프라이버시 보호와 효율을 동시에 잡은 온라인 비디오 프리패칭 프레임워크 PPVF

초록

PPVF는 신뢰할 수 있는 엣지 디바이스를 활용해 사용자 요청을 은폐하고, 연관 차등 프라이버시(CDP) 기반의 잡음 요청 생성, 연합 학습 기반 영상 효용 예측, 그리고 온라인 프라이버시 예산 스케줄러를 결합한다. 실험 결과, 실제 텐센트 비디오 트레이스를 이용했을 때 캐싱 성능을 크게 손상시키지 않으면서 요청 프라이버시를 효과적으로 보호한다.

상세 분석

본 논문은 온라인 비디오 스트리밍 서비스에서 사용자 요청이 콘텐츠 제공자(CP)에 그대로 노출되는 문제를 근본적으로 해결하고자 한다. 기존 암호화·연합학습·차등프라이버시(DP) 기법은 각각 단독으로 적용했을 때 요청 가시성을 완전히 차단하지 못하거나, 과도한 잡음으로 캐시 효율을 크게 저하시킨다. PPVF는 이러한 한계를 극복하기 위해 세 가지 핵심 모듈을 설계한다. 첫째, 온라인 프라이버시 예산 스케줄러는 실시간으로 비요청 영상(노이즈 후보)을 선택하고, 각 후보에 제한된 프라이버시 예산을 할당한다. 이때 경쟁 분석을 통해 알고리즘이 최적 해에 대한 유한한 비율(competitive ratio) 보장을 제공한다는 점이 이론적 강점이다. 둘째, 연관 차등 프라이버시(CDP) 기반 잡음 요청 생성기는 영상 간 시청 패턴의 상관관계를 모델링해 잡음 규모를 정밀하게 조정한다. 기존 EM(Exponential Mechanism)에서는 전체 영상 집합에 균등하게 잡음을 부여해 예산 소모가 과다했지만, CDP는 상관 행렬 Ψ를 이용해 고빈도 영상에 더 큰 잡음 확률을, 냉동 영상에는 최소 잡음만 부여함으로써 예산 효율을 극대화한다. 셋째, 연합 학습 기반 온라인 영상 효용 예측기는 엣지 디바이스가 로컬 시청 로그를 공유하지 않고도 전역 모델 파라미터 θ(β, p, q)를 주기적으로 업데이트한다. 이를 통해 각 디바이스는 최신 효용 λᵢ를 실시간으로 추정하고, 프라이버시 예산 스케줄러와 잡음 생성기에 피드백한다. 전체 시스템은 엣지 디바이스가 신뢰된 실행 환경(TEE)에서 동작한다는 전제 하에, 사용자 요청을 ED에만 전달하고 CP와는 변형된 요청 벡터 x를 주고받는다. 실험에서는 텐센트 비디오의 실제 요청 로그를 사용해 다양한 프라이버시 예산(ε)와 캐시 용량 시나리오를 평가했으며, PPVF는 기존 DP 기반 프리패칭 대비 캐시 히트율 감소폭이 5% 이하이면서 프라이버시 보호 수준은 동일하거나 더 우수했다. 특히, 후보 영상 집합 Aₖ를 동적으로 조정함으로써 잡음 요청 수를 최소화하고, 연합 학습을 통한 효용 예측 정확도가 12% 향상된 점이 눈에 띈다. 이와 같이 PPVF는 프라이버시 보호와 서비스 품질 사이의 트레이드오프를 이론적·실험적으로 균형 잡힌 솔루션으로 제시한다.