m-유일성으로 데이터 결합의 재식별 위험 줄이기

데이터 결합에서 생기는 유일 매칭 문제

여러 데이터셋을 결합하면 단일 데이터셋에서는 드러나지 않던 개인 식별 가능성이 생길 수 있다. m-유일성(m-uniqueness)은 결합된 데이터에서 특정 레코드가 하나의 개인으로만 좁혀지지 않도록 하는 프라이버시 보호 개념이다.

목표는 데이터 활용 자체를 막는 데 있지 않다. 결합 데이터에서 특정 개인을 유일하게 식별할 수 없게 하면서 분석에 필요한 정보를 남기는 데 있다.

결합 가능한 레코드를 최소 m개 이상으로 유지한다

m-유일성은 두 개 이상의 데이터셋을 결합할 때 각 레코드가 적어도 m개 이상의 다른 레코드와 구별되지 않도록 만드는 속성이다. 데이터셋 A의 레코드 a가 공통 식별자를 기준으로 데이터셋 B의 m개 이상 레코드와 결합할 수 있다면, a는 m-유일성을 만족한다. 모든 레코드가 이 조건을 충족하면 전체 데이터셋도 m-유일성을 만족한다.

⤢✕

이 조건은 데이터셋을 연결해 개인을 찾아내는 연결 공격(Linkage Attack)을 방어하는 데 쓰인다. 완전한 비식별화보다 데이터의 유용성을 더 많이 보존할 수 있으며, GDPR, CCPA 등 개인정보보호 법규의 요구사항을 충족하는 데도 도움이 된다.

구별성을 낮추는 데이터 변형 방식

속성값을 더 넓은 범주로 바꾸는 일반화는 결합키의 식별력을 낮춘다. 정확한 나이 34세를 30-39세 연령대로, 서울시 강남구 삼성동을 서울시로, 5,750만원의 소득을 5,000만원-6,000만원 범위로 바꾸는 방식이 여기에 해당한다.

억제는 식별 위험이 높은 속성이나 레코드를 제외하는 방식이다. 희귀 질병 정보, 극단적 소득 수준 데이터, 특이한 패턴을 가진 레코드 전체를 제거할 수 있다.

노이즈 추가는 원본값에 무작위 오차를 넣어 정확한 식별을 어렵게 만든다. 나이에 ±2년의 랜덤 오차를 더하거나, 소득 정보에 일정 비율의 랜덤 변동을 주고, 지리적 좌표에 무작위 오차를 적용하는 식이다.

데이터 교환은 레코드 사이의 특정 속성값을 바꿔 속성 간 연관성을 약화한다.

⤢✕

결합 전후로 확인할 위험 신호

동등 클래스(Equivalence Class) 분석에서는 동일한 특성을 가진 레코드 그룹을 찾고, 각 그룹의 크기가 m 이상인지 확인한다. 모든 동등 클래스가 m 이상이면 m-유일성을 충족한다.

재식별 위험 평가는 공격자 모델을 시뮬레이션해 재식별을 시도하는 방식이다. 재식별 성공 확률이 1/m 이하인지 검증하고, 공격자가 가진 배경 지식이 다른 여러 시나리오에서 위험도를 평가한다.

결합 시뮬레이션은 실제 데이터 결합을 재현해 유일 매칭 비율을 측정한다. 유일하게 매칭되는 레코드의 비율이 임계값 이하인지 확인하고, 서로 다른 결합 키 조합에서도 안전성을 검증한다.

의료 연구와 소비자 분석에서의 적용

병원 진료 데이터와 건강보험 청구 데이터를 결합하는 의료 연구에서는 나이, 성별, 지역 같은 인구통계학적 정보를 일반화해 결합키로 사용할 수 있다. 진단명과 처방약 같은 민감 정보는 범주화하고, 각 결합 그룹이 최소 5명 이상인 5-유일성이 되도록 설계한다. 이렇게 하면 개인 식별 없이 질병 패턴을 분석하고, 약물 효과와 부작용의 상관관계를 도출하며, 공중보건 연구를 진행할 수 있다.

온라인 쇼핑 데이터와 오프라인 매장 구매 데이터를 연결할 때는 구매 패턴을 소비 규모와 선호 카테고리로 범주화하고, 시간 정보를 주/월 단위로 일반화할 수 있다. 최소 10명의 소비자가 동일한 결합 패턴을 갖도록 10-유일성을 구성하면 온/오프라인 구매 패턴의 상관관계를 파악하고 마케팅 전략 수립에 활용할 수 있으며, 개인 소비자 추적은 어렵게 된다.

m값만으로 해결되지 않는 문제

데이터 변형에는 정보 손실이 따른다. m값이 증가할수록 안전성은 높아지지만 데이터 유용성은 감소하며, 대규모 데이터셋에서는 m-유일성 검증 자체의 계산 부담도 커진다. 공격자가 보유한 외부 정보가 다양할수록 실제 보호 수준도 달라진다.

필요에 따라 다른 기법을 함께 적용할 수 있다. 차분 프라이버시(Differential Privacy)는 쿼리 결과에 노이즈를 추가해 개인 정보를 보호하고, 동형 암호화(Homomorphic Encryption)는 암호화된 상태에서 데이터 분석을 수행한다. 연합 학습(Federated Learning)은 원본 데이터를 공유하지 않고 모델만 공유하며, 합성 데이터(Synthetic Data)는 원본 데이터의 통계적 특성만 유지한 인공 데이터를 생성한다.

m-유일성은 데이터 결합 환경에서 분석 가치를 남기면서 프라이버시를 보호하기 위한 접근법이다. 데이터 특성과 활용 목적에 맞는 m값을 정하고, 필요한 경우 여러 보호 기법을 조합해 결합 환경을 설계해야 한다.