[논문 리뷰] On the Complexity of $t$-Closeness Anonymization and Related Problems

Hongyu Liang, Hao Yuan|arXiv (Cornell University)|2013. 01. 09.

Privacy-Preserving Technologies in Data참고 문헌 27인용 수 4

한 줄 요약

이 논문은 $t$-closeness 익명화의 첫 번째 체계적 이론적 분석을 제시하며, 모든 상수 $t \in [0,1)$ 에 대해 최적의 $t$-closeness 일반화를 찾는 것이 NP-난이도임을 증명한다. 또한 정확한 알고리즘과 고정 매개변수 알고리즘을 제시하고, $k$-익명성과 $l$-다양성에 대한 열린 복잡도 질문을 해결하여 2-다양성이 다항 시간 내에 해결 가능하다는 것을 확립한다.

ABSTRACT

An important issue in releasing individual data is to protect the sensitive information from being leaked and maliciously utilized. Famous privacy preserving principles that aim to ensure both data privacy and data integrity, such as $k$-anonymity and $l$-diversity, have been extensively studied both theoretically and empirically. Nonetheless, these widely-adopted principles are still insufficient to prevent attribute disclosure if the attacker has partial knowledge about the overall sensitive data distribution. The $t$-closeness principle has been proposed to fix this, which also has the benefit of supporting numerical sensitive attributes. However, in contrast to $k$-anonymity and $l$-diversity, the theoretical aspect of $t$-closeness has not been well investigated. We initiate the first systematic theoretical study on the $t$-closeness principle under the commonly-used attribute suppression model. We prove that for every constant $t$ such that $0\leq t<1$, it is NP-hard to find an optimal $t$-closeness generalization of a given table. The proof consists of several reductions each of which works for different values of $t$, which together cover the full range. To complement this negative result, we also provide exact and fixed-parameter algorithms. Finally, we answer some open questions regarding the complexity of $k$-anonymity and $l$-diversity left in the literature.

연구 동기 및 목표

• 속성 제거 프레임워크 하에서 $t$-closeness 개인정보 보호 모델의 체계적 이론적 연구를 시작하기 위해.
• 모든 상수 $t \in [0,1)$ 에 대해 최적의 $t$-closeness 일반화를 찾는 문제의 계산 복잡도를 규명하기 위해.
• $t$-closeness 문제를 해결하기 위한 정확한 알고리즘과 고정 매개변수 알고리즘을 개발하기 위해.
• 이전 문헌에서 해결되지 않은 $k$-익명성과 $l$-다양성에 대한 열린 복잡도 질문을 해결하기 위해.
• 2-다양성에 대한 첫 번째 다항 시간 알고리즘을 확립하여 그 계산 가능성 여부를 명확히 하기 위해.

제안 방법

• 다양한 $t$ 값의 범위에 맞는 특화된 축소를 통해 $t$-closeness의 NP-난이도를 증명하여 전체 구간 $[0,1)$ 를 커버한다.
• 입력 테이블로부터 초그래프 모델을 구성하여 2-다양성을 단순형 매칭 문제에 축소하고, 단순형 조건을 포함한다.
• 기존의 알려진 다항 시간 알고리즘을 활용하여 단순형 매칭 문제를 해결함으로써 2-다양성을 다항 시간 내에 해결한다.
• 동적 프로그래밍과 매개변수 복잡도 기법을 활용하여 $t$-closeness 문제를 위한 정확한 알고리즘과 고정 매개변수 알고리즘을 설계한다.
• 사례 분석과 귀납적 추론을 통해 최적의 2-다양성 분할이 서로 다른 민감한 속성 값을 가진 크기 2 또는 3인 그룹으로 제한될 수 있음을 증명한다.
• 구축된 초그래프가 단순형 조건을 만족하도록 보장하여 기존의 다항 시간 매칭 알고리즘을 적용할 수 있도록 한다.

실험 결과

연구 질문

• RQ1 모든 상수 $t \in [0,1)$ 에 대해 최적의 $t$-closeness 일반화를 찾는 문제가 NP-난이도인가?
• RQ2 $t$-closeness 문제는 정확한 알고리즘 또는 고정 매개변수 알고리즘을 통해 효율적으로 해결될 수 있는가?
• RQ3 2-다양성은 다항 시간 내에 해결 가능하며, 만약 그렇다면 어떤 구조적 조건 하에서 가능한가?
• RQ4 특히 작은 $k$ 및 $l$ 값에 대해 속성 제거 모델 하에서 $k$-익명성과 $l$-다양성의 계산 복잡도는 무엇인가?
• RQ5 $t$-closeness에 대해 증명 가능 보장이 있는 다항 시간 근사 알고리즘을 설계할 수 있는가?

주요 결과

• 모든 상수 $t \in [0,1)$ 에 대해 최적의 $t$-closeness 일반화 문제는 특화된 축소를 통해 NP-난이도임을 증명하였다.
• 작은 또는 구조적인 인스턴스에 대해 해결 가능한 정확한 알고리즘과 고정 매개변수 알고리즘을 개발하였다.
• 유효한 단순형 조건을 포함한 단순형 매칭 문제로의 축소를 통해 2-다양성에 대한 첫 번째 다항 시간 알고리즘을 확립하였다.
• 최적의 2-다양성 분할은 서로 다른 민감한 속성 값을 가진 크기 2 또는 3인 그룹으로 제한될 수 있으며, 이는 효율적 계산을 가능하게 한다.
• $k$-익명성의 복잡도는 조건부로 향상되었으며, 새로운 이론적 통찰을 통해 이전 문헌에서 미해결이었던 질문들이 해결되었다.
• 저자들은 $t$-closeness의 최적 근사 비율이 $O(\log n)$ 일 수 있다고 추측하며, 향후 근사 알고리즘의 잠재적 방향을 제시한다.