멤버십 추론 공격에 대한 견고성 향상을 위한 심전도 신호 비식별화 방안
Electrocardiogram Signal De-Identification Methods for Enhancing Robustness against Membership Inference Attacks
0
조회
0
다운로드
0
인용
0
참고문헌
키워드
초록
최근 정보보안의 중요성이 부각됨에 따라, 생체인식 기술이 사용자 신원 확인의 핵심 수단으로 급부상하고 있다. 특히, 심전도 신호의 경우 위변조가 어렵고 높은 정확도를 제공하여 다양한 용도로 활용되고 있으며, 최근에는 인공지능 모델을 활용한 심전도 신호 분석 기술이 활발히 등장하고 있다. 하지만, 이러한 상황에서 심전도 데이터는 멤버십 추론 공격 같은 특정 보안 위협에 취약할 수 있다. 본 논문에서는 멤버십 추론 공격에 대한 견고성을 향상하기 위한 심전도 신호 비식별화 기법을 제안한다. 구체적으로, 제안하는 비식별화 기법은 랜덤 라운딩, 가우시안 잡음, 임펄스 잡음, 정현파 잡음을 기반으로 심전도 신호 데이터에 대한 비식별화를 수행한다. MIT-BIH Arrhythmia Database를 대상으로 한 실험을 통해 제안하는 비식별화 방법이 심전도 신호 분류 모델의 정확도 감소를 최소화하며 멤버십 추론 공격에 대한 견고성을 제공함을 확인하였다.
Abstract
As the importance of information security has become prominent, biometric technologies have rapidly emerged as a key for user identity verification. Especially, electrocardiogram (ECG) signals are used for various purposes in many applications because they are difficult to falsify and provide high accuracy. Moreover, ECG signal analysis technology which analyzes ECG signals using artificial intelligence models has recently been emerging. However, in such scenarios, ECG signal data can be vulnerable to specific security threats like membership inference attack. In this paper, we proposed de-identification methods for ECG signal data to enhance robustness against membership inference attacks. Specifically, the proposed de-identification method uses random rounding, Gaussian noise, impulse noise, and sinusoidal noise to de-identify ECG signal data. From the experimental results using the MIT-BIH Arrythmia Database, it is observed that the proposed de-identification method provides robustness against membership inference attacks while minimizing the decrease in accuracy of ECG signal classification models.