데이터 프라이버시와
비식별화

Session 7 / 8

개인정보보호법 · GDPR · 비식별화 · IRB · LLM 입력 위험

박수현 · aSSIST University · 2026

🎨 이미지 프롬프트(배경): "A digital lock superimposed over flowing data streams that gradually become anonymized — names becoming asterisks, faces blurring — soft teal and red tones, editorial illustration, 16:9, no text"

이번 시간을 마치면

개념적으로

• ✅ 개인정보 의 정의와 범위 (한·EU 비교)
• ✅ 비식별화 5기법 을 구분하고 선택한다
• ✅ k-익명성의 의미와 한계
• ✅ IRB(연구윤리위원회) 의 역할
• ✅ LLM 입력 위험 의 4가지 시나리오

실습으로

• ✅ 본인 데이터셋의 개인정보 컬럼 식별
• ✅ Faker / 정규식 으로 가명화·치환
• ✅ Presidio 라이브러리로 자동 PII 마스킹
• ✅ k-익명성 점검 함수 작성

📖 도서 매핑: Ch.7 §3~4 + 신규 보강

개인정보
무엇이 위험한가

"이름·전화번호 만이 아니다"

키워드: 식별성 · 결합 가능성 · 민감정보

개인정보의 3계층 — 직접식별 / 간접식별 / 민감정보

⚠️ 준식별자 결합 이 실무에서 가장 위험. 이름 지웠다고 끝 아님.

PIPA vs GDPR — 한국·EU 개인정보법 핵심 비교

🎯 EU 사이트 스크래핑 또는 EU 시민 데이터 분석 시 GDPR 직접 적용.

연구자가 자주 만나는 5가지 시나리오

🎯 1·2 외엔 모두 IRB 권장.

비식별화
5가지 기법

정확도와 보호 사이의 균형

비식별화 5기법 — 보호 강도 vs 분석 가치 트레이드오프

🎯 권장 조합

직접 식별자 → 삭제 또는 가명화 / 준식별자 → 범주화.

마스킹 — 정규식 한 줄로 PII 가리기

import re

def mask_phone(s: str) -> str:
    return re.sub(r"(\d{3})-?(\d{3,4})-?(\d{4})",
                  r"\1-****-\3", s)

def mask_email(s: str) -> str:
    return re.sub(r"([^@]{2})[^@]*(@.+)",
                  r"\1***\2", s)

def mask_name(s: str) -> str:
    if len(s) <= 2:
        return s[0] + "*"
    return s[0] + "*" * (len(s)-2) + s[-1]

print(mask_phone("010-1234-5678"))
# 010-****-5678
print(mask_email("hyun.love@gmail.com"))
# hy***@gmail.com
print(mask_name("홍길동"))
# 홍*동

Faker — 실제 형식과 유사한 가명 데이터 자동 생성

Faker로 원본 이름을 현실적인 가명으로 일관되게 바꿔, 신원은 숨기면서 사용자 단위 분석은 유지하는 방법입니다.

from faker import Faker
import pandas as pd
import hashlib

fake = Faker("ko_KR")  # 한국어
df = pd.read_csv("review.csv")

# 같은 user_id 는 항상 같은 가명 (해시 + 시드)
def pseudonym(user_id: str) -> str:
    seed = int(hashlib.md5(user_id.encode()).hexdigest(), 16) % (10**9)
    Faker.seed(seed)
    return Faker("ko_KR").name()

df["author_alias"] = df["author"].map(pseudonym)
df = df.drop(columns=["author"])

print(df.head())
#   author_alias    rating  review
#   김지연          5         "배송 빨라요"
#   박서준          3         "보통이에요"

🎯 가명화의 강점

같은 user_id → 같은 가명 → 사용자 단위 분석 가능, 그러나 직접 이름은 사라짐.

PII 비식별화 헬퍼를 만든 프롬프트

한국어 텍스트의 PII 4종을 가짜값/마스킹으로 치환하는
헬퍼 anonymize.py 를 만들어 줘. LLM 외부 호출 직전에
1줄로 적용해 외부 유출을 막는 용도.

