초록

용어보기논문에서 용어와 풀이말을 자동 추출한 결과로, 시범 서비스 중입니다. AI-Helper

SMC로 불리는 안전한 다자간 계산 프로토콜은 이론적으로 완벽한 프라이버시 보호 기능 및 데이터 정확성을 가지고 있지만 현재의 컴퓨팅 환경에서는 구현이 불가능할 정도로 비효율적이다. 매우 효율적이어서 실용화 되어 있는 랜덤화 기법은 상대적으로 낮은 수준의 프라이버시 보호 기능을 지니고 있다. 최근 SMC와 랜덤화 기법을 적절히 혼합한 형태의 프라이버시 보호 기술이 Teng-Du(2007)에 의해서 제안되었다. 본 논문에서 우리는 Teng-Du의 기법을 면밀히 분석하여 새롭게 구현한 연구 결과를 제시한다. SMC 기술로는 Vaidya-Clifton의 스칼라곱 프로토콜을 채택하고, Agrawal-Jayant-Haritsa가 제안한 랜덤대치 기법을 랜덤화 기술로 선택하여 복합적으로 사용한 프라이버시 보호 기법을 제안한다.

SMC로 불리는 안전한 다자간 계산 프로토콜은 이론적으로 완벽한 프라이버시 보호 기능 및 데이터 정확성을 가지고 있지만 현재의 컴퓨팅 환경에서는 구현이 불가능할 정도로 비효율적이다. 매우 효율적이어서 실용화 되어 있는 랜덤화 기법은 상대적으로 낮은 수준의 프라이버시 보호 기능을 지니고 있다. 최근 SMC와 랜덤화 기법을 적절히 혼합한 형태의 프라이버시 보호 기술이 Teng-Du(2007)에 의해서 제안되었다. 본 논문에서 우리는 Teng-Du의 기법을 면밀히 분석하여 새롭게 구현한 연구 결과를 제시한다. SMC 기술로는 Vaidya-Clifton의 스칼라곱 프로토콜을 채택하고, Agrawal-Jayant-Haritsa가 제안한 랜덤대치 기법을 랜덤화 기술로 선택하여 복합적으로 사용한 프라이버시 보호 기법을 제안한다.

AI 본문요약

엑셀 다운로드 AI-Helper

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

• 연구 주제
• 연구 방법
• 연구 결과

문제 정의

• 이와 같은 SMC 기법과 랜덤화 기법의 특성을 고려하여 최근 이 두 가지 기법을 적절히 혼합한 형태의 프라이버시 보호 기술이 Teng-Du[1]에 의해서 제안되었다. 본 논문에서 우리는 Teng-Du의 기법을 면밀히 분석하고 독자적으로 구현한 연구 결과를 제시한다. 원저자인 Teng-Du는 구체적인 SMC 프로토콜은 언급하지 않았으며, 랜덤화 기법으로는 랜덤응답(randomized response)[2]프로토콜을 채용하였다.
• 본 논문에서는 랜덤화 기법의 사용으로 SMC의 계산부하를 줄임으로써 효율성을 확보할 수 있는 복합 ID3 프로토콜에 대하여 논하였다. 우리가 다룬 복합적 ID3 알고리즘은 랜덤대치 기법에 의하여 정보획득 값의 계산 대상 속성의 개수를 줄임으로써 효율성을 높인 것이다.
• 알고리즘에 참여하는 두 개체는 하나에 대한 어떤 자료를 각각 가지고 서로 상대에게 직접적으로 정보를 노출하지 않으면서 두 개체 모두의 자료로부터 ID3 알고리즘의 결과를 얻고자 한다.
• 이제 위의 ID3 알고리즘의 프라이버시 보존형 버전을 생각해보자. 문제를 단순화하기 위하여 A,B두 개체가 존재하고 각 개체의 프라이버시를 보호하는 상태에서 ID3알고리즘을 통한 데이터 마이닝을 실시한다고 하자.

가설 설정

• 2. 만약 마디가 하나의 클래스 속성만을 가지면 말단 노드로 선택한다.

