[논문]Privacy-Preserving IoT Data Collection in Fog-Cloud Computing Environment

Lim, Jong-Hyun; Kim, Jong Wook

doi:10.9708/jksci.2019.24.09.043

Privacy-Preserving IoT Data Collection in Fog-Cloud Computing Environment 원문보기

韓國컴퓨터情報學會論文誌 = Journal of the Korea Society of Computer and Information, v.24 no.9, 2019년, pp.43 - 49

Lim, Jong-Hyun (School of Computer Science, Sangmyung University) , Kim, Jong Wook (Dept. of Computer Science, Sangmyung University)

Abstract ▼ AI-Helper

Today, with the development of the internet of things, wearable devices related to personal health care have become widespread. Various global information and communication technology companies are developing various wearable health devices, which can collect personal health information such as heart rate, steps, and calories, using sensors built into the device. However, since individual health data includes sensitive information, the collection of irrelevant health data can lead to personal privacy issue. Therefore, there is a growing need to develop technology for collecting sensitive health data from wearable health devices, while preserving privacy. In recent years, local differential privacy (LDP), which enables sensitive data collection while preserving privacy, has attracted much attention. In this paper, we develop a technology for collecting vast amount of health data from a smartwatch device, which is one of popular wearable health devices, using local difference privacy. Experiment results with real data show that the proposed method is able to effectively collect sensitive health data from smartwatch users, while preserving privacy.

주제어

표/그림 (9)

그림 Fig. 1. Motivational Example
그림 Fig. 2. (a)　DP vs.　(b) LDP
그림 Fig. 3. Fog and Cloud Computing Architecture
그림 Fig. 4. System Architecture
그림 Fig. 5. Estimated histogram for varying privacy budget in fog server
표 Table. 1. Fog and Cloud server specs used in the system
그림 Fig. 6. Estimated histogram for varying privacy budget in cloud server
표 Table 2. Mean Absolute deviation for varying privacy budget in fog server
표 Table 3. Mean Absolute deviation for varying privacy budget in cloud server

AI 본문요약
AI-Helper

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

문제 정의

본 논문에서는 스마트워치 사용자로부터 건강 데이터를 수집 시, 히스토그램 형태의 데이터 수집을 가정하여, 제안하는 기법을 설명한다.
최근 들어 프라이버시를 보존하면서 민감한 데이터 수집을 가능하게 하는 지역 차분 프라이버시(Local Differential Privacy, LDP) 기술이 주목 받고 있다 [4-6]. 본 논문에서는 지역 차분 프라이버시를 활용하여 포그-클라우드(Fog-Cloud) 컴퓨팅 환경에서 대중적인 헬스 웨어러블 디바이스 제품에 해당하는 스마트워치 사용자로 부터 방대한 건강 데이터를 수집하기 위한 기술을 개발 한다. 그림 1에 나타나듯이 사용자의 스마트워치 내에서 지역 차분 프라이버시를 만족하도록 건강 데이터에 대한 변조가 이루어지고, 변조된 건강 데이터를 데이터 수집가에게 전송한다.
본 논문에서는 포그-클라우드 컴퓨팅 환경에서 개인의 건강 데이터 수집하고자 한다. 이를 통해 폭발적으로 증가하는 데이터 크기에 의한 저장소 부하 및 네트워크 환경 문제를 해결하고자 한다.
본 논문에서는 포그-클라우드 컴퓨팅 환경에서 프라이버시를 보존하며 스마트워치 사용자의 건강 데이터를 수집하기 위한 방법을 제안하였다. 본 논문에서 제안한 기법은 지역 차분 프라이버시를 기반으로 사용자의 건강 데이터에 대한 변조가 사용자의 스마트워치 내에서 이루어지고, 변조된 데이터를 포그 서버에 전송함으로써, 사용자의 민감한 건강 데이터가 외부에 노출되는 것을 방지할 수 있다.
변조 과정에서 매개변수인 프라이버시 예산(ε)을 사용하여 프라이버시의 보호 수준을 결정한다. 이 모델은 공격자가 어떤 배경지식을 가지고 있든 데이터베이스에서 도출된 통계 결과에서 특정한 개인의 민감 속성을 알아내지 못하게 하는 것을 목표로 한다 [6].
본 실험에서 사용된 데이터는 Oracle Virtual Box에서 운용되는 3개의 리눅스 가상머신 3대를 포그 서버로 사용하여 저장하였다. 이는 실제 포그 서버를 구성하기 위하여 물리 공간을 차지하는 실제 머신을 두기 어려운 환경을 보완하고자 가상 머신으로 대체하였다. 다음 실제 서버 컴퓨터를 중앙 클라우드 서버로 활용하여 3대의 포그 서버에서 전송된 데이터를 수집하였다.
본 논문에서는 포그-클라우드 컴퓨팅 환경에서 개인의 건강 데이터 수집하고자 한다. 이를 통해 폭발적으로 증가하는 데이터 크기에 의한 저장소 부하 및 네트워크 환경 문제를 해결하고자 한다.
제안하는 시스템에서 통계 결과 변조가 활용도에 어떤 영향을 미치는지 확인하기 위해 본 논문에서는 통계 결과의 원본과 변조본 간의 절대 평균 편차(Mean Absolute Deviation, MAD)를 계산한다. 절대 평균편차의 크기를 측정하여 최종적으로 데이터 사용자에게 주어지는 변조된 통계 결과의 활용도를 확인하고자 다음과 같은 과정을 수행하였다. 해당 분석 과정에서는 위 3장의 포그, 클라우드 계층에서 사용된 원본 히스토그램과 변조된 히스토그램을 각각 H^Ori, H^Est으로 가정하며 이를 간략하게 표현한 형태는 식 (10-11)과 같다.

