摘要
随着互联网、云计算、5G 等技术的快速发展和推广应用，使得物联网的边界从局部的传感器网络延伸到包括车辆、公共基础设施等在内的泛在物体，推动物联网进入万物互联新时代。车联网作为智慧城市建设的关键领域，近些年受到各界广泛关注。智能网联车作为车辆数据中心，其承载着行驶轨迹、行为习惯等个人敏感信息，既是推动数字时代发展的重要动力，也给个人隐私、国家公共安全带来新的挑战，构建完善车辆轨迹隐私保护体系已成为现阶段亟需解决的关键问题。差分隐私的出现，为解决这一问题提供了有力帮助。本文基于差分隐私研究车辆轨迹隐私保护方案，主要研究内容如下： （1）提出基于中心化差分隐私的车辆轨迹数据发布机制（ w TPDP），以解决车辆轨迹数据的发布中存在的用户隐私泄露问题。该算法向轨迹真实位置引入Laplace随机噪声，生成并发布扰动轨迹以保护用户真实行动轨迹。为了平衡轨迹数据隐私和效用，采用自适应隐私预算分配算法对噪声大小进行控制。最后通过实验验证w TPDP算法可以在获得高强度隐私保护的同时不破坏数据可用性。 （2）提出基于本地化差分隐私的车辆实时轨迹数据隐私保护算法（RTTP），解决车辆用户获取位置服务时因共享当前位置而导致的轨迹数据隐私泄露问题。该算法考虑车辆的Markov运动模型，利用本地化差分隐私机制向真实位置和计数查询结果添加高斯噪声，生成多个候选扰动位置。为得到可共享的最优扰动位置，将轨迹数据隐私保护问题转化为数据效用损失约束下的隐私泄露风险最小化问题。利用ADMM方法迭代求解得到隐私泄露风险最小的候选扰动位置并共享以获取位置服务。采用互信息理论和相关性来评价算法的隐私性和可用性，通过实验仿真验证了RTTP算法能够在不降低服务质量的情况下，获得更好隐私保护强度。 （3）提出基于本地化差分隐私的车辆实时轨迹语义隐私保护算法（RSTP），以保证用户在获取位置服务过程中，用户相关的敏感语义信息不被泄露。该算法利用本地化差分隐私向真实位置引入高斯噪声生成候选扰动位置。为提高算法的可靠性，RSTP算法分别采用平均互信息和 JS 散度衡量轨迹语义隐私泄露风险和语义信息效用损失。通过采用人工蜂群算法求解效用损失约束下的隐私泄露风险最小化问题，获得最优扰动位置并共享。实验证明，RSTP算法可以有效保护车辆实时轨迹语义隐私。
NETL