[发明专利]基于频繁位置分类的地理不可区分性位置隐私保护方法

权利要求书

1.基于频繁位置分类的地理不可区分性位置隐私保护方法，其特征在于包括以下步骤：

步骤1：根据位置点的聚集程度，通过基于密度的聚类算法，对位置数据集进行分类；具体为：首先，通过DBSCAN聚类算法对位置集进行分类操作，令原始位置集X＝[x₁，x₂，...x_n]，样本x_i∈X，若x_i的邻域内至少包含minpts个样本，则x_i为核心点，根据给定邻域及minpts确定核心点，对每个核心点选择一个未处理的对象，根据密度可达选择样本，来生成一个簇，得到簇C₁，C₂，...C_m，并统计每个簇内位置点的密集程度；

步骤2：构建满足地理不可区分性的位置隐私保护模型，并构造支撑图；具体为：该位置隐私保护模型对位置点添加噪音的方式是以用户的真实位置为圆心，画半径r符合Gamma分布的圆形区域，即其中x′为x的噪音点，ε为隐私预算，即，设机制K满足ε-地理不可区分性，则对圆形区域内所有欧几里德度量d(x，x′)≤r，机制K的查询函数满足公式K(x)(z)≤e^{εd(x，x′)}K(x′)(z)，其中K(x)(z)为机制K的输入为x时，得到的输出为z的概率，x′即为x的噪音点；对这些噪音点生成一个支撑图G，令G＝(X，E)为位置点x的噪音集X′的t-支撑图，其中t为支撑因子，则对所有(x，x′)∈E，d_G(x，x′)＞t*d_X′(x，x′)，其中d_X′(x，x′)为x与x′间的欧式距离；

步骤3：根据聚类的每个簇内位置点的密度及簇数分配隐私预算，向位置点添加噪音；具体为：根据每个簇内位置点的密集程度，从高到低以依次递减的方式分配隐私预算，将总隐私预算ε划分为ε₁，ε₂，...ε_m，分别向每个簇C_i添加隐私预算为ε_i的噪音，得到噪音集X′，使用质量损耗来表达扰动函数为K(x)(x′)的机制所产生的质量损耗，其中为用户的侧面信息，通过对每个簇内出现位置点的概率进行归一化处理，得到用户的侧面信息；

步骤4：使用基于信息熵及质量损耗的度量方法，对真实数据进行验证；具体为：利用基于信息熵的度量方式对可能泄露的信息量进行度量，令隐私设对数据进行扰动前后的信息熵分别为H(X)，H(X′)，其中m为聚类的簇数，p(x_i)为x_i可能出现在簇C_i中的概率； 改变总的隐私预算，计算并统计不同情况下的H_i(X′)； 则

2.根据权利要求1所述的方法，其特征在于，所述步骤4，对步骤3的结果，进行基于信息熵的隐私度量，能够度量可能泄露的信息量的多少，使用GeoLife数据集验证所述方法的隐私保护效用，验证其可用性及有效性。