통신데이터는 정보통신망을 통해 전송, 처리, 저장되는 모든 형태의 디지털 정보를 총칭하며, 현대 정보통신기술(Information and Communication Technology, ICT) 체계 내에서 시스템의 상태를 진단하고 사용자의 행태를 파악하는 핵심적인 기초 자산으로 기능한다. 학술적 관점에서 통신데이터는 단순히 송수신되는 메시지의 내용(Content)에 국한되지 않는다. 오히려 전송을 제어하기 위한 프로토콜 정보, 단말기의 지리 정보, 통신 세션의 유지 시간 및 데이터 전송량 등을 포괄하는 광범위한 개념으로 정의된다. 이는 클로드 섀넌(Claude Shannon)이 정립한 정보이론의 틀 안에서, 특정 채널을 통해 전달되는 신호의 효율성과 신뢰성을 확보하기 위해 발생하는 모든 비트(bit)의 흐름으로 해석될 수 있다.

정보통신 기술 체계 내에서 통신데이터의 위치는 OSI 7계층 모델의 전 계층에 걸쳐 분포한다. 물리 계층(Physical Layer)에서 측정되는 전파의 세기나 신호 대 잡음비(Signal-to-Noise Ratio, SNR)와 같은 원천 데이터부터, 응용 계층(Application Layer)에서 생성되는 서비스 이용 기록에 이르기까지 그 층위가 매우 다양하다. 이러한 데이터는 네트워크의 가용성을 유지하고 서비스 품질(Quality of Service, QoS)을 보장하기 위한 필수적인 피드백 루프의 구성 요소가 된다. 특히 통신데이터는 통신망 운영의 부산물인 동시에, 망의 성능을 최적화하고 미래의 트래픽 수요를 예측하기 위한 데이터 과학의 원천 자료로서의 지위를 갖는다.

통신데이터의 범위는 크게 세 가지 차원에서 규명할 수 있다. 첫째는 네트워크 운영 및 관리를 위한 제어 데이터로, 이는 기지국과 단말기 사이의 연결 상태, 라우팅 경로, 핸드오버(Handover) 기록 등을 포함한다. 둘째는 사용자의 서비스 이용 양태를 나타내는 트래픽 데이터로, 통화 기록(Call Detail Record, CDR)이나 인터넷 데이터 사용량 등이 이에 해당한다. 셋째는 통신 과정에서 부수적으로 발생하는 메타데이터이다. 메타데이터는 통신의 구체적인 내용은 배제하되 통신의 주체, 시간, 장소 등 맥락 정보를 제공함으로써, 개인의 프라이버시를 보호하면서도 사회적 유동성이나 집단적 행태를 분석할 수 있는 학술적 가치를 지닌다.

현대 네트워크 환경에서 통신데이터는 단순한 기술적 로그(Log)를 넘어 빅데이터의 핵심 범주로 다루어진다. 과거의 통신데이터가 사후적인 장애 복구나 과금을 위한 용도에 머물렀다면, 현재는 인공지능 및 기계 학습 기술과 결합하여 네트워크 자원을 지능적으로 배분하는 의도 기반 네트워크(Intent-Based Networking, IBN)의 핵심 입력값으로 활용된다. 따라서 통신데이터의 개념적 기초를 이해하는 것은 통신 시스템의 물리적 구조를 파악하는 것을 넘어, 데이터가 생성되고 순환되는 논리적 메커니즘과 그 사회경제적 함의를 고찰하는 과정을 포함한다.¹⁾

통신데이터(Communication Data)는 유무선 통신 네트워크 환경에서 정보의 송수신 및 처리 과정 중에 발생하는 모든 디지털 정보의 집합체로 정의된다. 이는 단순히 통신 주체 간에 교환되는 콘텐츠뿐만 아니라, 통신 세션을 설정, 유지, 해제하기 위해 발생하는 제어 데이터와 네트워크 인프라 운영 과정에서 생성되는 각종 로그 등을 모두 포함하는 광의의 개념이다. 학술적 관점에서 통신데이터는 정보의 흐름을 매개하는 네트워크와 이를 이용하는 사용자 간의 상호작용을 정량화한 결과물이며, 현대 정보사회에서 디지털 트랜스포메이션을 가속화하는 핵심적인 기초 자산으로 간주된다.

