[논문 리뷰] Classification and Evaluation the Privacy Preserving Data Mining Techniques by using a Data Modification-based Framework

Mohammad Reza Keyvanpour, Somayyeh Seifi Moradi|arXiv (Cornell University)|2011. 05. 10.

Privacy-Preserving Technologies in Data참고 문헌 21인용 수 23

한 줄 요약

이 논문은 데이터 수정 기반 프레임워크를 제안하여 개인정보 보호 데이터 마이닝(PPDM) 기법을 분류하고 평가하며, 이를 통해 편향 및 익명화 접근 방식으로 분류한다. 여덟 가지 功能 기준을 통해 체계적인 비교가 가능해지고, 중복되는 기법을 식별하며 현대적 PPDM 방법의 식별을 지원하여 분야 내 정확한 평가와 발전을 위한 체계적인 기반을 제공한다.

ABSTRACT

In recent years, the data mining techniques have met a serious challenge due to the increased concerning and worries of the privacy, that is, protecting the privacy of the critical and sensitive data. Different techniques and algorithms have been already presented for Privacy Preserving data mining, which could be classified in three common approaches: Data modification approach, Data sanitization approach and Secure Multi-party Computation approach. This paper presents a Data modification- based Framework for classification and evaluation of the privacy preserving data mining techniques. Based on our framework the techniques are divided into two major groups, namely perturbation approach and anonymization approach. Also in proposed framework, eight functional criteria will be used to analyze and analogically assessment of the techniques in these two major groups. The proposed framework provides a good basis for more accurate comparison of the given techniques to privacy preserving data mining. In addition, this framework allows recognizing the overlapping amount for different approaches and identifying modern approaches in this field.

연구 동기 및 목표

• 데이터 마이닝에서의 개인정보 보호 문제 증가에 대응하기 위해 PPDM 기법을 체계적으로 분류하기 위해.
• 데이터 수정 기반으로 구조화된 프레임워크를 개발하여 PPDM 방법의 평가를 정밀화하고 비교 가능성과 정확성을 향상시키기 위해.
• PPDM 내에서 편향 및 익명화 접근 방식 간의 功能적 차이를 명확히 하기 위해.
• PPDM 기법 간의 중복 특성과 현대적 접근 방식을 식별하기 위해.
• 향후 연구 및 개발을 위한 표준화된 기반을 제공하기 위해.

제안 방법

• 프레임워크는 데이터 수정 전략에 기반해 PPDM 기법을 두 주요 그룹으로 분류한다: 편향 및 익명화.
• 데이터 유용성, 개인정보 보호, 계산 효율성 등의 차원을 고려해 기술 평가 및 비교를 위한 여덟 가지 功能 기준을 정의한다.
• 평가 과정은 정의된 기준을 활용해 기법 간 유사성 평가를 통해 강점과 약점을 파악하는 데 중점을 둔다.
• 특히 편향 및 익명화 접근 방식 간의 중복성을 식별할 수 있도록 프레임워크를 지원한다.
• 기능 기준과의 일치도를 분석함으로써 현대적 PPDM 기법을 식별할 수 있도록 한다.
• 기존의 PPDM 방법을 체계적으로 분석함으로써 프레임워크를 비교 분석 도구로 활용해 검증한다.

실험 결과

연구 질문

• RQ1 데이터 수정 전략에 기반해 PPDM 기법을 어떻게 체계적으로 분류할 수 있는가?
• RQ2 PPDM 기법의 성능과 개인정보 보호 보장을 평가하는 데 가장 효과적인 功能 기준은 무엇인가?
• RQ3 기존의 PPDM 기법 중 편향 및 익명화 카테고리 간에 어느 정도 중복이 발생하는가?
• RQ4 구조화된 평가 프레임워크를 통해 새로운 또는 현대적 PPDM 기법을 어떻게 식별할 수 있는가?
• RQ5 통합된 프레임워크는 PPDM 기법 비교의 정확성과 일관성을 향상시킬 수 있는가?

주요 결과

• 제안된 프레임워크는 데이터 수정 전략에 기반해 PPDM 기법을 두 주요 그룹으로 성공적으로 분류한다: 편향 및 익명화.
• 여덟 가지 功能 기준은 PPDM 기법의 평가 및 비교를 위한 종합적이고 체계적인 기반을 제공한다.
• 편향 및 익명화 접근 방식 간의 중복성을 식별하여 서로 다른 기법 간의 공통 특성을 드러낸다.
• 기능 기준과의 일치도를 분석함으로써 프레임워크는 현대적 PPDM 접근 방식의 탐지가 가능하다.
• 평가 과정은 비표준화된 또는 비체계적인 방법에 비해 기법 간 비교의 정확성이 향상됨을 입증한다.
• 프레임워크는 향후 연구를 위한 기초 도구로 기능하며, PPDM 기법 평가에 대한 체계적이고 반복 가능한 방법을 제공한다.