가설 설정

본 논문에서는 스마트워치와 포그 서버 사이에 데이터 전송은 TCP/IP 프로토콜을 이용하여 이루어진다고 가정한다.
i번째 포그 서버 (즉,fogi )에 건강 데이터를 전송하는 j번째 스마트 사용자를 uji라 가정하자.
본 장에서 제안하는 지역 차분 프라이버시 기반의 건강 데이터 수집 기법에서는 r개의 포그 서버를 사용한다고 가정한다. 또한 각 포그 서버는 s명의 사용자로부터 하루에 k시간 동안 데이터를 수집한다고 가정한다.
본 장에서 제안하는 지역 차분 프라이버시 기반의 건강 데이터 수집 기법에서는 r개의 포그 서버를 사용한다고 가정한다. 또한 각 포그 서버는 s명의 사용자로부터 하루에 k시간 동안 데이터를 수집한다고 가정한다.
차분 프라이버시 모델은 신뢰할 수 있는 데이터 수집가가 존재한다고 가정한다.

제안 방법

• 스마트워치 사용자 계층: 먼저 스마트워치 사용자의 기기에 내장된 센서를 사용하여 사용자의 건강 데이터를 수집하여, 파일에 저장한다. 24시간 주기로 파일에 저장된 건강 데이터를 이용하여 건강 데이터에 대한 통계적 데이터 (예, 히스토그램)을 생성한 후, 지역 차분 프라이버시를 만족하도록 통계적 데이터를 변조한 후, 변조된 통계적 데이터를 포그 서버에 전송한다.
이처럼 지역별로 분산된 서버로 전송하는 이유는 본 논문의 실험 당시 조건보다 사용자의 수가 월등히 커질 때 전송의 부하를 줄이기 위함이다. 각 포그 서버에서 프라이버시 비용을 1.0, 2.0, 4.0의 3가지 조건으로 추정한 데이터와 원본 데이터 사이 편차의 크기를 측정하여 변조된 데이터의 활용도를 측정하기 위해 실험을 진행하였으며 그 결과는 다음과 같다.
히스토그램 생성 후, 차분 프라이버시를 만족하도록 스마트 워치 기기 내에서 데이터 변조가 다음과 같이 진행된다. 라플라스 메커니즘을 통해 생성된 잡음을 이용하여, 각 구간별 평균값에 잡음을 추가한다. 추가되는 잡음은 스케일(scale)이 #이고, 평균이 0인 라플라스 분포에서 추출한 임의의 실수 값이며, 본 논문에서는 이를 라플라스 노이즈라 한다.
변조 과정에서 매개변수인 프라이버시 예산(ε)을 사용하여 프라이버시의 보호 수준을 결정한다.
본 논문에서 제안된 방법을 검증하기 위해 프라이버시 비용 ε을 독립변수로 두고 원본 데이터와의 평균 절대 편차를 종속변수로 활용하여 프라이버시의 보호 정도를 측정하였다.
다음은 클라우드 서버가 각 포그 서버에서 전송된 중간 집계 결과를 모두 종합한 최종 집계 결과에 대한 실험 분석 결과이다. 위의 과정과 같이 최종 집계 결과의 원본과 추정된 데이터의 절대 평균 편차를 통해 변조된 데이터의 활용도를 측정하였으며 그 결과는 다음과 같다.
