IoT 기술과 빅데이터, 인공지능의 발전으로 대규모 데이터의 수집과 분석이 중요해졌다. 하지만 개인의 건강 데이터나 위치 데이터의 수집 및 분석 과정에서 프라이버시 노출이 발생할 수 있다. 이러한 문제를 해결하기 위해 k-익명화, l-다양성과 같은 다양한 익명화 기법들이 연구되었으나 공격자가 데이터에 대한 사전 지식이 있거나 데이터의 분포 및 유사성에 의해 여전히 프라이버시 노출 위험이 존재한다. 본 논문에서는 데이터의 분포 특성을 유지하면서 데이터를 변조하여 프라이버시를 보호하는 차분 프라이버시(differential privacy) 방법을 IoT 데이터의 수집과 분석에 적용하는 연구를 수행한다. 본 논문에서 대상으로 하는 IoT 데이터는 시간에 따라 반복되는 패턴이 연속적으로 발생하는 주기 신호 데이터 이다. 이러한 주기 신호 데이터를 한 패턴을 뜻하는 사이클로 나누어 사이클 단위로 데이터를 수집한다. 본 논문의 목표는 ...
IoT 기술과 빅데이터, 인공지능의 발전으로 대규모 데이터의 수집과 분석이 중요해졌다. 하지만 개인의 건강 데이터나 위치 데이터의 수집 및 분석 과정에서 프라이버시 노출이 발생할 수 있다. 이러한 문제를 해결하기 위해 k-익명화, l-다양성과 같은 다양한 익명화 기법들이 연구되었으나 공격자가 데이터에 대한 사전 지식이 있거나 데이터의 분포 및 유사성에 의해 여전히 프라이버시 노출 위험이 존재한다. 본 논문에서는 데이터의 분포 특성을 유지하면서 데이터를 변조하여 프라이버시를 보호하는 차분 프라이버시(differential privacy) 방법을 IoT 데이터의 수집과 분석에 적용하는 연구를 수행한다. 본 논문에서 대상으로 하는 IoT 데이터는 시간에 따라 반복되는 패턴이 연속적으로 발생하는 주기 신호 데이터 이다. 이러한 주기 신호 데이터를 한 패턴을 뜻하는 사이클로 나누어 사이클 단위로 데이터를 수집한다. 본 논문의 목표는 IoT 환경에서 이러한 사이클 데이터에 1BitMean 지역 차분 프라이버시를 사용하여 1) 신뢰할 수 없는 서버 환경에서도 프라이버시를 보장하고, 2) 통신비용을 절약하여 3) 데이터의 평균 경향성을 수집하고 이상치를 탐지하는 방법에 대하여 보인다.
IoT 기술과 빅데이터, 인공지능의 발전으로 대규모 데이터의 수집과 분석이 중요해졌다. 하지만 개인의 건강 데이터나 위치 데이터의 수집 및 분석 과정에서 프라이버시 노출이 발생할 수 있다. 이러한 문제를 해결하기 위해 k-익명화, l-다양성과 같은 다양한 익명화 기법들이 연구되었으나 공격자가 데이터에 대한 사전 지식이 있거나 데이터의 분포 및 유사성에 의해 여전히 프라이버시 노출 위험이 존재한다. 본 논문에서는 데이터의 분포 특성을 유지하면서 데이터를 변조하여 프라이버시를 보호하는 차분 프라이버시(differential privacy) 방법을 IoT 데이터의 수집과 분석에 적용하는 연구를 수행한다. 본 논문에서 대상으로 하는 IoT 데이터는 시간에 따라 반복되는 패턴이 연속적으로 발생하는 주기 신호 데이터 이다. 이러한 주기 신호 데이터를 한 패턴을 뜻하는 사이클로 나누어 사이클 단위로 데이터를 수집한다. 본 논문의 목표는 IoT 환경에서 이러한 사이클 데이터에 1BitMean 지역 차분 프라이버시를 사용하여 1) 신뢰할 수 없는 서버 환경에서도 프라이버시를 보장하고, 2) 통신비용을 절약하여 3) 데이터의 평균 경향성을 수집하고 이상치를 탐지하는 방법에 대하여 보인다.
As IoT, big data, and artificial intelligence technology advances, the collection and analysis of large-scale data has become important. However, privacy exposure issues may occur while collecting and analyzing sensitive data such as personal health data and location data. To solve the problem, anon...
As IoT, big data, and artificial intelligence technology advances, the collection and analysis of large-scale data has become important. However, privacy exposure issues may occur while collecting and analyzing sensitive data such as personal health data and location data. To solve the problem, anonymization techniques such as k-anonymization and l-diversity have been developed, but there still exists a risk of privacy exposure due to the attacker’s prior knowledge about the distribution or similarity of the data. In this thesis, we develop a method applying differential privacy methods, which protects privacy by perturbing data while maintaining the distribution characteristics of data, to the collection and analysis of IoT data. The IoT data dealt in this research is periodic signal data in which a repeating pattern continuously occurs over time. This periodic signal data is divided into cycles, which represent one repeated pattern, and data is collected in units of cycles. The goal of this paper is to use 1BitMean local differential privacy for the cycle data in the IoT environment in order to 1) ensure privacy even in an untrustable server environment, 2) save communication costs and 3) collect average tendencies of data and detect outliers.
As IoT, big data, and artificial intelligence technology advances, the collection and analysis of large-scale data has become important. However, privacy exposure issues may occur while collecting and analyzing sensitive data such as personal health data and location data. To solve the problem, anonymization techniques such as k-anonymization and l-diversity have been developed, but there still exists a risk of privacy exposure due to the attacker’s prior knowledge about the distribution or similarity of the data. In this thesis, we develop a method applying differential privacy methods, which protects privacy by perturbing data while maintaining the distribution characteristics of data, to the collection and analysis of IoT data. The IoT data dealt in this research is periodic signal data in which a repeating pattern continuously occurs over time. This periodic signal data is divided into cycles, which represent one repeated pattern, and data is collected in units of cycles. The goal of this paper is to use 1BitMean local differential privacy for the cycle data in the IoT environment in order to 1) ensure privacy even in an untrustable server environment, 2) save communication costs and 3) collect average tendencies of data and detect outliers.
Keyword
#차분 프라이버시 시계열 신호 데이터 데이터 수집 이상치 탐지 Differential privacy Time series signal data Data collection Outlier detection
학위논문 정보
저자
김용우
학위수여기관
연세대학교 대학원
학위구분
국내석사
학과
전산학과
지도교수
임효상
발행연도
2023
총페이지
v, 48장
키워드
차분 프라이버시 시계열 신호 데이터 데이터 수집 이상치 탐지 Differential privacy Time series signal data Data collection Outlier detection
AI-Helper
※ AI-Helper는 부적절한 답변을 할 수 있습니다.