抵抗推理攻击的车联网位置隐私增强方法

车联网中实体可信度不明确,用户与其他实体频繁通信,会增加用户隐私泄露风险。为此,提出一种抵抗推理攻击的车联网位置隐私增强方法。用户向路边单元(RSU)请求兴趣点(POIs),并从本地缓存中根据用户相似度推荐多个合适的POIs,在多POIs中选择最终目的地。即使兴趣点被攻击者窃取也难以推断用户的最终目的地。如果用户未收到期望的POI,可以向服务提供商(SP)请求扩大服务范围。仿真结果表明,与对比方法相比,所提方法的通信开销平均降低14%,位置熵平均提高12%。所提方案通过减小与SP的通信次数,不仅能减小通信开销,还能增强隐私保护程度。通过用户偏好计算更符合用户期望的多个POIs,供用户选择最终的目的地,不仅能提高服务可用性,还能抵抗推理攻击。

感知敏感序列规则的在线时空K-匿名方法

时空K-匿名方法以数据可靠、实现方式简便灵活,适合基于移动计算环境的LBS的特点,成为近年来在LBS领域研究隐私安全的主流技术。挖掘连续查询的时空K-匿名数据集,抽取出潜在的、有用的序列规则,可为众多行业应用提供预测分析功能,但同时也会产生基于敏感序列规则推理攻击用户隐私的威胁。传统的基于敏感知识隐藏的抗攻击方法,不能适应LBS应用具有的长期、连续、在线服务的特点。文中提出一种感知敏感序列规则的在线时空K-匿名的抗攻击方法:基于中间件的第三方匿名服务器首先从挖掘并分析连续查询生成的匿名区域序列数据集得到隐私敏感的序列规则,然后在后续的LBS查询服务请求中,设定一系列"泛化"、"避让"准则,动态感知敏感序列规则在线生成时空K-匿名数据集,并更新成功匿名的匿名数据集到匿名区域序列数据库。最后,当更新次数达到设定阈值后,重复匿名集序列规则的挖掘、分析与动态隐藏,直至消除所有敏感序列规则。实验证明,提出的方法可以实现匿名集数据中敏感序列规则的动态隐藏,有效消除基于敏感匿名集序列规则对用户位置隐私的推理攻击,且具有速度快、代价小的优点。

基于重力模型生成假轨迹的隐私保护方法

针对连续查询场景中用户实时位置的隐私保护问题,设计了一种基于客户端的假轨迹生成方法.该方法使用网格划分地理空间,统计网格划分后每个网格内的历史查询数据.通过分析网格内的历史查询数据构建实时预测用户移动轨迹的重力模型.在重力模型基础上结合历史查询概率定义了轨迹熵度量轨迹隐私保护等级,并在最大运行速度限制下,提出了一种具有最大轨迹熵的基于k-匿名的假轨迹隐私保护算法.实验结果验证了所设计的假轨迹生成方法能够有效地保护真实轨迹的隐私.