요구사항:
1. 라이브러리: faker(locale=ko_KR), 표준 re
2. 시그니처:
   anonymize(text: str, seed: int|None=None) -> str
3. 치환 대상 (정규식 → 처리):
   - 휴대폰 010-?\\d{4}-?\\d{4} → fake.phone_number()
   - 이메일                    → fake.email()
   - 한국 이름 + 호칭 (\\s?(님|씨|선생님))
                                → fake.name() + 호칭 보존
   - 주민번호 앞7자리 \\d{6}-?[1-4]\\d
                                → "<REDACTED-RRN>" (마스킹)
4. 같은 입력 → 같은 출력 보장 (seed 고정 시 재현성)
5. faker 인스턴스는 모듈 전역 1회 생성

추가 함수:
- anonymize_with_map(text, seed) -> (text, map)
  · map 에 원본↔가짜 매핑 dict 반환
  · 후속 단계에서 LLM 결과의 가짜값을 원본으로 역치환

테스트 (if __name__=="__main__"):
- 샘플 5건으로 print

환경: Python 3.11, venv. 코드만, 한국어 주석 최소.

안전한 LLM 호출을 만든 프롬프트

Python 함수 analyze_json(review: str) -> dict 를
만들어 줘.
목적: 한국어 리뷰 한 건을 OpenAI LLM 에 보내
JSON 객체로 결과를 받아 dict 로 파싱한다.

전제: 같은 파일 상단에서 python-dotenv 로
OPENAI_API_KEY 로드, OpenAI 클라이언트 client
생성됨.

요구사항:
1. 라이브러리: openai, 표준 json
2. 모델: gpt-4o-mini
3. chat.completions.create 호출 시
   response_format={"type": "json_object"}
   옵션으로 JSON 강제
4. 메시지:
   - system: "너는 한국어 리뷰 분석가다.
              JSON 으로만 답한다."
   - user: 리뷰 본문 + 다음 형식의 JSON 객체로만
           응답하라는 지시:
     {
       "sentiment": "positive|negative|neutral",
       "praise":    ["키워드1","키워드2"],
       "complaint": ["키워드1","키워드2"],
       "stars":     1~5 정수
     }
5. 반환:
   json.loads(resp.choices[0].message.content)
6. 하단에서 예시 리뷰로 호출 후
   sentiment, praise 키를 print

에러 처리:
- json.loads 실패 시
  {"sentiment":"neutral","praise":[],
   "complaint":[],"stars":3}
  기본값 반환 + 오류 메시지 출력
- API 호출 실패 시 동일한 기본값 반환

환경: Python 3.11, venv. 코드만, 한국어 주석 최소.

Microsoft Presidio — 영어 위주 (한국어 별도 설정 필요)

텍스트에서 이름·전화번호·이메일 같은 개인정보(PII)를 자동 탐지하고 마스킹해 주는 오픈소스 도구입니다.

Presidio 자체는 영어 NER 모델 위주. 한국어는 spaCy 한국어 모델 + transformers NER 모델 + 정규식을 별도 등록해야 인식.

# pip install presidio-analyzer presidio-anonymizer
from presidio_analyzer import AnalyzerEngine
from presidio_anonymizer import AnonymizerEngine

text = (
    "안녕하세요. 저는 홍길동이고 이메일은 hong@example.com 입니다. "
    "전화번호는 010-1234-5678 이에요."
)

analyzer = AnalyzerEngine()
results = analyzer.analyze(text=text, language="en")
# 영어 위주 + 일부 한국어 패턴

anonymizer = AnonymizerEngine()
anonymized = anonymizer.anonymize(text=text, analyzer_results=results)
print(anonymized.text)
# → "안녕하세요. 저는 <PERSON> 이고 이메일은 <EMAIL_ADDRESS> 입니다. 전화번호는 <PHONE_NUMBER> 이에요."

📌 한국어 PII 정확도는 제한적 → 정규식 + Faker 보강 권장.