통신데이터의 학술적 범위는 데이터의 발생 기제, 구조적 특성, 그리고 분석적 활용 가치라는 세 가지 측면에서 설정된다. 우선 발생 기제 측면에서 통신데이터는 개방형 시스템 상호 연결(Open Systems Interconnection, OSI) 모델의 전 계층을 연구 대상으로 삼는다. 여기에는 물리 계층의 주파수 및 신호 세기 데이터부터 응용 계층에서 발생하는 서비스 이용 행태 데이터가 모두 포함된다. 이러한 다층적 구조는 통신데이터가 단순한 정보의 나열이 아니라, 하드웨어의 물리적 특성과 소프트웨어의 논리적 절차가 결합된 복합적 체계임을 시사한다.

구조적 특성 면에서 통신데이터는 시공간적 속성과 비정형성을 동시에 지닌다. 통신 데이터는 특정 시점에 특정 위치의 기지국이나 교환기를 통해 발생하므로, 모든 데이터 포인트는 시간(Timestamp)과 공간(Location) 정보를 내포한다. 학술적으로는 이러한 특성을 활용하여 시계열 분석이나 공간 통계 모델링을 수행하며, 대규모로 발생하는 트래픽 데이터 내에서 유의미한 패턴을 추출하는 기법을 탐구한다. 또한 데이터의 형식이 정형화된 수치 데이터뿐만 아니라 비정형적인 로그 데이터의 형태를 띠는 경우가 많아, 이를 효율적으로 처리하기 위한 데이터 엔지니어링 기술 역시 주요한 연구 영역에 해당한다.

마지막으로 활용 가치 측면에서의 학술적 범위는 통신망 자체의 최적화라는 기술적 차원을 넘어 인문·사회과학적 응용으로까지 확장된다. 정보통신공학 분야에서는 통신데이터를 분석하여 망의 부하를 예측하고 자원 할당의 효율성을 극대화하는 연구에 집중한다. 반면, 사회과학 및 통계학 분야에서는 익명화된 통신데이터를 활용하여 유동인구의 이동 패턴을 파악하거나 사회망 분석(Social Network Analysis, SNA)을 통해 집단 간의 상호작용 구조를 규명한다. 이처럼 통신데이터는 공학적 정밀성과 사회과학적 통찰을 연결하는 학제적 연구의 가교 역할을 수행하며, 그 정의와 범위 또한 기술 발전에 따라 지속적으로 외연을 넓혀가고 있다.

통신데이터는 독립적인 정보의 파편으로 존재하는 것이 아니라, 네트워크 참조 모델(Network Reference Model)의 구조에 따라 엄격한 계층적 질서 속에서 생성되고 처리된다. 이러한 계층적 구조를 이해하는 것은 통신데이터의 발생 원천을 파악하고, 각 데이터가 지닌 기술적·학술적 가치를 분류하는 데 필수적이다. 일반적으로 국제표준화기구(International Organization for Standardization, ISO)가 제정한 OSI 7 계층 모델과 현대 인터넷의 근간인 TCP/IP 모델은 통신데이터의 층위를 구분하는 표준적인 틀을 제공한다. 각 계층에서 발생하는 데이터는 고유한 프로토콜 제어 정보와 결합하여 특정 단위로 구조화되며, 이를 프로토콜 데이터 단위(Protocol Data Unit, PDU)라고 지칭한다.

최하위 계층인 물리 계층(Physical Layer)에서 통신데이터는 물리적 매체를 통해 전송되는 비트(Bit) 스트림의 형태를 띤다. 이 단계에서의 데이터는 전압의 변화, 광신호의 점멸, 전파의 위상 차이 등 물리적 신호 그 자체를 의미하며, 신호 대 잡음비(Signal-to-Noise Ratio, SNR)나 비트 에러율(Bit Error Rate, BER)과 같은 네트워크의 물리적 품질을 진단하는 기초 지표가 된다. 이어지는 데이터 링크 계층(Data Link Layer)에서는 비트들을 프레임(Frame)이라는 단위로 그룹화하고, 매체 액세스 제어(Media Access Control, MAC) 주소를 부가하여 인접한 노드 간의 신뢰성 있는 데이터 전송을 보장한다. 이 계층의 데이터는 주로 로컬 네트워크 내의 장치 식별과 물리적 연결 상태를 파악하는 데 활용된다.

