ITPE * JackerLab

개요t-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 정의각 그룹의 민감 속성 분포가 전체 데이터 분포와의 거리가 임계값 t 이하여야 한다는 기법l-diversity 확장목적민감 속성의 과도한 편중 방지데이터 프라이버시 강화필요성l-diversity에서도 발생 가능한 속성 유출 방지분포 기반 접근데이터 분포의 유사성을 보장하는 고급 기법입니다.2. 특징특징설명비교분포 기반 보호그룹 내 민감 속성이 전체 분포와 유사l-diversity보다 정교함정보 유출 방지민감..

개요l-diversity는 k-anonymity의 한계를 보완하기 위해 제안된 데이터 프라이버시 보호 기법입니다. 동일한 준식별자 그룹 내에서 민감 속성 값의 다양성을 보장함으로써, 특정 속성이 노출되는 위험을 줄이고 데이터 비식별화 수준을 강화합니다.1. 개념 및 정의 항목 설명 비고 정의각 k-익명 그룹 내 민감 속성이 최소 l개의 다양한 값을 가져야 하는 기법k-anonymity 확장목적민감 속성 노출 방지 및 데이터 재식별 위험 감소데이터 다양성 확보필요성k-anonymity만으로는 특정 속성 유출 방지 불가프라이버시 강화 필요데이터 보호의 강도를 한 단계 높인 기법입니다.2. 특징특징설명비교속성 다양성 보장동일 그룹 내 민감 속성의 분포를 다양화k-anonymity보다 강력공격 방어동질성 공..

개요k-anonymity는 개인정보가 포함된 데이터셋에서 개별 사용자를 특정할 수 없도록 보장하는 데이터 비식별화 기법입니다. 동일한 속성을 가진 레코드 그룹이 최소 k개 이상 존재하도록 만들어 재식별 위험을 낮추며, 개인정보 보호와 데이터 활용 간의 균형을 제공합니다.1. 개념 및 정의 항목 설명 비고 정의데이터셋의 각 레코드가 최소 k-1개의 다른 레코드와 동일한 속성을 공유하도록 하는 기법데이터 프라이버시 보호목적개별 데이터 주체의 재식별 위험 최소화통계·연구 데이터 활용필요성개인정보 보호 법규(GDPR, HIPAA 등) 준수빅데이터 활용 가속데이터 활용과 프라이버시 보호를 동시에 충족하는 기술입니다.2. 특징특징설명비교그룹화최소 k개 이상의 동일한 속성 그룹 형성단일 사용자 특정 불가비식별화준..

개요Sensitive Information Disclosure(민감 정보 노출)는 대규모 언어 모델(LLM) 기반 서비스가 사용자의 개인정보, 비밀 데이터, 또는 내부 시스템 정보를 의도치 않게 출력하는 보안 취약점입니다. 이는 AI 응답의 예측 불가성과 데이터 관리 미비로 인해 발생하며, 사용자 신뢰와 규제 준수에 치명적인 영향을 미칠 수 있습니다.1. 개념 및 정의 구분 내용 정의민감 정보 노출은 LLM 출력에 개인정보, 기밀 데이터, 내부 운영 정보 등이 포함되는 보안 취약점입니다.목적민감 데이터의 유출을 방지하고 안전한 LLM 활용 환경 조성필요성LLM은 학습 및 프롬프트 처리 과정에서 의도치 않게 민감 데이터를 포함할 수 있음이는 OWASP LLM Top 10의 여섯 번째 주요 보안 위험으로 ..