[发明专利]位置数据动态发布中相关拉普拉斯机制的自适应调整方法

说明书

本发明提供一种位置数据动态发布中相关拉普拉机制的自适应调整方法，包括读入发布时刻的数据相关信息，根据发布次序执行相应操作，包括在起始时刻进行系统初始化，在初始阶段返回预设参数，待发布次序达到一定数值后进行自适应参数调整，计算当前时刻CLM滤波器的预估档位，计算当前时刻CLM滤波器的参数向量，计算当前时刻CLM滤波器的增益系数，返回自适应参数调整结果，包括CLM滤波器是否调整的判别结果，当前时刻CLM滤波器的参数向量，以及当前时刻的增益系数。本发明通过对相关拉普拉斯机制中滤波器的参数向量空间的量化，为位置数据动态发布中相关拉普拉斯机制的自适应调整问题提供了解决方案，拓宽了相关拉普拉斯机制的实际适用范围。

技术领域

本发明涉及数据挖掘与隐私保护领域，更具体地，涉及位置数据动态发布应用中相关拉普拉斯差分隐私保护机制的一种自适应调整方法，用于解决相关拉普拉斯机制在位置数据动态发布场景下的参数动态调整问题。

背景技术

随着配备高精度定位功能的智能设备大量普及，基于位置的服务变得更为便捷，大量用户分享的位置数据成为了各类研究的重要资源。但对于大部分用户而言，他们不希望发布位置数据会泄露个人隐私信息。

在现有隐私保护技术中，差分隐私理论方法能保证实际隐私保护强度不受攻击者背景知识的影响，因此被广泛地应用在不同领域。其中，地理不可区分方法能有效实现对单个位置的差分隐私保护。然而，在移动端位置数据连续发布场景中，仅仅考虑某一时刻的位置是不充分的，连续观测的位置数据之间存在不同程度的相关性，攻击者可能利用原始位置数据序列与扰动噪声序列在相关性上的差异来滤除部分扰动噪声，提高了攻击成功率而抵消部分隐私保护效果。对此，序列不可区分理论通过保证差分隐私扰动前后的数据在相关性上一致，使得攻击者难以滤除扰动噪声，从而有效地抵抗这种相关攻击。在实际应用中，基于滤波方法的相关拉普拉斯机制（CLM，CorrelatedLaplace Mechanism）为实现序列不可区分提供了有效途径。

然而，将CLM应用到位置数据动态发布场景中的隐私保护仍然需要解决一些问题。CLM适用于满足短时平稳的数据序列，根据数据自相关函数估计来构造滤波器（以下简称CLM滤波器），通过四组高斯白噪声分别经过CLM滤波后再合成得到相关拉普拉斯噪声，来对数据进行差分隐私保护。但在动态发布场景中，需要保护的数据是随着时间的推移即时动态生成的，当然也只能进行动态隐私处理及发布，故上述批处理模式不再适用，只能采用流式处理模式。而由于数据生成、处理及发布的即时动态性，相应的CLM滤波器将不得不进行动态调整，才能准确跟踪时变的数据相关性以实现流式条件下的序列不可区分性（以下简称动态CLM）。

在动态CLM模式下，CLM滤波器参数动态调整导致的瞬态响应是必须要面对的挑战。这是因为，CLM的设计基础是建立在CLM滤波器的稳态响应分析基础上，其瞬态响应的影响被假设为是可以忽略的，这在静态条件下通常是成立的。但在动态条件下，参数的动态调整导致的瞬态响应的影响有可能不能被简单忽略。动态CLM滤波器参数调整需要解决两个问题：1）确定参数调整的时间间隔。保持CLM滤波器参数不变是抑制瞬态响应的有效办法，但如果保持时间过长，又可能导致CLM难以跟上时变的数据相关性。因此，需要结合实际情况确定合理调整时机；2）参数如何调整。当需要调整滤波器参数时，如果以当前滑动窗的估计结果来调整参数，可能由于数据的瞬间变化而引起偏差，为使得调整更为准确，需要结合过去时刻的相关性进行分析，但数据相关性与CLM中滤波器参数之间不是线性关系，无法通过简单的线性运算来确定参数。此外，当滤波器参数调整时，输出中瞬态响应部分将引起偏差，因此，在参数调整后需要对瞬态响应部分进行补偿。

基于上述背景，本发明提出位置数据动态发布应用中CLM的一种自适应调整方法，拓宽了CLM的实际适用范围。

发明内容