[논문 리뷰] Quantifying the Tradeoff Between Cybersecurity and Location Privacy

Dajiang Suo, M. Elena Renda외 1명|arXiv (Cornell University)|2021. 05. 04.

Privacy-Preserving Technologies in Data참고 문헌 34인용 수 5

한 줄 요약

이 논문은 두 차원의 라플라스 노이즈를 적용하여 차량 이동 데이터를 흐리게 하여 미분적 비밀유지(privacy)를 구현하고, 이를 통해 린-헬링 서비스에서 위치 기반 개인정보 보호와 사이버보안 간의 상충 관계를 평가한다. DBSCAN 및 RNN 기반 이상 탐지기의 성능에 미치는 영향을 분석한다. 결과적으로 RNN은 DBSCAN보다 비밀유지 노이즈에 훨씬 더 강건한 것으로 나타났으며, 낮은 노이즈 수준에서 DBSCAN은 AUC가 15% 감소하는 반면 RNN은 단지 5% 감소하였다. 이는 청소된 데이터에서 유사한 정확도를 보였음에도 불구하고 DBSCAN이 비밀유지 흐림 처리에 더 민감함을 시사한다.

ABSTRACT

When it comes to location-based services (LBS), user privacy protection can be in conflict with security of both users and trips. While LBS providers could adopt privacy preservation mechanisms to obfuscate customer data, the accuracy of vehicle location data and trajectories is crucial for detecting anomalies, especially when machine learning methods are adopted by LBS. This paper aims to tackle this dilemma by evaluating the tradeoff between location privacy and security in LBS. In particular, we investigate the impact of applying location data privacy-preservation techniques on the performance of two detectors, namely a Density-based spatial clustering of applications with noise (DBSCAN), and a Recurrent Neural Network (RNN). The experimental results suggest that, by applying privacy on location data, DBSCAN is more sensitive to Laplace noise than RNN, although they achieve similar detection accuracy on the trip data without privacy preservation. Further experiments reveal that DBSCAN is not scalable to large size datasets containing millions of trips, because of the large number of computations needed for clustering trips. On the other hand, DBSCAN only requires less than 10 percent of the data used by RNN to achieve similar performance when applied to vehicle data without obfuscation, demonstrating that clustering-based methods can be easily applied to small datasets. Based on the results, we recommend usage scenarios of the two types of trajectory anomaly detectors when applying privacy preservation, by taking into account customers' need for privacy, the size of the available vehicle trip data, and real-time constraints of the LBS application.

연구 동기 및 목표

• 이동 기반 서비스(LBS)에서 사용자 위치 기반 개인정보 보호와 사이버보안 유지 간의 갈등을 탐구하기 위해.
• 특히 두 차원의 라플라스 노이즈를 활용한 미분적 비밀유지 기법이 차량 이동 데이터의 이상 탐지 성능에 미치는 영향을 평가하기 위해.
• 비밀유지 훼손 조건 하에서 공간 클러스터링 기반(DBSCAN)과 딥러닝 기반(RNN) 이상 탐지기의 강건성(robustness)을 비교하기 위해.
• 데이터 크기, 실시간 제약 조건, 비밀유지 요구 수준에 따라 적절한 이상 탐지기 선택에 대한 지침을 제공하기 위해.
• 실제 이동 서비스에서 비밀유지 기법의 적용이 보안 성능에 미치는 영향을 정량화하여 정책 수립 및 시스템 설계에 기여하기 위해.

제안 방법

• 미분적 비밀유지를 달성하기 위해 개별 위치(위치 기반)와 궤적 내 시간적 상관관계(궤적 기반)에 모두 두 차원의 라플라스 노이즈를 적용하여 데이터를 흐리게 하였다.
• 학습 데이터가 필요 없이 이동 궤적의 공간 클러스터링에 기반한 비지도 학습 이상 탐지기로 DBSCAN을 사용하였다.
• 과거 이동 데이터에서 패턴을 학습하고 복원 오차를 통해 이탈을 탐지함으로써, 순환 신경망(RNN)을 이상 탐지에 활용하였다.
• 원본 및 흐릿하게 처리된 이동 데이터 세트에서 AUC 스코어를 사용하여 탐지기 성능을 평가하였다.
• 비밀유지 파라미터(예: 노이즈 스케일을 통한 ε)를 다양하게 조정하고, 학습 데이터에 포함되지 않은 출발지-도착지(O-D) 쌍을 이동시켰을 때의 영향을 테스트하였다.
• 특히 DBSCAN과 RNN의 확장성과 데이터 효율성 측면에서 다양한 크기의 데이터 세트 간 성능을 비교하였다.

실험 결과

연구 질문

• RQ1 두 차원의 라플라스 노이즈를 통한 미분적 비밀유지 적용이 DBSCAN과 RNN의 이상 탐지 정확도에 어떤 영향을 미치는가?
• RQ2 증가하는 위치 데이터 흐림 수준에서 공간 기반 클러스터링(DBSCAN)과 딥러닝 기반(RNN) 이상 탐지기 간의 상대적 강건성은 어떠한가?
• RQ3 이동 데이터 세트의 크기가 DBSCAN과 RNN의 이상 이동 탐지 성능 및 확장성에 어떤 영향을 미치는가?
• RQ4 학습 데이터에 포함되지 않은 O-D 쌍이 비밀유지 조건 하에서 각 방법의 탐지 성능에 어떤 영향을 미치는가?
• RQ5 실제 린-헬링 시스템에서 위치 기반 개인정보 보호와 이상 탐지 기능 간의 상충 관계는 어떠한가?

주요 결과

• 낮은 수준의 라플라스 노이즈 조건에서 DBSCAN의 AUC 스코어는 15% 감소한 반면, RNN의 AUC는 동일한 조건에서 단지 5% 감소하여, RNN이 미분적 비밀유지 노이즈에 더 강건함을 시사한다.
• 청소된 데이터에서 유사한 탐지 정확도를 보였음에도 불구하고, DBSCAN은 RNN보다 비밀유지 훼손 조건에 훨씬 더 민감함을 보였다.
• 청소된 데이터에서 동일한 성능를 달성하기 위해 DBSCAN은 RNN가 필요로 하는 데이터의 10% 미만으로도 충분하여, 소규모 데이터 세트에 더 데이터 효율적임을 확인하였다.
• 모든 궤적을 클러스터링해야 하는 높은 계산 비용으로 인해 DBSCAN은 대규모 데이터 세트(예: 수백만 건의 이동)에는 확장성이 떨어짐을 확인하였다.
• RNN은 효과적인 학습을 위해 1억 건 이상의 이동 데이터가 필요로 하지만, DBSCAN는 사전 학습 없이도 직접 적용 가능하므로 소규모 시스템에 적합함을 확인하였다.
• 비밀유지 노이즈가 클러스터링 기반 방법(DBSCAN)에 더 심각한 영향을 미치며, 특히 학습 데이터에 없는 O-D 쌍이 존재할 경우 이는 이러한 접근 방식의 핵심 취약점임을 드러냈다.