t-closeness

개요

t-closeness는 k-anonymity와 l-diversity의 한계를 극복하기 위해 제안된 프라이버시 보호 기법입니다. 데이터셋에서 특정 그룹의 민감 속성 분포가 전체 데이터 분포와 일정 수준 이상 유사하도록 보장하여, 민감 정보 노출을 최소화합니다.

---

1. 개념 및 정의

항목	설명	비고
정의	각 그룹의 민감 속성 분포가 전체 데이터 분포와의 거리가 임계값 t 이하여야 한다는 기법	l-diversity 확장
목적	민감 속성의 과도한 편중 방지	데이터 프라이버시 강화
필요성	l-diversity에서도 발생 가능한 속성 유출 방지	분포 기반 접근

데이터 분포의 유사성을 보장하는 고급 기법입니다.

---

2. 특징

특징	설명	비교
분포 기반 보호	그룹 내 민감 속성이 전체 분포와 유사	l-diversity보다 정교함
정보 유출 방지	민감 속성 값 편중 방지	동질성·배경 지식 공격 차단
수학적 엄밀성	분포 간 거리를 정량적으로 측정	KL Divergence, Earth Mover’s Distance

데이터 프라이버시의 수학적 정밀성을 제공합니다.

---

3. 구성 요소

구성 요소	설명	예시
민감 속성 분포	그룹 내 민감 데이터의 분포	질병 A: 60%, 질병 B: 40%
전체 데이터 분포	전체 데이터셋의 민감 속성 분포	질병 A: 55%, 질병 B: 45%
분포 거리(t)	두 분포 간의 차이를 측정	KL Divergence ≤ t

분포 거리 측정이 핵심 요소입니다.

---

4. 기술 요소

기술 요소	설명	관련 기법
KL Divergence	분포 간 차이를 수치화하는 지표	정보 이론 기반
Earth Mover’s Distance (EMD)	분포 간 유사성을 직관적으로 측정	데이터 마이닝 활용
프라이버시 임계값 t	허용 가능한 분포 차이 한계	t 값이 작을수록 보호 강도 ↑

분포 기반의 정교한 프라이버시 보호 수단입니다.

---

5. 장점 및 이점

장점	설명	효과
강화된 보호	l-diversity보다 민감 속성 노출 방지 강력	데이터 프라이버시 강화
수학적 기반	분포 간 거리로 엄밀한 정의	신뢰성 있는 보호 제공
다양한 적용성	의료, 금융 등 민감 데이터 보호	데이터 활용성과 보호의 균형

민감 정보 보호에 있어 정밀성과 실용성을 모두 확보합니다.

---

6. 주요 활용 사례 및 고려사항

활용 사례	설명	고려사항
의료 데이터 보호	환자 질병 분포 기반 비식별화	t 값 설정 중요
금융 거래 데이터	소득 및 지출 패턴 보호	데이터 품질 저하 가능성
공공 데이터 공개	인구 통계 데이터 보호	성능-보호 균형 필요

적용 시 데이터 품질과 프라이버시 강도의 균형이 필수입니다.

---

7. 결론

t-closeness는 k-anonymity와 l-diversity의 한계를 극복한 강력한 프라이버시 보호 기법으로, 데이터 분포의 유사성을 보장하여 민감 속성 유출을 효과적으로 방지합니다. 수학적 정밀성과 실무 활용성을 겸비해 의료, 금융, 공공 데이터 보호에 적합한 최신 비식별화 기술로 자리잡고 있습니다.