선택한 단어 수는 입니다.
최소 단어 이상 선택하여야 합니다.
최소 단어 이상 선택하여야 합니다.
선택한 단어 수는 30입니다.
최대 10 단어까지만 선택 가능합니다.
최대 10 단어까지만 선택 가능합니다.
문제 정의
- 본 논문에서는 기존의 비식별화 기법이 아닌 차분 프라이버시를 이용한 기술에 대한 연구 및 이를 이용 해 금융 데이터상에서의 차분 프라이버시 모델에 대 한 방향을 정립한다. 앞서 SK텔레콤의 실증 사례와 같이 차분 프라이버시가 금융 데이터 비식별화 기법에 적용된다면 개인에 대한 정보보호를 강력하게 보장하면서 동시에 유용하게 쓰일 것으로 예상된다.
- 또한 개인 데이터 수집 등의 기술에도 적용 가능한 장점을 가지고 있다. 본 논문은 이를 바탕으로 금융 데이터상에서의 차분 프라이버시 적용 방향을 제시하였다. SK 텔레콤의 실증 사례로 보아 비식별화된 데이터 공개 및 공유는 업체 상호간에 매우 유용하게 사용될 수 있는 것으로 파악되었다.
제안 방법
- 따라서 대개 특정 개인의 데이터에 의존하게 되므로 서버를 신뢰할 수 있는 개체로 둘 수 밖에 없으며 이러한 경우에는 로컬 차분 프라이버시 모델이 적합하지 않다. 두 번째로는, 금융사 간 또는 금융사-비금융사 간 데이터 공유 및 결합을 수행할 시의 차분 프라이버시 적용 방안이다. 이 때 각 업체는 보유하고 있는 데이터를 비식별화하여 데이터 공개를 수행하고, 해당 데이터를 분석하려는 업체는 이를 분석하여 유용하게 사용한다.
- 이번 장에서는 상기 열거한 사항을 기반으로 금융 데이터상에서의 차분 프라이버시 모델 정립을 목표로 한다. 따라서 기존의 모델을 적용하고 응용하여 공개된 금융 데이터를 이용해 데이터 공유 및 결합을 위한 금융 데이터 공개 및 머신러닝 사용 시의 차분 프라이버시 모델을 정립한다. 또한 공개된 금융 데이터를 이용하여 금융 데이터에 차분 프라이버시가 적용된 경우의 데이터 유용성에 대하여 분석한다.
- 따라서 기존의 모델을 적용하고 응용하여 공개된 금융 데이터를 이용해 데이터 공유 및 결합을 위한 금융 데이터 공개 및 머신러닝 사용 시의 차분 프라이버시 모델을 정립한다. 또한 공개된 금융 데이터를 이용하여 금융 데이터에 차분 프라이버시가 적용된 경우의 데이터 유용성에 대하여 분석한다. 해당 실험 및 분석은 금융 데이터 공유 모델에 대해 랜덤 샘플링 후 k-익명성을 적용하는 버전[27]을 이용하였고 금융 데이터 머신러닝 모델에 대해 ID3[29][39] 버전의 의사결정나무 알고리즘을 이용하였다.
- 따라서 차분 프라이버시를 만족하는 데이터 공개 기법을 적용할 수 있다. 마지막으로, 금융 데이터상에서의 머신러닝을 이용한 금융 서비스에서의 차분 프라이버시 적용 방안이다. 금융보안원의 보고서에 의하면, 금융 산업은 의료 산업에 이어 인공지능 기술 활용도가 두 번째로 높을 것으로 기대된다.
- 본 논문에서는 데이터 비식별화 기법 중 하나인 차분 프라이버시에 대한 연구 및 기술 분류를 통해 금융 데이터상에서의 차분 프라이버시 모델에 대한 적용 방향을 정립하였다. 차분 프라이버시는 기존의 비식별화 기법과는 달리 공격자의 배경지식과 는 무관하게 개인에 대한 강력한 프라이버시를 보존하는 기법이다.
- 5와 같은 구조를 가지게 된다. 설계자는 모델 설계 전 해당 서비스에 알맞은 머신러닝 모델을 선택하게 되며, 온라인 질의를 통해 차분 프라이버시를 만족하는 데이터 학습 이후 이를 기반으로 차분 프라이버시를 만족하는 머신러닝 모델을 설계하게 된다.
- SK 텔레콤의 실증 사례로 보아 비식별화된 데이터 공개 및 공유는 업체 상호간에 매우 유용하게 사용될 수 있는 것으로 파악되었다. 이에 대해 본 논문은 금융 데이터 상에서 차분 프라이버시를 만족하는 데이터 공개 기법을 크게 두 가지 방식으로 제시하였다. 또한 금융 데이터 기반의 머신러닝 기술 또 한 다양한 분야에서 널리 사용 중에 있다.
