[논문 리뷰] Privacy by design in big data: An overview of privacy enhancing technologies in the era of big data analytics

Giuseppe D’Acquisto, Josep Domingo‐Ferrer외 4명|arXiv (Cornell University)|2015. 12. 18.

Privacy-Preserving Technologies in Data참고 문헌 3인용 수 83

한 줄 요약

이 논문은 빅데이터 분석에서 '설계 시부터의 프라이버시'를 주장하며, 데이터 라이프사이클 전반에 걸쳐 프라이버시 강화 기술(PETs)을 통합하는 프레임워크를 제안한다. 익명화, 암호화 계산, 액세스 제어, 데이터 유래 추적 기법 등을 평가하여 기술적 유틸리티나 성능에 손상을 주지 않으면서도 안전하고 프라이버시를 보장하는 분석을 가능하게 한다.

ABSTRACT

The extensive collection and processing of personal information in big data analytics has given rise to serious privacy concerns, related to wide scale electronic surveillance, profiling, and disclosure of private data. To reap the benefits of analytics without invading the individuals' private sphere, it is essential to draw the limits of big data processing and integrate data protection safeguards in the analytics value chain. ENISA, with the current report, supports this approach and the position that the challenges of technology (for big data) should be addressed by the opportunities of technology (for privacy). We first explain the need to shift from "big data versus privacy" to "big data with privacy". In this respect, the concept of privacy by design is key to identify the privacy requirements early in the big data analytics value chain and in subsequently implementing the necessary technical and organizational measures. After an analysis of the proposed privacy by design strategies in the different phases of the big data value chain, we review privacy enhancing technologies of special interest for the current and future big data landscape. In particular, we discuss anonymization, the "traditional" analytics technique, the emerging area of encrypted search and privacy preserving computations, granular access control mechanisms, policy enforcement and accountability, as well as data provenance issues. Moreover, new transparency and access tools in big data are explored, together with techniques for user empowerment and control. Achieving "big data with privacy" is no easy task and a lot of research and implementation is still needed. Yet, it remains a possible task, as long as all the involved stakeholders take the necessary steps to integrate privacy and data protection safeguards in the heart of big data, by design and by default.

연구 동기 및 목표

• 빅데이터 분석에서 대규모 데이터 수집 및 처리로 인한 증가하는 프라이버시 우려를 다루기 위해.
• 수동적인 '빅데이터 대비 프라이버시' 패러다임에서 '빅데이터와 함께하는 프라이버시'로의 전환을 위해 사전에 프라이버시를 통합하는 것을 목표로 한다.
• 빅데이터 밸류체인 전반에 걸쳐 프라이버시 보호를 위한 기술적 및 조직적 조치를 식별하고 구현하기 위해.
• 현대 빅데이터 시스템에 적용 가능한 최신 프라이버시 강화 기술(PETs)을 평가하기 위해.
• 빅데이터 처리 파이프라인에서 책임성, 투명성 및 사용자 통제를 촉진하기 위해.

제안 방법

• 빅데이터 분석 라이프사이클의 초기 단계부터 프라이버시 보호 조치를 통합하기 위해 '설계 시부터의 프라이버시' 원칙을 채택한다.
• k-익명성, l-다양성, t-근접성과 같은 주요 PETs를 조사하고 분석하여 데이터 익명화를 위해 활용한다.
• 동형 암호화 및 안전한 다자간 계산과 같은 프라이버시 보존 계산 기법을 검토한다.
• 암호화된 데이터에서의 계산을 가능하게 하기 위해 암호화 검색 및 검색 가능한 암호화를 평가한다.
• 역할 기반 및 속성 기반 액세스 제어 메커니즘을 정책 실행과 통합하여 세밀한 데이터 거버넌스를 실현한다.
• 책임성과 추적 가능성을 확보하기 위해 데이터 유래 추적 및 감사 기록을 다룬다.

실험 결과

연구 질문

• RQ1 빅데이터 분석에 프라이버시를 설계 단계부터 체계적으로 통합할 수 있는 방법은 무엇인가?
• RQ2 빅데이터 밸류체인 전반에서 프라이버시 위험을 완화하는 데 가장 효과적인 기술적 및 조직적 조치는 무엇인가?
• RQ3 기존의 프라이버시 강화 기술(PETs)이 현대 빅데이터 워크로드에 얼마나 잘 적응될 수 있는가?
• RQ4 대규모 데이터 처리 시스템에서 사용자 통제, 투명성 및 책임성을 어떻게 달성할 수 있는가?
• RQ5 빅데이터 분석에서 데이터 유틸리티와 프라이버시 보호 사이의 상충 관계는 어떠한가?

주요 결과

• 빅데이터 시스템에서 프라이버시 침해를 방지하기 위해 설계 시부터의 프라이버시가 필수적이며, 반드시 기본 설정 및 설계 단계에서 이행되어야 한다.
• k-익명성 및 l-다양성과 같은 익명화 기법은 여전히 관련성이 있지만, 유틸리티와 프라이버시의 균형을 유지하기 위해 신중한 캘리브레이션 필요하다.
• 암호화된 계산 및 검색 가능한 암호화는 데이터를 복호화하지 않고도 민감한 데이터를 처리할 수 있게 하지만, 성능 오버헤드 문제는 여전히 도전 과제이다.
• 세분화된 액세스 제어 및 정책 실행 메커니즘은 데이터 거버넌스를 이행하고 무단 액세스를 최소화하는 데 핵심적이다.
• 데이터 유래 추적 및 감사 기록은 책임성을 향상시키고 프라이버시 규정 준수를 지원한다.
• 데이터 액세스 요청 및 투명성 대시보드와 같은 사용자 권리 강화 도구는 신뢰를 구축하기 위해 실현 가능하고 필수적이다.