네트워크 계층(Network Layer)에 도달하면 데이터는 패킷(Packet) 혹은 데이터그램(Datagram) 단위로 취급된다. 여기에는 송수신 측의 IP 주소가 포함되며, 데이터가 복잡한 망 구조를 거쳐 최종 목적지까지 도달하기 위한 경로 배정(Routing) 정보가 핵심을 이룬다. 네트워크 계층의 데이터는 광역 네트워크에서의 트래픽 흐름 분석과 혼잡 제어 연구의 주된 대상이 된다. 그 상위의 전송 계층(Transport Layer)에서는 프로세스 간의 통신을 담당하며, 전송 제어 프로토콜(Transmission Control Protocol, TCP)의 경우 세그먼트(Segment), 사용자 데이터그램 프로토콜(User Datagram Protocol, UDP)의 경우 데이터그램을 데이터 단위로 사용한다. 포트(Port) 번호를 통해 특정 애플리케이션을 식별하고, 데이터의 순서 보장 및 흐름 제어를 수행함으로써 데이터의 무결성을 확보한다.

최상위 계층인 응용 계층(Application Layer)에서 데이터는 마침내 사용자에게 의미 있는 메시지(Message) 형태로 나타난다. 하이퍼텍스트 전송 프로토콜(Hypertext Transfer Protocol, HTTP), 도메인 네임 시스템(Domain Name System, DNS), 단순 우편 전송 프로토콜(Simple Mail Transfer Protocol, SMTP) 등 구체적인 서비스 로그가 이 계층에서 발생한다. 응용 계층의 데이터는 사용자의 서비스 이용 패턴, 콘텐츠 선호도, 소셜 네트워크 관계망 등 고차원적인 행동 분석을 가능하게 하는 풍부한 정보를 담고 있다.

이러한 계층 간의 상호관계는 캡슐화(Encapsulation)와 역캡슐화(Decapsulation) 과정을 통해 실현된다. 송신 과정에서 상위 계층의 데이터는 하위 계층으로 전달될 때마다 해당 계층의 헤더(Header) 정보가 덧붙여지는 캡슐화 과정을 거치며, 수신 측에서는 이를 역순으로 제거하며 원래의 데이터를 복원한다. 이때 하위 계층의 입장에서 상위 계층으로부터 전달받은 순수 데이터를 서비스 데이터 단위(Service Data Unit, SDU)라고 한다. 결과적으로 통신데이터의 계층적 구조는 데이터 분석가로 하여금 분석의 목적에 따라 적절한 층위를 선택할 수 있게 한다. 예를 들어, 기지국의 하드웨어 성능을 최적화하기 위해서는 물리 계층의 신호 데이터를 분석해야 하지만, 도시 인구의 유동 패턴을 파악하기 위해서는 응용 계층이나 네트워크 계층에서 발생하는 위치 기반 로그 데이터를 추출하여 분석해야 한다. 이와 같은 층위별 특성은 통신데이터가 지닌 다면적 가치를 구성하는 핵심적 요소이다.^{2) 3)}

전파의 세기, 주파수 대역, 신호 대 잡음비 등 하드웨어 계층에서 발생하는 기초 데이터를 다룬다.

통신 세션의 연결과 유지, 경로 배정 등을 위해 생성되는 제어 신호와 로그 데이터를 설명한다.

통화 기록, 메시지 전송, 인터넷 트래픽 양 등 최종 사용자의 서비스 소비 패턴을 나타내는 데이터를 고찰한다.

통신데이터의 생성은 정보통신망을 구성하는 다양한 네트워크 요소(Network Element) 간의 상호작용 및 단말기와 시스템 사이의 프로토콜 교환 과정에서 비롯된다. 현대의 통신 환경에서 데이터는 기지국(Base Station), 교환기(Switch), 게이트웨이(Gateway) 등 하드웨어 장비뿐만 아니라, 가상화된 네트워크 기능(Network Function Virtualization, NFV) 단에서도 실시간으로 발생한다. 이러한 데이터 생성의 핵심 기제는 사용자의 서비스 이용에 따른 트래픽(Traffic) 발생과 네트워크 상태 유지를 위한 제어 신호의 송수신에 있다. 특히 5G와 같은 초고속·저지연 네트워크에서는 단위 시간당 발생하는 데이터의 밀도와 복잡성이 비약적으로 증가함에 따라, 이를 체계적으로 수집하고 처리하기 위한 고도의 기술적 아키텍처가 요구된다.