- 이 외에도 금융데이터의 여러 특성으로 보아 다음과 같은 분야에 대한 차분 프라이버시 기술 연구가 필요할 것으로 전망된다. 첫 번째는 데이터 수집 환경에서의 로컬 차분 프라이버시 적용 방안이다. 물론 앞서 기술하였듯이 현재는 주로 신뢰할 수 있는 개체가 데이터를 수집한 후 특정 개인에게 알맞은 서비스를 제공하기 때문에 이러한 경우 로컬 차분 프라이버시는 적절하지 않다.
- 상기 차분 프라이버시가 적용된 기술들에 대한 분류는 금융 데이터상에서의 차분 프라이버시 모델 정립의 기반이 되며, 이는 다음과 같은 세 가지 방식으로 크게 나눌 수 있다. 첫 번째로는, 개인 금융 데이터를 수집 하는 방식에서의 차분 프라이버시 적용 방안이다. 하지만 현재 대부분의 금융 서비스에서는 사용자가 자신의 정보를 금융 서비스 제공자인 서버에게 전송하게 되면 서버는 특정 개인에게 알맞은 서비스를 제공하게 된다.
이론/모형
- [24] 이에 대한 대표적인 기법으로는 미 통계국(US Census Bureau)이 온라인 상으로 개인 혹은 민간 업체 등이 유용하게 사용할 수 있는 미국 지역별 인구 통계를 제공하는 OnTheMap[25][26]이 있다. 이는 현재 2002년도부터 2014년까지 나이, 수입, 인종, 학력, 성별을 준식별자로 가진 데이터를 제공하며, Dirichlet 분포를 이용한 차분 프라이버시를 만족하는 재현 데이터 생성 알고리즘[26]을 사용한다. 그리고 Li 등[27] 또한 차분 프라이버시를 만족하는 재현 데이터 생성 알고리즘을 제안하였다.
- 또한 공개된 금융 데이터를 이용하여 금융 데이터에 차분 프라이버시가 적용된 경우의 데이터 유용성에 대하여 분석한다. 해당 실험 및 분석은 금융 데이터 공유 모델에 대해 랜덤 샘플링 후 k-익명성을 적용하는 버전[27]을 이용하였고 금융 데이터 머신러닝 모델에 대해 ID3[29][39] 버전의 의사결정나무 알고리즘을 이용하였다.
성능/효과
- 본 논문은 이를 바탕으로 금융 데이터상에서의 차분 프라이버시 적용 방향을 제시하였다. SK 텔레콤의 실증 사례로 보아 비식별화된 데이터 공개 및 공유는 업체 상호간에 매우 유용하게 사용될 수 있는 것으로 파악되었다. 이에 대해 본 논문은 금융 데이터 상에서 차분 프라이버시를 만족하는 데이터 공개 기법을 크게 두 가지 방식으로 제시하였다.
- 결과적으로 차분 프라이버시가 적용된 의사결정나무의 예와 같이 기존의 머신러닝 기술에 차분 프라이버시를 적용한다면 개인 데이터에 대한 프라이버시를 보존하면서 동시에 해당 학습 데이터의 분포를 유지하므로 기존의 프라이버시를 고려하지 않은 알고리즘의 분류도와 크지 않은 차이로 적절한 유용성을 보임을 알 수 있다.
- 차분 프라이버시는 기존의 비식별화 기법과는 달리 공격자의 배경지식과 는 무관하게 개인에 대한 강력한 프라이버시를 보존하는 기법이다. 이러한 차분 프라이버시는 데이터 공개 모델 및 머신러닝 모델에서도 데이터의 분포도에 큰 영향을 미치지 않으면서 동시에 개인 데이터에 대한 프라이버시를 보존하는 특성으로 인해 매우 유용하게 사용될 수 있다. 또한 개인 데이터 수집 등의 기술에도 적용 가능한 장점을 가지고 있다.
- 물론 앞서 기술하였듯이 현재는 주로 신뢰할 수 있는 개체가 데이터를 수집한 후 특정 개인에게 알맞은 서비스를 제공하기 때문에 이러한 경우 로컬 차분 프라이버시는 적절하지 않다. 하지만 데이터 수집 시에도 현 개인정보 보호법에 의해 개인정보 제공 동의를 받은 속성에 대해서만 정보 수집 및 활용이 가능하며 이러한 제약조건으로 인해 데이터 분석 가 입장에서 이는 데이터를 충분히 활용하지 못할 가능성이 크다. 이와 동시에 금융 고객 입장에서는 신뢰할 만한 개체를 서버로 두고 있다고 해도 자신이 제공 동의 한 속성들이 얼마나 공개되고 사용되는지 알 수 없기 때문에 금융 데이터 상에서 로컬 차분 프라이버시를 이용한 개인 데이터 수집을 수행한다면 고객의 개인 데이터 의 프라이버시를 보존하면서 동시에 데이터 분석가에게 조금 더 유리한 분석 환경을 제공할 수 있을 것으로 기대된다.
