[논문 리뷰] PrivTrace: Differentially Private Trajectory Synthesis by Adaptive Markov Model

Wang Hai-ming, Zhikun Zhang외 5명|arXiv (Cornell University)|2022. 10. 02.

Privacy-Preserving Technologies in Data인용 수 7

한 줄 요약

PrivTrace는 정보의 풍부함과 노이즈 주입 사이의 균형을 맞추기 위해 적응적으로 일阶 및 이阶 마르코프 모델을 조합하는 차별적 비밀유지 궤적 합성 프레임워크를 제안한다. 노이즈 민감도와 신뢰도를 기반으로 모델을 동적으로 선택하고, 여행 분포 추정을 위한 최적화 기반 방법을 사용함으로써, PrivTrace는 실제 데이터셋과 시뮬레이션 데이터셋에서 상태기반 최고 수준의 정확도와 유효성을 확보한 고품질의 합성 궤적을 생성한다.

ABSTRACT

Publishing trajectory data (individual's movement information) is very useful, but it also raises privacy concerns. To handle the privacy concern, in this paper, we apply differential privacy, the standard technique for data privacy, together with Markov chain model, to generate synthetic trajectories. We notice that existing studies all use Markov chain model and thus propose a framework to analyze the usage of the Markov chain model in this problem. Based on the analysis, we come up with an effective algorithm PrivTrace that uses the first-order and second-order Markov model adaptively. We evaluate PrivTrace and existing methods on synthetic and real-world datasets to demonstrate the superiority of our method.

연구 동기 및 목표

• 차별적 비밀유지(DP)를 통해 개인의 사생활을 보호하면서 궤적 데이터를 공개하는 데 도전하는 것.
• 기존 방법들이 일阶 마르코프 모델만 사용할 경우 정보 부족 또는 고차수 모델을 사용할 경우 과도한 노이즈 문제를 해결하는 것.
• 데이터 유효성과 비밀비용 사이의 트레이드오프를 최적화하기 위해 일阶 및 이阶 마르코프 모델 간의 적응적 선택 전략을 개발하는 것.
• 특히 낮은 비밀비용 설정에서 발생하는 DP 메커니즘에 기인한 여행 분포 추정의 편향을 줄이는 것.

제안 방법

• 노이즈 민감도와 모델 신뢰도를 기반으로 궤적 생성 과정에서 일阶 및 이阶 마르코프 체인 간에 동적으로 모델을 선택하는 하이브리드 마르코프 모델 프레임워크를 적용한다.
• 궤적 경계를 포착하기 위해 가상의 시작 및 종료 상태를 도입하고, 이를 최적화 기반 추정 방법을 통해 보정함으로써 DP에 기인한 노이즈로 인한 편향을 감소시킨다.
• 일阶 및 이阶 마르코프 모델의 전이 확률에 차별적 비밀유지를 적용하며, 노이즈를 최소화하면서도 구조적 패턴을 유지하기 위해 비밀비용을 신중하게 할당한다.
• 공간 데이터의 효율적이고 차별적 비밀유지 쿼리 처리를 가능하게 하기 위해 재귀적 분할 및 격자 기반 이산화 전처리 기법을 사용한다.
• 선택된 마르코프 모델을 기반으로 랜덤 워크 기반 생성 과정을 구현하여 다음 상태를 샘플링함으로써, 합성 궤적이 실제 이동 패턴을 반영하도록 보장한다.
• 각 궤적이 시작 상태 및 종료 상태 카운트에 정확히 한 건을 기여하도록 강제하는 조건부 최적화 문제를 설정함으로써 여행 분포 추정을 최적화한다.

실험 결과

연구 질문

• RQ1 차별적 비밀유지 궤적 합성에서 정보의 풍부함과 노이즈 주입 사이를 효과적으로 균형 잡는 방법은 무엇인가?
• RQ2 유효성과 비밀비용 측면에서 일阶 및 이阶 마르코프 모델을 사용할 때의 최적 트레이드오프는 무엇인가?
• RQ3 일阶 및 이阶 마르코프 체인 간의 적응적 모델 선택 전략이 고정된 순서 모델 대비 합성 궤적 품질을 향상시킬 수 있는가?
• RQ4 특히 비밀비용이 제한된 상황에서 차별적 비밀유지 하에서 여행 분포 추정의 편향을 어떻게 줄일 수 있는가?
• RQ5 PrivTrace는 다양한 데이터셋과 평가 지표에서 기존 최고 수준의 방법보다 얼마나 뛰어난 궤적 합성 유효성을 보여주는가?

주요 결과

• PrivTrace는 궤적 유사도, 다음 단계 예측 정확도, 공간 분포 충실도 등 여러 지표에서 DPT 및 AdaTrace와 같은 기존 방법들을 일관되게 능가한다.
• 일阶 및 이阶 마르코프 모델 간의 적응적 선택 전략은 특히 낮은 비밀비용 설정에서 합성 궤적 품질 향상에 상당한 기여를 한다.
• 최적화 기반 여행 분포 추정 방법은 특히 낮은 에프릴(ε) 설정에서 시작 및 종료 상태 카운트의 편향을 효과적으로 감소시켜, 생성된 궤적의 현실성 향상에 기여한다.
• 절단 실험 결과, 적응적 모델 선택 및 여행 분포 추정 구성 요소가 PrivTrace의 성능에 핵심적인 영향을 미치며, 각각이 총 유효성 향상에 기여하고 있음을 확인했다.
• 장거리 궤적은 짧은 궤적보다 정확도가 떨어지지만, 오류 누적이 누적되더라도 PrivTrace는 여전히 뛰어난 성능을 유지하여 순차적 생성 과정의 강건성을 보여준다.