Channel Chart Location Privacy Based on Geo-Indistinguishability

Resumo Técnico: Privacidade de Localização em Gráficos de Canal Baseada em Geo-Indistinguibilidade

Declaração do Problema
O mapeamento de canais (Channel Charting - CC) é uma técnica de aprendizado de máquina não supervisionado que mapeia informações de estado de canal (CSI) de alta dimensão para um espaço latente de baixa dimensão, preservando a geometria local do ambiente sem fio. Isso permite serviços baseados em localização (LBSs) sem a necessidade de rótulos explícitos de posição de verdade fundamental (ground-truth). No entanto, embora o CC forneça "pseudo-localizações", ele codifica inerentemente as localizações físicas dos equipamentos de usuário (UEs). Um servidor LBS de terceiros com acesso a mesmo que poucos pontos de ancoragem pode explorar a consistência espacial do gráfico para reconstruir um mapeamento do espaço do gráfico para o espaço físico, comprometendo assim a privacidade da localização do usuário.

Estruturas de privacidade existentes, como a Privacidade Diferencial (DP) e a Geo-Indistinguibilidade (GI), oferecem garantias formais. A GI padrão estende a DP para espaços métricos (por exemplo, espaço Euclidiano) ao garantir que localizações próximas produzam saídas estatisticamente semelhantes. No entanto, aplicar a GI padrão diretamente aos gráficos de canal apresenta um desafio: os mecanismos de perturbação padrão (como o mecanismo Planar Laplace) assumem ruído isotrópico e distância euclidiana, falhando em considerar a geometria intrínseca e localmente estruturada da variedade (manifold) do gráfico de canal. Esse descompasso pode levar a uma utilidade suboptimal (degradação da qualidade do serviço) ou a uma proteção de privacidade insuficiente em relação à estrutura específica do gráfico.

Metodologia
Os autores propõem uma estrutura denominada Indistinguibilidade de Localização de Gráfico (Chart Location Indistinguishability - CLI), que estende o conceito de Geo-Indistinguibilidade para as variedades latentes de gráficos de canal. O objetivo central é perturbar as coordenadas do gráfico antes de liberá-las para um servidor LBS não confiável, preservando a topologia da variedade.

O artigo investiga dois mecanismos primários dentro da estrutura CLI:

1. Mecanismo Planar Laplace (PL) Padrão: Aplica a abordagem de GI padrão diretamente ao espaço do gráfico usando distância euclidiana. Ele injeta ruído Laplace isotrópico, tratando o gráfico como um plano 2D plano sem considerar as variações geométricas locais.
2. Mecanismo Planar Laplace de Norma de Mahalanobis (MNPL) Sensível à Geometria: Esta é a contribuição inédita do trabalho. O mecanismo MNPL adapta a perturbação à estrutura local do gráfico de canal.
   • Estimativa de Covariância Local: Para cada ponto do gráfico, o algoritmo identifica seus $K$ vizinhos mais próximos no espaço de características. A matriz de covariância desses vizinhos é computada no espaço de baixa dimensão do gráfico.
   • Decomposição em Autovalores: A matriz de covariância é decomposta para identificar as direções principais ($u_p$) e as direções ortogonais ($u_o$).
   • Injeção de Ruído Adaptativa: Uma matriz de covariância $\Sigma$ é construída usando parâmetros de design $\sigma_p^2$ e $\sigma_o^2$ ao longo desses eixos principais e ortogonais. O ruído é injetado de modo que se alinhe com a geometria local. Especificamente, o mecanismo aplica uma perturbação mais forte ao longo das direções onde os pontos do gráfico são menos dispersos (ortogonais à direção principal da variedade) para manter a indistinguibilidade, enquanto preserva a estrutura ao longo da direção principal.
   • Amostragem: O vetor de ruído é amostrado gerando ruído PL padrão e aplicando uma transformação linear baseada na raiz quadrada da matriz de covariância ($\Sigma^{1/2}$).

O artigo também estabelece que o mecanismo MNPL satisfaz a definição formal de $\epsilon$-CLI, onde a garantia de privacidade é definida pela distância de Mahalanobis em vez da distância euclidiana. Adicionalmente, um baseline de DP padrão usando o mecanismo Gaussiano é avaliado para comparação.

Principais Contribuições

• Estrutura CLI: A proposta de uma estrutura de privacidade especificamente adaptada para o mapeamento de canais, definindo a privacidade em variedades de gráficos de canal latentes usando covariância localmente adaptativa derivada de vizinhanças do gráfico.
• Mecanismo MNPL: O desenvolvimento de um mecanismo de perturbação sensível à geometria que injeta ruído alinhado com a estrutura geométrica local do gráfico, satisfazendo $\epsilon$-CLI enquanto preserva melhor a topologia da variedade em comparação com métodos isotrópicos.
• Avaliação Abrangente: Uma avaliação rigorosa através de múltiplos esquemas de mapeamento de canais (redes Siamese, aprendizado baseado em Triplet, PCA e Autoencoders) usando tanto métricas de utilidade (Perda de Qualidade, Erro de Consulta de Alcance) quanto métricas sensíveis à geometria (Confiabilidade, Continuidade).

Resultados
Resultados numéricos, baseados em um conjunto de dados de campanha de medição urbana, demonstram o seguinte:

• Troca entre Privacidade e Utilidade: Os mecanismos DP padrão (Gaussiano) e PL padrão degradam significativamente a estrutura do gráfico. Por exemplo, sob DP, as métricas de Confiabilidade (TW) e Continuidade (CT) caem para aproximadamente 0,5, indicando uma perda quase total da estrutura de vizinhança local.
• Superioridade do MNPL: O mecanismo proposto MNPL supera significativamente os mecanismos PL padrão e Gaussiano. Para um orçamento de privacidade de $\epsilon=2$, o MNPL mantém valores de TW e CT em torno de 90% (atingindo até 97% para redes Siamese), enquanto o PL faz esses valores caírem para pouco acima de 0,5.
• Preservação Visual: Visualizações dos gráficos perturbados mostram que o MNPL preserva o agrupamento (clustering) e as relações de vizinhança do gráfico original, enquanto o ruído PL e Gaussiano distorce a estrutura intrínseca, tornando o gráfico inutilizável para tarefas de LBS.
• Desempenho de Métricas: O MNPL alcança menor Erro de Consulta de Alcance (RQE) e Perda de Qualidade (QL) em comparação ao PL em vários orçamentos de privacidade e raios de consulta.

Significância e Alegações
O artigo alega que a estrutura CLI proposta, particularmente o mecanismo MNPL, fornece uma forte garantia de privacidade (indistinguibilidade formal) enquanto preserva efetivamente a utilidade do gráfico de canal para tarefas de LBS. Os autores posicionam este trabalho como um "primeiro passo" em direção à privacidade sensível à geometria no mapeamento de canais. Eles enfatizam que, ao incorporar a geometria intrínseca do gráfico através da distância de Mahalanobis, o mecanismo alcança um trade-off superior entre privacidade e utilidade em comparação com os métodos de perturbação isotrópicos existentes. O trabalho não pretende resolver todos os problemas de privacidade em ambientes dinâmicos, mas estabelece um método fundamental para proteger representações estáticas de gráficos de canal. Sugere-se que trabalhos futuros explorem mecanismos adaptativos para ambientes variantes no tempo e trajetórias de usuários.