[发明专利]一种针对目的地预测的可量化隐私保护方法、设备及介质

说明书

本发明公开了一种针对目的地预测的可量化隐私保护方法、设备及介质，其中方法为：利用拉普拉斯机制，向多组相同的历史轨迹数据集注入不同半径的噪声以获得对应轨迹数据集；对每组轨迹数据集进行目的地预测，并根据预测结果计算对应的隐私保护程度进而构建训练样本，以噪声半径等级作为训练样本的标签值；以所有训练样本及其标签值，训练基于多重线性回归的隐私量化保护模型；当接收到隐私保护程度需求和待保护的轨迹时，将隐私保护程度需求输入至隐私量化保护模型；利用拉普拉斯机制，按照隐私量化保护模型输出的噪声半径等级，向待保护的轨迹注入噪声。本发明能够充分满足用户的隐私需求，给用户提供精确和稳定的轨迹隐私保护。

技术领域

本发明属于隐私保护及信息安全领域，是针对高准确度的目的地预测服务的位置隐私威胁，提出一种针对目的地预测的可量化隐私保护方法、设备及介质。

背景技术

随着拥有GPS的移动设备的普及和物联网技术的不断发展，越来越多的基于位置定位的服务方便我们的生活的方方面面。比如商业活动、个人健康管理等。最近几年，一种预测用户目的地的技术不断发展。这项技术根据移动设备用户的部分轨迹，通过城市的历史轨迹数据库建立的预测模型，预测出移动用户想要到达的位置。这项技术显著地推动了基于位置定位的服务的发展，但是也带来了极大的隐私威胁。

现如今，使用这项技术的应用在很多场景已经出现了。比如，在自动驾驶中，目的地预测自动生成乘客所要去的地点，用以方便乘客；在一些社交软件中，这项技术根据用户行进的轨迹预测出用户想去的地点，以此来推送与用户目的地相关的广告；在滴滴研究院，滴滴公司利用该项技术去提升用户的乘车体验，以及滴滴司机的接单效率。滴滴研究院最新的相关研究结果表明，滴滴公司的预测技术能够达到极高的预测准确度，并且预测结果与真实目的地的平均距离误差在1km以内。而最新的文章表明，在数据量充足以及用户行进轨迹完整的条件下，用户的目的地位置被成功预测的概率能够达到80％，同时，平均距离误差能够限制在500米以内。

高准确度和精度给移动端用户带来更好的基于位置定位的应用服务，但同时给用户的隐私和人身安全造成了巨大威胁。具体表现为：(1)在过去的研究中，对移动设备轨迹的研究显示，目的地位置通常与用户的敏感位置有关，比如用户的家、用户工作地点、用户常去的酒吧等，因此敏感位置的暴露是对用户个人隐私的严重侵犯；(2)存在对用户有敌意的攻击者，如果通过位置定位服务器预测出了用户准确的目的地位置，那么攻击者可以提前前往目的地等待用户，而后伺机攻击用户，这对用户来说是极大的人身安全威胁；(3)没有人能够保证提供基于位置定位服务的服务器是绝对可信的，当服务器掌握了用户的轨迹，预测出用户的精准的目的地，那么用户的目的地就存在泄漏的风险。

过去对用户目的地隐私进行保护的方法极少，常用的方法是端点去除法，也就是在用户移动端，去除用户轨迹的首尾两端点，然后将这个去除后的不完整的轨迹发送给服务提供方，服务提供方所预测的目的地就不会过于精准。然而，这种方式过于粗糙，所提供的也是极其不稳定的隐私保护，并且还存在一些特殊的情况(比如，在首尾存在停等位置)使保护方法失效。

发明内容

本发明所要解决的技术问题在于，提供一种针对位置服务中的目的地预测的可量化隐私保护方法、设备及介质，能够充分满足用户的隐私需求，能够给用户提供精确和稳定的轨迹隐私保护。

为实现上述技术目的，本发明采用如下技术方案：

一种针对目的地预测的可量化隐私保护方法，包括：

步骤1，获取训练数据；

获取一组历史轨迹数据集D_train并复制得到M组相同的历史轨迹数据集；

利用拉普拉斯机制，向M组历史轨迹数据集分别注入半径为r_i，i∈[0，1，...，M-1]的噪声，得到加入不同噪声的轨迹数据集：