제안 방법

• 이제 위의 ID3 알고리즘의 프라이버시 보존형 버전을 생각해보자. 문제를 단순화하기 위하여 A,B두 개체가 존재하고 각 개체의 프라이버시를 보호하는 상태에서 ID3알고리즘을 통한 데이터 마이닝을 실시한다고 하자. 이 목적을 달성하기 위한 방법으로는 그림 1에 표현되어 있는 SMC만을 이용하는 방법과 랜덤화만을 이용하는 방법, 그리고 그림 2에 나타나 있는 것과 같이 두 가지를 복합적으로 이용하는 방법이 있다.
• 랜덤대치 기법은 랜덤화 기법 중 구현이 용이하고 응용 가능성이 높다는 장점을 가지고 있으며 프라이버시 손상에 대한 측정이 용이하며, 파라미터에 의하여 프라이버시와 정확도의 취사 선택이 가능하다는 장점을 가지고 있다. 본 실험에서 사용한 랜덤 대치 기법의 기본적인 아이디어는 어떤 확률모델을 사용하여 정의역으로부터 랜덤한 다른 값으로 변화 하는 것이다. 이 확률모델은 각 속성값이 바뀔 확률을 나타내는 전환행렬을 생성하여 정의할 수 있다.
• 본 실험에서 사용한 데이터는 UCI Machine Learning Repository[7]에 나타나 있는 독버섯 분류 데이터이다. 실험에서 오차는 실제 데이터 정보이익 값과 랜덤화 적용 후의 데이터 정보이익 값의 차이로 측정하였다.
• 우리는 현재까지 가장 보편적이고 효율적인 기법으로 알려진 VC 프로토콜[3]과 랜덤대치[4] 기법을 사용한다. 즉, SMC 기술로는 Vaidya-Clifton의 스칼라곱 프로토콜을 채택하고, Agrawal- Jayant-Haritsa가 제안한 랜덤대치 기법을 랜덤화 기술로 선택하여 복합적으로 사용한 프라이버시 보호 기법을 제안한다. 데이터 마이닝 응용 기술로는 분류(classification)를 위한 의사결정 나무(decesion tree) 분석 알고리즘 중에서 대표적인 ID3알고리즘을 고려한다.
• 프로토콜의 활용적인 측면에서의 정확도 측정을 위하여 y에 따른 최대 정보이익 값을 갖는 속성의 적중률을 측정해 보았다. 그림 5에 나타난 결과는 SMC를 수행하는 후보 속성의 개수가 하나인 경우에 실제 정보이익 값이 최대인 속성의 적중률을 측정한 것이다.

대상 데이터

• 본 실험에서 사용한 데이터는 UCI Machine Learning Repository[7]에 나타나 있는 독버섯 분류 데이터이다. 실험에서 오차는 실제 데이터 정보이익 값과 랜덤화 적용 후의 데이터 정보이익 값의 차이로 측정하였다.

이론/모형

• 1948년에 shannon에 의하여 소개된 엔트로피는 불확실성을 측정하기 위하여 사용되었다. 정보이론에서의 엔트로피란 메시지 소스에 대한 불확실성의 측도이다.
• E(·)을 적절한 이진 부호화라고 하면, E(Ti)의 값에 대하여 랜덤대치 기법을 적용한다.
• 원저자인 Teng-Du는 구체적인 SMC 프로토콜은 언급하지 않았으며, 랜덤화 기법으로는 랜덤응답(randomized response)[2]프로토콜을 채용하였다. 우리는 현재까지 가장 보편적이고 효율적인 기법으로 알려진 VC 프로토콜[3]과 랜덤대치[4] 기법을 사용한다. 즉, SMC 기술로는 Vaidya-Clifton의 스칼라곱 프로토콜을 채택하고, Agrawal- Jayant-Haritsa가 제안한 랜덤대치 기법을 랜덤화 기술로 선택하여 복합적으로 사용한 프라이버시 보호 기법을 제안한다.
• 본 논문에서 우리는 Teng-Du의 기법을 면밀히 분석하고 독자적으로 구현한 연구 결과를 제시한다. 원저자인 Teng-Du는 구체적인 SMC 프로토콜은 언급하지 않았으며, 랜덤화 기법으로는 랜덤응답(randomized response)[2]프로토콜을 채용하였다. 우리는 현재까지 가장 보편적이고 효율적인 기법으로 알려진 VC 프로토콜[3]과 랜덤대치[4] 기법을 사용한다.
• 프라이버시 보존형 협력 계산 모델의 효율적인 분류를 위하여 본 연구에서는 ID3알고리즘을 이용하였다. ID3알고리즘의 핵심 아이디어는 다음과 같다.