후속연구
- 두 번째는 속성 간의 상관관계 분석이다. 4.2절에서 사용된 예제와 같이 금융 데이터는 보통 계좌가입 기간, 신용 이력, 보유한 계좌 수 등 수많은 속성들을 보유하고 있기 때문에 이에 대한 상관관계 분석을 통해 어떠한 속성이 많은 영향을 미치는지가 매우 유용하게 사용될 수 있다. 따라서 이러한 경우에 차분 프라이버시가 적용된다면 개인정보 노출 없이 데이터를 분석할 수 있으므로 이에 대한 관련 기술도 필요한 연구 중 하나일 것으로 예상된다.
- 2절에서 사용된 예제와 같이 금융 데이터는 보통 계좌가입 기간, 신용 이력, 보유한 계좌 수 등 수많은 속성들을 보유하고 있기 때문에 이에 대한 상관관계 분석을 통해 어떠한 속성이 많은 영향을 미치는지가 매우 유용하게 사용될 수 있다. 따라서 이러한 경우에 차분 프라이버시가 적용된다면 개인정보 노출 없이 데이터를 분석할 수 있으므로 이에 대한 관련 기술도 필요한 연구 중 하나일 것으로 예상된다. 세 번째는 시계열 데이터 분석이다.
- 이러한 경우 고객 데이터는 주로 사내에서 활용되나 현재 개인정 보 보호법은 당초 개인정보 수집 목적에 상기의 목적이 포함되어 있지 않다면 이를 위한 개별 동의를 받거나 데이터 비식별화 조치를 취하도록 요구하고 있다. 따라서 차분 프라이버시가 적용된 머신러닝 학습 모델이 적용된다면 데이터에 대한 강력한 프라이버시를 보존함과 동시에 기존에 데이터 프라이버시를 고려하지 않은 알고리즘과 유사한 효율성을 보일 수 있어 매우 유용하게 사용될 수 있다.
- 3절에서 언급하였듯이 비정상 행위 탐지 시의 차분 프라이버시 기술 또한 한 분야로써 활발히 연구 중에 있다. 따라서 현재 금융 서비스 시스템에 알맞게 연구되어 적용된다면 이 또한 유용하게 사용될 수 있을 것으로 기대된다.
- 이러한 데이터 분석 시에도 역시 차분 프라이버시 기술을 접목한다면 유용하게 사용할 수 있을 것으로 기대되며 이에 대한 관련 기술 또한 필요한 연구 중 하나일 것으로 예상된다. 마지막으로 비정상 행위 탐지에서도 유용하게 사용될 것으로 예상된다. 3.
- 또한 금융 데이터 기반의 머신러닝 기술 또 한 다양한 분야에서 널리 사용 중에 있다. 머신러닝 기술에 적용되는 고객 데이터는 주로 사내에서 활용되지만, 현재 개인정보 보호법에 의해 이에 대한 비식별화 조치가 필요하므로 차분 프라이버시가 적용된 머신러닝 모델이 매우 유용하게 사용될 수 있을 것으로 예상된다.
- 이 외에도 금융데이터의 여러 특성으로 보아 다음과 같은 분야에 대한 차분 프라이버시 기술 연구가 필요할 것으로 전망된다. 첫 번째는 데이터 수집 환경에서의 로컬 차분 프라이버시 적용 방안이다.
- 예를 들어 투자 관련 속성 등은 유동성이 크기 때문에 보통 시계열 데이터로 나타내어진다. 이러한 데이터 분석 시에도 역시 차분 프라이버시 기술을 접목한다면 유용하게 사용할 수 있을 것으로 기대되며 이에 대한 관련 기술 또한 필요한 연구 중 하나일 것으로 예상된다. 마지막으로 비정상 행위 탐지에서도 유용하게 사용될 것으로 예상된다.
- 하지만 데이터 수집 시에도 현 개인정보 보호법에 의해 개인정보 제공 동의를 받은 속성에 대해서만 정보 수집 및 활용이 가능하며 이러한 제약조건으로 인해 데이터 분석 가 입장에서 이는 데이터를 충분히 활용하지 못할 가능성이 크다. 이와 동시에 금융 고객 입장에서는 신뢰할 만한 개체를 서버로 두고 있다고 해도 자신이 제공 동의 한 속성들이 얼마나 공개되고 사용되는지 알 수 없기 때문에 금융 데이터 상에서 로컬 차분 프라이버시를 이용한 개인 데이터 수집을 수행한다면 고객의 개인 데이터 의 프라이버시를 보존하면서 동시에 데이터 분석가에게 조금 더 유리한 분석 환경을 제공할 수 있을 것으로 기대된다. 두 번째는 속성 간의 상관관계 분석이다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.