[논문 리뷰] The tradeoff between the utility and risk of location data and implications for public good

Dan Calacci, Alex Berke외 3명|arXiv (Cornell University)|2019. 05. 22.

Human Mobility and Location-Based Analysis참고 문헌 33인용 수 8

한 줄 요약

이 논문은 고해상도 위치 데이터의 유효성과 프라이버시 위험 간의 트레이드오프를 균형 잡는 프레임워크를 제안한다. 이 데이터는 도시 계획 및 대중교통 모델링 등 중요한 공공선의 잠재력을 지니지만, 현재의 민간 시장 활용 방식은 윤리적 고려와 프라이버시 문제를 약화시킨다. 저자들은 책임감 있는 집계와 거버넌스를 통해 공공의 복지를 우선시하는 상황 인식 기반의 데이터 공유 모델을 주장한다.

ABSTRACT

High-resolution individual geolocation data passively collected from mobile phones is increasingly sold in private markets and shared with researchers. This data poses significant security, privacy, and ethical risks: it's been shown that users can be re-identified in such datasets, and its collection rarely involves their full consent or knowledge. This data is valuable to private firms (e.g. targeted marketing) but also presents clear value as a public good. Recent public interest research has demonstrated that high-resolution location data can more accurately measure segregation in cities and provide inexpensive transit modeling. But as data is aggregated to mitigate its re-identifiability risk, its value as a good diminishes. How do we rectify the clear security and safety risks of this data, its high market value, and its potential as a resource for public good? We extend the recently proposed concept of a tradeoff curve that illustrates the relationship between dataset utility and privacy. We then hypothesize how this tradeoff differs between private market use and its potential use for public good. We further provide real-world examples of how high resolution location data, aggregated to varying degrees of privacy protection, can be used in the public sphere and how it is currently used by private firms.

연구 동기 및 목표

• 개인 수준의 위치 데이터가 가지는 높은 시장 가치와 그에 따른 프라이버시 및 보안 위험 간의 갈등을 분석하기 위해.
• 데이터 활용 시 사회적 요소와 맥락을 忽시하는 기존의 계산적 유효성 및 위험 측정 지표에 도전하기 위해.
• 집계 수준이 공공 및 민간 응용 분야에서 데이터 유효성과 재식별 위험에 어떻게 영향을 미치는지 탐구하기 위해.
• 특히 공공 인프라를 통해 수집된 데이터의 경우를 중심으로 공공 利益을 우선시하는 데이터 공유 모델로의 범주 전환을 제안하기 위해.
• 사설 기업과 공공 기관에서의 위치 데이터 활용 사례를 실질적으로 분석하여, 접근성과 책임성의 격차를 드러내기 위해.

제안 방법

• 고해상도 위치 데이터에 특화하여 데이터 유효성과 프라이버시 위험 간의 트레이드오프 곡선 개념을 확장한다.
• 타임스탬프가 부여된 GPS 좌표를 사용하여 개인 이동 패턴을 모델링하고 주거지 위치 및 이동 수단 추론 등을 가능하게 한다.
• LBS 기업의 실제 데이터셋을 분석하여, 다양한 수준의 집계가 재식별 위험을 감소시키면서도 분석적 가치를 유지하는 방식을 연구한다.
• 타겟 광고와 같은 민간 시장 활용과 도시 분리도 측정, 대중교통 모델링과 같은 공공선 응용 간의 비교를 수행한다.
• 도시 자전거 공유, 릴레이싱 데이터 등 기존의 공공 데이터 공유 모델을 유추하여 LBS 데이터에 대한 규제 및 제도적 프레임워크를 제안한다.
• 안전한 답변(Safe Answers)과 같은 탈중앙화된 데이터 소유 모델을 제안하여 데이터 거버넌스를 재구성하고 공공의 책임성을 확보한다.

실험 결과

연구 질문

• RQ1 재식별 위험을 줄이기 위해 위치 데이터가 집계될수록 유효성은 어떻게 변화하는가?
• RQ2 현재의 민간 시장 활용 방식이 공공의 이익을 위한 응용과 어떻게 충돌하는가?
• RQ3 동의 없이 판매되는 의사식별 위치 데이터의 윤리적 및 프라이버시 위험은 무엇인가?
• RQ4 공공으로부터 수집된 데이터가 공공의 복지를 위해 기여하도록 보장하기 위해 데이터 공유 프레임워크는 어떻게 설계될 수 있는가?
• RQ5 공공선을 위한 공정한 접근성을 보장하면서 피해를 최소화할 수 있는 제도적 또는 규제 모델은 무엇인가?

주요 결과

• 고해상도 위치 데이터는 도시 분리도 측정 및 대중교통 패턴 모델링에 정확하게 활용될 수 있어 강력한 공공선 잠재력을 보여준다.
• 인구 조사 지역 또는 통계 지역 수준으로 위치 데이터를 집계하면 재식별 위험은 감소하지만, 정밀한 도시 연구에 필요한 분석적 유효성은 떨어진다.
• 앱 및 SDK를 통해 위치 데이터가 광범위하게 수집되고 있음에도 불구하고, 사용자는 그 범위나 공유 방식을 자주 인지하지 못해 심각한 동의 및 투명성 문제를 야기한다.
• 데이터 브로커 및 LBS 제공업체와 같은 사설 기업들은 공공 기관에 데이터를 공유하지 않고도 위치 데이터를 판매하여 수익을 얻고 있어, 데이터 접근성과 가치 착취에 대한 불균형을 초래한다.
• 사설 기업이 공공 인프라(예: 도시 도로, 보조 통신 탑)를 사용할 경우 공공 데이터 공유의 사례가 존재하므로, LBS 데이터에도 유사한 의무가 적용될 수 있음을 시사한다.
• 현재의 데이터 마켓에는 감독이 부족하며, 제도적 개혁이 이뤄지지 않는 한, 공공으로부터 수집된 데이터로부터 기업이 가치를 착취하더라도 개인의 위험은 지속될 것이다.