웨어러블 기기에서 프라이버시 보존 건강 데이터를 수집하는 방법 :Privacy-preserving Health Data Collection Method for Wearable Devices

문수미

추천

검색

자료유형: 학위논문

저자정보: 문수미 (상명대학교, 상명대학교 일반대학원)

지도교수: 김종욱

발행연도: 2021

저작권: 상명대학교 논문은 저작권에 의해 보호받습니다.

이용수92

이 논문의 연구 히스토리 (3)

2021

웨어러블 기기에서 프라이버시 보존 건강 데이터를 수집하는 방법

문수미 컴퓨터과학과 2021.01 학위논문

2020

웨어러블 기기 환경에서 특징 점 추출 기법을 통해 프라이버시 보존 건강 데이터를 수집하는 방법

문수미 , 김종욱 한국컴퓨터정보학회논문지 2020.10 학술저널

스마트밴드를 이용한 프라이버시 보존 건강 데이터 수집 방법

문수미 , 김종욱 한국컴퓨터정보학회논문지 2020.04 학술저널

이 논문의 후속연구가 궁금하신가요?
연관 학술논문 또는 학술발표를 통해 보다 발전된 연구결과를 확인하실 수 있습니다.
이 논문의 연구 히스토리 확인하기

초록· 키워드

오류제보하기

오늘날 웨어러블 기기와 다양한 센서 기술의 발전으로 건강 데이터 수집과 활용이 활발해졌다. 스마트워치를 통해 개인의 운동 상태를 실시간으로 모니터링하거나 환자의 심박 수, 심전도 등의 건강 데이터를 통해 위험 상황을 탐지 및 예측한다. 예컨대 심장 질환 환자의 측정치가 이상을 보이면 위급 상황을 감지하여 자동으로 보호자에게 연락하는 시스템이 개발되어 있다. 이처럼 웨어러블 환경에서 수집하는 건강 데이터의 활용 영역이 확대되고 데이터 분석 기술이 발전하는 반면 건강 데이터가 불법으로 판매되거나 공격자에 의해 탈취되는 사건이 발생하고 있다. 건강 데이터는 개인의 생명과 밀접하게 연관된 민감 데이터이므로 활용성이 높지만 프라이버시 침해 우려가 크기 때문에 적절한 익명화 기술이 필수적으로 요구된다. 이에 본 논문은 웨어러블 환경에서 개인의 건강 데이터를 프라이버시 침해 없이 수집하는 방법을 소개한다.
프라이버시 보호 건강 데이터 수집을 위해 사용한 지역 차분 프라이버시(Local Differential Privacy, LDP) 기법은 수학적으로 증명 가능한 통계적 프라이버시 보호 모델인 차분 프라이버시의 발전된 형태로, 신뢰할 수 없는 데이터 수집가를 가정하여 데이터 제공자가 변조 데이터를 전송하는 방식을 사용한다. 이는 중앙화 차분 프라이버시(Centralized Differential Privacy, CDP) 기법보다 강력한 프라이버시 보호 모델이며 데이터 변조 수준이 더 높다. 지역 차분 프라이버시 모델은 구글, 삼성, 애플 등 글로벌 기업이 데이터 제공자의 프라이버시를 보호하면서 데이터를 수집하기 위해 사용하는 최신의 기법이며, 프라이버시 보존이 필수적으로 요구되는 건강 데이터 수집에서도 적절히 활용될 수 있다.
데이터 제공자는 본인의 건강 데이터에 지역 차분 프라이버시를 만족하기 위한 방법인 라플라스 메커니즘에 따라 노이즈를 추가하여 데이터 수집가에게 전송하고, 데이터 수집가는 변조된 데이터 집합을 통계적으로 이용한다. 본 연구에서는 데이터 제공자와 데이터 수집가 측면을 구분하여 각각의 프로세스를 위한 알고리즘을 고안하고 실험을 통해 유용성을 검증하였다. 특히 지역 차분 프라이버시의 순차 구성 이론에 따라 프라이버시 비용을 분할하여 사용하였는데, 이를 통해 데이터 제공자가 데이터 수집가에게 전체 데이터가 아닌 부분 데이터를 전송함으로써 데이터 유용성을 확보했다. 본 연구는 해당 과정에서 사용되는 최적의 부분 데이터인 특징 점의 개수와 위치를 탐색하기 위한 알고리즘을 제안한다. 데이터 제공자가 해당 알고리즘을 통해 탐색한 특징점을 변조하여 데이터 수집가에게 전송하면, 데이터 수집가는 수집한 데이터의 통계 결과를 데이터 분석가에게 제공하는 방식이다.
제안하는 프라이버시 보호 건강 데이터 수집 방법은 민감한 건강 데이터를 사용하는 헬스 케어 및 맞춤형 서비스 산업에서 개인 데이터를 보호하면서 데이터를 통계적으로 이용하기 위한 방안으로 활용될 수 있을 것이다.

