[논문 리뷰] On (The Lack Of) Location Privacy in Crowdsourcing Applications

Spyros Boukoros, Mathias Humbert외 2명|SERVAL (Université de Lausanne)|2019. 01. 15.

Privacy-Preserving Technologies in Data참고 문헌 57인용 수 9

한 줄 요약

이 논문은 모바일 커뮤니티 센싱(MCS) 애플리케이션에서 기존의 위치 개인정보 보호 기법(LPPMs)의 효과성을 평가하며, 지속적인 데이터 수집과 위치 정밀도가 아닌 측정값에 의존하는 유틸리티 모델로 인해 LBS를 대상으로 설계된 방어 조치가 MCS 환경에서는 거의 또는 전혀 개인정보 보호 효과를 내지 못함을 드러낸다. 연구는 현재의 LPPMs가 MCS 유틸리티를 심각하게 떨어뜨리면서도 POI 유추 공격에 대비하지 못함을 입증한다.

ABSTRACT

Crowdsourcing enables application developers to benefit from large and diverse datasets at a low cost. Specifically, mobile crowdsourcing (MCS) leverages users' devices as sensors to perform geo-located data collection. The collection of geolocated data raises serious privacy concerns for users. Yet, despite the large research body on location privacy-preserving mechanisms (LPPMs), MCS developers implement little to no protection for data collection or publication. To understand this mismatch, we study the performance of existing LPPMs on publicly available data from two mobile crowdsourcing projects. Our results show that well-established defenses are either not applicable or offer little protection in the MCS setting. Additionally, they have a much stronger impact on applications' utility than foreseen in the literature. This is because existing LPPMs, designed with location-based services (LBSs) in mind, are optimized for utility functions based on users' locations, while MCS utility functions depend on the values (e.g., measurements) associated with those locations. We finally outline possible research avenues to facilitate the development of new location privacy solutions that fit the needs of MCS so that the increasing number of such applications do not jeopardize their users' privacy.

연구 동기 및 목표

• 기존의 위치 개인정보 보호 기법(LPPMs)이 강력한 이론적 기반을 지니고 있음에도 불구하고 모바일 커뮤니티 센싱(MCS) 애플리케이션에서 효과적이지 않은 이유를 조사하기 위해.
• LBS 사용 케이스에 최적화된 LPPM 설계와 MCS에서 실제 적용되는 데이터 수집 및 유틸리티 모델 간의 근본적인 불일치를 규명하기 위해.
• Safecast와 Radiocells의 실제 MCS 데이터셋을 사용하여 기존 LPPMs의 실제 세계에서의 개인정보 보호 및 유틸리티 트레이드오프를 평가하기 위해.
• POI 식별과 집계 측정 정확도에 중점을 두어 MCS 워크로드에 맞는 새로운 개인정보 보호 및 유틸리티 메트릭을 제안하기 위해.
• 기여자 통제 부족, 전 세계 데이터 기원, 다양한 개인정보 보호 규정 준수 문제 등 MCS 데이터 수집의 체계적 문제를 부각하기 위해.

제안 방법

• Safecast와 Radiocells의 실제 MCS 데이터셋을 사용해 Geo-Indistinguishability, Laplace 메커니즘, Randomized Response, k-Anonymity, Location Perturbation 등 다섯 가지 기존 LPPMs를 평가하였다.
• POI 식별과 궤적 탈식별화에 기반한 이진 분류 및 정보 검색 기반의 두 가지 새로운 개인정보 보호 메트릭을 제안하였다.
• 위치 거리 오차가 아닌 집계된 데이터 값(예: 방사선 수준, 신호 세기 등)의 정확도를 측정하는 새로운 유틸리티 메트릭을 개발하였다.
• 공개된 데이터셋을 활용해 다양한 LPPM 설정 하에서 개인정보 泄露 및 유틸리티 저하를 평가하기 위한 실험을 수행하였다.
• 기계 학습 기반의 POI 유추 공격을 사용하여 LPPMs가 재식별 및 민감한 위치 노출을 방지하는 데 얼마나 효과적인지 평가하였다.
• 지속적인 MCS 데이터 수집 환경에서 데이터 양, 시간 패턴, 측정 상관관계가 개인정보 보호 및 유틸리티 결과에 미치는 영향을 분석하였다.

실험 결과

연구 질문

• RQ1 LBS를 대상으로 설계된 기존 LPPMs가 지속적이고 측정 기반의 MCS 애플리케이션 환경에서 의미 있는 개인정보 보호를 제공하는 정도는 어느 정도인가?
• RQ2 측정값 정밀도가 위치 정밀도가 아닌 주요 유틸리티 기반인 MCS 환경에서 LPPMs가 집계된 데이터의 유틸리티에 어떤 영향을 미치는가?
• RQ3 LPPMs가 적용된 경우조차도, POI 유추 공격이 왜곡된 MCS 데이터에서 민감한 위치를 성공적으로 재식별할 수 있는가?
• RQ4 분류 및 검색 성능 기반의 개인정보 보호 및 유틸리티 메트릭이 MCS 환경에서 전통적인 거리 기반 메트릭과 비교해 어떻게 다를까?
• RQ5 기여자 통제 부족, 전 세계 데이터 기원 등 MCS 데이터 수집의 체계적 문제들이 개인정보 보호 구현 및 연구에 어떤 장애를 초래하는가?

주요 결과

• Geo-Indistinguishability와 같은 강력한 이론적 보장을 지닌 기존 LPPMs도 지속적인 데이터 수집 패턴으로 인해 MCS 환경에서는 거의 또는 전혀 개인정보 보호 효과를 내지 못한다.
• LBS에서는 효과적인 경로 가림 기법이지만, 측정 데이터의 높은 양과 시간적 규칙성으로 인해 MCS 환경에서는 의미 있는 개인정보 보호 기여를 하지 못한다.
• 위치 정밀도에 최적화된 LPPMs는 MCS 애플리케이션의 유틸리티를 심각하게 떨어뜨리며, 이는 방사선 수준, 신호 세기 등 정확한 집계 측정값에 의존하는 MCS의 핵심 유틸리티에 기여하지 못한다.
• POI 유추 공격은 왜곡된 MCS 데이터에서 민감한 위치를 성공적으로 유추할 수 있었으며, 이는 강력한 개인정보 보장 조치가 적용된 상태에서도 이러한 재식별 공격에 대비하지 못함을 보여준다.
• 실제 MCS 데이터셋에서 미성년자로부터의 데이터가 적절한 동의 없이 포함된 경우가 많아 기여자 통제 및 문서화 부족으로 인해 법적·윤리적 문제를 야기함을 발견하였다.
• 기관의 윤리심의위원회가 데이터 기원 명확성 부족과 전 세계적 데이터 기원으로 인해 연구를 기각하거나 지연시켰으며, 이는 공개되어 있음에도 불구하고 부실한 문서화로 인해 MCS 데이터의 과학적 활용이 저해됨을 시사한다.