ECG 데이터 비식별화 기반의 Model Extraction Attack 방어 기법 (ECG Data De-identification-based Defense Methods against Model Extraction Attack)

서지정보

· 발행기관 : 한국지능시스템학회
· 수록지 정보 : 한국지능시스템학회 논문지 / 24권 / 3호 / 202 ~ 209페이지
· 저자명 : 김광남, 이한주, 이한진, 최석환

초록

디지털 헬스케어 서비스가 확대되면서, 인공지능 모델을 ECG와 같은 의료 데이터에 적용하는 연구가 활발하게 진행되고 있다. 하지만 인공지능 모델은 모델의 성능을 복제하는 ModelExtraction Attack에 취약하며, 기존 의료 데이터의 비식별화는 환자의 개인 정보에만 초점이 맞추어져 있다. 따라서, 본 논문에서는 ECG 시계열 데이터 자체에 대한 비식별화 기법을제안하고, 이를 활용한 Model Extraction Attack 방어 기법을 소개한다. 구체적으로, 제안하는 방법은 Rounding, Gaussian Noise, Impulse Noise, Sinusoid Noise를 활용하여 ECG 데이터에 대한 비식별화를 수행한다. ECG 데이터로 학습한 1-D CNN 모델을 대상으로 한 실험을 통해 제안하는 비식별화 기법은 Model Extraction Attack에 효과적인 방어 성능을 나타내는 것을 확인하였다.

영어초록

With the expansion of digital healthcare services, research on applying ArtificialIntelligence(AI) models to medical data such as ECG has actively studied. However,such AI models are vulnerable to Model Extraction Attacks, which replicate theperformance of the AI models, and the existing de-identification of medical datafocuses only on the patient's personal information. Therefore, in this paper, wepropose de-identification techniques for the ECG time series data. Also, weintroduce a new defense method against Model Extraction Attacks using theproposed de-identification techniques. Specifically, the proposed defense methodperforms de-identification of ECG data by utilizing Rounding, Gaussian Noise,Impulse Noise, and Sinusoid Noise. From the experimental results using an 1-DCNN model learned from ECG data, we observed that the proposed de-identificationmethods show effective defense performance against Model Extraction Attacks.

참고자료

· 없음