[논문]Privacy-Preserving Traffic Volume Estimation by Leveraging Local Differential Privacy

Oh, Yang-Taek; Kim, Jong Wook

doi:10.9708/jksci.2021.26.12.019

Privacy-Preserving Traffic Volume Estimation by Leveraging Local Differential Privacy 원문보기

韓國컴퓨터情報學會論文誌 = Journal of the Korea Society of Computer and Information, v.26 no.12, 2021년, pp.19 - 27

Oh, Yang-Taek (Dept. of Computer Science, Sangmyung University) , Kim, Jong Wook (Dept. of Computer Science, Sangmyung University)

초록
AI-Helper

본 논문에서는 지역 차분 프라이버시(Local Differential Privacy, LDP) 기법을 이용하여 프라이버시를 보호하면서 수집한 차량 위치 데이터와 딥러닝 기법을 이용하여 교통량을 예측하기 위한 기법을 제시한다. 제시한 기법은 데이터를 수집하는 과정과 수집한 데이터를 이용하여 교통량을 예측하는 과정으로 구성된다. 첫 번째 단계에서는 데이터 수집 과정 중에 발생할 수 있는 프라이버시 침해 문제를 해결하기 위해 LDP 기법을 적용하여 차량의 위치 데이터를 수집한다. LDP 기법은 데이터 수집 시 원본 데이터에 노이즈를 추가해 사용자의 민감한 데이터가 외부에 노출되는 것을 방지한다. 이를 통해 운전자의 프라이버시를 보존하면서 차량의 위치 데이터를 수집할 수 있다. 두 번째 단계에서는 첫 번째 단계에서 수집한 데이터에 딥러닝 기법을 적용하여, 교통량을 예측한다. 또한, 본 논문에서 제안한 기법의 우수성을 입증하기 위해, 실데이터를 이용한 성능 평가를 진행한다. 성능 평가 결과는 본 논문에서 제안한 기법이 사용자의 프라이버시를 보호하면서 수집된 데이터를 이용하여 효과적으로 교통량을 예측할 수 있음을 입증한다.

Abstract ▼ AI-Helper

In this paper, we present a method for effectively predicting traffic volume based on vehicle location data that are collected by using LDP (Local Differential Privacy). The proposed solution in this paper consists of two phases: the process of collecting vehicle location data in a privacy-presering manner and the process of predicting traffic volume using the collected location data. In the first phase, the vehicle's location data is collected by using LDP to prevent privacy issues that may arise during the data collection process. LDP adds random noise to the original data when collecting data to prevent the data owner's sensitive information from being exposed to the outside. This allows the collection of vehicle location data, while preserving the driver's privacy. In the second phase, the traffic volume is predicted by applying deep learning techniques to the data collected in the first stage. Experimental results with real data sets demonstrate that the method proposed in this paper can effectively predict the traffic volume using the location data that are collected in a privacy-preserving manner.

주제어

표/그림 (8)

그림 Fig. 1. Data collection using (a) DP and (b) LDP
그림 Fig. 2. RNN Structure
그림 Fig. 3. LSTM Structure
그림 Fig. 4. The architecture of the proposed approach
그림 Fig. 5. LSTM process
그림 Fig. 6. Loss, MAE, RMSE for varying t and r
그림 Fig. 7. Actual vs. Estimated normalized number of vehicles
그림 Fig. 8. Actual vs. Estimated normalized number of vehicles for varying privacy budget ε

AI 본문요약
AI-Helper

문제 정의

본 논문에서는 LDP 기법을 이용하여 수집한 교통량 데이터와 LSTM을 활용하여 교통량을 예측하기 위한 기법을 제안하였다. 특히, 본 연구에서 사용한 데이터 수집 기법을 통하여, 차량 위치 데이터에 대한 프라이버시를 보존할 수 있다.

가설 설정

DP는 프라이버시를 보호하면서 데이터 소유자로부터 민감한 데이터를 수집하기 위한 기법이다. DP는 신뢰할 수 있는 데이터 수집가가 존재한다고 가정한다. 신뢰할 수 있는 데이터 수집가가 데이터 소유자로부터 원본 데이터를 수집한 후, 수집한 데이터에 노이즈를 추가하여 배포하는 방식이다 (그림 1(a)).
이러한 단점을 보완하기 위해 제시된 방식으로 LDP가 있다. LDP는 신뢰할 수 있는 데이터 수집가가 없는 환경을 가정한다. (그림 1(b)).