사용자에서 포그, 클라우드까지 이르는 전체 구조는 그림 3과 같이 구성된다. 첫 번째, 사용자 계층에서는 스마트 기기 및 사용자의 컴퓨팅 기기들은 물리적 거리 차이에 의해 소속된 지역에 배당된 포그 서버와 무선 인터넷 환경으로 커뮤니케이션을 수행한다. 두 번째, 포그 계층에서는 최종 사용자로부터 전송된 데이터의 저장소, 컴퓨팅 등 역할을 수행하며 이처럼 분산된 포그 서버는 사물 인터넷 애플리케이션의 새로운 적용을 수월케하여 이동성을 보장 한다 [15].

대상 데이터

이는 실제 포그 서버를 구성하기 위하여 물리 공간을 차지하는 실제 머신을 두기 어려운 환경을 보완하고자 가상 머신으로 대체하였다. 다음 실제 서버 컴퓨터를 중앙 클라우드 서버로 활용하여 3대의 포그 서버에서 전송된 데이터를 수집하였다. 각 서버는 12시부터 21시 사이에 스마트워치에서 수집된 104명, 118명, 80명의 심박 수를 하루 동안 기록하고 그 평균을 내어 히스토그램의 형태로 만든다.
일정 기간 수집된 데이터를 추출하고 일련의 과정을 진행한 후 포그 서버로 보내게 된다. 본 실험에서 사용된 데이터는 Oracle Virtual Box에서 운용되는 3개의 리눅스 가상머신 3대를 포그 서버로 사용하여 저장하였다. 이는 실제 포그 서버를 구성하기 위하여 물리 공간을 차지하는 실제 머신을 두기 어려운 환경을 보완하고자 가상 머신으로 대체하였다.
본 논문에서 제안된 방법을 검증하기 위해 프라이버시 비용 ε을 독립변수로 두고 원본 데이터와의 평균 절대 편차를 종속변수로 활용하여 프라이버시의 보호 정도를 측정하였다. 사용자는 샤오미의 mi band 2 기기에 내장된 심박 수 센서를 통해 하루 동안 심박 수 데이터를 수집한다. 수집된 심박 수 데이터는 일정 간격으로 측정되어 사용자의 기기에 저장이 된다.
각 서버는 12시부터 21시 사이에 스마트워치에서 수집된 104명, 118명, 80명의 심박 수를 하루 동안 기록하고 그 평균을 내어 히스토그램의 형태로 만든다. 생성된 히스토그램을 각 3개의 포그 서버로 보내며, 중앙에 있는 클라우드 서버는 302명의 히스토그램을 모두 수집한다. 수집 기간은 2018년 10월부터 2019년 2월까지의 데이터로 충분한 크기로 수집하기에 어려운 한계점을 극복하기 위해 5배 크기로 복제하여 520명, 590명, 400명, 총 1510명의 데이터로 실험하였다.
수집 기간은 2018년 10월부터 2019년 2월까지의 데이터로 충분한 크기로 수집하기에 어려운 한계점을 극복하기 위해 5배 크기로 복제하여 520명, 590명, 400명, 총 1510명의 데이터로 실험하였다.

