[논문 리뷰] Mobile Privacy-Preserving Crowdsourced Data Collection in the Smart City

Joshua Joy, Ciarán McGoldrick외 1명|arXiv (Cornell University)|2016. 07. 11.

Privacy-Preserving Technologies in Data참고 문헌 19인용 수 3

한 줄 요약

이 논문은 스마트 시티에서 모바일 기기(예: 자율 주행 차량)가 강력한 국지적 차별적 프라이버시를 보장하기 위해 이중 동전 랜덤라이즈드 리스폰스 메커니즘을 사용해 현지에서 데이터를 흐리게 하는 가용성 있고 프라이버시를 보장하는 아키텍처인 Authorized Analytics를 제안한다. 시스템은 대규모 배포(100만 대의 기기)에서 상대 오차가 0.5% 미만인 높은 유틸리티를 달성하며, 동기화나 중심화된 신뢰를 필요로 하지 않는 안전하고 탈중앙화된 스트림 분석을 가능하게 한다.

ABSTRACT

Smart cities rely on dynamic and real-time data to enable smart urban applications such as intelligent transport and epidemics detection. However, the streaming of big data from IoT devices, especially from mobile platforms like pedestrians and cars, raises significant privacy concerns. Future autonomous vehicles will generate, collect and consume significant volumes of data to be utilized in delivering safe and efficient transportation solutions. The sensed data will, inherently, contain personally identifiable and attributable information - both external (other vehicles, environmental) and internal (driver, passengers, devices). The autonomous vehicles are connected to the infrastructure cloud (e.g., Amazon), the edge cloud, and also the mobile cloud (vehicle to vehicle). Clearly these different entities must co-operate and interoperate in a timely fashion when routing and transferring the highly dynamic data. In order to maximise the availability and utility of the sensed data, stakeholders must have confidence that the data they transmit, receive, aggregate and reason on is appropriately secured and protected throughout. There are many different metaphors for providing end-to-end security for data exchanges, but they commonly require a management and control sidechannel. This work proposes a scalable smart city privacy-preserving architecture named Authorized Analytics that enables each node (e.g. vehicle) to divulge (contextually) local privatised data. Authorized Analytics is shown to scale gracefully to IoT scope deployments.

연구 동기 및 목표

• 스마트 시티의 대규모 실시간 모바일 IoT 기기에서의 커스터마이징된 데이터 수집의 프라이버시 리스크를 해결하기 위해.
• 중앙 집중적 신뢰나 동기화에 의존하지 않고도 안전하고 프라이버시를 보존하는 데이터 공유를 가능하게 하기 위해.
• 자율 주행 차량 네트워크와 같은 동적이고 분산된 IoT 환경에서 유틸리티와 프라이버시의 균형을 확보하기 위해.
• 실제 스마트 시티 실험을 구현하는 연구자들이 사용할 수 있는 공통의 확장 가능한 프라이버시 인fra를 제공하기 위해.

제안 방법

• 각 모바일 기기는 전송 전에 민감한 데이터에 대해 이중 동전 랜덤라이즈드 리스폰스 메커니즘을 독립적으로 적용한다.
• 첫 번째 동전은 진짜 값을 보고할지(확률 p) 또는 무작위 값을 보고할지(확률 1−p) 결정한다.
• 첫 번째 동전이 떨어진 결과가 떨어지면, 두 번째 동전이 떨어지며 확률 q로 무작위 응답을 생성한다.
• 집계자는 다음 공식을 사용해 진짜 '예' 응답 수를 추정한다: $ Y_E = \frac{Y_R - (1-p) \cdot q \cdot N}{p} $.
• 시스템은 동기화 없이 작동하여 수백만 대의 기기에서 실시간 스트림 분석을 가능하게 하며 확장 가능하다.
• 현지 데이터 흐림 처리는 강력한 신뢰할 수 없는 거래 가능성과 개인 기여자의 재식별 방지를 보장한다.

실험 결과

연구 질문

• RQ1 스마트 시티에서 어떻게 강력한 국지적 차별적 프라이버시를 보장하면서 모바일 커스터마이징된 데이터를 수집할 수 있는가?
• RQ2 탈중앙화된 대규모 IoT 데이터 스트림에서 프라이버시와 유틸리티의 최적 균형은 무엇인가?
• RQ3 탈중앙화되고 동기화가 없는 시스템이 동시에 높은 유틸리티와 강력한 프라이버시 보장을 달성할 수 있는가?
• RQ4 기기 수 증가와 다양한 쿼리 빈도에 따라 시스템 성능은 어떻게 스케일링되는가?

주요 결과

• 100만 대의 기기가 매 10초마다 응답하고 매 초마다 결과를 계산할 경우, 시스템은 쿼리 결과의 상대 오차를 0.5% 미만으로 달성한다.
• 대규모 기기 수 증가로 인해 대수의 법칙에 따라 유틸리티가 크게 향상되어 상대 오차가 감소한다.
• 쿼리 실행 간격을 줄이면 배치 크기가 증가하여 추정 정확도가 향상되어 유틸리티가 향상된다.
• 시스템은 기기 간 동기화나 중심화된 신뢰를 요구하지 않으며 강력한 국지적 프라이버시 보장을 유지한다.
• 이중 동전 랜덤라이즈드 리스폰스 메커니즘은 이전의 접근 방식에 비해 유틸리티와 프라이버시의 균형을 더 뛰어나게 제공한다.
• 아키텍처는 IoT 규모의 배포에 잘 스케일링되며 신뢰할 수 없는 분산 환경에서 실시간 스트림 분석을 지원한다.