범주화 — 연속값을 구간으로 묶어 분석 가치 보존

import pandas as pd

# 1) 나이를 10살 단위
df["age_group"] = pd.cut(df["age"],
    bins=[0, 19, 29, 39, 49, 59, 100],
    labels=["~10대","20대","30대",
            "40대","50대","60+"])

# 2) 우편번호 앞 3자리만
df["zip3"] = df["zip"].astype(str).str[:3]

# 3) 시점을 월 단위
df["ym"] = pd.to_datetime(df["date"]).dt.to_period("M")

# 원본 컬럼 삭제
df = df.drop(columns=["age", "zip", "date"])

📌 너무 좁은 범주 (1살 단위) → 사실상 식별. 5~10 단위가 실무 균형점.

k-익명성
한 줄 정의

"같은 준식별자 조합을 가진 사람이 k명 이상"

k-익명성 예시 — k=3 이라면 무엇이 보장되나

k-익명성은 같은 준식별자 조합으로 묶인 최소 인원 수를 뜻합니다.
즉 k=3이면, 어떤 한 사람을 골라도 그 사람과 구분되지 않는 후보가 최소 3명은 되도록 만든 상태입니다.

🎯 k=5 이상이 학계 권장. k=3은 최소.

k-익명성 점검 함수 — 50줄로 자체 검증

import pandas as pd

def check_k_anonymity(df: pd.DataFrame,
                      quasi_cols: list[str],
                      k: int = 5) -> dict:
    """준식별자 조합으로 그룹화 → 가장 작은 그룹 크기 = k 값."""
    grouped = df.groupby(quasi_cols, dropna=False).size()
    min_k = grouped.min()
    bad_groups = grouped[grouped < k]
    return {
        "k": int(min_k),
        "n_groups": len(grouped),
        "violating_groups": len(bad_groups),
        "violating_records": int(bad_groups.sum()),
        "ok": int(min_k) >= k,
    }

# 사용
report = check_k_anonymity(
    df, quasi_cols=["age_group", "zip3", "gender"], k=5,
)
print(report)
# {"k": 3, "n_groups": 124, "violating_groups": 12,
#  "violating_records": 28, "ok": False}

📌 위반 그룹이 보이면 → 더 굵은 범주화 (10 → 20세 단위) 또는 해당 행 제거.

l-다양성 — 민감속성 다양화로 k-익명성 보완

같은 준식별자 그룹 안에서 민감속성 값이 l 가지 이상 있어야 한다

❗ k 만 만족하면 부족합니다 — 5명이 같은 그룹인데 5명 모두 「당뇨」 면, 누가 누군지 몰라도 「이 그룹 사람은 당뇨」 가 그대로 노출됩니다.

📌 학위논문 권장: k=5 + l=3 (분야·IRB 기준에 따라 조정)

l-다양성의 한계 — 분포 편향 문제

l-다양성은 「민감속성 종류 수」만 봅니다. 그런데 비율 까지 보면 위험한 그룹이 여전히 있습니다.

l 은 만족하지만 (암·당뇨 두 종류 → l=2) 위험합니다

🎯 공격자 추론: 「누군지 몰라도 이 그룹 사람은 암일 확률이 67% 네?」 — 이게 그룹 편향 추론 입니다.

t-근접성 — 그룹 분포 ≈ 전체 분포

그룹 내 민감속성 분포가 전체 분포와 t 이내 로 비슷해야 한다 (Li et al. 2007)

⚠️ t-근접성이 막는 것 — 「이 그룹 사람은 암일 가능성 67%」 같은 그룹 편향 추론

세 기법 비교 — k → l → t

💡 주요 메시지 — 「k → l → t」 순으로 보호 강도가 올라가고 분석 가치는 낮아집니다. 데이터 성격에 맞는 최소 기준을 선택하는 것이 원칙입니다.

LLM 입력 위험
데이터 외부 송신

회차 5 의 LLM 분석 — 여기에 함정

클라우드 LLM 사용 시 무엇이 위험한가

핵심 원칙

회차 5 에서 배운 클라우드 LLM 호출이 PII 누출 경로 가 됩니다.
PII 가 들어간 텍스트는 LLM 에 보내기 전에 마스킹, 또는 로컬 LLM (Ollama, llama.cpp) 사용.

