[논문 리뷰] A Predictive Differentially-Private Mechanism for Mobility Traces

Konstantinos Chatzikokolakis, Catuscia Palamidessi외 1명|arXiv (Cornell University)|2013. 11. 16.

Privacy-Preserving Technologies in Data참고 문헌 26인용 수 6

한 줄 요약

이 논문은 사용자 궤적의 시간적 상관관계를 활용하여 기밀 예산 소비를 줄이는 예측 가능한 차별적 비밀 보장 메커니즘을 제안한다. 미래 위치를 예측하고, 실제 데이터를 공개하기 전에 이를 비밀스럽게 검증함으로써, 독립적인 노이즈 추가 방식에 비해 특히 높은 상관관계를 가지는 이동 패턴에서 효율성이 크게 향상된다.

ABSTRACT

With the increasing popularity of GPS-enabled hand-held devices, location-based applications and services have access to accurate and real-time location information, raising serious privacy concerns for their millions of users. Trying to address these issues, the notion of geo-indistinguishability was recently introduced, adapting the well-known concept of Differential Privacy to the area of location-based systems. A Laplace-based obfuscation mechanism satisfying this privacy notion works well in the case of a sporadic use; Under repeated use, however, independently applying noise leads to a quick loss of privacy due to the correlation between the location in the trace. In this paper we show that correlations in the trace can be in fact exploited in terms of a prediction function that tries to guess the new location based on the previously reported locations. The proposed mechanism tests the quality of the predicted location using a private test; in case of success the prediction is reported otherwise the location is sanitized with new noise. If there is considerable correlation in the input trace, the extra cost of the test is small compared to the savings in budget, leading to a more efficient mechanism. We evaluate the mechanism in the case of a user accessing a location-based service while moving around in a city. Using a simple prediction function and two budget spending stategies, optimizing either the utility or the budget consumption rate, we show that the predictive mechanim can offer substantial improvements over the independently applied noise.

연구 동기 및 목표

• 차별적 비밀 보장 하에서 반복적인 위치 쿼리에 대해 독립적인 노이즈 추가 방식의 비효율성을 해결한다.
• 기본 라플라스 메커니즘을 사용할 경우 이동 패턴의 상관관계로 인한 기밀성 저하 문제를 해결한다.
• 기밀 보장 기능과 예측 기능을 분리하여 유연성과 확장성을 확보하는 모듈식 프레임워크를 설계한다.
• 예측 가능한 사용자 이동 패턴을 활용하여 위치 기반 서비스의 유틸리티와 예산 효율성을 향상시킨다.
• 지오-동일성 제약 조건 하에서 실제 GPS 궤적 데이터 세트를 사용하여 메커니즘의 효과성을 입증한다.

제안 방법

• 시간적 의존성을 활용하기 위해 사용자 이동 패턴을 상관관계가 있는 위치의 시퀀스로 모델링한다.
• 역사적 궤적 데이터를 기반으로 다음 위치를 추정하는 예측 함수를 사용한다.
• 차별적 비밀 보장 메커니즘을 사용하여 예측 정확도를 비밀스럽게 검증하는 테스트를 구현한다.
• 예측이 비밀스러운 테스트에 통과하면 예측된 위치를 공개하고, 그렇지 않으면 진짜 위치에 신선한 라플라스 노이즈를 추가한다.
• 지오-동일성 프레임워크 내에 메커니즘을 통합하여, 공격자 사전 지식과 무관한 강력한 기밀 보장 보장을 확보한다.
• 두 가지 예산 최적화 전략을 적용한다: 하나는 유틸리티를 최대화하고, 다른 하나는 예산 소비 비율을 최소화한다.

실험 결과

연구 질문

• RQ1 이동 패턴의 상관관계를 활용하여 차별적 비밀 보장 위치 공개에서 기밀 예산 소비를 줄일 수 있는가?
• RQ2 유틸리티와 예산 효율성 측면에서 예측 메커니즘의 성능이 독립적 노이즈 추가 방식보다 어떻게 다른가?
• RQ3 예측 정확도와 비밀스러운 검증이 전체적인 기밀-유틸리티 트레이드오프에 미치는 영향은 무엇인가?
• RQ4 제안된 메커니즘은 지오-동일성 외에도 다른 d_X-비밀 정의로 일반화될 수 있는가?
• RQ5 다양한 예산 할당 전략이 실제 이동 데이터에서 유틸리티와 기밀 예산 소비에 미치는 영향은 어떠한가?

주요 결과

• 실제 GPS 궤적 데이터 세트에서 예측 메커니즘이 독립적 노이즈 추가 방식에 비해 유틸리티와 예산 효율성 측면에서 뛰어난 성능을 보였다.
• 궤적 상관관계가 강할 경우 기밀 예산 절감 효과가 뚜렷했으며, 비밀스러운 검증 비용이 감소된 노이즈 사용량에 비해 상쇄되었다.
• 공격자 사전 지식과 무관하게 지오-동일성 기반으로 강력한 기밀 보장을 유지하였다.
• 프레임워크는 모듈식이며 확장 가능하여 다양한 예측 함수와 기밀 정의와의 통합이 가능하다.
• 실험 평가를 통해 대부분의 시나리오에서 메커니즘이 성능 향상을 보였으며, 특히 선형적이거나 예측 가능한 이동 패턴에서 두드러졌다.
• 비밀스러운 예측 검증을 통해 반복 쿼리 상황에서도 기밀을 훼손하지 않으면서도 효율적인 예산 관리가 가능했다.