[发明专利]基于差分隐私的时空泛化轨迹数据发布方法

说明书

本发明公开了一种基于差分隐私的时空泛化轨迹数据发布方法，包括：对轨迹数据进行时间泛化，生成时刻位置空间集；提出基于密度峰值聚类算法的位置空间划分方法，生成候选划分集；结合指数机制概率性地选择最佳候选划分进行位置泛化；通过拉普拉斯机制对泛化轨迹统计值添加随机噪声，并结合一致性约束对噪声数据进行后置处理，发布泛化轨迹和加噪计数值。本发明的优点是：结合了聚类算法和差分隐私技术，克服了传统方法在轨迹数据发布场景下执行效率低和难以抵抗背景知识攻击的问题，提高了轨迹数据的隐私性和可用性。本发明适用于背景知识复杂、具有隐私保护需求的多维数据发布。

技术领域

本发明涉及一种基于差分隐私的时空泛化轨迹数据发布方法，是针对位置服务中轨迹数据隐私泄露问题的一种隐私保护方法，属于工程应用与信息科学的交叉领域。

背景技术

近年来，随着物联网技术的广泛应用和具有定位功能的移动终端的普及，各种基于位置的服务(LBS)迅猛发展，极大地方便了人们的生活。与此同时相应的位置数据信息也在用户未知情况下被轨迹数据库所收集。轨迹数据中隐藏着丰富的人群活动模式，这些数据同公众的生产、生活以及城市的方方面面息息相关，对轨迹数据进行研究可以从中获取丰富的信息，具有极其重要的现实意义。然而，如果数据收集方对用户信息保存不当或数据拥有者发布数据的方式不恰当，都可能带来严重的用户隐私泄露问题。攻击者通过对收集到的轨迹数据进行深入的隐私信息挖掘，可以洞察到隐藏在数据表象背后的用户敏感信息，如家庭住址、兴趣爱好、健康状况以及政治倾向等。一旦这些敏感信息被不法分子获取，会对用户的个人生活和人身安全造成巨大的威胁。因此，如何在保护用户隐私的情况下对收集到的轨迹进行发布是一个关键挑战。

现有的轨迹隐私保护方案大致分为以下几类：抑制法(根据真实位置的敏感程度有选择地发布)、假轨迹法(向真实轨迹中添加虚假轨迹)、泛化法(将真实位置泛化到一个区域中) 和扰动法(对每个时刻的真实位置添加随机噪声生成扰乱位置)。传统的隐私保护方案严重依赖于攻击者所拥有的背景知识，当有新的攻击(如去匿名化攻击、组成攻击)出现时模型无法提供良好的保护效果，差分隐私技术的出现就有效地弥补了上述问题。差分隐私由Dwork 等人提出，它通过对发布数据进行随机扰动，使攻击者即使拥有一定的背景知识(如用户的性别、邮政编码等)，也无法识别一条记录(如ID、姓名等)是否在原数据表中，从而达到隐私保护目的。该技术优点在于不需要特殊的攻击假设、不关心攻击者拥有的背景知识，同时有着严密的数学理论基础和可控的隐私保护水平，能够对隐私泄露风险进行量化。近年来，许多学者对差分隐私技术进行了大量的研究与探讨，根据不同场景下轨迹隐私保护需求提出了一些隐私保护方法。

然而，现有的轨迹隐私保护工作仍存在以下难点：(1)LBS服务商如何构建高效的轨迹处理机制来收集存储用户的轨迹数据。(2)轨迹发布模型如何有效的抵抗具有背景知识的敌手攻击。(3)如何在保护用户个人隐私不被泄露的基础上，提高轨迹数据发布的精度，增强发布数据的可用性。目前并没有一个能够高效解决上述所有问题的轨迹隐私保护方法。

本发明设计了一种有效可行的解决方案，这种基于差分隐私的时空泛化轨迹数据发布方法不仅能有效地保护用户隐私，保证数据可用性，同时有着较高的执行效和非常好的应用前景。

发明内容

发明目的：本发明的目的是提供一种基于差分隐私的时空泛化轨迹数据发布方法。该方法充分利用移动对象轨迹数据的时空特性，解决传统数据发布方法存在的数据可用性低和隐私保护程度不足的问题。通过聚类算法对轨迹数据进行时空泛化，可以有效地降低用户的轨迹隐私泄露的风险，通过差分隐私的指数机制和拉普拉斯机制，保证模型的隐私保护水平，更好地促进基于位置的服务行业的发展。