[Data Privacy] Reconstruction Attack: 재구성 공격이란? 랜덤을 사용해 가장 쉽게 막는 방법

🌏 Reconstruction Attack

데이터 프라이버시의 보장은 오늘날 데이터 기반 시스템에서 가장 중요한 이슈 중 하나입니다. 그중에서도 재구성 공격(Reconstruction Attack)은 개인 데이터를 보호하는 데 있어 심각한 위협이 됩니다.

이번 글에서는 이러한 재구성 공격이 어떻게 이루어지는지, 그리고 이를 막기 위해 랜덤성을 활용한 기법이 어떻게 작동하는지를 수학적으로 자세히 살펴보겠습니다.

---

✅ Reconstruction Attack(재구성 공격)이란?

개인 정보가 담긴 데이터를 그대로 공개하면 심각한 문제가 생길 수 있습니다. 각각의 정보를 직접 공개하지 않는다고 하더라도 통계만 가지고도 특정 데이터가 어떠한 데이터인지 알아낼 수 있다는 것이 문제입니다. 예를 들어서 2명의 몸무게 평균을 주었을 때, 그중에 한 명의 몸무게를 알고 있다면 다른 한 명의 몸무게가 얼마인지 정확히 알아낼 수 있습니다.

재구성 공격이란, 공격자가 통계적 질의(query)를 통해 원래의 데이터를 간접적으로 알아내려는 시도입니다. 예를 들어 사용자의 키, 몸무게, 나이 같은 데이터가 포함된 통계를 제공할 때, 공개된 정보를 조합해 특정 사용자의 실제 값을 추측할 수 있습니다.

• 예를 들어, 데이터 벡터 D = [D₁, D₂, ..., Dₙ]가 존재할 때,
• 공격자는 부분합 쿼리qₛ(D) = ∑_{i ∈ S} Dᵢ를 여러 번 수행해,
• 결국 전체 데이터 D 자체를 유추하려고 합니다.

이런 상황에서 우리는 쿼리 응답이 너무 정확하면 위험하다는 사실을 알 수 있습니다. 따라서 응답값에 노이즈(noise)를 섞어서 정확도를 일부 희생하고, 프라이버시를 보호하는 것이 중요합니다.

---

✅ 랜덤성의 힘 (Power of Randomness)

기존의 방식에서는 데이터 벡터 D = [D₁, D₂, ..., Dₙ]에 대해 단순히 평균값 \((D₁ + D₂ + ⋯ + Dₙ)/n\)을 공개하게 되면, 공격자는 이 정보를 바탕으로 원래의 데이터를 쉽게 추정할 수 있습니다. 이를 막기 위해 확률적으로 값을 뒤집는 기법을 도입합니다.

 

데이터의 각 항목 Dᵢ(0 또는 1)에 대해 다음과 같이 확률적으로 결과를 flip하여 노이즈를 추가합니다

 

 

• 여기서 람다 γ (0 ≤ γ ≤ ½)는 프라이버시 파라미터입니다.
• γ가 클수록 실제 데이터가 더 잘 반영되어 유용성은 높아지지만, 프라이버시는 줄어듭니다.
• γ = 0일 때는 완전 무작위(50:50)로 값을 뒤집으므로 완벽한 프라이버시를 보장하지만, 데이터에 대한 정보도 사라집니다. 통계적으로 전혀 의미가 없습니다.
• 반대로 γ = ½이면 원래의 값을 그대로 반환하므로 유용성은 최대지만, 프라이버시는 0입니다.

γ 값 하나로 정보 유용성과 프라이버시 사이의 균형을 조절할 수 있습니다.

 

 

즉, curator(데이터 제공자)는 원래 데이터가 아닌 Yᵢ라는 노이즈가 추가된 값들의 평균을 제공합니다. 이로써 공격자가 원래 데이터 D를 직접 재구성하기는 훨씬 더 어려워집니다.

 

다음과 같은 트레이드오프 관계가 형성됩니다

• γ ↑ → 유용성 ↑, 프라이버시 ↓
• γ ↓ → 유용성 ↓, 프라이버시 ↑

데이터 제공자는 원하는 프라이버시 수준과 분석 정확도(utility) 사이의 균형을 조정할 수 있습니다.

 

 

도움이 되었다면, 공감/댓글을 달아주면 깃짱에게 큰 힘이 됩니다!🌟
비밀댓글과 메일을 통해 오는 개인적인 질문은 받지 않고 있습니다. 꼭 공개댓글로 남겨주세요!