在位置隐私保护中,差分隐私保护机制通过随机函数对真实位置加噪,从而保护真实位置信息.然而在隐私预算分配问题上往往易造成资源浪费以及隐私保护效率低下.针对此问题,本文在已有研究的基础之上提出一种基于概率相似性度量的差分隐私算...在位置隐私保护中,差分隐私保护机制通过随机函数对真实位置加噪,从而保护真实位置信息.然而在隐私预算分配问题上往往易造成资源浪费以及隐私保护效率低下.针对此问题,本文在已有研究的基础之上提出一种基于概率相似性度量的差分隐私算法DPBO.首先,使用加权有向图来收集获取历史位置信息;然后通过范围度量找出历史位置点与真实轨迹中每个位置点R所对应的相似位置点集SET,对SET与R进行一对多(One To Many, OTM)概率相似性度量,得出每个R点的位置敏感度ΔG;最后根据不同ΔG,为真实轨迹中R分配相应隐私预算,添加Laplace噪声.通过实验,证明了该方案具有数据可用性和可行性.展开更多
文摘在位置隐私保护中,差分隐私保护机制通过随机函数对真实位置加噪,从而保护真实位置信息.然而在隐私预算分配问题上往往易造成资源浪费以及隐私保护效率低下.针对此问题,本文在已有研究的基础之上提出一种基于概率相似性度量的差分隐私算法DPBO.首先,使用加权有向图来收集获取历史位置信息;然后通过范围度量找出历史位置点与真实轨迹中每个位置点R所对应的相似位置点集SET,对SET与R进行一对多(One To Many, OTM)概率相似性度量,得出每个R点的位置敏感度ΔG;最后根据不同ΔG,为真实轨迹中R分配相应隐私预算,添加Laplace噪声.通过实验,证明了该方案具有数据可用性和可行性.
