[논문 리뷰] REAP: An Efficient Incentive Mechanism for Reconciling Aggregation Accuracy and Individual Privacy in Crowdsensing

Zhikun Zhang, Shibo He외 2명|arXiv (Cornell University)|2017. 11. 02.

Privacy-Preserving Technologies in Data참고 문헌 30인용 수 6

한 줄 요약

이 논문은 차별적 프라이버시를 사용하여 개인의 프라이버시 선호도를 정량화하고 예산 제약 조건 하에서 최적화함으로써, 참여자 사용자(ПУ)가 노이즈를 줄이도록 유인하면서도 데이터 집계 정확도와 개인 프라이버시를 조율하는 계약 기반 인centive 메커니즘인 REAP을 제안한다. 이 메커니즘은 융합 센터(FC)가 맞춤형 계약을 통해 직접적으로 참여자 사용자(ПУ)를 제어할 수 있도록 한다. 완전 정보 및 비완전 정보 설정 모두에서 닫힌 형태의 계약을 통해 이질적인 프라이버시 선호도를 고려하면서도, 이전 메커니즘보다 더 높은 집계 정확도를 달성한다.

ABSTRACT

Incentive mechanism plays a critical role in privacy-aware crowdsensing. Most previous studies on co-design of incentive mechanism and privacy preservation assume a trustworthy fusion center (FC). Very recent work has taken steps to relax the assumption on trustworthy FC and allows participatory users (PUs) to add well calibrated noise to their raw sensing data before reporting them, whereas the focus is on the equilibrium behavior of data subjects with binary data. Making a paradigm shift, this paper aim to quantify the privacy compensation for continuous data sensing while allowing FC to directly control PUs. There are two conflicting objectives in such scenario: FC desires better quality data in order to achieve higher aggregation accuracy whereas PUs prefer adding larger noise for higher privacy-preserving levels (PPLs). To achieve a good balance therein, we design an efficient incentive mechanism to REconcile FC's Aggregation accuracy and individual PU's data Privacy (REAP). Specifically, we adopt the celebrated notion of differential privacy to measure PUs' PPLs and quantify their impacts on FC's aggregation accuracy. Then, appealing to Contract Theory, we design an incentive mechanism to maximize FC's aggregation accuracy under a given budget. The proposed incentive mechanism offers different contracts to PUs with different privacy preferences, by which FC can directly control PUs. It can further overcome the information asymmetry, i.e., the FC typically does not know each PU's precise privacy preference. We derive closed-form solutions for the optimal contracts in both complete information and incomplete information scenarios. Further, the results are generalized to the continuous case where PUs' privacy preferences take values in a continuous domain. Extensive simulations are provided to validate the feasibility and advantages of our proposed incentive mechanism.

연구 동기 및 목표

• 모이고 싶은 데이터의 품질을 요구하는 FC와 강력한 프라이버시 보호를 원하는 ПУ 사이의 갈등을 해결하기 위해.
• 개인의 프라이버시 선호도에 대한 정보 비대칭성에도 불구하고 FC가 직접적으로 ПУ의 프라이버시 수준을 제어할 수 있도록 인센티브 메커니즘을 설계하기 위해.
• 차별적 프라이버시와 $(\alpha,\delta)$-정확도를 사용하여 개인의 프라이버시 수준(PPLs)과 집계 정확도 사이의 교환 관계를 정량화하기 위해.
• 프라이버시 선호도가 알려져 있지 않더라도, 예산 제약 조건 하에서 그에 따라 최적의 보상을 지급함으로써 스케일러블하고 예산 제약이 있는 메커니즘을 개발하기 위해.
• 실제 시스템에 구현 가능한 연속적인 프라이버시 선호도 영역으로 메커니즘을 일반화하기 위해.

제안 방법

• 개별 ПУ의 프라이버시 수준(PPLs)을 측정하고 집계 성능을 정량화하기 위해 차별적 프라이버시를 사용하여 프라이버시-정확도 교환 관계를 수식화하기 위해.
• 계약 이론을 적용하여, 각 ПУ 유형에 대해 프라이버시 수준 $\epsilon_j$와 해당 보상 $p_j$를 지정하는 최적의 계약 메뉴를 설계하기 위해.
• 완전 정보 및 비완전 정보 상황 모두에서 최적 계약의 닫힌 형태 해를 유도하여 인센티브 호환성과 개인 합리성 보장하기 위해.
• ПУ 유형에 따라 $\epsilon_j$가 단조 증가하도록 보장하여 프라이버시 선호도를 사적으로 보고하는 전략적 행위 방지하기 위해.
• 이산형 유형 모델을 연속적인 유형 공간에 대한 통합 및 최적화를 통해 연속적인 프라이버시 선호도 영역으로 일반화하기 위해.
• 다양한 예산과 ПУ 유형 수에서의 타당성, 성능 및 강건성을 검증하기 위해 시뮬레이션을 수행하기 위해.

실험 결과

연구 질문

• RQ1 FC가 신뢰할 수 없다는 가정 하에, FC는 어떻게 집계 정확도와 개인 프라이버시를 효율적으로 균형 잡을 수 있는가?
• RQ2 ПУ의 프라이버시 선호도와 FC에서 도출되는 집계 정확도 사이의 정량적 관계는 무엇인가?
• RQ3 정보 비대칭성에도 불구하고 프라이버시 선호도를 정직하게 보고하도록 유도하는 인센티브 메커니즘은 어떻게 설계할 수 있는가?
• RQ4 이질적인 프라이버시 선호도를 고려할 때, 고정된 예산 하에서 집계 정확도를 최대화하는 최적의 계약 구조는 무엇인가?
• RQ5 메커니즘의 성능은 ПУ 유형 수와 가용 예산에 따라 어떻게 스케일링되는가?

주요 결과

• 제안된 REAP 메커니즘은 최적화된 계약을 통해 FC가 ПУ를 직접 제어할 수 있도록 함으로써, 기존 메커니즘보다 더 높은 집계 정확도를 달성한다.
• 완전 정보 상황에서는 최적 계약이 최고 유형 ПУ에게는 0의 유틸리티를 보장하고, 낮은 유형에게는 엄밀히 양의 유틸리티를 보장함으로써 개인 합리성과 인센티브 호환성을 충족한다.
• 비완전 정보 상황에서는 각 ПУ가 자신의 진짜 유형에 해당하는 계약을 선택할 때만 유틸리티를 최대화하도록 하여 인센티브 호환성을 유지한다.
• 예산이 증가할수록 집계 정확도가 향상되며, 이는 더 큰 예산이 더 높은 보상을 제공하여 더 낮은 노이즈 수준(더 높은 PPLs)을 유도할 수 있기 때문이다.
• ПУ 유형 수가 증가할수록 집계 정확도가 감소하는데, 이는 인센티브 호환성 제약 조건을 충족시키기 위해 더 높은 추가 보상이 필요하기 때문이다.
• 시뮬레이션 결과는 메커니즘이 타당하고 강건하며, 다양한 예산 및 유형 구성에서 단조성과 인센티브 호환성 특성이 확인됨을 확인한다.