공격자 추정 오류를 통한 프라이버시 측정

초록

본 논문은 프라이버시를 공격자가 목표 정보를 추정할 때 발생하는 평균 추정 오류로 정의하는 통합 프레임워크를 제시한다. 이 정의를 통해 k‑anonymity, l‑diversity, t‑closeness, ε‑differential privacy, Shannon 엔트로피 등 기존 주요 프라이버시 지표들을 동일한 관점에서 해석하고, 정보이론·베이즈 의사결정 이론과의 연관성을 밝힌다. 또한 통계적 공개 제어, 익명 통신, 위치 기반 서비스 등 세 분야에 적용 사례를 제시한다.

상세 분석

논문은 프라이버시를 “공격자의 추정 오류”라는 단일 수치로 귀결시키는 이론적 틀을 구축한다. 먼저 개인 정보 X와 공격자가 관측할 수 있는 공개 변수 Y를 확률 변수로 설정하고, 공격자는 사후 확률 p(X|Y)를 이용해 베이즈 추정기를 선택한다. 이때 사용되는 손실 함수 L(·,·)에 따라 평균 위험(Risk)=E