동일한 데이터 집단과 인접성 정의를 대상으로 각각 순수 ε-DP 보장을 가진 질의를 순차 공개하면 기본 합성 상한은 ε₁+ε₂입니다. 따라서 2/10과 3/10을 썼다면 누적 상한은 5/10, 즉 1/2입니다. 두 번째 공개가 이전 결과를 보고 적응적으로 정해져도 기본 순차 합성의 상한을 사용할 수 있습니다.
0.5는 재식별 확률, 개인별 피해율, 실측된 프라이버시 손실이 아닙니다. 각 메커니즘이 명시한 순수 DP 보장을 누적한 수학적 상한입니다. 근사 DP의 δ나 RDP 같은 변형, 서로 겹치지 않는 사람 집단을 다루는 병렬 합성에는 다른 계산이 필요합니다.
ε는 비율이나 확률이 아니라 보장의 매개변수입니다
차등 프라이버시(Differential Privacy, DP)는 인접한 두 데이터셋에서 어떤 출력이 나올 가능성이 얼마나 달라질 수 있는지를 제한하는 수학적 보장입니다. 순수 ε-DP에서는 메커니즘 M과 인접한 데이터셋 D, D′, 출력 사건 S에 대해 출력 가능성의 비율이 e^ε를 넘지 않도록 제한합니다. 이 정의를 일상 언어의 ‘ε만큼의 확률로 사람이 노출된다’로 바꾸면 안 됩니다. ε가 무엇을 비교하는지 이해하려면 먼저 인접 데이터셋과 메커니즘의 조건이 무엇인지 확인해야 합니다.
NIST SP 800-226은 같은 민감 데이터셋에 대한 여러 분석 결과를 공개할 때 각 ε 값을 더해 누적 프라이버시 손실의 상한을 계산할 수 있다고 설명합니다. 또한 ε는 실제 개인이 경험한 손실의 측정값이 아니라 상한이라고 명시합니다. 아래 숫자는 이 기본 순차 합성 성질을 연습하는 가상 질의입니다. 실서비스의 데이터나 보장 강도를 측정하지 않았습니다.
같은 학생 집단을 두 번 분석합니다
수치 예시에서는 등록된 학생들의 한 데이터셋을 두 번 분석한다고 둡니다. 첫 번째 질의는 수업 참여 비율을 ε₁=2/10로 공개하고, 두 번째 질의는 평균 복습 횟수를 ε₂=3/10로 공개합니다. 두 질의 모두 같은 인접성 정의와 같은 집단에 대해 순수 ε-DP를 만족한다고 가정합니다. 두 번째 질문이 앞선 공개 결과를 참고해도 기본 상한은 두 분수를 더해 구할 수 있습니다.
| 공개 | 보장 매개변수 | 누적 기본 상한 |
|---|---|---|
| 참여 비율 | ε₁=2/10 | 2/10 |
| 평균 복습 횟수 | ε₂=3/10 | 2/10+3/10=5/10 |
| 두 결과를 모두 공개 | 두 순수 ε-DP 메커니즘 | ε_total≤1/2 |
두 공개를 함께 본 결과에는 순수 ε-DP의 기본 합성 상한 ε_total≤1/2가 적용됩니다. 실제 데이터에서 개인별 손실이 정확히 절반만큼 일어났다거나, 재식별될 확률이 절반이라는 뜻은 아닙니다. 더 정교한 분석법이나 다른 DP 변형을 쓰면 이보다 작은 상한을 얻을 수 있지만, 그때는 해당 매개변수와 합성 규칙을 다시 계산해야 합니다.
합계를 쓰기 전에 데이터와 보장 조건을 고정합니다
- 각 공개가 순수 ε-DP인지, 아니면 δ를 포함한 다른 변형인지 확인합니다.
- 두 질의가 같은 사람 데이터와 어떤 인접성 정의를 공유하는지 기록합니다.
- 각 질의의 ε를 확인하고 같은 단위로 더합니다.
- 출력을 순차적으로 공개한 것인지, 사람 집단이 서로 겹치지 않는 병렬 구도인지 구별합니다.
- 누적 상한과 별도로 민감도, 잡음, 데이터 수집 범위, 결과 공개 방식의 현실 위험을 평가합니다.
같은 사람을 포함할 수 있는 자료에서 두 공개를 하면 그 사람의 데이터가 두 메커니즘에 모두 영향을 줄 수 있습니다. 반대로 서로 완전히 분리된 사람 집단을 별도 처리하는 경우에는 병렬 합성의 분석이 가능할 수 있습니다. ‘다른 질문을 했다’는 사실만으로 집단이 분리되는 것은 아닙니다. 각 데이터셋의 인접 관계와 겹치는 사람을 먼저 살펴야 합니다.
ε의 크기만 보고 실제 위험을 전부 설명할 수도 없습니다. 어떤 데이터를 모았는지, 누가 결과를 사용하는지, 공개 결과가 다른 자료와 결합되는지, 메커니즘이 구현 조건을 지켰는지를 봐야 합니다. NIST Privacy Framework 1.0은 데이터 처리와 개인의 맥락·문제·가능성·영향을 조직 위험관리에서 살펴보는 자발적 도구입니다. 프레임워크는 ε 합성 정리를 대신하지 않지만, 숫자 하나가 전체 개인정보 위험 판단을 끝내지 않는다는 점을 보완합니다.
회상 연습: 무엇을 더하고 무엇을 말하지 않을까요
교육용 문제입니다. 동일 집단과 동일 인접성 정의를 쓰는 두 순수 ε-DP 공개가 각각 2/10과 3/10의 ε를 가집니다. 기본 순차 합성의 누적 상한을 계산하고, 그 숫자가 재식별 확률인지 아닌지 답하세요. 근사 DP의 δ가 주어지지 않았다면 무엇을 추가로 계산할 수 없는지도 적어 보세요.
누적 기본 상한은 2/10+3/10=5/10=1/2입니다. 이는 재식별 확률이 아니고 개인별 실제 손실의 측정값도 아닙니다. 두 보장이 순수 DP가 아니라면 δ 등 추가 매개변수를 알아야 그 변형의 합성 보장을 계산할 수 있습니다. 먼저 보장 유형과 데이터 집단을 고정한 뒤 수치를 합치는 것이 핵심입니다.
정답을 가리고 확인해 보세요
이 글을 위해 만든 학습 예시이며 공식 기출문제나 판매 카드의 인용이 아닙니다.
같은 인접성 정의와 같은 집단을 대상으로 순수 ε-DP 질의가 각각 2/10과 3/10을 공개한다. 기본 순차 합성 상한은 얼마이며, 이를 재식별 확률이라고 할 수 있는가?
정답과 해설 확인
기본 누적 상한은 ε_total≤2/10+3/10=5/10=1/2입니다. 재식별 확률이나 개인별 실측 손실이 아닙니다.NIST SP 800-226은 같은 데이터를 여러 번 분석하는 경우 ε 매개변수들을 더해 누적 손실의 상한을 계산할 수 있다고 설명하고 ε가 상한이지 실제 측정값은 아니라고 구분합니다. Privacy Framework 1.0은 조직이 데이터 처리 맥락과 개인 위험을 함께 검토하는 별도의 자발적 프레임워크입니다.