基于差分隐私的轨迹隐私保护方法
Trajectory Privacy Protection Method Based on Differential Privacy
- 电子学报 2021年49卷第7期 页码：1266-1273
- 作者机构：
南京航空航天大学计算机科学与技术学院， 江苏南京 211106
- 作者简介：
[ "袁水莲 女，1997年11月生于山东济宁.现为南京航空航天大学硕士研究生.主要研究方向为数据挖掘和隐私保护.E‑mail:shirley_ysl@nuaa.edu.cn" ]
[ "皮德常（通信作者） 男，1971年11月生于河南周口.现为南京航空航天大学教授、博士生导师.主要研究方向为数据挖掘和隐私保护.E‑mail:dc.pi@nuaa.edu.cn" ]
[ "胥 萌 男，1997年8月生于江苏盐城.现为南京航空航天大学硕士研究生.主要研究方向为数据挖掘.E‑mail: xu_meng@nuaa.edu.cn" ]
- 基金信息：
DOI：10.12263/DZXB.20200827
中图分类号： TP309.2收稿：2020-08-03，
修回：2020-11-27，
纸质出版：2021-07-25
- 稿件说明：
移动端阅览
袁水莲,皮德常,胥萌.基于差分隐私的轨迹隐私保护方法[J].电子学报,2021,49(07):1266-1273.
YUAN Shui-lian,PI De-chang,XU Meng.Trajectory Privacy Protection Method Based on Differential Privacy[J].ACTA ELECTRONICA SINICA,2021,49(07):1266-1273.
袁水莲,皮德常,胥萌.基于差分隐私的轨迹隐私保护方法[J].电子学报,2021,49(07):1266-1273. DOI： 10.12263/DZXB.20200827.
YUAN Shui-lian,PI De-chang,XU Meng.Trajectory Privacy Protection Method Based on Differential Privacy[J].ACTA ELECTRONICA SINICA,2021,49(07):1266-1273. DOI： 10.12263/DZXB.20200827.
摘要
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.
Abstract
Aiming at the problem that most of the existing trajectory privacy protection models are difficult to withstand complex background knowledge attacks
this paper proposes a trajectory privacy protection method based on differential privacy. Firstly
the Laplacian noise with limited radius is added to the original trajectory data by combining the mechanism of geographic indistinguishability. Secondly
a data mapping model is constructed to map the original data and noise data to the new publishing location
so that the attacker cannot obtain the real trajectory data. Then the optimal data mapping function is applied to publish the optimal trajectory position to improve the availability of published data. Finally
differential privacy is used to defend against non‑sensitive information inference attack to further protect user privacy. The experimental results show that the algorithm in this paper can not only effectively protect the privacy of users in the trajectory data
but also ensure the availability of the data.
关键词
Keywords
references
杨高明 ， 朱海明 ， 方贤进 ， 苏树智 . 局部差分隐私约束的关联属性不变后随机响应扰动 ［J］. 电子学报 ， 2019 ， 47 （ 5 ）： 1079 - 1085 .
YANG Gao‑ming ， ZHU Hai‑ming ， FANG Xian‑jin ， SU Shu‑zhi . Invariant post‑random response perturbation for correlated attributes under local differential privacy constraint ［J］. Acta Electronica Sinica ， 2019 ， 47 （ 5 ）： 1079 - 1085 . （in Chinese）
叶阿勇 ， 林少聪 ， 马建峰 ， 许力 . 一种主动扩散式的位置隐私保护方法 ［J］. 电子学报 ， 2015 ， 43 （ 7 ）： 1362 - 1368 .
YE A‑yong ， LIN Shao‑cong ， MA Jian‑feng ， XU Li . An active diffusion based location privacy protection method ［J］. Acta Electronica Sinica ， 2015 ， 43 （ 7 ）： 1362 - 1368 . （in Chinese）
陈传明 ， 林文诗 ， 俞庆英 ， 罗永龙 . 一种基于单点收益的轨迹隐私保护方法 ［J］. 电子学报 ， 2020 ， 48 （ 1 ）： 143 - 151 .
CHEN Chuan‑ming ， LIN Wen‑shi ， YU Qing‑ying ， LUO Yong‑long . A trajectory privacy‑preserving method based on single point gain ［J］. Acta Electronica Sinica ， 2020 ， 48 （ 1 ）： 143 - 151 . （in Chinese）
Wang S ， Nepal S ， Sinnott R O ， Rudolph C . P‑STM： privacy‑protected social tie mining of individual trajectories ［A］. Proceedings of the 2019 IEEE International Conference on Web Services ［C］. Italy ： IEEE ， 2019 . 1 - 10 .
Deldar F ， Abadi M . PDP‑SAG： Personalized privacy protection in moving objects databases by combining differential privacy and sensitive attribute generalization ［J］. IEEE Access ， 2019 ， 7 ： 85887 - 85902 .
Feldman D ， Xiang C Y ， Zhu R H ， Rus D . Coresets for differentially private k ‑means clustering and applications to privacy in mobile sensor networks ［A］. Proceedings of the 16th ACM/IEEE International Conference on Information Processing in Sensor Networks ［C］. USA ： ACM ， 2017 . 3 - 15 .
Dong Y L ， Pi D C . Novel Privacy‑preserving algorithm based on frequent path for trajectory data publishing ［J］. Knowledge‑Based Systems ， 2018 ， 148 ： 55 - 65 .
Dwork C . Differential privacy ［A］. Proceedings of the 33rd International Colloquium on Automata ， Languages and Programming ［C］. Italy ： Springer ， 2006 . 1 - 12 .
McSherry F ， Talwar K . Mechanism design via differential privacy ［A］. Proceedings of the 48th Annual IEEE Symposium on Foundations of Computer Science ［C］. USA ： IEEE ， 2007 . 94 - 103 .
Andrés M E ， Bordenabe N E ， Chatzikokolakis K ， Palamidessi C . Geo‑indistinguishability： differential privacy for location‑based systems ［A］. Proceedings of the 2013 ACM SIGSAC Conference on Computer & Communications Security ［C］. Germany ： ACM ， 2013 . 901 - 914 .
Huang H Y ， Niu X ， Chen C ， Hu C Q . A differential private mechanism to protect trajectory privacy in mobile crowd‑sensing ［A］. Proceedings of the 2019 IEEE Wireless Communications and Networking Conference ［C］. Morocco ： IEEE ， 2019 . 1 - 6 .
Cunha M ， Mendes R ， Vilela J P . Clustering geo‑indistingui‑ shability for privacy of continuous location traces ［A］. Proceedings of the 4th International Conference on Computing ， Communications and Security ［C］. Italy ： IEEE ， 2019 . 1 - 8 .
Zhao X D ， Pi D C ， Chen J F . Novel trajectory privacy‑ preserving method based on clustering using differential privacy ［J］. Expert Systems with Applications ， 2020 ， 149 ： 113241 .
Majecka B . Statistical Models of Pedestrian Behaviour in the Forum ［D］. UK ： University of Edinburgh ， 2009 .
0
浏览量
19
下载量
4
CSCD
- 网络PDF下载
- Meta-XML下载
- BibTeX下载
- Endnote下载
- RefMan 下载
- NoteExpress下载
- NoteFirst下载
关联资源
相关文章
相关作者
相关机构
- 技术支持由北京北大方正电子有限公司提供 京ICP备09064830号-19
京公网安备11010802024621 - 本系统建议在Chrome、 IE9+ 以上版本浏览器阅读本站内容，360浏览器请切换至极速模式
- Cookies帮助我们提供服务并提供个性化体验。使用本网站，即表示您同意我们使用Cookies