데이터 수집 단계에서는 대규모 네트워크 장비로부터 발생하는 이기종 데이터를 통합하기 위해 네트워크 관리 시스템(Network Management System, NMS)과 심층 패킷 분석(Deep Packet Inspection, DPI) 기술이 주로 활용된다. DPI는 네트워크를 통과하는 패킷의 헤더뿐만 아니라 페이로드(Payload) 영역까지 분석하여 응용 프로그램의 종류, 콘텐츠의 특성, 사용자 행태 정보를 상세히 추출할 수 있게 한다. 수집된 원천 데이터(Raw Data)는 비정형 또는 반정형 구조를 띠는 경우가 많으므로, 이를 분석 가능한 형태로 변환하는 추출, 변환, 적재(Extraction, Transformation, Loading, ETL) 과정이 필수적이다. 이 과정에서 데이터의 중복을 제거하고 결측치를 보정하며, 서로 다른 시간 단위나 형식으로 수집된 데이터를 표준화된 규격으로 정렬하는 전처리가 수행된다.

초고속으로 유입되는 대규모 통신데이터를 효율적으로 처리하기 위해 분산 컴퓨팅 기술이 핵심적인 역할을 수행한다. 전통적인 배치 처리(Batch Processing) 방식은 사후 분석에는 용이하나, 네트워크 장애 감지나 실시간 자원 할당과 같은 즉각적인 대응에는 한계가 있다. 이를 극복하기 위해 아파치 카프카(Apache Kafka)와 같은 분산 메시징 시스템을 도입하여 데이터의 병목 현상을 방지하고, 아파치 플링크(Apache Flink)나 스파크 스트리밍(Spark Streaming)을 활용한 스트림 처리(Stream Processing)를 통해 데이터가 생성되는 즉시 분석 결과를 도출한다. 데이터의 처리 속도를 정량화하는 지표로는 처리량(Throughput)과 지연 시간(Latency)이 있으며, 시스템의 효율성 $ E $는 투입된 자원 대비 처리된 데이터의 비율로 정의할 수 있다.

$$ E = \frac{\sum_{i=1}^{n} T_i}{C \cdot L} $$

여기서 $ T_i $는 각 노드에서 처리된 데이터의 양, $ C $는 컴퓨팅 자원의 용량, $ L $은 전체 처리 지연 시간을 의미한다. 이러한 효율성을 극대화하기 위해 데이터의 특성에 따라 인메모리 데이터베이스(In-memory Database)나 NoSQL 기반의 분산 저장 체계를 선택적으로 운용한다.

저장 및 관리 단계에서는 데이터의 폭발적 증가에 대응하기 위해 하둡 분산 파일 시스템(Hadoop Distributed File System, HDFS)이나 객체 스토리지(Object Storage) 기반의 데이터 레이크(Data Lake) 구조를 취한다. 이는 정형화된 데이터뿐만 아니라 로그 파일, 패킷 덤프 등 가공되지 않은 모든 형태의 데이터를 저비용으로 보관할 수 있게 하며, 향후 기계 학습(Machine Learning)이나 인공지능 모델의 학습 데이터셋으로 활용될 수 있는 기반을 제공한다. 결과적으로 통신데이터의 생성 및 처리 기술은 단순한 기록의 보존을 넘어, 네트워크 운영의 지능화와 고도화된 사용자 경험 분석을 가능케 하는 기술적 토대가 된다.

교환기, 기지국, 서버 등 네트워크 장비에서 데이터가 발생하는 메커니즘과 수집 기법을 기술한다.

수집된 원천 데이터의 오류를 수정하고 분석 가능한 형태로 변환하는 표준화 과정을 설명한다.

초고속으로 발생하는 통신 데이터를 안정적으로 보관하기 위한 분산 저장 시스템과 데이터베이스 구조를 다룬다.

통신데이터의 특수성을 고려하여 유의미한 정보를 추출하기 위한 통계적, 수학적 분석 기법을 고찰한다.

시간의 흐름에 따른 통신량 변화와 반복적인 이용 행태를 파악하기 위한 분석 모델을 제시한다.

사용자 간의 연결 관계를 그래프 이론으로 해석하여 네트워크의 구조적 특성을 도출한다.

기지국 접속 정보를 바탕으로 인구의 이동 경로와 공간적 분포를 추정하는 방법론을 다룬다.

