[論文レビュー] HUT: Enabling High-UTility, Batched Queries under Differential Privacy Protection for Internet-of-Vehicles

Junyu Liu, Wangkai Jin+5 more|arXiv (Cornell University)|Feb 14, 2022

Privacy-Preserving Technologies in Data被引用数 7

ひとこと要約

HUTは、微分プライバシー（DP）メカニズムを提唱する。このメカニズムは、IoV（モノのインターネット）において、バッチ処理および非対称なクエリワークロードにおいて、マイクロ集約と順序制約を組み合わせることで、データの有用性を向上させる。K-meansを用いて小値データをクラスタリングし、順序に配慮したノイズ注入を施すことで、最先端の手法と比較して情報損失を95.69%まで削減する。同時に、強固な数学的プライバシー保証を維持する。

ABSTRACT

The emerging trends of Internet-of-Vehicles (IoV) demand centralized servers to collect/process sensitive data with limited computational resources on a single vehicle. Such centralizations of sensitive data demand practical privacy protections. One widely-applied paradigm, Differential Privacy, can provide strong guarantees over sensitive data by adding noises. However, directly applying DP for IoV incurs significant challenges for data utility and effective protection. We observe that the key issue about DP-enabled protection in IoV lies in how to synergistically combine DP with special characteristics of IoV, whose query sequences are usually formed as unbalanced batches due to frequent interactions between centralized servers and edge vehicles. To this end, we propose HUT, a new algorithm to enable High UTility for DP-enabled protection in IoV. Our key insight is to leverage the inherent characteristics in IoV: the unbalanced batches. Our key idea is to aggregate local batches and apply Order Constraints, so that information loss from DP protection can be mitigated. We evaluate the effectiveness of HUT against the state-of-the-art DP protection mechanisms. The results show that HUT can provide much lower information loss by 95.69\% and simultaneously enable strong mathematically-guaranteed protection over sensitive data.

研究の動機と目的

• 集中型データ処理によって機密な車両データが露出するIoVシステムにおいて、データ有用性とプライバシーのバランスを図ること。
• IoVで一般的な非対称的かつ頻繁なクエリバッチを考慮しない既存のDPメカニズムの限界を克服すること。
• 情報損失を最小限に抑えつつ数学的プライバシー保証を損なわないDP準拠のフレームワークを開発すること。
• IoVクエリワークロードに内在する構造的特徴（特に非対称なバッチ）を活用し、DP下でのデータ有用性を向上させること。
• 単純クエリおよびカウントクエリの両方において、最先端のDPメカニズムを著しく上回る有用性の向上を達成すること。

提案手法

• 小値データをK-meansクラスタリングによりグループ化することで、感度を低減し、信号対雑音比（SNR）を向上させるマイクロ集約を適用する。
• 小値データ（クラスタリング対象）とそれ以外の値（クラスタリング対象外）を分離するための動的閾値を設定し、高感度領域での歪みを最小限に抑える。
• クラスタリング済みおよび未クラスタリングのデータにラプラスノイズを追加することで、$\epsilon$-微分プライバシーを実現し、数学的プライバシー保証を確保する。
• DP保護済みデータに対して順序制約（OC）を適用し、意味的または論理的な順序に基づいて結果を再ソートすることで、意味のあるデータ構造を保持する。
• さまざまなプライバシー予算（$\epsilon$）における情報損失を最小限に抑えるために、クラスタリングパラメータ（kおよび閾値）を最適化する。
• ハイブリッドクエリ処理パイプラインを採用：マイクロ集約 → DPノイズ注入 → 順序制約の適用 → 出力。

実験結果

リサーチクエスチョン

• RQ1 ノイズによる過剰な情報損失を伴わずに、IoVシステムに微分プライバシーを効果的に適用する方法は何か？
• RQ2 IoVクエリシーケンスの非対称的かつバッチ処理型の性質を活用することで、DP下でのデータ有用性を向上させられるか？
• RQ3 マイクロ集約と順序制約を組み合わせることで、DP保護クエリにおける情報損失をどの程度まで削減できるか？
• RQ4 HUTのパフォーマンスは、さまざまなプライバシー予算（$\epsilon$）およびデータ分布においてどのように変化するか？
• RQ5 実際の応用において、情報損失を最小限に抑えるために最適なクラスタリングパラメータ（kおよび閾値）の設定は何か？

主な発見

• 単純クエリにおいて、$\epsilon = 0.05$ の条件下で、HUTは最先端手法と比較して平均情報損失を95.69%削減した。
• カウントクエリにおいて、$\epsilon = 0.008$ 時に最大64.13%の情報損失削減を達成した。
• 情報損失を最小限に抑えるために最適なクラスタ数（k）は5〜15の範囲にあり、k=10がしばしば優れた性能を示した。
• クラスタリングの閾値は影響が小さく、単純クエリでは最大1%、カウントクエリでは最大6%のばらつきしか引き起こさない。
• 情報損失の削減効果は$\epsilon$が小さくなるほど向上し、特に低プライバシー予算での利得が顕著に見られた。
• HUTは、著しく優れたデータ有用性を実現しながらも、数学的プライバシー保証を強く維持しており、多様なクエリタイプにおいて既存手法を大きく上回った。