[논문]개인정보 보호를 고려한 딥러닝 데이터 자동 생성 방안 연구

장성봉

doi:10.17703/jcct.2024.10.1.435

개인정보 보호를 고려한 딥러닝 데이터 자동 생성 방안 연구
A Study of Automatic Deep Learning Data Generation by Considering Private Information Protection 원문보기

Journal of the convergence on culture technology : JCCT = 문화기술의 융합, v.10 no.1, 2024년, pp.435 - 441

초록
AI-Helper

수집된 대량의 데이터셋이 딥러닝 학습데이터로 사용되기 위해서는 주민번호, 질병 정보등과 같이 민감한 개인정보는 해커에게 노출되지 않도록 값을 변경하거나 암호화해야 하고 구축된 딥러닝 모델의 구조와 일치 하도록 데이터를 재구성 해주어야 한다. 현재, 이러한 작업은 전문가에 의해 수동으로 이루어지기 때문에, 시간과 비용이 많이 소요 된다. 이러한 문제점을 해결하기 위해, 본 논문에서는 딥러닝 과정에서 개인정보 보호를 위한 데이터 처리 작업을 자동으로 수행할 수 있는 기법을 제안한다. 제안된 기법에서는 데이터 일반화에 기반한 개인정보 보호 작업을 수행하고 원형큐를 사용하여 데이터 재구성 작업을 수행한다. 제안된 기법의 타당성을 검증하기 위해, C언어를 사용하여 직접 구현하였다. 검증 결과, 데이터 일반화가 정상적으로 수행되고 딥러닝 모델에 맞는 데이터 재구성이 제대로 수행됨을 확인 할 수 있었다.

Abstract ▼ AI-Helper

In order for the large amount of collected data sets to be used as deep learning training data, sensitive personal information such as resident registration number and disease information must be changed or encrypted to prevent it from being exposed to hackers, and the data must be reconstructed to match the structure of the built deep learning model. Currently, these tasks are performed manually by experts, which takes a lot of time and money. To solve these problems, this paper proposes a technique that can automatically perform data processing tasks to protect personal information during the deep learning process. In the proposed technique, privacy protection tasks are performed based on data generalization and data reconstruction tasks are performed using circular queues. To verify the validity of the proposed technique, it was directly implemented using C language. As a result of the verification, it was confirmed that data generalization was performed normally and data reconstruction suitable for the deep learning model was performed properly.

주제어

표/그림 (10)

그림 그림 1. 파일로부터 딥러닝 데이터 읽기 위한 알고리즘 Figure 1. An algorithm for reading deep learning data from file
그림 그림 2. 딥러닝 모델 데이터 재생성 알고리즘 Figure 2. An algorithm for regenerating deep learning data
그림 그림 3. 딥러닝 데이터 재생성을 위한 자료구조와 API함수 Figure 3. Data structures and API functions for regenerating deep learning data
그림 그림 4. 연구에서 사용된 데이터 일반화 알고리즘 Figure 4. Data generalization algorithm used in the research
그림 그림 5. 실험에서 사용된 원래의 데이터셋 Figure 5. Original dataset used in the experiment
그림 그림 6. 딥러닝 모델 구조에 맞게 생성된 학습 데이터 Figure 6. Learning dataset fit to a structure of deep learning model
그림 그림 7. 데이터 일반화를 진행하고 있는 화면 Figure 7. Captured screen of data generalization process in the experiment
표 표 1. 데이터 일반화 실험 결과 Table 1. Experiment results of 3-range data generalization
표 표 2. 3구간 데이터 일반화 규칙 Table 2. 3-range data generalization rules
그림 그림 8. CSV 파일로 저장된 딥러닝 모델 데이터셋 Figure 8. Dataset saved as CSV format for deep learning

참고문헌 (17)

W. Wei and L. Liu, "Gradient Leakage Attack？Resilient Deep Learning," IEEE Transactions on？Information Forensics and Security, Vol. 17, pp.？303-316,2022(DOI:10.1109/TIFS.2021.3139777)

상세보기
N. Bugshan, I. Khalil, M. S. Rahman, M.？Atiquzzaman;X. Yi, S. Badsha, "Toward？Trustworthy and Privacy-Preserving Federated？Deep Learning Service Framework for Industrial？Internet of Things," IEEE Transactions on？Industrial Informatics, Vol. 19, No.2 pp.？1535-1547,2023(DOI: 10.1109/TII.2022.3209200)

상세보기
D. Mistry, M. F. Mridha, Me. Safran, S. Alfarhood,？A. K. Saha, D. Che, "Privacy-Preserving？On-Screen Activity Tracking and Classification in？E-Learning Using Federated Learning," IEEE？Access, Vol. 11, pp. 79315-79329, 2023(DOI:？10.1109/ACCESS.2023.3299331)

