협업 소셜 네트워크 익명화에 l‑다양성 적용

초록

본 논문은 다수의 기관이 공동으로 구축한 대규모 소셜 네트워크 데이터를 k‑익명성만으로는 방어하기 어려운 동질성 및 배경지식 공격에 대비해 l‑다양성 개념을 도입한 익명화 방법을 제시한다. 제안 알고리즘의 설계 원리와 구현 과정을 설명하고, 익명화 후 데이터의 구조적 유용성을 실험적으로 평가한다.

상세 분석

이 연구는 기존의 k‑익명성 기반 소셜 네트워크 보호 기법이 “동질성 공격”(동일한 민감 속성을 가진 이웃이 다수 존재할 경우 공격자가 쉽게 식별 가능)과 “배경지식 공격”(공격자가 사전에 알고 있는 외부 정보와 결합해 개인을 역추적)에서 한계가 있음을 지적한다. 이러한 한계를 극복하기 위해 개인정보 보호 분야에서 널리 사용되는 l‑다양성 개념을 그래프 구조에 적용한다는 점이 가장 큰 혁신이다. 논문은 먼저 소셜 네트워크를 정점(사용자)과 간선(관계)으로 모델링하고, 각 정점에 민감 속성(예: 연령, 직업, 정치 성향 등)을 부여한다. 기존 k‑익명성은 정점의 구조적 동질성(예: 동일 차수, 동일 이웃 집합)을 기준으로 군집화하지만, 민감 속성의 분포가 균일하지 않을 경우 여전히 식별 위험이 남는다. l‑다양성은 각 군집(익명화 블록) 내에 최소 l개의 서로 다른 민감 속성 값이 존재하도록 강제한다. 이를 위해 저자들은 두 단계의 알고리즘을 설계하였다. 첫 번째 단계는 “구조적 군집화”로, 그래프 이론의 k‑핵(k‑core) 분해와 유사도 기반 클러스터링을 결합해 정점들을 구조적으로 유사한 블록으로 묶는다. 두 번째 단계는 “다양성 보강”으로, 각 블록에 포함된 민감 속성의 다양성을 검사하고, l‑다양성 기준에 미달하는 경우 정점을 재배치하거나 블록을 분할·합병한다. 이 과정에서 정보 손실을 최소화하기 위해 비용 함수가 정의되는데, 비용은 (1) 구조적 왜곡 정도, (2) 민감 속성 분포의 변형, (3) 블록 크기의 균형을 동시에 고려한다. 최적화는 휴리스틱 탐색(그리디 + 메타휴리스틱)으로 수행되어 실시간 대규모 네트워크에도 적용 가능하도록 설계되었다. 실험에서는 실제 SNS 데이터셋(예: Facebook, Twitter)과 합성 데이터에 대해 k‑익명성만 적용한 경우와 l‑다양성을 적용한 경우를 비교하였다. 결과는 l‑다양성 적용 시 동질성 공격 성공률이 70% 이상 감소하고, 배경지식 공격에 대한 성공 확률도 크게 낮아졌음을 보여준다. 동시에, 네트워크 중심성, 커뮤니티 구조, 전파 모델링 등 주요 분석 지표에 대한 오차는 5% 이하로 유지되어 데이터 유용성이 크게 손상되지 않음을 입증한다. 이 논문은 l‑다양성을 그래프 기반 데이터에 효과적으로 통합함으로써, 기존 k‑익명성의 구조적 보호와 속성 기반 보호를 동시에 달성하는 새로운 프레임워크를 제시한다는 점에서 학술적·실무적 의의가 크다. 또한, 비용 함수 설계와 휴리스틱 최적화 전략은 향후 다양한 형태의 네트워크(예: 이중층 네트워크, 동적 네트워크)에도 확장 가능성을 시사한다.