성능/효과

• 후보 속성의 개수를 두 개로 설정 하였을 때, 대부분의 경우 최대의 정보이익 값을 갖는 속성을 찾아내는 것으로 측정되었으며, 후보 속성의 개수를 세 개로 정한 경우에는 100% 최대 속성을 찾아내는 것으로 나타났다. 그러므로 실제 복합적 방법을 적용함에 있어서 후보 속성의 개수를세 개 이하로 낮춤으로써 원하는 계산 효율성을 얻을 수있다는 사실을 알 수 있다.
• 우리는 적절한 y의 선택으로 랜덤대치 기법을 적용할 경우에 보다 높은 프라이버시 보호 기능을 만족하면서 효율성을 확보할 수 있다. 실험 결과에 의하면 SMC를 적용할 후보 속성의 개수는 세 개 정도면 충분할 것으로 보인다.
• 우리가 다룬 복합적 ID3 알고리즘은 랜덤대치 기법에 의하여 정보획득 값의 계산 대상 속성의 개수를 줄임으로써 효율성을 높인 것이다. 원전에서 사용된 랜덤응답 프로토콜 대신에 랜덤대치 기법을 적용함으로써 정확도가 향상됨을 알 수 있었다.
• 후보 속성의 개수를 두 개로 설정 하였을 때, 대부분의 경우 최대의 정보이익 값을 갖는 속성을 찾아내는 것으로 측정되었으며, 후보 속성의 개수를 세 개로 정한 경우에는 100% 최대 속성을 찾아내는 것으로 나타났다. 그러므로 실제 복합적 방법을 적용함에 있어서 후보 속성의 개수를세 개 이하로 낮춤으로써 원하는 계산 효율성을 얻을 수있다는 사실을 알 수 있다.

후속연구

• 향후 복합적 기법을 수직 분할 데이터에서 수평 분할 데이터의 경우로 확장하는 메커니즘과 연관규칙 마이닝 등과 같은 다양한 데이터 마이닝 영역으로 일반화 하는 작업은 중요한 연구 과제이다.

본문요약 정보가 도움이 되었나요? 예 아니오 제출

질의응답

핵심어	질문	논문에서 추출한 답변
SMC	SMC기술의 특징은?	프라이버시를 보호하는 기술은 크게 두 가지로 대별된다. 이론적으로 완벽한 안전성과 정확성을 갖는 SMC(Secure Multi-party Computation) 기술은 암호 이론에 기초한 것으로 비트 회로 관점에서 설계가 가능하다. 하지만 대부분의 SMC는 계산 영역이 증가함에 따라서 계산량이 기하급수적으로 팽창하기 때문에 현재의 컴퓨팅 환경에서는 구현이 불가능하다.
SMC	SMC 기술의 한계는?	이론적으로 완벽한 안전성과 정확성을 갖는 SMC(Secure Multi-party Computation) 기술은 암호 이론에 기초한 것으로 비트 회로 관점에서 설계가 가능하다. 하지만 대부분의 SMC는 계산 영역이 증가함에 따라서 계산량이 기하급수적으로 팽창하기 때문에 현재의 컴퓨팅 환경에서는 구현이 불가능하다. 한편, 실용적인 프라이버시 보호 기술은 대부분 다양한 랜덤화(randomization) 기법에 의존한다.
랜덤 대치 기법	본 실험에서 제안한 랜덤 대치 기법의 실험을 위해 사용한 데이터는?	본 실험에서 사용한 데이터는 UCI Machine Learning Repository[7]에 나타나 있는 독버섯 분류 데이터이다. 실험에서 오차는 실제 데이터 정보이익 값과 랜덤화 적용 후의 데이터 정보이익 값의 차이로 측정하였다.

질의응답 정보가 도움이 되었나요? 예 아니오 제출

이 논문을 인용한 문헌

더보기