최근, 금융, 의료, 날씨 등 다양한 분야에서 광범위하게 사용되고 있는 시계열 데이터에 대한 프라이버시 보호 이슈가 활발히 연구되고 있다. 본 논문에서는 시계열 데이터를 대상으로 하는 프라이버시 보호 데이터 마이닝(privacy-preserving data mining: PPDM)의 기존 연구를 조사하고 분석한다. 이를 위해, 먼저 시계열 데이터에서 프라이버시가 무엇인지 살펴본다. 다음으로, 중앙집중형 환경에서의 시계열 데이터 교란 기법을 조사한다. 마지막으로, 분산 컴퓨팅 환경에서의 안전한 다자간 계산(secure multiparty computation: SMC) 및 암호화 기법들을 살펴본다. 최근, 소셜 네트워크, 클라우드 컴퓨팅 등에서 민감한 대용량 데이터가 많이 발생하는 추세로, 이들 데이터 대상의 프라이버시 보호 기법이 더욱 중요해지고 있다. 따라서 본 논문의 서베이 결과는 새로운 컴퓨팅 환경에 효율적으로 적용될 수 있는 시계열 데이터 대상의 PPDM 기법 제안에 활용될 수 있다.
Recently, privacy preserving issues have been actively studied on the time-series data that are widely used in a variety of application such as financial, medical, and weather analysis. In this paper, we survey and analyze the recent works of privacy-preserving data mining on time-series data. For this. first we investigate what is the privacy in time-series data. We then survey various perturbation techniques on time-series data in the centralized computing environment. We next investigate SMC(secure multiparty computation) and encryption techniques in the distributed computing environment. Social network and cloud computing applications incur a large volume of sensitive data, and thus, privacy preserving techniques for exploiting these sensitive data have become much more substantial in many research areas. Our survey results can be used for developing efficient and robust time-series based PPDM techniques that can be applied in the new computing environment.