상세보기
I. Fontana, M. Langheinrich, M. Gjoreski, "GANs？for Privacy-Aware Mobility Modeling," IEEE？Access, Vol. 11, pp. 29250-29262, 2023(DOI:10.1109/ACCESS.2023.3260981)

상세보기
R. Podschwadt, D. Takabi, P. Hu, M. H. Rafiei, Z.？Cai, "A Survey of Deep Learning Architectures for？Privacy-Preserving Machine Learning With Fully？Homomorphic Encryption," IEEE Access, Vol. 10,？pp.117477-117500,2022(DOI:10.1109/ACCESS.2022.3219049)

상세보기
T. Zhang, T. Zhu, K. Gao, W. Zhou, P. S. Yu,？"Balancing Learning Model Privacy, Fairness, and？Accuracy With Early Stopping Criteria," IEEE？Transactions on Neural Networks and Learning？Systems, Vol. 34, No.9, pp.5557-5569,2023(DOI:？10.1109/TNNLS.2021.3129592)

상세보기
V. Stephanie, I. Khalil, M. S. Rahman, M.？Atiquzzaman, "Privacy-Preserving Ensemble？Infused Enhanced Deep Neural Network？Framework for Edge Cloud Convergence," IEEE？Internet of Things Journal, Vol. 10, No.5,？pp.3763-3773,2023(DOI: 10.1109/JIOT.2022.3151982)

상세보기
M. Shateri, F. Messina, P. Piantanida, F. Labeau,？"Privacy-Cost Management in Smart Meters With？Mutual-Information-BasedReinforcement Learning,"？IEEE Internet of Things Journal, Vol. 9,？No.22,pp.22389-22398,2022(DOI:10.1109/JIOT.2021.3128488)

상세보기
T. Zhu, D. Ye, W. Wang, W. Zhou, P. S. Yu, "More？Than Privacy: Applying Differential Privacy in Key？Areas of Artificial Intelligence," IEEE Transactions？on Knowledge and Data Engineering, Vol. 34, No.？6,pp.2824-2843,2022(DOI:10.1109/TKDE.2020.3014246)
Z. Wu, H. Wang, Z. Wang, H. Jin, Z. Wang,？"Privacy-Preserving Deep Action Recognition: An？Adversarial Learning Framework and A New？Dataset," IEEE Transactions on Pattern Analysis？and Machine Intelligence, Vol. 44, No. 4, pp.？2126-2139,2022(DOI: 10.1109/TPAMI.2020.3026709)

상세보기
L. Xiang, W. Li, J. Yang, X. Wang, B. Li,？"Differentially-Private Deep Learning With？Directional Noise," IEEE Transactions on Mobile？Computing, Vol. 22, No. 5, pp. 2599-2612,2023(DOI:10.1109/TMC.2021.3130060)

상세보기
A. E. Ouadrhiri, A. Abdelhadi, "Differential Privacy？for Deep and Federated Learning: A Survey," IEEE？Access, Vol. 10, pp. 22359-22380,2022(DOI:10.1109/ACCESS.2022.3151670)

상세보기
R. Parekh, N. Patel, R. Gupta, N. K. Jadav, S.？Tanwar, A. Alharbi, A. Tolba, B.-C. Neagu, M. S.？Raboaca, "GeFL: Gradient Encryption-Aided？Privacy Preserved Federated Learning for？Autonomous Vehicles," IEEE Access, Vol. 11, pp.？1825-1839,2023(DOI:10.1109/ACCESS.2023.3233983)

상세보기
W. Zhang, B. Jiang, M. Li, X. Lin,？"Privacy-Preserving Aggregate Mobility Data？Release: An Information-Theoretic Deep？Reinforcement Learning Approach," IEEE？Transactions on Information Forensics and？Security, Vol. 17, pp. 849-864, 2022(DOI:10.1109/TIFS.2022.3152361)

상세보기
X. Ma, Q. Jiang, X. Liu, Q. Pei, J. Ma, W. Lou？"Learning in Your "Pocket": Secure Collaborative？Deep Learning With Membership Privacy," IEEE？Transactions on Dependable and Secure？Computing, Vol. 20, No.3, pp. 2641-2656, 2023(DOI:10.1109/TDSC.2022.3192326)
H.-K. Ko, "Privacy Preserving Techniques for？Deep Learning in Multi-Party System," The？Journal of the Convergence on Culture Technology？(JCCT), Vol. 9, No.3, pp. 647-654, 2023(DOI:？http://dx.doi.org/10.17703/JCCT.2023.9.3.647)

원문보기 상세보기
K. KIM, S.-H. Lee, "Development of？CNN-Transformer Hybrid Model for Odor？Analysis," International Journal of Advanced？Culture Technology, Vol. 11, No.3, pp. 297-301,？2023(DOI:https://doi.org/10.17703/IJACT.2023.11.3.297)？

원문보기 상세보기

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