基于地理不可区分性且WiFi可灵活部署的室内定位安全方案

在室内定位服务中,WiFi指纹技术因其覆盖面积广、定位精度高而受到人们的广泛关注.然而,对于在线阶段的位置查询,用户的个人敏感信息容易受到恶意攻击而造成位置隐私泄露.现有基于WiFi指纹的室内定位技术仅考虑室内单一空旷平面,这使得WiFi部署的灵活性受到限制.而当WiFi部署在多维场景时,空间位置隐私问题亟待解决.提出了一种基于地理不可区分性的WiFi指纹室内定位隐私保护方案,用户利用自身接收信号强度生成一个新的接收信号强度向量,并通过加噪混淆将得到的数据发送给位置服务提供商,同时引入数字签名技术,在混淆位置被发送给位置服务提供商实现定位之前确保客户端身份不被伪造.基于模拟实验平台的实验结果表明,该方案支持WiFi的灵活部署,能够在保护位置隐私的同时,首次实现12个WiFi接入点灵活部署情况下的高精度定位,保证定位误差小于1 m.

基于用户感兴趣区域的地理不可区分性的位置扰动算法

随着物联网(IoT)技术的快速发展,针对个人位置隐私泄露的问题,提出了一种基于用户感兴趣区域的地理不可区分性(GROI)的位置扰动算法。首先,添加服从平面拉普拉斯分布的随机噪声到用户的真实位置上;然后,通过离散化操作得到近似位置;再次,根据给定的感兴趣区域(ROI)对查询结果进行清洗,在保证机制可用性程度不变的情况下,进一步减小查询误差;最后,在谷歌地图查询上进行了实验验证,与地理不可区分性位置隐私保护算法相比,设计的扰动算法能够在6.0 km的检索范围内,将查询结果的平均误差降低了至少2%,在隐私保护水平不低于地理不可区分性算法的前提下,所提算法的查询结果的准确性优于地理不可区分性算法,尤其针对近距离检索,该算法能够减小查询误差。

基于粒子群聚类偏移的地理位置不可区分

针对利用虚假噪声应对统计攻击时可被攻击者识别的问题,对差分隐私保护模型展开研究,提出了一种基于粒子群聚类,通过真实用户位置偏移实现地理位置不可区分的隐私保护方法。该方法通过当前区域内匿名用户按照粒子群聚类的方式各自偏移,满足广义差分隐私模型的基本要求,实现地理位置不可区分。最后,通过模拟实验与同类满足广义差分隐私模型的算法进行对比分析,进一步证实了所提出的算法的执行效率和隐私安全。由此,可认为该方法具有更好的实用价值,更易部署在当前应用环境。

基于HST的空间众包位置隐私保护方法

针对空间众包中不可信的服务器获取用户真实的位置信息,导致用户隐私泄露的问题。提出一种基于层次分离树(HST)的空间众包位置隐私保护方法,用于保护用户的位置隐私和保证任务分配的有效性,将位置点集构造一个HST,设计一种基于HST的差分隐私保护机制,对用户的位置节点进行扰动处理,并且理论证明该机制满足地理不可区分性。实验结果表明,在相同的隐私预算下,该方法在任务分配的总距离方面明显优于现有的差分隐私机制。

面向不可信服务器的空间众包隐私保护研究

随着互联网技术的迅速发展以及智能移动设备的普遍使用,空间众包的使用愈加广泛。用户发布空间任务,空间众包平台将会雇佣工作者为其分配任务并执行。该类方法需要通过智能设备获取用户位置数据和工作者位置数据,容易泄露位置隐私,严重威胁了用户和工作者的隐私安全。针对个人位置隐私泄露的问题,本文提出了一种采用地理不可区分性对不可信服务器空间众包的位置数据进行扰动的方法。向用户的真实位置和工作者的真实位置添加可控的随机噪声,得到扰动位置,并计算两者的可达性。该方法向二者的真实位置添加噪声生成扰动位置,能有效保护位置隐私,具有很强的隐私保护强度,隐私程度增大。

基于移动边缘计算的位置隐私保护策略

针对目前移动边缘计算位置隐私保护算法导致用户任务卸载时服务质量降低的问题,提出一种融合维诺图机制和-地理不可区分机制的位置隐私保护策略V-Geo。首先,云服务器以地图中的边缘节点作为维诺图的生成元,采用逐点插入法生成维诺图,将地图划分为若干维诺格,并将地图划分数据分发至地图中的用户;其次,用户以自身所在维诺格为安全区域,融合-地理不可区分机制在该维诺格范围内基于自身真实位置生成一个虚假位置用于代替真实位置进行任务卸载;最后提出一种融合时延、能耗和距离损失的服务质量损失模型,该模型根据用户对时延、能耗和距离损失的不同需求评估用户任务卸载时的服务质量高低。以场景内所有用户的服务质量损失模型作为指标,改变时延、能耗和距离损失的权重占比进行仿真,仿真结果证明在同等的隐私保护程度下,V-Geo算法较基于本地差分隐私的改进算法(V-R)用户的服务质量损失平均减少了31.2%。同时证明了在不同用户数量和不同边缘节点数量下,V-Geo算法较其他算法依旧存在优势。

融合语义位置的差分私有位置隐私保护方法

如何在位置差分隐私保护中实现更合理的噪声添加是当前研究的一大热点,但在不同的位置添加相同噪声的隐私保护模式会导致服务可用性和隐私保护度下降。针对这问题,提出了一种融合语义位置的差分私有位置隐私保护方法,该方法首先利用“地理不可区分性”的框架构建预期距离,然后通过定义隐私质量函数和需求函数构建语义位置信息来确定不同位置点的敏感度,最后依据位置点的敏感度为不同类型的区域细粒度地添加Laplace噪声,系统地解决了位置隐私保护、服务可用性和时间开销之间的矛盾。在两个公开数据集上进行仿真实验,与已有的方法从基于贝叶斯攻击的查询成功率、基于预期距离量化的服务可用性和时间开销方面进行了对比分析,结果证明了所提方法的可行性和有效性,并且在隐私保护度、服务可用性和时间开销方面取得了更好的权衡。

基于差分隐私的轨迹隐私保护方法

针对现有的轨迹隐私保护模型大多难以抵御复杂背景知识攻击的问题,本文提出了一种基于差分隐私的轨迹隐私保护方法.首先结合地理不可区分机制对原始轨迹数据添加半径受限的拉普拉斯噪音;其次构造数据映射模型将原始数据和噪音数据映射到新的发布位置,使攻击者无法获取真实轨迹数据;接着应用最优数据映射函数发布最优的轨迹位置以提高发布数据的可用性;最后利用差分隐私抵御非敏感信息推理攻击,进一步保护用户隐私.实验结果表明,本文算法既能有效保护轨迹数据中用户的隐私,也能保证数据的可用性.

基于本地差分隐私的众包隐私保护方法

在移动互联网发展的今天,基于位置服务(LBS)技术在移动互联上取得显著进展。针对个人用户进行精确定位时,数据信息隐私存在着泄露风险的问题,本文提出一种基于本地化差分隐私的地理不可区分性的扰动方法。在用户的真实位置数据信息流出客户端前采用地理不可区分性位置扰动方式,作用于真实位置以得到近似位置数据,服务器端收到后制成二级区域网格图,之后采用差分隐私对该图的工人计数进行扰动,最后在空间范围查询下进行实验验证,并与满足ε-本地化差分隐私扰动算法进行对比,精确度提高2.7%,同时与平均划分隐私预算分配方式进行实验对比,提高区域计数精确度4.57%。