[논문 리뷰] Privacy-preserving Targeted Advertising

Theja Tulabandhula, Shailesh Vaya외 1명|arXiv (Cornell University)|2017. 10. 09.

Privacy-Preserving Technologies in Data참고 문헌 43인용 수 7

한 줄 요약

이 논문은 사용자 프로필을 클라이언트 기기로 이관하고 연관 규칙(ARs)을 사용하여 효율적이고 안전한 타겟 광고를 가능하게 하는 프라이버시 보장형 추천 시스템을 제안한다. 서버에서 사전에 ARs를 계산하고, 오블리비ous 터널( oblivious transfer)과 같은 암호 프rotocol을 활용함으로써 클라이언트는 자신의 프로필을 드러내지 않은 채 관련 추천을 비밀리에 쿼리할 수 있으며, 프라이버시 오버헤드가 존재하더라도 저지연, 실용적인 성능을 달성한다.

ABSTRACT

Recommendation systems form the center piece of a rapidly growing trillion dollar online advertisement industry. Even with numerous optimizations and approximations, collaborative filtering (CF) based approaches require real-time computations involving very large vectors. Curating and storing such related profile information vectors on web portals seriously breaches the user's privacy. Modifying such systems to achieve private recommendations further requires communication of long encrypted vectors, making the whole process inefficient. We present a more efficient recommendation system alternative, in which user profiles are maintained entirely on their device, and appropriate recommendations are fetched from web portals in an efficient privacy preserving manner. We base this approach on association rules.

연구 동기 및 목표

• 타겟 광고에서 쿠키를 통한 중앙집중식 사용자 프로파일링으로 인한 프라이버시 침해 문제를 해결하기 위해.
• 사용자 프로필을 기기 내부에 유지하면서도 안전하고 효율적인 서버 측 추천을 가능하게 하는 추천 시스템을 설계하기 위해.
• 협업 필터링 대비 프라이빗 추천 시스템의 통신 및 계산 오버헤드를 줄이기 위해.
• 사용자에 종속되지 않은 연관 규칙을 사용하여 동적인 사용자 행동과 일관되지 않은 피드백에 대한 강건성을 확보하기 위해.
• 실세계 전자상거래 환경에 적합한 실용적이고 확장 가능하며 프라이버시 보장형 프로토콜을 개발하기 위해.

제안 방법

• 시스템은 서버에서 이력 거래 데이터로부터 추출한 연관 규칙을 사용하며, '사용자가 항목 p를 구매하면 q를 구매할 가능성이 높다'와 같은 패턴을 표현한다.
• 클라이언트 측 프로필(거래 이력)은 비밀 유지되며 평문으로 전송되지 않으며, 대신 암호화된 식별자를 사용해 일치하는 규칙을 쿼리한다.
• 프로토콜은 오블리비어스 터널을 활용해 서버로부터 적용 가능한 연관 규칙를 비밀리에 검색함으로써 어떤 규칙이 요청되었는지 노출하지 않는다.
• 지역 민감성 해싱을 활용한 새로운 근사 쿼리 알고리즘인 Approx-GSCS-Query는 통신 및 계산 비용을 줄이면서도 높은 정확도를 유지한다.
• 시스템은 정확한 쿼리 처리와 근사 쿼리 처리를 모두 지원하며, 암호 기반 원리와 신뢰도 가중치 기반 규칙 부분 샘플링을 통해 프라이버시를 보장한다.
• 실세계 데이터셋(사고 및 소매 데이터)을 사용해 평가되었으며, 프라이버시 제약 조건 하에서 지연 시간과 추천 정확도를 측정하였다.

실험 결과

연구 질문

• RQ1 사용자 프로필이 클라이언트 기기 내부에 유지되면서도 비밀리에 효율적인 서버 측 추천을 가능하게 하는 추천 시스템을 설계할 수 있는가?
• RQ2 연관 규칙를 활용해 프라이버시 보장형 추천 시스템에서 협업 필터링을 대체함으로써 통신 및 계산 오버헤드를 줄일 수 있는가?
• RQ3 어떤 암호 프로토콜이 클라이언트가 자신의 프로필이나 서버의 규칙 데이터베이스를 폭 드러내지 않고도 관련 있는 규칙만 안전하게 검색할 수 있도록 보장할 수 있는가?
• RQ4 실세계 전자상거래 환경에서 데이터베이스 크기와 쿼리 복잡도에 따라 프라이빗 쿼리 프로토콜의 성능이 어떻게 스케일링되는가?
• RQ5 근사 쿼리 기법을 통해 프라이빗 추천 시스템에서 지연 시간을 줄이면서도 추천 정확도를 유지할 수 있는 정도는 어느 정도인가?

주요 결과

• 오블리비어스 터널을 사용한 프라이빗 쿼리 프로토콜은 10,000개의 규칙로 구성된 데이터베이스에 대해 중앙값 처리 시간이 약 27~28초로, 다중 서버 환경에서 실용적이다.
• 1024비트 RSA 모듈러스를 사용할 경우, 크기가 20인 쿼리에 대해 10,000개 규칙 데이터베이스에서 적용 가능한 규칙을 프라이빗하게 검색하는 데 중앙값 266.9초가 소요되지만, 다중 서버 간 병렬 처리 덕분에 여전히 실현 가능하다.
• Approx-GSCS-Query 알고리즘은 16비트 및 32비트 해싱 길이에서 100% 정확도를 달성하지만, 10비트 해싱은 해시 충돌 증가로 인해 68~72%의 정확도를 기록한다.
• 신뢰도 가중치 기반 규칙 부분 샘플링을 통해 통신 및 계산 비용을 크게 줄였음에도 불구하고, 시스템은 높은 추천 정확도(16 이상의 k 값에서 100%)를 유지한다.
• 프라이버시 보장 프로토콜이 유도하는 지연 오버헤드는 다중 서버 스케일링을 통해 비프라이빗 처리 시간과 유사하게 관리 가능하며, 실세계 도입에 유리하다.
• 이 방법은 사용자별 피드백 의존성과 동적 프로필 업데이트를 피함으로써 협업 필터링 대비 프라이버시 및 강건성 면에서 뛰어나다.