과

• LDP는 각 사용자의 데이터가 전송되기 전에 현지에서 왜곡되므로, 중앙 서버에 대한 신뢰를 필요로 하지 않으며 강력한 개인정보 보호 보장을 제공한다.
• 랜덤화된 응답 메커니즘은 LDP의 기초를 형성하며, ε = ln(3) ≈ 1.1의 값을 달성하고, RAPPOR와 같은 더 고급 프로토콜의 기초가 된다.
• 개인화된 LDP(PLDP)는 사용자가 안전 영역 τ와 개인정보 보호 파라미터 ε를 지정할 수 있도록 하여 데이터 유출에 대한 세밀한 제어를 가능하게 한다.
• PCEP를 포함한 PSDA 프레임워크는 사용자 수를 공간 영역에서 정확하게 추정하면서도, 현지에서의 왜곡을 통해 사용자 개인정보를 보호한다.
• 현지와 중심화된 미분 편안성을 결합한 하이브리드 모델은 정확도 향상을 가능하게 하지만, 더 넓은 범위의 LDP 문제에 대한 적용 가능성은 아직 열려 있다.
• 합성 그래프 생성과 같은 작업을 위한 다단계 상호작용 프로토콜은 정확도 향상에 유망한 성과를 보였지만, 다른 LDP 작업으로의 일반화는 아직 탐색되지 않은 상태이다.