[논문]로컬 차분 프라이버시 실제 적용 사례연구 : 프라이버시 보존형 설문조사

정수용; 홍도원; 서창호

doi:10.13089/jkiisc.2020.30.1.141

로컬 차분 프라이버시 실제 적용 사례연구 : 프라이버시 보존형 설문조사
Case Study on Local Differential Privacy in Practice : Privacy Preserving Survey 원문보기

情報保護學會論文誌 = Journal of the Korea Institute of Information Security and Cryptology, v.30 no.1, 2020년, pp.141 - 156

초록
AI-Helper

차분 프라이버시는 데이터 프라이버시를 보존함과 동시에 데이터를 수집 및 분석할 수 있는 기법으로써 프라이버시 보존형 데이터 활용 분야에서 널리 적용되고 있다. 이러한 차분 프라이버시의 지역적 모델인 로컬 차분 프라이버시 알고리즘은 무작위 응답을 기반으로 데이터 소유자가 직접 데이터를 가공 처리하여 공개한다. 따라서 개인은 데이터 프라이버시를 보장받을 수 있으며, 데이터 분석가는 수집된 다수의 데이터를 통해 유용한 통계적 결과값을 도출할 수 있다. 이러한 로컬 차분 프라이버시 기법은 세계적 기업인 Google, Apple, Microsoft에서 실질적으로 사용자의 데이터를 수집 및 분석할 때 활용되고 있다. 본 논문에서는 현실에 실질적으로 활용되고 있는 로컬 차분 프라이버시 기법에 대해 비교분석한다. 또한, 실제 적용 사례 연구로써 개인의 프라이버시가 결과의 신뢰성에 큰 영향을 미치는 설문 및 여론조사 시나리오를 기반으로 로컬 차분 프라이버시 기법을 적용하여 현실에서의 활용 가능성에 대해 연구한다.

Abstract ▼ AI-Helper

Differential privacy, which used to collect and analysis data and preserve data privacy, has been applied widely in data privacy preserving data application. Local differential privacy algorithm which is the local model of differential privacy is used to user who add noise to his data himself with randomized response by self and release his own data. So, user can be preserved his data privacy and data analyst can make a statistical useful data by collected many data. Local differential privacy method has been used by global companies which are Google, Apple and Microsoft to collect and analyze data from users. In this paper, we compare and analyze the local differential privacy methods which used in practically. And then, we study applicability that applying the local differential privacy method in survey or opinion poll scenario in practically.

주제어

표/그림 (18)

그림 Fig. 1. Life of RAPPOR report[15]
그림 Fig. 2. RAPPOR[15]
그림 Fig. 3. Simulations of learning the normal distribution by RAPPOR.
그림 Fig. 4. Count Mean Sketch
그림 Fig. 5. Client-side A_dient-CMS algorithm
그림 Fig. 6. Sketch - CMS algorithm
그림 Fig. 7. A_server algorithm
그림 Fig. 8. Hadamard Count Mean Sketch
그림 Fig. 9. A_dient-HCMS algorithm
그림 Fig. 10. Sketch-HCMS algorithm
표 Table 1. Used mechanisms and parameters for each cases in Apple.
그림 Fig. 11. Algorithm of collection and mean estimation for 1BitMean
그림 Fig. 12. Framework of 1BitMean
그림 Fig. 13. Algorithm for collection and histogram estimation in dBitFlip
그림 Fig. 14. Simulations of learning the exponential distribution by RAPPOR, dBitFlip, and CMS.
그림 Fig. 15. Simulations of learning the uniform distribution with CMS to measure the mean of maximum error rate for each parameter.
그림 Fig. 16. Simulations of learning the uniform distribution with CMS, 4BitFlip, and 5BitFlip to measure the mean of maximum error rate for each parameter.
표 Tabel 2. The lowest error rate mechanisms for each number of participants and privacy parameter ε.

질의응답

핵심어	질문	논문에서 추출한 답변
	로컬 차분 프라이버시 알고리즘이용시 개인은 데이터 프라이버시를 보장받을 수 있는 이유는 무엇 때문인가?	차분 프라이버시는 데이터 프라이버시를 보존함과 동시에 데이터를 수집 및 분석할 수 있는 기법으로써 프라이버시 보존형 데이터 활용 분야에서 널리 적용되고 있다. 이러한 차분 프라이버시의 지역적 모델인 로컬 차분 프라이버시 알고리즘은 무작위 응답을 기반으로 데이터 소유자가 직접 데이터를 가공 처리하여 공개한다. 따라서 개인은 데이터 프라이버시를 보장받을 수 있으며, 데이터 분석가는 수집된 다수의 데이터를 통해 유용한 통계적 결과값을 도출할 수 있다.
	차분 프라이버시란?	차분 프라이버시는 데이터 프라이버시를 보존함과 동시에 데이터를 수집 및 분석할 수 있는 기법으로써 프라이버시 보존형 데이터 활용 분야에서 널리 적용되고 있다. 이러한 차분 프라이버시의 지역적 모델인 로컬 차분 프라이버시 알고리즘은 무작위 응답을 기반으로 데이터 소유자가 직접 데이터를 가공 처리하여 공개한다.
	차분 프라이버시가 가장많이 활용되는 분야는?	차분 프라이버시는 데이터 프라이버시를 보존함과 동시에 데이터를 수집 및 분석할 수 있는 기법으로써 프라이버시 보존형 데이터 활용 분야에서 널리 적용되고 있다. 이러한 차분 프라이버시의 지역적 모델인 로컬 차분 프라이버시 알고리즘은 무작위 응답을 기반으로 데이터 소유자가 직접 데이터를 가공 처리하여 공개한다.

