프라이버시 데이터 가격 책정 스택엘버그 게임 접근법

초록

본 논문은 차등 프라이버시(DP) 보호 하에 데이터 거래 가격을 결정하기 위해 스택엘버그 게임 모델을 제시한다. 시장 주체인 마켓 메이커가 가격 함수를 선도적으로 설정하고, 데이터 구매자는 DP 제약을 만족하면서 원하는 정확도(분산)를 선택한다. 선형 가격 함수와 비선형 파워 함수 두 경우에 대해 균형 해를 폐쇄형으로 도출하고, 참여 조건과 수익성 경계를 분석한다.

상세 분석

이 연구는 데이터 시장에서 프라이버시와 경제적 인센티브를 동시에 고려한 최초의 게임이론적 프레임워크 중 하나로 평가할 수 있다. 먼저, 차등 프라이버시의 핵심 매개변수인 민감도와 노이즈 분산을 이용해 개별 데이터 소유자의 프라이버시 손실 ε_i 를 상한으로 정의하고, 이를 기반으로 마이크로페이먼트 μ_i = γ c_i |q_i| p σ/2 를 설계한다. 여기서 γ는 데이터 변동의 최댓값, c_i는 소유자별 프라이버시 가중치이며, p는 라플라스 메커니즘의 스케일 파라미터이다.

가격 함수는 기존 연구(Li et al., 2014)의 형태 π₀(q,σ;k)=k f(q)²/σ 를 그대로 차용하면서, k 를 리더인 마켓 메이커가 조정 가능한 전략 변수로 설정한다. 구매자는 주어진 가격 π(k)와 기대 정확도 σ에 대해 순이익이 양수인 경우에만 거래에 참여한다는 가정 하에, 자신의 효용을 최대화하는 σ* 를 선택한다. 스택엘버그 게임의 후속 단계에서 구매자의 최적 σ* 를 구하고, 이를 다시 리더의 최적 k* 문제에 대입함으로써 폐쇄형 균형을 도출한다.

선형 가격 함수에 대해서는 최적 분산 σ* = √(γ c̄ p f(q)²/k) 형태의 간단한 해를 얻으며, 이는 가격이 높을수록 구매자는 더 높은 노이즈(즉, 낮은 정확도)를 선택한다는 직관과 일치한다. 또한, 시장 참여 조건을 만족하기 위한 k의 하한선과 상한선을 명시적으로 제시하여, 과도한 가격 책정이 오히려 매출 감소를 초래한다는 ‘가격 역효과’를 이론적으로 설명한다.

비선형 파워 가격 함수 π₀(q,σ;k)=k f(q)^α/σ^β (α,β>0) 로 확장했을 때는 최적 해가 고차 방정식 형태로 변하지만, 라그랑주 승수법과 케인-핸들러 조건을 이용해 근사 해를 구한다. 이 경우 가격과 정확도 사이의 비선형 상관관계가 나타나며, 특히 β가 클수록 구매자는 작은 σ(고정밀) 선택을 꺼려 가격에 더 민감하게 반응한다는 점이 강조된다.

모델의 강점은 (1) 차등 프라이버시와 경제 메커니즘을 하나의 수학적 구조에 통합, (2) 균형 해를 폐쇄형으로 제공해 실무 적용이 용이, (3) 참여 조건을 명확히 함으로써 시장 설계자가 최소 보상 수준을 설정할 수 있다는 점이다. 반면 한계점으로는 (가) 라플라스 메커니즘에만 국한된 프라이버시 손실 분석, (나) 데이터 소유자들의 프라이버시 가중치 c_i 를 외생적으로 가정하고 있어 실제 시장에서의 동적 추정이 필요함, (다) 다중 쿼리 시나리오와 연속적인 프라이버시 예산 소모를 고려하지 않은 점을 들 수 있다. 향후 연구에서는 가우시안 메커니즘, 다중 구매자·다중 판매자 환경, 그리고 동적 프라이버시 예산 관리 등을 포함한 확장 모델이 요구된다.