[发明专利]一种基于差分隐私的新型轨迹数据发布方法

说明书

本发明公开了一种基于差分隐私的新型轨迹数据发布方法，包括：在R树的基础上提出了满足差分隐私的序列R(Sequence R，SR)‑树结构，采用轨迹序列代替R树中最小边界矩形结构的方法来构建SR‑树；提出了一种非位置敏感信息攻击模型，在构建噪音SR‑树时，运用差分隐私技术分别对位置数据和非位置敏感数据添加噪音；针对添加噪音后可能出现数据不一致的问题，对算法进行一致性处理。本发明的优点是：针对轨迹具有时空性的特点和快速检索轨迹的要求，在R树的基础上提出了一种新型的轨迹序列结构一序列R‑树(SR‑树)。在SR树结构基础上，提出了一种满足差分隐私的移动对象轨迹数据发布方法。根据轨迹的语义，提出一种非位置敏感信息关联攻击模型。

技术领域

本发明涉及一种基于差分隐私的新型轨迹数据发布方法，是针对轨迹中隐私泄露问题的方法，属于工程应用与信息科学的交叉领域。

背景技术

如今智能手机和其他位置感知设备的普及使人们享受到了便捷的位置服务(Location Based-Service，LBS)，因此越来越多的位置数据在用户未知情况下每日被移动对象数据库所收集。这些存储在移动对象数据库中的时空数据，对于与移动对象的相关应用来说是十分重要的，例如挖掘热点人群区域以进行商业分析；检测道路拥堵情况以进行交通规划；了解居民活动模式以进行城市规划。然而，这些轨迹数据的发布也会泄露用户的个人敏感信息，例如用户的生活习惯、社会风俗、宗教信仰以及个人的兴趣偏好，这些信息在未经用户许可情况下可用作广告推荐和用户剖析，更可能被不法分子所获取从而进行非法活动。

针对轨迹中隐私泄露问题，国内外学者展开了大量的研究，现有最广泛使用的方法主要是基于k-匿名模型，但这些方法仍然存在一些缺陷，因为他们都依赖于隐私模型——要么是依赖于特定假设的，要么是实用性较低的。因此针对目前存在的问题，迫切需要研究出一套新的机制来保护用户轨迹隐私安全。差分隐私技术是目前认为可靠的一种模型，可以满足当前需求，该模型无需知晓攻击者的背景信息即可以抵御任意模型的攻击。差分隐私技术的主要思想是：向一个数据库中增加噪音使攻击者无法识别某条数据是否在这个数据库中，若不考虑轨迹的特性，直接无策略性单纯地向所有出现在轨迹数据库中的数据添加噪音，那么得到的结果可能会对原始轨迹数据库的隐私性和实用性产生负面作用，因此合理地将差分隐私技术运用到轨迹发布中是一个不小的挑战。首先，由于轨迹具有时空性，加入的噪音变成新的轨迹序列，即使是原始数据库中没有出现过的轨迹数据。这显然不符合差分隐私的隐私需求。其次，大多数轨迹序列都是独特的，直接增加噪音可能会增加原始的轨迹数量，降低数据的可用性。此外，轨迹中还含有很多的敏感信息，若只针对轨迹数量增加噪音，将会破坏轨迹的语义。

针对上述问题，本发明面向路网空间在R-树的基础上提出了一种新型的轨迹发布中的隐私保护方法——噪音序列R树(Sequence R-Tree SR-Tree)。该方法不仅可以快速地索引到每条轨迹，同时也保证了轨迹序列的时空特性。其中，SR-树是使用轨迹相似性来划分轨迹区域的，SR-树的叶子节点存放用户轨迹序列，为每条轨迹上的移动对象计数添加拉普拉斯噪音。同时，考虑到轨迹中可能包含其他非位置敏感信息，为了保护用户的隐私，本文也对敏感数据增加噪音。由于添加的噪音是相互独立的，会造成SR-树中的数据出现不一致的现象(例如父节点的移动对象数量小于子节点的移动对象数量)，通过对数据进行一致性处理，使发布出去的数据更加准确。

发明内容

发明目的：本发明的目的是提供一种新型的轨迹发布中的隐私保护方法。该方法提出了 SR-树这一存储结构，其叶子节点存放轨迹序列，解决了仅存储单个位置点或者是单个路段破坏了轨迹的时空完整性的问题。其次，考虑到轨迹上包含敏感信息也可被攻击者获取，从而推测出用户真实的位置或者轨迹，因此本发明向每个节点中的敏感数据信息加入拉普拉斯噪音。最终，根据树的特性(父节点的计数大于子节点计数并等于所有子节点计数之和)，对噪音数据进行了一致性处理，以提高发布数据的准确率。