제안 방법

• LDP를 이용하여 운전자의 프라이버시를 보존하면서 차량으로부터 위치 데이터를 수집하기 위한 방식을 제안한다.

성능/효과

그러나 본 연구에서 제안한 기법으로 예측한 값도 이와 매우 유사한 예측 성능을 보이는 것을 알 수 있다. 따라서 실험의 결과에서 알 수 있듯이, 본 연구에서 제안하는 기법이 차량 운전자의 프라이버시를 보존하면서도 실제 교통량과 매우 유사하게 교통량을 예측할 수 있다.
특히, 본 연구에서 사용한 데이터 수집 기법을 통하여, 차량 위치 데이터에 대한 프라이버시를 보존할 수 있다. 또한 실데이터를 이용한 실험 결과를 통하여, 본 논문에서 제안한 기법이 사용자의 프라이버시를 보호하면서 수집된 데이터를 이용하여 효과적으로 교통량을 예측할 수 있음을 입증하였다. 본 연구를 통해 개인 프라이버시를 보호하면서 수집한 차량데이터로 교통량을 예측하여 교통량 문제를 해결할 수 있을 것으로 기대된다.
그림 8의 실험 결과를 통하여 본 논문에서 제안하는 기법은 사용자의 프라이버시 보호 수준에 맞추어 예측 결과의 정확도를 조절할 수 있음을 보인다. 본 장의 실험 결과는 본 논문에서 제안한 기법이 사용자의 프라이버시를 보호하면서 수집된 데이터를 이용하여 효과적으로 교통량을 예측할 수 있음을 입증한다.
본 논문에서는 LDP 기법을 이용하여 수집한 교통량 데이터와 LSTM을 활용하여 교통량을 예측하기 위한 기법을 제안하였다. 특히, 본 연구에서 사용한 데이터 수집 기법을 통하여, 차량 위치 데이터에 대한 프라이버시를 보존할 수 있다. 또한 실데이터를 이용한 실험 결과를 통하여, 본 논문에서 제안한 기법이 사용자의 프라이버시를 보호하면서 수집된 데이터를 이용하여 효과적으로 교통량을 예측할 수 있음을 입증하였다.

후속연구

또한 실데이터를 이용한 실험 결과를 통하여, 본 논문에서 제안한 기법이 사용자의 프라이버시를 보호하면서 수집된 데이터를 이용하여 효과적으로 교통량을 예측할 수 있음을 입증하였다. 본 연구를 통해 개인 프라이버시를 보호하면서 수집한 차량데이터로 교통량을 예측하여 교통량 문제를 해결할 수 있을 것으로 기대된다.

참고문헌 (29)

N. Lu, N. Cheng, N. Zhang, X. Shen, and J. W. Mark, "Connected vehicles: Solutions and challenges," IEEE internet of things journal, Vol. 1, No. 4, pp. 289-299, Aug. 2014.

상세보기
F. Yang, S. Wang, J. Li, Z. Liu, and Q. Sun, "An overview of internet of vehicles," China communications, Vol. 11, No. 10, pp.1-15, Oct. 2014.

상세보기
Ministry of Land, Infrastructure and Transport, Automobile Operation Insurance Division, https://index.go.kr
J. W. Kim, K Edemacu, J. S. Kim, Y. D. Chung, B. Jang "A Survey of Differential Privacy-based Techniques and their Applicability to Location-Based Services." Computers and Security Sep. 2021.
J. W. Kim, S. M. Moon, S. Kang, B. Jang "Effective privacy-preserving collection of health data from a user's wearable device." Applied Sciences Oct. 2020.
J. W. Kim, and B. Jang. "Workload-aware indoor positioning data collection via local differential privacy," IEEE Communications Letters, Vol. 23, No. 8, pp. 1352-1356, Aug. 2019.

상세보기
J. W. Kim, J. H. Lim, S. M. Moon, and B. Jang, "Collecting health lifelog data from smartwatch users in a privacy-preserving manner," IEEE Transactions on Consumer Electronics, Vol. 65, No. 3, pp. 369-378, Aug. 2019.

