[논문 리뷰] Differentially Private Trajectory Data Publication

Rui Chen, Benjamin C. M. Fung외 1명|arXiv (Cornell University)|2011. 12. 09.

Privacy-Preserving Technologies in Data참고 문헌 47인용 수 61

한 줄 요약

이 논문은 대규모 궤적 데이터를 위한 데이터 의존적 비밀리성 보장 기반의 차별적 비밀리성 정제 알고리즘을 제안한다. 노이즈가 섞인 접두사 트리를 활용하여 출력 도메인을 적응적으로 좁혀 유용성을 향상시킨다. 이는 카운트 쿼리와 빈번한 순차 패턴 탐색에 높은 유용성을 달성하며, STM과 같은 실세계 데이터셋에 대해 효율적으로 확장 가능하며, 120만 건의 레코드에 대해 런타임이 25초 이내이다.

ABSTRACT

With the increasing prevalence of location-aware devices, trajectory data has been generated and collected in various application domains. Trajectory data carries rich information that is useful for many data analysis tasks. Yet, improper publishing and use of trajectory data could jeopardize individual privacy. However, it has been shown that existing privacy-preserving trajectory data publishing methods derived from partition-based privacy models, for example k-anonymity, are unable to provide sufficient privacy protection. In this paper, motivated by the data publishing scenario at the Societe de transport de Montreal (STM), the public transit agency in Montreal area, we study the problem of publishing trajectory data under the rigorous differential privacy model. We propose an efficient data-dependent yet differentially private sanitization algorithm, which is applicable to different types of trajectory data. The efficiency of our approach comes from adaptively narrowing down the output domain by building a noisy prefix tree based on the underlying data. Moreover, as a post-processing step, we make use of the inherent constraints of a prefix tree to conduct constrained inferences, which lead to better utility. This is the first paper to introduce a practical solution for publishing large volume of trajectory data under differential privacy. We examine the utility of sanitized data in terms of count queries and frequent sequential pattern mining. Extensive experiments on real-life trajectory data from the STM demonstrate that our approach maintains high utility and is scalable to large trajectory datasets.

연구 동기 및 목표

• 궤적 데이터의 개인정보 보호를 위해 파artition 기반의 비밀리성 모델(예: k-익명성)의 한계를 해결하기 위해.
• 고유한 유용성을 유지하면서도 확장성 있는 데이터 의존적 접근 방식을 개발하여 차별적 비밀리성 궤적 데이터 공개를 실현하기 위해.
• 엄격한 비밀리성 보장을 보장하면서도 대규모 궤적 데이터셋을 실용적으로 공개할 수 있도록 하기 위해.
• 노이즈가 섞인 접두사 트리 구조에 대해 제약 조건이 있는 추론을 통해 유용성을 향상시키기 위해.

제안 방법

• 기본 궤적 데이터로부터 구축된 노이즈가 섞인 접두사 트리를 활용하여 출력 도메인을 적응적으로 좁히는 데이터 의존적 비밀리성 정제 알고리즘을 제안한다.
• 각 레벨의 노드 카운트에 라플라스 노이즈를 적용하여 노이즈가 섞인 접두사 트리를 구축함으로써 (ε, δ)-차별적 비밀리성 보장을 확보한다.
• 제약 조건이 있는 추론을 후처리 단계로 활용하여 접두사 트리의 구조적 일관성을 강제함으로써 가짜 양성 결과를 줄이고 유용성을 향상시킨다.
• 기본 및 완전 궤적 데이터 유형 모두에 적용하여 카운트 쿼리와 빈번한 순차 패턴 탐색을 지원한다.
• 데이터 독립적 접근 방식에서 발생하는 지수적 증가를 방지하기 위해 출력 도메인의 관련 부분에만 집중하여 계산 효율성을 최적화한다.
• 유용성 평가를 위해 정제된 데이터를 기반으로 PrefixSpan 알고리즘을 통합하여 빈번한 순차 패턴 탐색 평가를 수행한다.

실험 결과

연구 질문

• RQ1 데이터 의존적 접근 방식이 궤적 데이터에 대해 데이터 독립적 비밀리성 보장 방법보다 더 높은 유용성을 달성할 수 있는가?
• RQ2 노이즈가 섞인 접두사 트리 구축 방식이 궤적 쿼리의 유용성을 유지하면서도 개인정보 보호를 효과적으로 보장하는가?
• RQ3 제약 조건이 있는 추론이 차별적 비밀리성 궤적 데이터의 유용성을 얼마나 향상시키는가?
• RQ4 데이터셋 크기와 위치 유니버스 크기가 증가함에 따라 이 방법의 확장성은 어떻게 되는가?
• RQ5 카운트 쿼리와 순차 패턴 탐색과 같은 실세계 데이터 마이닝 작업에서 정제된 데이터의 유용성은 어떠한가?

주요 결과

• 카운트 쿼리에 대해 높은 유용성을 달성하였으며, 강력한 비밀리성 예산(ε=1.0) 조건에서도 최소한의 왜곡을 보였다.
• 빈번한 순차 패턴 탐색에서 ε=1.0 조건에서 참 양성 169건과 참 음성 31건을 기록하여 강력한 유용성 유지 능력을 입증하였다.
• 런타임은 데이터베이스 크기와 위치 유니버스 크기와 선형적으로 증가하며, 120만 건의 레코드에 대해 단 24초 만에 완료되었다.
• 제약 조건이 있는 추론은 가짜 음성 결과를 크게 줄였으며, 기준 방법 대비 20% 감소한 가짜 음성 결과를 기록하였다.
• 다양한 비밀리성 예산(ε ∈ [0.5, 1.5])과 높이 파라미터(h ∈ [6, 20])에서도 높은 유용성을 유지하여 강건성을 입증하였다.
• 이 방법은 대규모 궤적 데이터에 대한 차별적 비밀리성 공개를 위한 첫 번째 실용적 솔루션이며, 효율성과 유용성 면에서 데이터 독립적 방법을 능가한다.