초록 ▼

□연구개요
본 연구의 목표는 분산되어있는 데이터 상에서 머신러닝 기반의 예측 모형 개발을 위하여 개인 프라이버시 보호 및 시스템 보안이 보장되는 연합 시스템을 개발하는 것이다. 이것은 기존의 머신러닝을 위한 데이터를 한 곳에 합치는 접근법과는 다른 새로운 접근법으로, 분산된 데이터 상에서 안전하게 수행될 수 있는 머신러닝 기법 자체를 개발하는 것이다. 이런 시스템을 개발하는 것에 있어 가장 큰 장애물은 개인 프라이버시 누출 및 해킹과 관련된 시스템 보안 문제이다. 본 연구에서는 데이터 수집 기관들 사이에서 중간 통계값만을 교환

□연구개요
본 연구의 목표는 분산되어있는 데이터 상에서 머신러닝 기반의 예측 모형 개발을 위하여 개인 프라이버시 보호 및 시스템 보안이 보장되는 연합 시스템을 개발하는 것이다. 이것은 기존의 머신러닝을 위한 데이터를 한 곳에 합치는 접근법과는 다른 새로운 접근법으로, 분산된 데이터 상에서 안전하게 수행될 수 있는 머신러닝 기법 자체를 개발하는 것이다. 이런 시스템을 개발하는 것에 있어 가장 큰 장애물은 개인 프라이버시 누출 및 해킹과 관련된 시스템 보안 문제이다. 본 연구에서는 데이터 수집 기관들 사이에서 중간 통계값만을 교환하고 결합하는 연합 예측 모형을 개발하여 이러한 문제를 해결할 수 있도록 제안한다. 제안된 시스템은 중간 통계값이 노출되었을 때도 사용자가 지정한 임계값을 초과하지 않는 엄격한 프라이버시 보호를 제공하고 동시에 중간 통계값을 암호화하여 해킹 위협으로부터의 중간 통계값 노출을 원천 차단하여 시스템 보안을 보장할 수 있다. 이러한 연합 시스템을 통해 도출된 결과는 각 기관의 데이터로부터만 얻은 지역적 결과보다 정확도 측면에서 향상되어 프라이버시 보호 및 시스템 보안 고려 없이 전체 데이터가 한 곳에 있을 때의 광역적 결과에 근접하도록 만들 것이다.

□연구 목표대비 연구결과
(1) 개인 프라이버시 및 기관 시스템 보안이 보장되는 안전한 연합 로지스틱 회귀모형 개발: 개인 프라이버시 및 기관 시스템 보안이 보장된 연합 로지스틱 회귀모형을 개발한 후 실제 데이터에 적용하여 그 결과를 도출하여, 작년 ‘개인 프라이버시 및 기관 시스템 보안이 보장된 연합 로지스틱 회귀모형 개발 및 적용’의 주제로 컴퓨터 과학, 보안분야의 최상위 저널인 IEEE Transactions on Information Forensics and Security (컴퓨터 과학, 이론 및 방법론 분과 상위 4.76 %, IF: 6.211)에 논문을 게재하는 쾌거를 이루었다.
(2) 개인 프라이버시 및 기관 시스템 보안이 보장되는 안전한 베이지안 연합 학습 모델 개발: 처음에 제안하기로는 전년도에 수행한 로지스틱 회귀모형과 마찬가지로 생존모형, 서포트벡터머신에 특화된 알고리즘을 개발하는 것을 목표로 하였으나 보다 도전적인 연구를 수행하기 위해 로지스틱, 생존모형, 나아가 인공신경망 등을 모두 포함하면서 베이지안 학습을 가능케하는 알고리즘에 대해 개인 프라이버시 및 기관 시스템 보안이 보장되는 안전한 연합 모형을 개발하는 것으로 목표를 상향 조정하였고, 이를 달성했다. 현재 머신러닝의 최고 권위 컨퍼런스들 중 하나인 AAAI에 본 결과물을 투고하였다(2020 년 9 월 제출 완료).

□연구개발결과의 중요성
중앙 집중 데이터에 대한 예측 모형 개발이 아닌 분산 데이터에 대한 예측 모형을 만드는 것은 앞으로 나아가야할 궁극적인 방향으로서 최신 데이터 분석 추세이다. 이러한 분산 데이터를 통합하는 과정에서의 프라이버시 침해와 해킹의 위협을 방지하기 위하여 개인정보 보호 및 시스템 보안은 분산형 데이터 분석에 있어 매우 중요한 주제이다. 차등 개인정보보호 기법 및 동형 암호화 기법을 통합하여 각 기법의 한계점을 극복하고 개인정보 보호 및 보안을 동시에 보장할 수 있는 분산 데이터에 대한 연합 예측 모형에 대한 수요는 계속적으로 증가할 것으로 예상되며 본 연구가 그 흐름의 시작점에서 큰 역할을 할 것으로 기대된다. 이 시스템은 민감한 데이터를 다루는 기관들이 기술적 부담 없이 사용하기 쉽도록 개발될 것이며 프라이버시 누출, 침해 및 해킹의 문제로부터 자유롭게 데이터를 공유하고 정보를 전달하여 정확도 높은 머신러닝 예측 모형을 학습할 수 있게 한다. 이를 통해 기관들의 활발한 연합 연구를 촉진할 수 있다. 이 시스템은 소규모 및 대규모 기관, 다양한 데이터 유형의 연합 모형 개발로 일반화 할 수 있으며, 헬스케어 분야에서뿐만 아니라 민감한 정보가 분산되어 있는 금융 거래 분야에도 적용될 수 있기 때문에 파급효과가 클 것이라고 예상한다.

(출처 : 요 약 문 3p)

목차 Contents

• 표지 ... 1
• 목차 ... 2
• 연구결과 요약문 ... 3
• 1. 연구개발과제의 개요 ... 4
• 2. 연구수행내용 및 연구결과 ... 4
• ■ 1차년도(2018.08~2019.02) ... 4
• ■ 2차년도(2019.03~2020.02) ... 8
• ■ 3차년도(2019.03~2020.02) ... 10
• 3. 연구개발결과의 중요성 ... 12
• 4. 참고문헌 ... 13
• 5. 연구성과 ... 13
• 대표적 연구실적 ... 17
• 끝페이지 ... 30