$\require{mediawiki-texvc}$

연합인증

연합인증 가입 기관의 연구자들은 소속기관의 인증정보(ID와 암호)를 이용해 다른 대학, 연구기관, 서비스 공급자의 다양한 온라인 자원과 연구 데이터를 이용할 수 있습니다.

이는 여행자가 자국에서 발행 받은 여권으로 세계 각국을 자유롭게 여행할 수 있는 것과 같습니다.

연합인증으로 이용이 가능한 서비스는 NTIS, DataON, Edison, Kafe, Webinar 등이 있습니다.

한번의 인증절차만으로 연합인증 가입 서비스에 추가 로그인 없이 이용이 가능합니다.

다만, 연합인증을 위해서는 최초 1회만 인증 절차가 필요합니다. (회원이 아닐 경우 회원 가입이 필요합니다.)

연합인증 절차는 다음과 같습니다.

최초이용시에는
ScienceON에 로그인 → 연합인증 서비스 접속 → 로그인 (본인 확인 또는 회원가입) → 서비스 이용

그 이후에는
ScienceON 로그인 → 연합인증 서비스 접속 → 서비스 이용

연합인증을 활용하시면 KISTI가 제공하는 다양한 서비스를 편리하게 이용하실 수 있습니다.

프라이버시 보존형 데이터 마이닝 방법 및 척도 분석
Privacy Preserving Data Mining Methods and Metrics Analysis 원문보기

디지털융복합연구 = Journal of digital convergence, v.16 no.10, 2018년, pp.445 - 452  

홍은주 (공주대학교 융합과학과) ,  홍도원 (공주대학교 응용수학과) ,  서창호 (공주대학교 응용수학과)

초록
AI-Helper 아이콘AI-Helper

생활의 모든 것들이 데이터화 되어가고 있는 세상에서 데이터의 양은 기하급수적으로 증가하고 있다. 이러한 데이터는 수집 및 분석을 통하여 새로운 데이터로 가공되어진다. 새로운 데이터는 병원, 금융, 기업 등 여러 분야에서 다양한 용도로 사용되고 있다. 그러나 기존의 데이터에는 개인들의 민감한 정보가 포함되어 있기 때문에 수집 및 분석과정에서 개인의 프라이버시 노출 우려가 있다. 해결 방안으로 프라이버시 보존형 데이터 마이닝(PPDM)기술이 있다. PPDM은 프라이버시를 보존하면서 동시에 데이터로부터 유용한 정보를 추출하는 방법이다. 본 논문에서는 PPDM을 조사하고 데이터의 프라이버시와 유틸리티를 평가하기 위한 다양한 측정방법을 분석한다.

Abstract ▼ AI-Helper 아이콘AI-Helper

In a world where everything in life is being digitized, the amount of data is increasing exponentially. These data are processed into new data through collection and analysis. New data is used for a variety of purposes in hospitals, finance, and businesses. However, since existing data contains sens...

주제어

#프라이버시   #데이터 마이닝   #프라이버시 보존형 데이터 마이닝   #척도   #유틸리티  

표/그림 (3)

AI 본문요약
AI-Helper 아이콘 AI-Helper

* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.

문제 정의

  • PPDM의 목적은 데이터 유용성을 최대화하면서 일정 수준의 프라이버시를 보존하는 것이다. 프라이버시 레벨은 가능한 프라이버시 침해로부터 얼마나 안전한지를 나타낸다.
  • 과다한 프라이버시 제어를 해결하기 위해 xiao와 Tao는 각각의 개인마다 프라이버시 레벨을 정의하는 개인 프라이버시 개념을 제시하였다[16]. 목적은 개인별 프라이버시를 설정하면서 최대한의 유틸리티를 보존하는 것이다. 개인 프라이버시는 민감한 값의 트리를 생성하여 레코드 소유자가 보호 노드를 정의하게 된다.
  • PPDM은 프라이버시 레벨, 데이터 유틸리티, 데이터 복잡성 등 기법을 비교하고 평가하는 척도에 초점을 두어 많은 분야에 효과적으로 적용할 수 있다. 본 논문에서는 PPDM의 방법 및 프라이버시와 데이터 유틸리티를 평가하기 위한 여러 가지 척도에 대하여 분석한다[1-6].
  • KDD(Knowledge Discovery from Data)는 데이터 클리닝, 데이터 통합, 데이터 수집, 데이터 변형, 데이터 마이 닝, 패턴 평가, 지식 표현의 여러 단계로 구성되어 있다 [7]. 본 절에서는 데이터 마이닝 단계의 고전적인 데이터 마이닝 기술에 대하여 살펴본다.

가설 설정

  • 1) D에서 모든 아이템 집합에서 주어진 최소 지지도의 임계값보다 크거나 같은 아이템 집합을 찾는다.
  • 데이터를 수집하는 개체를 신뢰할 수 없다고 가정한다. 데이터의 프라이버시를 보존하기 위하여 원본 데이터에 랜덤 값을 추가하는 데이터 변환이 필요하다.
본문요약 정보가 도움이 되었나요?

