[기술 요약] RAPID: 합성 마이크로데이터의 속성 예측 유도 노출 위험 측정

1. 문제 배경 (Problem Statement)

최근 데이터 공유의 투명성을 높이기 위해 완전 합성 마이크로데이터(Fully Synthetic Microdata) 활용이 증가하고 있습니다. 기존의 익명화 방식은 개인의 식별(Identity Disclosure)을 막는 데 집중했으나, 합성 데이터의 경우 실제 개인의 레코드가 존재하지 않으므로 식별 위험은 낮습니다.

하지만 새로운 위협이 존재합니다. 바로 **속성 추론 공격(Attribute Inference Attack)**입니다. 공격자가 공개된 합성 데이터를 학습하여 예측 모델을 만든 뒤, 이를 실제 개인의 준식별자(Quasi-identifiers)에 적용하면 해당 개인의 민감한 속성(예: 소득, 질병 유무)을 높은 정확도로 추론할 수 있습니다. 즉, **데이터의 유용성(Utility)을 높이기 위해 보존한 변수 간의 통계적 관계가 역설적으로 프라이버시 침해의 통로가 되는 '유용성-프라이버시 상충 관계(Risk-Utility Trade-off)'**가 핵심 문제입니다.

2. 방법론 (Methodology: RAPID)

본 논문은 공격자의 관점에서 추론 취약성을 직접 정량화하는 RAPID(Risk of Attribute Prediction–Induced Disclosure) 지표를 제안합니다.

핵심 메커니즘

공격자가 합성 데이터로만 학습된 모델을 사용하여 실제 데이터의 민감 속성을 얼마나 "확신 있게" 맞추는지를 측정합니다. 단순히 정확도(Accuracy)를 측정하는 것이 아니라, 기존의 배경 지식(Baseline) 대비 얼마나 추가적인 정보 이득을 얻었는지를 계산하는 것이 핵심입니다.

속성 유형별 측정 방식

1. 범주형 속성 (Categorical Attributes):
   • Baseline ($b_i$): 준식별자 없이 단순히 원래 데이터의 클래스 빈도(Marginal Frequency)만 알고 있을 때의 확률입니다.
   • Normalized Gain ($r_i$): 모델이 예측한 확률($g_i$)이 베이스라인($b_i$)보다 얼마나 높은지를 정규화하여 계산합니다.
     $$r_i = \frac{g_i - b_i}{1 - b_i}$$
   • 위험 판정: 정규화된 이득이 정책적 임계값($\tau$, 기본값 0.3)을 초과하면 해당 레코드는 '위험'한 것으로 간ق합니다.
2. 연속형 속성 (Continuous Attributes):
   • Error Metric ($e_i$): 예측값과 실제값 사이의 상대적 오차를 계산합니다 (예: 대칭 상대 오차).
   • 위험 판정: 오차가 사용자가 설정한 허용 오차($\epsilon$, 기본값 10%) 이내로 들어오면 해당 레코드는 '위험'한 것으로 간주합니다.

최종 지표

RAPID 값은 전체 레코드 중 위험 임계값을 초과한 레코드의 비율로 정의됩니다. 이는 0과 1 사이의 값을 가지며, 데이터 관리자가 직관적으로 해석할 수 있습니다.

3. 주요 기여 (Key Contributions)

1. 현실적인 공격 모델 기반 지표: 공격자가 외부 데이터 없이 오직 공개된 합성 데이터만으로 모델을 학습한다는 시나리오를 반영하여 실무적입니다.
2. 베이스라인 정규화: 클래스 불균형(Class Imbalance) 문제를 해결했습니다. 희귀한 속성이라도 단순히 빈도에 따라 맞추는 것이 아니라, 준식별자를 통해 '추가적인 확신'을 얻었을 때만 위험으로 간주합니다.
3. 통합 프레임워크: 범주형과 연속형 변수를 동일한 논리 구조(임계값 기반 비율) 내에서 일관되게 평가할 수 있습니다.
4. 레코드 단위 진단: 전체 데이터셋의 위험도뿐만 아니라, 어떤 특정 준식별자 조합(예: 특정 연령대 + 특정 교육 수준)이 위험을 유발하는지 상세 분석(Attribution Analysis)이 가능합니다.

4. 실험 결과 (Results)

• UCI Adult 데이터셋 실험: CART 기반 합성 데이터를 사용했을 때, 기본 임계값($\tau=0.3$)에서 약 72%의 레코드가 속성 추론 위험에 노출됨을 확인했습니다. 이는 데이터의 통계적 구조가 강할수록 RAPID 값이 높게 나타남을 보여줍니다.
• 시뮬레이션 연구:
  • 준식별자와 민감 속성 간의 의존성(Dependency)이 강해질수록 RAPID 값이 S자 곡선을 그리며 급격히 상승함을 증명했습니다.
  • 임계값($\tau$) 설정에 따른 민감도 분석을 통해, 정책 결정자가 위험 허용 수준에 따라 지표를 어떻게 조정해야 하는지 가이드를 제시했습니다.
• 준식별자 기여도 분석: 어떤 변수(예: 교육 수준, 연령)가 추론 위험을 높이는 핵심 동인인지 회귀 분석을 통해 식별할 수 있음을 보여주었습니다.

5. 의의 및 결론 (Significance)

RAPID는 **차분 프라이버시(Differential Privacy, DP)**와 상호 보완적인 관계를 갖습니다. DP가 "개인의 포함 여부가 결과에 영향을 주는가"라는 수학적 안정성을 보장한다면, RAPID는 **"공개된 데이터가 집단적 패턴을 통해 개인의 정보를 얼마나 유출하는가"**라는 실무적 질문에 답합니다.

이 연구는 데이터 관리자가 합성 데이터를 공개하기 전, **"이 데이터가 분석적 유용성을 유지하면서도 공격자의 추론 공격으로부터 안전한가?"**를 판단할 수 있는 실질적이고 강력한 진단 도구를 제공했다는 점에서 큰 의의가 있습니다.