데이터처리

본 논문에서 제안하는 시스템에서 통계 결과 변조가 활용도에 어떤 영향을 미치는지 확인하기 위해 본 논문에서는 통계 결과의 원본과 변조본 간의 절대 평균 편차(Mean Absolute Deviation, MAD)를 계산한다. 절대 평균편차의 크기를 측정하여 최종적으로 데이터 사용자에게 주어지는 변조된 통계 결과의 활용도를 확인하고자 다음과 같은 과정을 수행하였다.

성능/효과

결과가 훼손된 정도를 측정하고 수식 (12)를 통해 도출한 평균 절대 편차는 데이터 사용자에게 주어지는 변조된 통계 결과의 활용도에 직결되는 정보이다. 결과적으로 절대 평균 편차의 크기가 작을수록 통계 결과의 활용도가 높다고 할 수 있다. 또한 데이터 사용자의 권한에 따라 프라이버시 비용을 달리함으로써 활용도를 조절 할 수 있어 본 논문에서 제안한 시스템이 프라이버시를 보존하는 환경에서 스마트워치 사용자의 건강 데이터 수집에 적절함을 보여준다.
첫 번째, 사용자 계층에서는 스마트 기기 및 사용자의 컴퓨팅 기기들은 물리적 거리 차이에 의해 소속된 지역에 배당된 포그 서버와 무선 인터넷 환경으로 커뮤니케이션을 수행한다. 두 번째, 포그 계층에서는 최종 사용자로부터 전송된 데이터의 저장소, 컴퓨팅 등 역할을 수행하며 이처럼 분산된 포그 서버는 사물 인터넷 애플리케이션의 새로운 적용을 수월케하여 이동성을 보장 한다 [15]. 세 번째, 클라우드 계층 또한 각 포그 서버로부터 수집된 데이터들에 대한 처리, 저장 및 전송을 수행한다.
45로 계산되었다. 두 번째로 프라이버시 비용을 2.0으로 책정하였을 때 1.89, 마지막으로 4.0의 프라이버시 비용이 주어졌을 때는 0.69로 계산되었 다. 위 수치에서 확인할 수 있듯이 프라이버시 비용이 증가함에 따라 추정된 데이터는 원본 데이터와 유사한 값을 보였으며 절대 평균 편차의 크기가 작아졌다.
결과적으로 절대 평균 편차의 크기가 작을수록 통계 결과의 활용도가 높다고 할 수 있다. 또한 데이터 사용자의 권한에 따라 프라이버시 비용을 달리함으로써 활용도를 조절 할 수 있어 본 논문에서 제안한 시스템이 프라이버시를 보존하는 환경에서 스마트워치 사용자의 건강 데이터 수집에 적절함을 보여준다.
본 논문에서는 포그-클라우드 컴퓨팅 환경에서 프라이버시를 보존하며 스마트워치 사용자의 건강 데이터를 수집하기 위한 방법을 제안하였다. 본 논문에서 제안한 기법은 지역 차분 프라이버시를 기반으로 사용자의 건강 데이터에 대한 변조가 사용자의 스마트워치 내에서 이루어지고, 변조된 데이터를 포그 서버에 전송함으로써, 사용자의 민감한 건강 데이터가 외부에 노출되는 것을 방지할 수 있다. 또한, 포그 서버에서의 데이터 처리 및 집계 과정을 추가함으로써, 클라우드 서버의 부하를 분산시킬 수 있다.
또한, 포그 서버에서의 데이터 처리 및 집계 과정을 추가함으로써, 클라우드 서버의 부하를 분산시킬 수 있다. 실 데이터를 통한 실험 결과는 본 논문에서 제안한 기법이 스마트워치 사용자의 프라이버시를 보존하면서, 효과적으로 스마트워치 사용자로부터 건강 데이터를 수집할 수 있음을 증명한다. 향후 연구에서는 본 논문에서 제안한 방법에 걸음 수, 칼로리 등 더욱 다양한 종류와 충분한 양의 데이터를 수집하고, 수집되는 데이터의 형태를 달리하여 더욱 정확도 높고 효율적인 수집 방법을 고안하고자 한다.
69로 계산되었 다. 위 수치에서 확인할 수 있듯이 프라이버시 비용이 증가함에 따라 추정된 데이터는 원본 데이터와 유사한 값을 보였으며 절대 평균 편차의 크기가 작아졌다. 이는 프라이버시 비용이 증가함에 따라 원본 데이터에 대한 추정의 정확도가 증가함을 알 수 있다.
5에서 확인할 수 있듯, 프라이버시 비용 ε을 독립변수로써 변화시키며 실험하였으며 위 결과는 그 예시로 3개의 포그 서버 중 한 곳에서 수집된 결과이다. 첫 번째, 프라이버시 비용이 1.0일 때는 절대 평균 편차가 6.45로 계산되었다. 두 번째로 프라이버시 비용을 2.