질의응답

핵심어 질문 논문에서 추출한 답변
데이터 마이닝이란? 데이터 마이닝이란 빅데이터로부터 패턴을 추출하는 단계이다. 패턴이란 데이터의 부분집합을 설명하는 표현식 또는 부분집합에 적용할 수 있는 모델로 정의된다.
데이터 마이닝 방법으로 무엇이 사용되는가? 패턴이란 데이터의 부분집합을 설명하는 표현식 또는 부분집합에 적용할 수 있는 모델로 정의된다. 데이터 마이닝 방법은 패턴 발견 및 추출이 목적이기 때문에 패턴인식 기술이 종종 사용된다[8]. 게다가 패턴인식과 머신러닝은 두 가지 측면에서 동일한 분야에 있다고 볼 수 있다.
수집된 데이터에는 개인의 민감한 정보가 포함되어 있어 프라이버시 노출의 우려가 있어 어떤 방법을 개발 하였는가? 본 논문에서의 정보 프라이버시를 데이터 수집 및 분석시 침해될 수 있는 정보 유출이라고 정의한다. 프라이버시의 침해를 막기 위하여 즉, 프라이버시를 보호하기 위해 원본 데이터를 수정하여 프라이버시를 보존하는 방법이 개발되었다. 원본 데이터를 수정하기 때문에 정보의 유틸리티가 떨어지고 데이터 마이닝을 통한 정보 추출이 부정확하거나 또는 수정된 데이터 자체가 쓸모 없어질 수있다.
질의응답 정보가 도움이 되었나요?

참고문헌 (21)

  1. C. C. Aggarwal. (2015) Data Mining: The Textbook. New York, NY, USA:Springer. 

  2. S. Fletcher & M. Z. Islam. (2015) Measuring information quality for privacy preserving data mining. Int. J. Comput. Theory Eng, 7(1), 2128. 

  3. Y. A. A. S. Aldeen, M. Salleh & M. A. Razzaque.(2015) A comprehensive review on privacy preserving data mining. SpringerPlus, 4(1), 694. 

    상세보기

  4. S. Yu. (2016). Big privacy: Challenges and opportunities of privacy study in the age of big data. IEEE Access, 4, 2751-2763. 

    상세보기

  5. A. Shah & R. Gulati. (2016) Privacy preserving data mining: Techniques, classication and implicationsA survey. Int. J. Comput. Appl, 137(12), 40-46. 

  6. R. Mendes & J. P. Vilela.(2017) Privacy-preserving data mining: Methods, metrics, and applications. IEEE Access, 5, 10562-10582. 

    상세보기

  7. U. Fayyad, G. Piatetsky-Shapiro & P. Smyth. (1996) From data mining to knowledge discovery in databases. AI Mag, 17(3), 3754. 

  8. C. M. Bishop. (2006) Pattern Recognition and Machine Learning. vol. 4. New York, NY, USA: Springer-Verla. 

  9. J. Han, M. Kamber & J. Pei. (2012) Data Mining: Concepts and Techniques. Amsterdam, The Netherlands: Elsevier. 

  10. C. C. Aggarwal & P. S. Yu. (2008) A general survey of privacy-preserving data mining models and algorithms. in Privacy-Preserving Data Mining. New York, NY, USA: Springer, 1152. 

  11. L. Xu, C. Jiang, J. Wang, J. Yuan & Y. Ren. Information security in big data: Privacy and data mining. IEEE Access, 2, 1149-1176. 

  12. K. Liu, H. Kargupta & J. Ryan. (2006) Random projection-based multiplicative data perturbation for privacy preserving distributed data mining. IEEE Trans. Knowl. Data Eng, 18(1), 92-106. 

    상세보기

  13. L. Sweeney. (2002) K-anonymity: A model for protecting privacy. Int. J.Uncertainty, Fuzziness Knowl.-Based Syst, 10(5), 557-570. 

  14. A. Machanavajjhala, D. Kifer, J. Gehrke & M. Venkitasubramaniam. l-diversity: Privacy beyond k-anonymity. ACM Trans. Knowl. Discovery Data, 1(1), 3. 

  15. N. Li, T. Li & S. Venkatasubramanian. t-closeness: Privacy beyond k-anonymity and l-diversity. in Proc. IEEE 23rd Int. Conf. Data Eng, (ICDE), Apr, 106-115. 

  16. X. Xiao & Y. Tao. (2006) Personalized privacy preservation. in Proc, VLDB, 139-150. 

  17. C. Dwork. (2006) Differential privacy. in Automata, Languages and Programming, 4052. Venice, Italy: Springer-Verlag, Jul. 1-12. 

  18. V. S. Verykios. (2013) Association rule hiding methods. Wiley Interdiscipl. Rev., Data Mining Knowl. Discovery, 3(1), 28-36. 

  19. R. Agrawal & R. Srikant. (2000) Privacy-preserving data mining. ACM SIGMOD Rec, 29(2), 439-450. 

  20. S. R. Oliveira & O. R. Zaiane. (2002) Privacy preserving frequent itemset mining. in Proc. IEEE Int. Conf. Privacy, Secur. Data Mining, 14 Dec, 43-54. 

  21. E. Bertino, D. Lin & W. Jiang. (2008) A survey of quantication of privacy preserving data mining algorithms. in Privacy-Preserving Data Mining. New York, NY, USA: Springer, 183-205. 

저자의 다른 논문 :

LOADING...

관련 콘텐츠

오픈액세스(OA) 유형

BRONZE

출판사/학술단체 등이 한시적으로 특별한 프로모션 또는 일정기간 경과 후 접근을 허용하여, 출판사/학술단체 등의 사이트에서 이용 가능한 논문

저작권 관리 안내
섹션별 컨텐츠 바로가기

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

AI-Helper 아이콘
AI-Helper
안녕하세요, AI-Helper입니다. 좌측 "선택된 텍스트"에서 텍스트를 선택하여 요약, 번역, 용어설명을 실행하세요.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.

선택된 텍스트

맨위로