[논문 리뷰] On the Unicity of Smartphone Applications

Jagdish Prasad Achara, Gergely Ács외 1명|arXiv (Cornell University)|2015. 07. 28.

Privacy, Security, and Data Protection참고 문헌 12인용 수 4

한 줄 요약

이 논문은 스마트폰 앱 목록이 초래하는 재식별 가능 위험을 조사하며, 54,893명의 안드로이드 사용자로 구성된 데이터셋에서 단 4개의 설치 앱만으로도 95%의 사용자를 유일하게 특정할 수 있음을 입증한다. 마르코프 체인 몬테카를로 샘플링과 비선형 회귀를 활용해, 앱 목록이 매우 고유함을 보이며 익명화를 어렵게 하고, 제3자 추적 라이브러리와 결합될 경우 데이터 공유 시 긴급한 개인정보 유출 위험을 드러낸다.

ABSTRACT

Prior works have shown that the list of apps installed by a user reveal a lot about user interests and behavior. These works rely on the semantics of the installed apps and show that various user traits could be learnt automatically using off-the-shelf machine-learning techniques. In this work, we focus on the re-identifiability issue and thoroughly study the unicity of smartphone apps on a dataset containing 54,893 Android users collected over a period of 7 months. Our study finds that any 4 apps installed by a user are enough (more than 95% times) for the re-identification of the user in our dataset. As the complete list of installed apps is unique for 99% of the users in our dataset, it can be easily used to track/profile the users by a service such as Twitter that has access to the whole list of installed apps of users. As our analyzed dataset is small as compared to the total population of Android users, we also study how unicity would vary with larger datasets. This work emphasizes the need of better privacy guards against collection, use and release of the list of installed apps.

연구 동기 및 목표

• 스마트폰 앱 목록의 고유성과 사용자 데이터셋 내 재식별 가능성 위험을 평가하기 위해.
• 앱 목록을 의사명으로 공개하더라도 그 고유성이 개인정보 유출에 미치는 영향을 평가하기 위해, 앱의 부분 집합에 대한 고유성 수준을 측정하기 위해.
• 임의의 앱 부분 집합에 대해 편향 없는 고유성 추정을 위한 방법을 개발하기 위해.
• 제한된 데이터셋 샘플에서 비선형 회귀를 기반으로 더 큰 인구 집단에서의 고유성 예측을 하기 위해.
• 연구 결과가 글로벌 안드로이드 사용자 집단과 같은 대규모 데이터셋으로 일반화 가능한지 평가하기 위해.

제안 방법

• 저자들은 7개월 동안 수집된 암호화된 이름을 사용해 개인정보를 보호한 54,893명의 안드로이드 사용자 앱 목록 데이터셋을 사용한다.
• 저자들은 마르코프 체인 몬테카를로(MCMC) 방법을 적용해 앱 부분 집합을 균일하게 샘플링하고, 크기가 K인 부분 집합이 데이터셋 전반에서 고유한 확률을 추정한다.
• MCMC 체인이 빠르게 혼합됨을 증명하여, 데이터셋 크기와 K에 대해 시간 복잡도가 대체로 선형인 효율적이고 정확한 고유성 추정이 가능함을 보장한다.
• 저자들은 데이터셋 크기와 고유성 간의 관계를 모델링하기 위해 비선형 회귀를 사용하여, 더 큰 집단에서의 고유성 예측 함수를 학습한다.
• 예측 정확도 평가를 위해 별도의 100만 명 사용자 이동성 데이터셋에서 모델을 검증하며, 점차 증가하는 부분 집합으로 학습한다.

(a) $K=5$

실험 결과

연구 질문

• RQ1 스마트폰 앱 데이터셋에서 사용자를 유일하게 특정하기 위해 필요한 설치 앱의 최소 수는 얼마인가?
• RQ2 앱 목록의 고유성은 데이터셋 크기에 따라 어떻게 변화하며, 작은 샘플에서 더 큰 집단의 고유성을 예측할 수 있는가?
• RQ3 앱 목록의 의사명 처리가 본질적인 고유성으로 인해 사용자 개인정보 보호에 얼마나 실패하는가?
• RQ4 MCMC 샘플링을 통해 데이터셋 내 임의의 앱 부분 집합에 대해 고유성의 편향 없는 추정치를 제공할 수 있는가?
• RQ5 작은 데이터셋에서 학습된 모델이 실제 세계의 훨씬 더 큰 집단에서의 고유성을 얼마나 잘 예측할 수 있는가?

주요 결과

• 데이터셋의 99% 사용자는 설치 앱 목록이 고유하므로, 전체 앱 목록이 매우 특징적으로 나타남을 시사한다.
• 단 4개의 앱만 안다면 사용자를 95% 확률로 재식별할 수 있으며, 이는 강력한 재식별 가능 위험을 보여준다.
• 두 개의 앱만으로도 공격자가 사용자를 75% 확률로 특정할 수 있어, 최소한의 정보로도 위험이 존재함을 시사한다.
• MCMC 기반 방법은 임의의 부분 집합 크기 K에 대해 편향 없는 고유성 추정치를 효율적으로 제공하며, 빠른 혼합 성질 덕분에 정확도가 보장된다.
• 비선형 회귀 모델은 충분히 큰 샘플(예: 10만 명)로 학습된 경우, 100만 명 사용자 데이터셋에서 고유성을 잘 예측한다—평균 오차는 0.05 이내이다.
• 단지 5만 명의 사용자로만 모델을 학습한 경우 일반화 능력이 떨어지므로, 작은 데이터셋은 글로벌 규모의 인구 집단에서의 고유성 예측에 대표성이 없을 수 있음을 시사한다.

(b) $K=6$