Today, with the development of wearable devices and various sensor technologies, the collection and utilization of health data have become more active. We can monitor patients'' fitness status on a real-time basis through a smart watch which detects or predicts dangerous situations through the collected data of a patient’s health, such as heart rates, electrocardiogram, etc.
In the expansion of the collection and application of the health data and the development in data analysis technology, health data are sometimes sold illegally or stolen by third party. Health data is a sensitive data closely related to an individual''s life, so an appropriate perturbation technique is essential to avoid the risk of privacy violation. Therefore, we introduce a method to collect personal health data without violating one’s privacy in a wearable environment.
Local Differential Privacy (LDP) used for privacy protection health data collection assumes an untrusted data collector and uses a method by which the data provider transmits the perturbed data. This model achieves stronger privacy protection than the Centralized Differential Privacy (CDP). LDP is the latest model used by global companies such as Google, Samsung, and Apple to collect data while protecting users'' privacy. The data provider adds noise to one’s own health data according to the Laplace mechanism, which is a method to satisfy LDP, and transmits it to a data collector. The data collector uses the perturbed data set statistically.
In this study, an algorithm for searching feature points is devised for the data provider and the data collector, respectively. According to the sequential composition theory of LDP and the proposed algorithms, data utility is secured by the data provider who sends feature points, not the entire set of data, to the data collector.
This study proposes algorithms for searching the optimal feature points. When the data provider perturbs the feature points discovered through the algorithm and transmits them to the data collector, the data collector provides the statistical results of the collected data to the data analyst. The proposed method can be utilized for privacy-preserving data collection in health care industry and other customized service industries which use sensitive health data.

#데이터수집 #지역차분프라이버시 #LDP #데이터 프라이버시

국문 요약 ⅲ
1. 서론 1
2. 관련 연구 5
3. 배경 지식 8
3.1. 차분 프라이버시 8
3.2. 지역 차분 프라이버시 9
4. 웨어러블 환경 내 프라이버시 보존 건강 데이터 수집 11
4.1. 문제 정의 11
4.2. 데이터 제공자 부분 13
4.2.1 고정된 특징점 k개 전송 방법 14
4.2.2 최적의 특징점 k개 전송 방법 19
4.3. 데이터 수집가 부분 22
5. 구현 23
6. 실험결과 26
6.1. 실험 환경 26
6.2. 실험결과 평가 27
7. 결론 33
참고문헌 35
ABSTRACT 39

최근 본 자료

전체보기

구분	그룹	데이터 항목
AI 학습용 데이터	원문	원문 PDF 파일
AI 학습용 데이터	원문 + 메타 (기본/상세)	원문 PDF 파일 및 서지정보 CSV
대량 구매용 데이터	B2B 구독 방식	특정 자료 한정으로 원문 접근 권한 부여
대량 구매용 데이터	URL 전달 방식	바로 PDF 뷰어를 열람할 수 있는 URL 제공

구분	그룹	데이터 항목
AI 학습용 데이터	기본 메타	발행기관명, 간행물명, 권호명, 권(vol), 호(issue), 통권, 발행연도, 발행월, 논문명, 저자명, 시작페이지, 종료페이지, 전체페이지, 상세페이지URL
상세 메타 데이터	발행기관 메타	발행기관 이명, 영문명, 창립연도, 홈페이지URL, 발행기관 소개
	간행물 메타	부제목, 간행물 유형, ISSN, ISBN, 최초발행연도, 폐간연도, 간행빈도, 발행주기, 등재사항, 이용수, 피인용수, 권호수, 논문수, 표지이미지
	논문 메타	작성 언어, 부제목, 대등제목, 목차, 키워드, 초록, 이미지, 참고문헌, 이용수, 피인용수, 논문활용도, DBpia통합주제분류, KDC분류, DDC분류, 한국연구재단분류, UCI, DOI
	저자 메타	소속기관, 소속부서, 직급, 연구분야, 연구키워드, 이용수, 피인용수, 저자 논문활용도

구분	그룹	데이터 항목
※ 결합형/맞춤형 메타 데이터는 신청 내용에 따라 다양하게 제공 가능
이용순위 정보	주제분야별 많이 이용된 논문	“인문학”에서 많이 이용된 논문 TOP100
	이용기관별 많이 이용된 논문	“중고등학교”에서 많이 이용된 논문 TOP100
	세부기관별 많이 이용된 논문	“서울대학교”에서 많이 이용된 논문 TOP100
	키워드별 많이 이용된 논문	“Chat GPT”에서 많이 이용된 논문 TOP100
키워드 정보	많이 이용된 키워드	특정기간/분야/저널 내 많이 이용된 키워드
	많이 발행된 키워드	특정기간/분야/저널 내 많이 발행된 키워드
	많이 검색된 키워드	특정기간/분야/저널 내 많이 검색된 키워드
	연구 트렌드 키워드	특정 키워드 연관 연구동향 분석 데이터 키워드

논문 기본 정보

이 논문의 연구 히스토리 (3)

초록· 키워드

목차

최근 본 자료

댓글(0)