참고문헌 (24)

C. Dwork, F. Mcsherry, K. Nissim, and A. Smith, "Calibrating Noise to Sensitivity in Private Data Analysis," Proceedings of the 3rd Theory of Cryptography Conference, pp. 265-284. Mar, 2006
C. Dwork, M. Naor, T. Pitassi, and G. N. Rothblum, "Differential Privacy under Continual Observation," Proceedings of the forty-second ACM symposium on Theory of computing, STOC' 10, pp.715-724, Jun, 2010
C. Dwork, and A. Roth, "The Algorithmic Foundations of Differential Privacy," Foundations and Trends in Theoretical Computer Science, 9(3-4), pp. 211-407, Aug, 2014
S. L. Warner, "Randomized Response :A Survey Technique for Eliminating Evasive Answer Bias," Journal of the American Statistical Association, 60(309), pp. 63-69, Apr, 1965

상세보기
G. Cormode, T. Kulkami, and D. Srivastava, "Marginal Release Under Local Differential Privacy," Proceedings of the 2018 International Conference on Management od Data, pp. 131-146, Jun, 2018
X. Ren, et al, "LoPub : High-Dimensional Crowdsourced Data Publication With Local Differential Privacy," IEEE Transactions on Information Forensics and Security, 13(9), Sep, 2018
Peng Liu et al, "Local Differential Privacy for Social Network Publishing," Neurocomputing, https://doi.org/10.1016/j.neucom.2018.11.104, 2018
Z. Zhao et al, "LDPard: Effective Location-Record Data Publication via Local Differential Privacy," IEEE Access, 7, pp. 31435-31445, 2019

상세보기
J. C. Duchi, M. J. Wainwright, and M. I. Jordan, "Minimax Optimal Procedures for Locally Private Estimation," Journal of the Americans Statistical Association, 113(521), May, 2018
Z. Qin et al, "Heavy Hitter Estimation over Set-Valued Data with Local Differential Privacy," Proceedings of the 2016 ACM SIGSAC Conference on Computer and Communications Security, pp. 192-203, Aug, 2016
M. Bum, J. Nelson, and U. Stemmer, "Heavy Hitters and the Structure of Local Privacy," Proceedings of the 37th ACM SIGMOD-SIGACT-SIGAI Symposium on Principles of Database Systems, pp. 435-447, Jun, 2018
S. Wang et al, "Local Differential Private Data Aggregation for Discrete Distribution Estimation," IEEE Transactions on Parallel and Distributed Systems, 30(9), Sep, 2019

상세보기
J. Jia, and N. Z. Gong, "Calibrate: Frequency Estimation and Heavy Hitter Identification with Local Differential Privacy via Incorporating Prior Knowledge," IEEE INFOCOM 2019, pp. 2008-2016, Apr, 2019
T. Murakami, and Y. Kawamoto, "Utility-Optimized Local Differential Privacy Mechanisms for Distribution Estimation," USENIX Security Symposium-2019, pp. 1877-1894, Aug, 2019
U. Erlingsson, V. Pihur, and A, Korolova, "RAPPOR : Randomized Aggregatable Privacy-Preserving Ordinal Response," Proceedings of the 2014 ACM SIGSAC Conference on Computer and Communications Security, pp. 1054-1067, Nov, 2014
Differential Privacy Team, "Learning with Privacy at Scale," Apple Machine Learning Journal, 1(8), Dec, 2017
B. Ding, J. Kulkarni, and S. Yekhanin, "Collecting Telemetry Data Privately," proceedings of NIPS 2017, pp. 3574-3583, Dec, 2017
G. H. Lee, and J. D. Young, "A Study on the Measurement Methods and Cases of Personal Information Leakage Risks of Private Companies," Review of KIISC, 18(3), pp. 92-100, Jun, 2008
P. K. Tyagi, "The Effects of Appeals, Anonymity, and Feedback on Main Survey Response Patterns from Salespeople," Journal of the Academy of Marketing Science, 17(3), pp. 235-241, Jun, 1989

상세보기
V. Toepoel, Doing Surveys Online, SAGE, Nov, 2015
A. E. Arafa et al, "Perspectives of Online Survey in Dermatology," Journal of The European Academy of Dermatology and Vernerology, 33(3), pp. 511-520, Mar, 2019

상세보기
R. Tourangeaus et al, "The Presentation of a Web Survey, Nonresponse and Measurement Error among Members of Web Panel," Journal of Official Statistics, 25(3), pp. 299-321, Sep, 2009

상세보기
R. Tibshirani, "Regression Shrinkage and Selection via the Lasso," Journal of the Royal Statistical Society, Series B, 58(1), pp. 267-288, Jan, 1996
T. H. Cormen, C. E. Leiserson, R. L. Rivest, and C. Stein, Introduction to Algorithm, 3rd Ed., The MIT Press, 1990

저자의 다른 논문 :

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