文献类型：期刊文章

作　　者：陈思[1,2] 付安民[1,3] 苏铓[1] 孙怀江[1]

CHEN Si;FU Anmin;SU Mang;SUN Huaijiang(School of Computer Science and Engineering,Nanjing University of Science and Technology,Nanjing 210094,China;Logistics Service Center,Nanjing University of Science and Technology,Nanjing 210094,China;Institute of Information Engineering,Chinese Academy of Sciences,Beijing 100093,China)

机构地区：[1]南京理工大学计算机科学与工程学院,江苏南京210094 [2]南京理工大学后勤服务中心,江苏南京210094 [3]中国科学院信息工程研究所,北京100093

出　　处：《通信学报》

基　　金：国家自然科学基金资助项目(No.62072239);信息安全国家重点实验室开放基金资助项目(No.2021-MS-07);中央高校基本科研业务费专项资金资助项目(No.30920021129);中国高等教育学会“高等教育信息化研究”专项课题基金资助项目(No.2020XXHD06)。

年　　份：2021

卷　　号：42

期　　号：9

起止页码：54-64

语　　种：中文

收录情况：BDHX、BDHX2020、CSCD、CSCD2021_2022、EAPJ、EI、IC、JST、RCCSE、SCOPUS、ZGKJHX、核心刊

摘　　要：为了解决现有采样机制和数据混淆方法容易导致公开发布的轨迹数据可用性较低和隐私保护不足的问题,提出了一种基于差分隐私的轨迹隐私保护方案。该方案通过建立新的基于时间泛化和空间分割的高效采样模型,并利用k-means聚类算法进行抽样数据处理,同时借助差分隐私保护机制对轨迹数据进行双重扰动,有效解决了具有强大背景知识的攻击者窃取用户隐私的问题。同时,为适应轨迹数据查询范围的误差边界,设计了有效的数据发布预判机制,保证了发布的轨迹数据的精度。仿真结果表明,与现有的轨迹差分隐私保护方法相比,所提方案在处理效率、隐私保护强度和数据可用性等方面具有明显的优势。

关 键 词：差分隐私  轨迹隐私  数据采样 指数机制  数据发布

分 类 号：TP391]