首页|基于聚类和深度学习的车联网轨迹隐私保护机制

基于聚类和深度学习的车联网轨迹隐私保护机制

扫码查看
原文链接
  • NETL
  • NSTL
  • 万方数据
  • 维普
针对车联网轨迹发布中用户面临的隐私泄露问题,提出基于聚类和深度学习的轨迹隐私保护机制(PPCDL).考虑轨迹中的时间因素,通过时间戳将轨迹空间划分为多个区域,获取区域中的轨迹分布点.对每个区域进行改进稳定隶属度多峰值聚类,根据区域轨迹密度进行隐私预算矩阵的预分配.利用时间图卷积网络模型提取轨迹数据的时空特征,对隐私预算预分配矩阵进行训练和预测.根据预测结果添加相应的拉普拉斯噪声,在轨迹数据发布前进行扰动.理论分析和实验结果表明,PPCDL相较于对比机制,时间开销更少,能够更精确地预测隐私预算.利用PPCDL可以合理地在轨迹数据中添加拉普拉斯噪声,有效地提高了轨迹数据的可用性.
Clustering and deep learning based trajectory privacy protection mechanism for Internet of vehicles

privacy protectiondensity peak clusteringtrajectory privacytemporal graph convolutional net-workprivacy budget

申自浩、唐雨雨、王辉、刘沛骞、刘琨

展开 >

河南理工大学计算机科学与技术学院,河南焦作 454000

河南理工大学软件学院,河南焦作 454000

隐私保护 密度峰值聚类 轨迹隐私 时间图卷积网络 隐私预算

国家自然科学基金河南省高等学校重点科研项目河南理工大学博士基金河南理工大学博士基金

6130021623A520033B2022-16B2020-32

2024

10.3785/j.issn.1008-973X.2024.01.003

浙江大学学报(工学版)
浙江大学

浙江大学学报(工学版)

CSTPCD北大核心
影响因子：0.625
ISSN：1008-973X
年,卷(期)：2024.58(1)
  • 15