네트워크 트래픽 제어 기반 시공간 궤적 데이터 프라이버시 보호

초록

본 논문은 신뢰할 수 있는 제3자 역할을 하는 네트워크 트래픽 제어 시스템을 활용해, 고차원·희소성을 갖는 시공간 궤적 데이터에 차등 프라이버시를 적용하는 새로운 하이브리드 공개 방법(APTB)을 제안한다. 유사도 기반 집계와 프리픽스 트리 모델을 결합해 데이터 정확도와 프라이버시 손실 사이의 균형을 최적화한다.

상세 분석

이 연구는 모바일 소셜 네트워크에서 사용자의 위치와 이동 경로가 대량으로 수집·분석되는 현실을 전제로, 이러한 민감 정보가 공격자에게 노출되는 위험성을 강조한다. 기존 차등 프라이버시 적용 방식은 고차원·희소한 궤적 데이터에 대해 노이즈를 과다하게 삽입해 데이터 유용성을 크게 저하시킨다는 한계가 있었다. 논문은 이를 극복하기 위해 두 가지 핵심 아이디어를 도입한다. 첫째, ‘유사도 기반 집계(Similarity Point Aggregation)’는 공간‑시간 상에서 서로 근접하거나 행동 패턴이 유사한 포인트들을 군집화하여 차원 수를 효과적으로 축소한다. 이 과정에서 군집 내 평균값을 대표값으로 사용함으로써 원본 데이터의 통계적 특성을 보존한다. 둘째, ‘프리픽스 트리 모델(Prefix Tree)’은 궤적을 문자열 형태로 변환한 뒤 트리 구조에 삽입해, 각 노드가 특정 위치‑시간 구간을 나타내도록 설계한다. 트리의 깊이는 궤적의 시간 granularity를, 브랜치 수는 공간 granularity를 반영한다. 차등 프라이버시를 적용할 때는 트리의 각 레벨에 맞는 민감도(감도)를 계산하고, 라플라스 혹은 가우시안 노이즈를 레벨별로 할당한다. 이렇게 하면 깊은 레벨(세밀한 구간)에서는 노이즈가 크게 들어가 개인 식별 위험을 감소시키고, 얕은 레벨(거친 구간)에서는 노이즈를 최소화해 전체 데이터의 정확도를 유지한다.
또한 논문은 ‘하이브리드 공개 방법(APTB)’라는 명칭으로, 위 두 기법을 순차적으로 적용하는 프로세스를 제시한다. 먼저 원시 궤적 데이터를 유사도 기반으로 전처리해 군집을 만든 뒤, 각 군집을 프리픽스 트리로 매핑한다. 이후 차등 프라이버시 매커니즘을 트리 구조에 삽입하고, 최종적으로 노이즈가 추가된 트리를 역변환해 공개 가능한 시공간 궤적 데이터셋을 생성한다. 실험 결과, 기존 차등 프라이버시 기반 방법에 비해 평균 위치 오차가 30% 이상 감소하고, 데이터 재구성 정확도는 20% 이상 향상되었다는 점이 강조된다. 이와 같이 고차원·희소 데이터의 특성을 고려한 단계별 차등 프라이버시 적용은 프라이버시 보호와 데이터 활용도 사이의 트레이드오프를 효과적으로 완화한다는 점에서 학술적·실무적 의의가 크다.