제약 기반 그래프 익명화의 정보 손실 및 위험 최소화

초록

본 논문은 온라인 소셜 네트워크(OSN) 그래프에 클러스터링·수정 기반 교란 기법을 적용하면서, 노드 선택에 제약을 두어 핵심 구조 지표의 정보 손실을 감소시키고 위험을 허용 가능한 수준으로 유지하는 새로운 방법을 제안한다. ‘local1’과 ‘local2’라는 두 가지 제약을 도입하고, 지역 서브그래프 특성을 활용한 새로운 거리 측정법을 설계하였다. 세 개의 실제 OSN 데이터셋을 이용해 6가지 정보 손실 지표와 5가지 적대자 질의 위험 지표를 평가한 결과, 제약을 적용한 방법이 전반적으로 정보 손실과 공개 위험 모두에서 우수한 성능을 보였다.

상세 분석

이 연구는 기존의 그래프 익명화 기법이 주로 무작위 혹은 전역적인 변형에 의존해 정보 손실이 크게 발생한다는 문제점을 인식하고, 선택적 제약을 통해 손실을 최소화하려는 접근을 시도한다. ‘local1’ 제약은 동일 커뮤니티 내에서 가장 구조적으로 유사한 서브그래프를 선택하도록 하며, ‘local2’는 여기에 추가적으로 고중심성 노드나 브리지 노드와 같은 핵심 구조 노드를 제외한다는 점에서 차별화된다. 이러한 제약은 그래프의 전반적인 토폴로지를 크게 왜곡하지 않으면서도, 익명화 대상이 되는 노드 집합을 제한함으로써 정보 손실을 감소시킨다.

거리 측정법은 기존의 그래-프 편집 거리와 달리, 각 서브그래프의 노드 차수 분포, 클러스터링 계수, 삼각형 개수 등 로컬 특성을 벡터화하고, 이를 동형성 매처(isomorphism matcher)와 결합해 정규화된 유사도 점수를 산출한다. 이 과정은 서브그래프 간 구조적 차이를 정량화하면서도 계산 복잡도를 크게 증가시키지 않도록 설계되었다. 실험에서는 k‑anonymity 수준을 2, 5, 10으로 변동시켜 제약 적용 전후의 정보 손실을 6가지 메트릭(노드 차수 분포, 평균 경로 길이, 전역 클러스터링 계수, 모듈러리티, 페이지랭크 분포, 그래프 스펙트럼)으로 비교하였다.

위험 평가에서는 5가지 적대자 질의를 설정했는데, 이는 (1) 노드 식별 질의, (2) 이웃 집합 추론, (3) 서브그래프 매칭, (4) 커뮤니티 구조 재구성, (5) 속성 기반 재식별이다. 각 질의에 대해 성공률을 측정한 결과, ‘local2’ 제약이 가장 낮은 위험을 보였으며, ‘local1’도 기존 무제약 방법에 비해 위험을 15~30% 감소시켰다. 특히 고중심성 노드를 제외함으로써 적대자가 핵심 노드를 통해 전체 구조를 추론하는 것을 효과적으로 차단했다.

전체적으로 이 논문은 제약 기반 선택이 정보 손실과 위험 사이의 트레이드오프를 보다 유연하게 조정할 수 있음을 실증하였다. 제안된 거리 측정과 제약 정의는 다른 그래프 익명화 프레임워크에도 쉽게 적용 가능하며, 특히 커뮤니티 기반 소셜 네트워크에서 실용적인 가치가 크다. 다만, 제약 설정이 과도하면 k‑anonymity를 만족하기 위한 후보 노드 풀이 부족해 익명화가 불가능해지는 상황이 발생할 수 있으므로, 제약 강도와 k 값 사이의 균형을 자동으로 조정하는 메커니즘이 향후 연구 과제로 남는다.