후속연구

0pt">. 그러나 본 논문에서 제안하는 기법은 히스토그램 이외의 다양한 통계적 데이터 수집에도 동일하게 적용가능하다.
실 데이터를 통한 실험 결과는 본 논문에서 제안한 기법이 스마트워치 사용자의 프라이버시를 보존하면서, 효과적으로 스마트워치 사용자로부터 건강 데이터를 수집할 수 있음을 증명한다. 향후 연구에서는 본 논문에서 제안한 방법에 걸음 수, 칼로리 등 더욱 다양한 종류와 충분한 양의 데이터를 수집하고, 수집되는 데이터의 형태를 달리하여 더욱 정확도 높고 효율적인 수집 방법을 고안하고자 한다.

질의응답

핵심어	질문	논문에서 추출한 답변
	사물 인터넷 기술이 활용되는 분야는?	사물 인터넷 기술은 스마트 홈(smart home), 스마트 그리드 (smart grid), 스마트 헬스(smart health)와 같은 다양한 분야 에서 활용되고 있다. 그중 스마트 헬스 분야는 개인 건강에 대한 관심의 증가로 인하여, 사물 인터넷 기술이 가장 활발히 적용되는 있는 분야이다 [1].
	지역 차분 프라이버시 기술은 어떠한 특징을 갖는가?	최근 들어 프라이버시를 보존하면서 민감한 데이터 수집을 가능 하게 하는 지역 차분 프라이버시(Local Differential Privacy, LDP) 기술이 주목 받고 있다 [4-6]. 본 논문에서는 지역 차분 프라이버시를 활용하여 포그-클라우드(Fog-Cloud)　컴퓨팅 환경에서 대중적인 헬스 웨어러블 디바이스 제품에 해당하는 스마트워치 사용자로 부터 방대한 건강 데이터를 수집하기 위한 기술을 개발 한다.
	헬스 웨어러블 디바이스 기술 발전은 어떤 문제를 일으킬 수 있나?	이러한 헬스 웨어러블 디바이스 기술 발전으로 인하여, 다양한 사용자로부터 방대한 양의 건강 데이터를 수집하고 분석하여 서비스에 활용하려는 시도가 활발히 이루어지고 있다. 하지만, 개인의 건강 데이터는 민감한 정보를 포함 하고 있으므로, 무분별한 건강 데이터 수집은 개인의 프라이버시 침해 문제를 야기 시킬 수 있다 [2-3]. 그러므로 개인의 프라이버시를 보존하면서 헬스 웨어러블 디바이스로부터 민감한 건강 데이터를 수집하기 위한 기술 개발에 대한 필요성이 높아지고 있다.

표제어: PCR

동의어: Packet Collision Rate

용어 설명 출처 목록 (6)

용어 설명: PCR은 세균 특이성이 있는 primer를 이용하여 적은 수의 세균이 있을지라도 쉽게 검출할 수 있는 유용한 방법이며, 이를 이용하여 구강 내 치면세균막이나 타액에서 직접 세균을 검출할 수 있게 되었다[8].

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증