[논문 리뷰] Optimizing Locally Differentially Private Protocols

Tianhao Wang, Jeremiah Blocki외 2명|arXiv (Cornell University)|2017. 05. 12.

Privacy-Preserving Technologies in Data참고 문헌 11인용 수 7

한 줄 요약

이 논문은 국소적 미분적 비밀유지(LDP) 프로토콜을 최적화하기 위한 통합 프레임워크를 제안하며, 정확한 분석과 파rameter 조정을 통해 유틸리티를 향상시킵니다. OUE(Optimized Unary Encoding)와 OLH(Optimized Local Hashing)라는 두 가지 새로운 프로토콜을 제안하여 추정 분산을 크게 감소시키며, OLH는 기존 방법 대비 최대 14배 낮은 분산을 달성하면서도 낮은 통신 비용을 유지합니다.

ABSTRACT

Protocols satisfying Local Differential Privacy (LDP) enable parties to collect aggregate information about a population while protecting each user's privacy, without relying on a trusted third party. LDP protocols (such as Google's RAPPOR) have been deployed in real-world scenarios. In these protocols, a user encodes his private information and perturbs the encoded value locally before sending it to an aggregator, who combines values that users contribute to infer statistics about the population. In this paper, we introduce a framework that generalizes several LDP protocols proposed in the literature. Our framework yields a simple and fast aggregation algorithm, whose accuracy can be precisely analyzed. Our in-depth analysis enables us to choose optimal parameters, resulting in two new protocols (i.e., Optimized Unary Encoding and Optimized Local Hashing) that provide better utility than protocols previously proposed. We present precise conditions for when each proposed protocol should be used, and perform experiments that demonstrate the advantage of our proposed protocols.

연구 동기 및 목표

• 빈도 추정에서 순수 LDP 프로토콜을 분석하고 최적화하기 위한 일반적 프레임워크 개발.
• 특히 단일 인코딩과 로컬 해싱에 대해 랜덤화 파라미터를 최적화하여 기존 LDP 프로토콜의 유틸리티 향상.
• 국소적 미분적 비밀유지 환경에서 강력한 프라이버시 보장을 유지하면서 추정 분산과 통신 비용을 줄임.
• 개인정보 예산(ε)과 도메인 크기(d)에 기반하여 OUE와 OLH를 언제 사용할지에 대한 명확한 가이드라인 제공.
• 실세계 시스템에 대한 LDP의 실용적 구현을 가능하게 하기 위해 합성 및 실재 데이터셋에서 뛰어난 성능을 입증함.

제안 방법

• 모든 순수 LDP 프로토콜에 대해 편향이 없는 추정과 분석 가능한 분산을 생성하는 일반적인 집계 및 복호화 기법 제안.
• 대칭 랜덤화를 기반으로 한 순수 LDP 프로토콜에 대한 공식적 프레임워크 도입으로 체계적 비교 및 최적화 가능.
• 주어진 ε 예산 하에서 분산을 최소화함으로써 단일 인코딩의 랜덤화 파라미터를 최적화(결과적으로 OUE 도출).
• 랜덤 매트릭스 프로젝션 프로토콜을 이진 로컬 해싱으로 재해석하고, 그 파라미터를 최적화하여 OLH 생성.
• 다양한 프로토콜 하에서 추정의 분산에 대한 폐쇄형 표현식 유도로 정밀한 비교 가능.
• 모든 입력 값에 대해 균일한 프라이버시와 정확도를 보장하는 대칭 랜덤화 메커니즘 활용.

실험 결과

연구 질문

• RQ1 통합 프레임워크를 사용해 다양한 LDP 프로토콜의 정확도를 체계적으로 분석하고 비교할 수 있는 방법은 무엇인가요?
• RQ2 국소적 미분적 비밀유지 하에서 단일 인코딩에 대한 최적의 랜덤화 파라미터는 무엇이며, 이를 통해 추정 분산을 최소화할 수 있나요?
• RQ3 로컬 해싱을 일반화하고 최적화하여 기존 방법보다 더 높은 정확도와 낮은 통신 비용을 달성할 수 있나요?
• RQ4 OLH가 RAPPOR과 BLH보다 분산과 유틸리티 측면에서 우월한 조건은 무엇인가요?
• RQ5 개인정보 예산(ε)과 도메인 크기(d)가 OUE와 OLH 중 최적의 유틸리티를 얻기 위해 어떤 조건에서 선택에 영향을 미치나요?

주요 결과

• 최적화된 로컬 해싱(OLH) 프로토콜은 ε ≈ 4일 때 RAPPOR 대비 분산을 2배, 랜덤 매트릭스 프로젝션(BLH) 대비 14배 감소시킵니다.
• OLH는 OUE와 동일한 오차 분산을 달성하지만 훨씬 낮은 통신 비용을 유지하여 큰 도메인에 대한 확장성에서 유리합니다.
• OUE를 통해 기본 RAPPOR의 파라미터를 최적화하면 원래 프로토콜 대비 유틸리티가 크게 향상됩니다.
• OLH는 낮은 통신 비용(Θ(log n))을 유지하면서도 최첨단 정확도를 달성하여 대규모 배포에 이상적입니다.
• 이 프레임워크는 정밀한 분산 분석을 가능하게 하며, ε와 d에 기반한 프로토콜 선택에 대한 명확한 가이드라인을 제공합니다.
• 합성 및 실세계 데이터셋에 대한 실험을 통해 OLH는 기존 방법보다 더 적은 가짜 양성과 더 많은 진짜 양성을 도출하는 것으로 확인되었습니다.