통신데이터는 현대 사회에서 인류의 이동과 상호작용을 가장 정밀하게 포착할 수 있는 지표로 기능하며, 그 활용 범위는 공공 행정, 민간 산업, 학술 연구 전반으로 급격히 확대되고 있다. 분석된 통신데이터가 제공하는 높은 시공간적 해상도는 기존의 설문 조사나 통계청의 전수 조사 방식이 가진 시차와 비용의 한계를 극복하는 핵심 기제로 작용한다. 특히 빅데이터 분석 기술의 발전과 결합하여 통신데이터는 단순한 통신 이력을 넘어 사회의 동태적 변화를 실시간으로 투영하는 거울과 같은 역할을 수행한다.

공공 행정 영역에서 통신데이터의 가장 대표적인 활용 사례는 유동인구 분석을 통한 도시 계획 및 교통 정책 수립이다. 기지국 기반의 위치 정보는 특정 지역에 체류하거나 이동하는 인구의 규모를 시간대별, 성별, 연령별로 세밀하게 파악할 수 있게 한다. 이는 과거의 통계적 추정치보다 높은 신뢰도를 제공하며, 대중교통 노선의 최적화나 스마트 시티의 기반 시설 배치 결정에 결정적인 근거를 제공한다. 특히 재난 관리 분야에서의 활용이 두드러지는데, 감염병 확산 시기에 인구의 이동 패턴을 분석하여 확산 위험 지역을 예측하거나 방역 자원을 효율적으로 배분하는 감염병 역학 모델의 핵심 입력 변수로 사용된다. 또한 산불이나 지진 발생 시 위험 지역 내 잔류 인원을 파악하여 신속한 구조 활동을 지원하는 등 공익적 가치 창출에 기여하고 있다.

산업적 측면에서 통신데이터는 기업의 의사결정 고도화를 지원하는 비즈니스 인텔리전스의 핵심 자원이다. 유통 및 외식 산업에서는 특정 지역의 인구 유입 패턴과 거주지 분포를 분석하여 신규 점포의 입지를 선정하는 상권 분석에 이를 적극적으로 활용한다. 이는 마케팅 전략 수립 시 타겟 고객층이 집중되는 시간과 장소를 식별함으로써 광고 효율을 극대화하는 데 도움을 준다. 또한 통신 서비스 이용 패턴은 사용자의 라이프스타일과 소비 성향을 간접적으로 반영하므로, 이를 금융 분야와 결합하여 새로운 형태의 신용 평가 모델을 구축하기도 한다. 이는 금융 거래 이력이 부족한 금융 소외 계층에게 통신료 납부 실적이나 데이터 사용 패턴 등을 바탕으로 신용을 부여하는 대안 신용 평가 모델의 근간이 되어 포용적 금융을 실현하는 도구가 된다.

학술적 및 기술적 관점에서는 통신데이터를 통해 사회 물리학이나 인구 통계학적 연구가 수행된다. 수백만 명의 이동성 데이터를 대규모로 분석함으로써 도시 내 공간 구조의 변화를 규명하거나 사회적 관계망의 구조적 특성을 추적할 수 있다. 통신 사업자 내부적으로는 실시간 트래픽 데이터를 분석하여 네트워크 최적화를 달성하고, 기지국별 부하를 예측하여 설비 투자 효율성을 극대화하는 데 활용한다. 이처럼 통신데이터는 디지털 트랜스포메이션의 흐름 속에서 단순한 네트워크 로그를 넘어 사회적, 경제적 문제를 해결하고 새로운 부가가치를 창출하는 핵심적인 데이터 자산으로 자리매김하고 있다. 이러한 다각적인 활용은 데이터의 가용성과 개인정보 보호 사이의 균형을 전제로 하며, 안전한 데이터 활용 체계 아래에서 그 가치가 더욱 증폭될 수 있다.

트래픽 예측을 통한 망 부하 분산과 통신 품질 향상을 위한 기술적 운용 방안을 설명한다.

기업의 마케팅 전략 수립 및 고객 이탈 방지를 위한 데이터 기반 의사결정 과정을 다룬다.

유동인구 분석을 통한 도시 계획 수립 및 감염병 확산 방지 등 공익적 활용 사례를 고찰한다.

