응축된 로컬 차별 프라이버시를 통한 안전하고 유용성을 고려한 데이터 수집

로컬 차별 프라이버시(Local Differential Privacy, LDP)는 개인 정보를 보호하는 데이터 수집을 위해 실질적으로 널리 사용됩니다. 기존의 LDP 프로토콜은 대규모 사용자 집단(10만 명 이상)에 대해 높은 유용성을 제공하지만, 사용자 집단이 작은 시나리오(사이버 보안 영역과 같은)에서는 성능이 낮고 순서형 및 비순서형 항목 시퀀스의 길이와 내용을 동시에 보호하면서 효과적인 왜곡 메커니즘이 없습니다. 본 논문에서는 로컬 차별 프라이버시(LDP)의 특수화로서 응축된 로컬 차별 프라이버시(Condensed Local Differential Privacy, CLDP) 개념을 도입하여 소규모 사용자 집단 문제를 해결하고, 개인 정보를 보호하면서 바람직한 통계적 유용성을 제공하는 일련의 CLDP 프로토콜을 개발합니다. 우리의 프로토콜은 유한 메트릭 공간에서의 순서형 데이터 타입(수치적 악성 코드 감염 통계)부터 시작하여 비순서형 항목(OS 버전, 거래 카테고리) 및 순서형과 비순서형 항목 시퀀스에 이르는 다양한 유형의 클라이언트 데이터를 지원합니다. 여러 데이터 세트에 대해 광범위한 실험을 수행했으며, 기존 접근 방식에 사용된 데이터 세트보다 한 차원 작은 데이터 세트를 포함하여 제안된 CLDP 프로토콜이 높은 유용성을 산출함을 보여줍니다. 또한, Symantec 데이터 세트를 사용한 사례 연구에서는 우리의 프로토콜이 랜섬웨어 발생 감지, 목표 및 취약한 OS 식별, 감염된 시스템에서의 의심스러운 활동 점검과 같은 핵심 사이버 보안 관련 작업을 정확하게 지원함을 보여줍니다.