상세보기
N. K. Jain, R. K. Saini, and P. Mittal, "A review on traffic monitoring system techniques," Soft Computing: Theories and Applications. Springer, Singapore, pp.569-577. Aug. 2019.
H. Feng, and Y. Shu, "Study on network traffic prediction techniques," Proceedings. 2005 International Conference on Wireless Communications, Networking and Mobile Computing, 2005., IEEE, Vol. 2, pp. 1041-1044, Dec. 2005.
H. Yao, X. Tang, H. Wei, G. Zheng, and Z. Li, "Revisiting spatial-temporal similarity: A deep learning framework for traffic prediction," Proceedings of the AAAI conference on artificial intelligence, Vol. 33, No. 01, pp. 5668-5675, Jul. 2019.
A. M. Nagy, and V. Simon, "Survey on traffic prediction in smart cities," Pervasive and Mobile Computing, Vol. 50, pp. 148-163, Oct. 2018

상세보기
J. Z. Zhu, J. Z. Cao, and Y. Zhu, "Traffic volume forecasting based on radial basis function neural network with the consideration of traffic flows at the adjacent intersections," Transportation Research Part C: Emerging Technologies, Vol. 47, pp. 139-154, Oct. 2014.

상세보기
M. Moniruzzaman, H. Maoh, and W. Anderson, "Short-term prediction of border crossing time and traffic volume for commercial trucks: A case study for the Ambassador Bridge," Transportation Research Part C: Emerging Technologies, Vol.63, pp. 182-194, Feb. 2016.

상세보기
X. Yin, G. Wu, J. Wei, Y. Shen, H. Qi, and B. Yin, "A comprehensive survey on traffic prediction,." arXiv preprint arXiv:2004.08555 Apr. 2020.
C. Dwork, "Differential privacy," International Colloquium on Automata, Languages, and Programming, Springer, Berlin, Heidelberg, pp. 1-12 Jul. 2006.
T. T. Nguyen, X. Xiao, Y. Yang, S. C. Hui, H. Shin, and J. Shin, "Collecting and analyzing data from smart device users with local differential privacy," arXiv preprint arXiv:1606.05053 Jul. 2016.
S. M. Moon, and J. W. Kim, "Privacy-Preserving Method to Collect Health Data from Smartband," Journal of the Korea Society of Computer and Information, Vol. 25, No. 4, pp. 113-121, Apr. 2020.
S. M. Moon, and J. W. Kim, "Collecting Health Data from Wearable Devices by Leveraging Salient Features in a Privacy-Preserving Manner," Journal of the Korea Society of Computer and Information, Vol. 25, No. 10, pp. 59-67, Oct. 2020.

원문보기 상세보기
J. H. Lim, and J. W. Kim, "Privacy-Preserving IoT Data Collection in Fog-Cloud Computing Environment," Journal of the Korea Society of Computer and Information Vol. 24, No. 9, pp. 43-49, Sep. 2019.

원문보기 상세보기
J. H. Lim, and J. W. Kim. "Privacy-Preserving Aggregation of IoT Data with Distributed Differential Privacy," Journal of the Korea Society of Computer and Information Vol. 25, No. 6, pp. 65-72, June. 2020.
P. C. M. Arachchige, P. Bertok, I. Khalil, D. Liu, S. Camtepe, and M. Atiquzzaman, "Local differential privacy for deep learning," IEEE Internet of Things Journal, Vol. 7, No.7, pp. 5827-5842, Nov. 2019.

상세보기
T. Mikolov, M. Karafiat, L. Burget, J. Cernocky, and S. Khudanpur, "Recurrent neural network based language model," Interspeech. Vol. 2, No. 3, pp. 1045-1048, Jul. 2010.
S. Hochreiter, and J. Schmidhuber, "Long short-term memory," Neural computation, Vol. 9, No. 8, pp. 1735-1780, Nov. 1997.

상세보기
H. Sak, A. W. Senior, and F. Beaufays, "Long short-term memory recurrent neural network architectures for large scale acoustic modeling." Sep. 2014.
Seoul Metropolitan Government.Big Data Campus, https://bigdata.seoul.go.kr/
M. Abadi, P. Barham, J. Chen, Z. Chen, A. Davis, J. Dean, et al. "Tensorflow: A system for large-scale machine learning." 12th {USENIX} symposium on operating systems design and implementation ({OSDI} 16). Nov. 2016.
D. P. Kingma, and J. Ba, "Adam: A method for stochastic optimization." arXiv preprint arXiv:1412.6980, Dec. 2014.
C. J. Willmott, and K. Matsuura, "Advantages of the mean absolute error (MAE) over the root mean square error (RMSE) in assessing average model performance.", Climate research Vol. 30, No. 1, pp. 79-82, Dec. 2005.

상세보기
T. Chai, and R. R. Draxler, "Root mean square error (RMSE) or mean absolute error (MAE)?-Arguments against avoiding RMSE in the literature," Geoscientific model development, Vol. 7, No. 3, pp. 1247-1250, Jun. 2014.

상세보기

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