Channel Chart Location Privacy Based on Geo-Indistinguishability

Resumen Técnico: Privacidad de la Ubicación en Mapas de Canales Basada en la Geo-Indistinguibilidad

Declaración del Problema
El mapeo de canales (Channel Charting, CC) es una técnica de aprendizaje automático no supervisado que mapea la información de estado del canal (CSI) de alta dimensión en un espacio latente de baja dimensión, preservando la geometría local del entorno inalámbrico. Esto permite servicios basados en la ubicación (LBS) sin requerir etiquetas de posición de verdad de terreno explícitas. Sin embargo, aunque el CC proporciona "pseudo-ubicaciones", codifica intrínsecamente las ubicaciones físicas de los equipos de usuario (UE). Un servidor LBS de terceros con acceso incluso a unos pocos puntos de anclaje puede explotar la consistencia espacial del mapa para reconstruir un mapeo del espacio del mapa al espacio físico, comprometiendo así la privacidad de la ubicación del usuario.

Los marcos de privacidad existentes, como la Privacidad Diferencial (DP) y la Geo-Indistinguibilidad (GI), ofrecen garantías formales. La GI estándar extiende la DP a espacios métricos (por ejemplo, el espacio euclidiano) asegurando que las ubicaciones cercanas produzcan salidas estadísticamente similares. Sin embargo, aplicar la GI estándar directamente a los mapas de canales presenta un desafío: los mecanismos de perturbación estándar (como el mecanismo de Laplace Planar) asumen un ruido isotrópico y una distancia euclidiana, fallando al no tener en cuenta la geometría intrínseca y localmente estructurada de la variedad (manifold) del mapa de canales. Este desajuste puede conducir a una utilidad subóptima (degradación de la calidad del servicio) o a una protección de la privacidad insuficiente en relación con la estructura específica del mapa.

Metodología
Los autores proponen un marco denominado Indistinguibilidad de la Ubicación en Mapas (Chart Location Indistinguishability, CLI), que extiende el concepto de Geo-Indistinguibilidad a las variedades latentes de los mapas de canales. El objetivo central es perturbar las coordenadas del mapa antes de liberarlas a un servidor LBS no confiable, preservando al mismo tiempo la topología de la variedad.

El artículo investiga dos mecanismos primarios dentro del marco CLI:

1. Mecanismo de Laplace Planar (PL) Estándar: Aplica el enfoque de GI estándar directamente al espacio del mapa utilizando la distancia euclidiana. Inyecta ruido de Laplace isotrópico, tratando el mapa como un plano 2D plano sin considerar las variaciones geométricas locales.
2. Mecanismo de Laplace Planar de Norma de Mahalanobis con Conciencia de la Geometría (MNPL): Esta es la contribución novedosa del trabajo. El mecanismo MNPL adapta la perturbación a la estructura local del mapa de canales.
   • Estimación de la Covarianza Local: Para cada punto del mapa, el algoritmo identifica sus $K$ vecinos más cercanos en el espacio de características. Se calcula la matriz de covarianza de estos vecinos en el espacio de bajo orden del mapa.
   • Descomposición de Autovalores: La matriz de covarianza se descompone para identificar direcciones principales ($u_p$) y direcciones ortogonales ($u_o$).
   • Inyección de Ruido Adaptativo: Se construye una matriz de covarianza $\Sigma$ utilizando parámetros de diseño $\sigma_p^2$ y $\sigma_o^2$ a lo largo de estos ejes principales y ortogonales. El ruido se inyecta de tal manera que se alinea con la geometría local. Específicamente, el mecanismo aplica una perturbación más fuerte a lo largo de las direcciones donde los puntos del mapa están menos dispersos (ortogonales a la dirección principal de la variedad) para mantener la indistinguibilidad, mientras preserva la estructura a lo largo de la dirección principal.
   • Muestreo: El vector de ruido se muestrea generando ruido PL estándar y aplicando una transformación lineal basada en la raíz cuadrada de la matriz de covarianza ($\Sigma^{1/2}$).

El artículo también establece que el mecanismo MNPL satisface la definición formal de $\epsilon$-CLI, donde la garantía de privacidad se define por la distancia de Mahalanobis en lugar de la distancia euclidiana. Además, se evalúa un baseline estándar de DP utilizando el mecanismo Gaussiano para la comparación.

Contribuciones Clave

• Marco CLI: La propuesta de un marco de privacidad diseñado específicamente para el mapeo de canales, definiendo la privacidad en las variedades de los mapas de canales mediante una covarianza localmente adaptativa derivada de las vecindades del mapa.
• Mecanismo MNPL: El desarrollo de un mecanismo de perturbación con conciencia de la geometría que inyecta ruido alineado con la estructura geométrica local del mapa, satisfaciendo $\epsilon$-CLI mientras preserva mejor la topología de la variedad en comparación con los métodos isotrópicos.
• Evaluación Exhaustiva: Una evaluación rigurosa a través de múltiples esquemas de mapeo de canales (redes siamesas, aprendizaje basado en tripletas, PCA y autoencoders) utilizando tanto métricas de utilidad (Pérdida de Calidad, Error de Consulta de Rango) como métricas conscientes de la geometría (Confiabilidad, Continuidad).

Resultados
Los resultados numéricos, basados en un conjunto de datos de una campaña de medición urbana, demuestran lo siguiente:

• Compromiso entre Privacidad y Utilidad: Los mecanismos de DP estándar (Gaussiano) y los mecanismos PL estándar degradan significativamente la estructura del mapa. Por ejemplo, bajo DP, las métricas de Confiabilidad (TW) y Continuidad (CT) caen aproximadamente a 0.5, indicando una pérdida casi total de la estructura de vecindad local.
• Superioridad de MNPL: El mecanismo MNPL propuesto supera significativamente tanto al mecanismo PL estándar como al mecanismo Gaussiano. Para un presupuesto de privacidad de $\epsilon=2$, MNPL mantiene valores de TW y CT alrededor del 90% (alcanzando hasta el 97% para redes siamesas), mientras que PL reduce estos valores a poco más de 0.5.
• Preservación Visual: Las visualizaciones de los mapas perturbados muestran que MNPL preserva el agrupamiento (clustering) y las relaciones de vecindad del mapa original, mientras que el ruido PL y Gaussiano distorsionan la estructura intrínseca, haciendo que el mapa sea inutilizable para tareas de LBS.
• Desempeño de Métricas: MNPL logra un Error de Consulta de Rango (RQE) y una Pérdida de Calidad (QL) más bajos en comparación con PL a través de varios presupuestos de privacidad y radios de consulta.

Significancia y Reivindicaciones
El artículo afirma que el marco CLI propuesto, particularmente el mecanismo MNPL, proporciona una fuerte garantía de privacidad (indistinguibilidad formal) mientras preserva eficazmente la utilidad del mapa de canales para tareas de LBS. Los autores posicionan este trabajo como un "primer paso" hacia la privacidad con conciencia de la geometría en el mapeo de canales. Enfatizan que, al incorporar la geometría intrínseca del mapa a través de la distancia de Mahalanobis, su mecanismo logra un compromiso superior entre privacidad y utilidad en comparación con los métodos de perturbación isotrópicos existentes. El trabajo no pretende resolver todos los problemas de privacidad en entornos dinámicos, sino que establece un método fundacional para proteger las representaciones estáticas de los mapas de canales. Se sugiere que trabajos futuros exploren mecanismos adaptativos para entornos variables en el tiempo y trayectorias de usuarios.