PII 마스킹 → LLM 호출 — 안전 패턴 2단계

import re
from anthropic import Anthropic

PII_PATTERNS = [
    (re.compile(r"\d{3}-?\d{3,4}-?\d{4}"), "<PHONE>"),
    (re.compile(r"[\w.+-]+@[\w-]+\.[\w.-]+"),  "<EMAIL>"),
    (re.compile(r"\d{6}-?\d{7}"),              "<RESIDENT_NO>"),
]

def mask_pii(text: str) -> str:
    for pat, repl in PII_PATTERNS:
        text = pat.sub(repl, text)
    return text

client = Anthropic()
review = "안녕하세요 010-1234-5678 로 연락주세요. test@example.com"
clean  = mask_pii(review)            # <PHONE>, <EMAIL> 등으로 치환
# 고정 placeholder 토큰을 사용해야 모델이 형식을 혼동하지 않음

resp = client.messages.create(
    model="claude-haiku-4-5",
    max_tokens=200,
    messages=[{"role":"user", "content": f"감성 분류: {clean}"}],
)

🎯 권장 패턴

1) 마스킹 → 2) 분석 → 3) 결과를 원본 행에 다시 붙임 (마스킹 매핑 보관).

로컬 LLM — Ollama / llama.cpp (외부 전송 회피)

# 1) 설치
curl -fsSL https://ollama.com/install.sh | sh

# 2) 모델 다운
ollama pull llama3.2
ollama pull qwen2.5:7b

# 3) 호출
ollama run llama3.2 "이 리뷰를 분석해..."

import requests
r = requests.post(
    "http://localhost:11434/api/generate",
    json={"model": "qwen2.5:7b",
          "prompt": "이 리뷰 감성: ...",
          "stream": False},
)
print(r.json()["response"])

🎯 민감 데이터 = 로컬 LLM 우선.

IRB
연구윤리위원회

사람·민감 데이터는 반드시 거쳐야 합니다

어떤 연구가 IRB 대상?

IRB (Institutional Review Board, 기관생명윤리위원회) — 사람·생체·민감 데이터를 다루는 연구의 윤리적·법적 적합성을 사전 심의하는 대학·기관 위원회

🎯 모르겠으면 신청 — 5~10페이지 양식, 보통 2~4주.

IRB 신청서 — 작성 필수 9개 섹션

1. 연구 제목 / 책임자 / 기관
2. 연구 목적 / 가설
3. 대상자 모집 방법 (또는 데이터 출처)
4. 수집 데이터 항목 + 개인정보 포함 여부
5. 사전 동의 절차 (또는 면제 사유)
6. 비식별화 / 보안 계획
7. 보관·파기 계획 (보관 기간, 위치, 접근 권한)
8. 위험·이익 평가
9. 결과 활용·공개 계획

🎯 6번 (비식별화) 이 자주 미흡

"이름은 지웠습니다" 만으론 부족. k-익명성, 마스킹 도구, 보관 위치 까지 적어야.

미니 실습
본인 데이터 비식별화

회차 3·5 데이터에 적용

미니 실습 — 비식별화 파이프라인 구축

1단계 — 데이터 점검

• [ ] 본인 수집 데이터 1개 (회차 3·5·6 중)
• [ ] 개인정보 컬럼 표시 (직접/준/민감)
• [ ] 위험도 점수 표 작성

2단계 — 비식별화 적용

• [ ] 직접 식별자 → 삭제 또는 가명화 (Faker)
• [ ] 준식별자 → 범주화 (cut, str[:3])
• [ ] k-익명성 점검 함수 실행 (k=5 목표)
• [ ] PII 정규식 마스킹 (전화·이메일·주소)

3단계 — 안전한 LLM 분석

• [ ] 마스킹된 텍스트만 LLM 으로 송신
• [ ] 결과를 원본 행에 매핑

제출

• 원본 vs 비식별화 데이터 + 점검 리포트

윤리적 연구자의
기본 도구

오늘의 정리 8가지

1. 개인정보 3계층 — 직접 / 준식별자 / 민감
2. PIPA vs GDPR — 한국 PIPA 「전체 매출 3% 이내」 / GDPR 「2천만 € 또는 매출 4% 중 큰 금액」
3. 비식별화 5기법 — 삭제 / 마스킹 / 가명화 / 범주화 / 잡음
4. k=5, l=3 = 학위논문 권장 강도
5. LLM 입력 위험 4시나리오 — 본인 / 타인 / 회사 / 환자
6. 마스킹 → LLM = 가장 자주 쓰는 안전 패턴
7. 로컬 LLM (Ollama) = 민감 데이터의 정답
8. IRB — 모르겠으면 신청, 보통 2~4주

"데이터 보호는 옵션이 아니라 시작 조건."