基于差分隐私的混合位置隐私保护方法研究

"基于差分隐私的混合位置隐私保护.pdf" 本文主要探讨了一种基于差分隐私的混合位置隐私保护方法，旨在解决现有差分隐私k-means算法在处理用户位置数据时存在的问题，如对初始中心点敏感、位置数据误差大以及数据可用性低等。文章发表于《计算机应用与软件》2019年第6期，由徐启元、陈珍萍等人撰写，并得到了国家自然科学基金和江苏省高等学校自然科学研究项目的资助。 在位置隐私保护领域，本地化服务（Location-Based Services, LBS）的数据安全性是核心关注点。作者针对LBS的特点，引入了人流密度的概念，将用户的位置点分为离散位置点和非离散位置点。离散位置点通常对应于特定的地理位置，如建筑物、街道交叉口等，而非离散位置点则更难以精确定义，可能代表一个区域。 在保护策略上，论文提出了一种改进的聚类算法，结合差分隐私技术对位置信息进行泛化和加噪处理。对于离散位置点，由于其特殊性，采取单独的差分隐私加噪技术，以增强这些点的隐私保护。对于非离散位置点，采用基于差分隐私的改进k-means算法进行泛化处理，这有助于减少位置数据的敏感性，同时保持数据的可用性。 差分隐私是一种统计学上的概念，它通过添加随机噪声到查询结果中，使得攻击者无法确定特定个体是否参与了数据集，从而达到保护个人隐私的目的。在本文提出的混合保护方法中，差分隐私被巧妙地应用于k-means聚类过程，使得聚类结果既能隐藏用户的真实位置，又不会过度损害数据的实用性。 通过仿真实验，作者证明了在相同的隐私预算下，所提方法相比于传统的差分隐私k-means算法，能够提供更高的数据可用性，这意味着用户可以在保护隐私的同时，享受到更加准确和可靠的LBS服务。 关键词：位置隐私、差分隐私、混合保护、k-means聚类 这篇研究论文为位置隐私保护提供了一种新的解决方案，通过混合使用差分隐私技术和改进的聚类算法，有效地平衡了隐私保护和数据可用性之间的关系，对LBS的安全设计具有重要参考价值。