통신데이터는 개인의 이동 경로, 사회적 관계, 생활 패턴을 정밀하게 복원할 수 있는 민감한 정보를 포함하고 있다. 따라서 데이터 활용에 따른 사회적·경제적 편익과 프라이버시(Privacy) 보호 사이의 균형을 맞추기 위한 법적·기술적 안전장치는 필수적이다. 대한민국 법체계에서 통신데이터 보호의 근간은 통신비밀보호법과 개인정보 보호법에 의해 규정된다. 통신비밀보호법은 통신의 비밀을 보호하고 정보주체의 자유를 보장하기 위해 통신사실확인자료의 제공 절차를 엄격히 제한하며, 법원의 허가 등 적법 절차를 거치지 않은 자료 수집을 금지하고 있다⁴⁾. 또한 정보통신망 이용촉진 및 정보보호 등에 관한 법률은 서비스 제공자가 준수해야 할 기술적·관리적 보호 조치 기준을 구체화하여 데이터 유출 및 오남용을 방지하는 역할을 수행한다.

기술적 측면에서는 데이터의 유용성을 유지하면서도 특정 개인을 식별할 수 없도록 하는 비식별화(De-identification) 기술이 핵심적이다. 특히 빅데이터 분석을 위해 도입된 가명정보(Pseudonymized Data) 처리 기법은 이름, 전화번호 등 직접 식별자를 삭제하거나 다른 값으로 대체하여, 추가 정보 없이는 특정 개인을 알아볼 수 없도록 조치하는 과정을 의미한다⁵⁾. 통계적 안전성을 확보하기 위해 K-익명성(K-anonymity), L-다양성(L-diversity), T-근접성(T-closeness) 등의 모델이 활용된다. 예를 들어, K-익명성은 동일한 특성을 가진 레코드를 최소 $ k $개 이상 포함시켜 특정인을 구별할 확률을 $ 1/k $ 이하로 낮추는 기법이다. 이러한 모델들은 재식별 공격(Re-identification attack)으로부터 데이터의 안전성을 정량적으로 평가하는 지표가 된다.

최근에는 보다 강력한 수학적 증명력을 가진 차분 프라이버시(Differential Privacy) 기술이 통신데이터 분석에 도입되고 있다. 차분 프라이버시는 데이터 집합에 인위적인 노이즈(Noise)를 추가하여, 특정 개인의 데이터 포함 여부가 분석 결과에 미치는 영향을 통계적으로 제한한다. 임의의 데이터 집합 $ D_1 $과 그 집합에서 단 하나의 원소만 다른 인접 데이터 집합 $ D_2 $에 대하여, 알고리즘 $ K $의 결과값 분포가 유사할 확률은 다음과 같은 수식으로 정의된다.

$$ \Pr[K(D_1) \in S] \le e^\epsilon \Pr[K(D_2) \in S] $$

여기서 $ $(Epsilon)은 프라이버시 보호 수준을 결정하는 지표로, 값이 작을수록 보호 강도는 높아지나 데이터의 정확성은 낮아지는 트레이드오프(Trade-off) 관계가 형성된다. 이 방식은 통신 기지국 기반의 유동인구 통계 분석 등에서 개인의 위치 정보를 보호하면서도 전체적인 인구 흐름을 파악하는 데 유용하게 활용된다.

또한, 데이터를 암호화된 상태 그대로 연산할 수 있는 동형 암호(Homomorphic Encryption) 기술은 통신데이터의 외부 유출 위험을 원천적으로 차단하는 대안으로 부상하고 있다. 이는 클라우드 환경에서 통신사가 보유한 민감 데이터를 암호화하여 분석 기관에 전달하고, 분석 기관은 복호화 없이 결과만을 도출한 뒤 다시 통신사에게 전달하는 구조를 가능하게 한다. 이러한 기술적 조치와 더불어 데이터의 생성부터 폐기까지 전 과정을 관리하는 데이터 거버넌스(Data Governance) 체계와 접근 제어(Access Control), 암호화(Encryption) 전송 프로토콜 등의 보안 기술이 병행되어야 통신데이터의 안전한 활용 생태계가 구축될 수 있다.

개인 식별 가능성을 제거하기 위한 비식별화 기술과 데이터 결합의 안전성 확보 방안을 제시한다.

통신비밀보호법 등 관련 법령에 따른 데이터 취급 제한과 정보 주체의 권리를 설명한다.

데이터의 무단 유출 및 위변조를 방지하기 위한 암호화 기술과 보안 거버넌스를 다룬다.