基于(k,l)-匿名的轨迹隐私保护方法研究

• 作 者: 刘贵宗
• 出 处: 哈尔滨工程大学
• 发表日期: 2004年期
• 关键词: 轨迹隐私保护 空间分布相似性 贴合率 (k l)-匿名

近年来,随着移动智能终端和无线定位技术的发展,位置服务提供商在向移动对象提供基于位置的服务的同时也收集了大量的轨迹数据。轨迹数据蕴含丰富的时空信息,对轨迹数据的分析和挖掘在科学研究、经济建设和社会发展等方面均有着重要的价值。然而,如果位置服务提供商是不可信的,则可能会导致个人生活习惯、健康状况和兴趣爱好等隐私信息的泄露。因此,轨迹隐私保护问题越来越得到人们的重视,也是近几年来的一个研究热点。在数据发布的轨迹隐私保护方法中,k-匿名模型和l-多样性模型因具有较高的隐私保护水平且算法移植性较好已成为数据发布轨迹隐私保护领域的重要研究方法。l-多样性模型的关键在于度量轨迹之间的相似性,轨迹空间分布的相似是轨迹相似性的一个重要方面,然而,当前对于轨迹空间分布相似性的诸多度量方法都不能够合理地体现轨迹的空间分布特征,导致算法的隐私保护水平不高。本文提出了利用轨迹贴合率度量轨迹空间分布相似性的方法,即以距离小于给定阈值的采样点对的比例来衡量轨迹之间的贴合程度。基于此提出了面向轨迹数据发布的基于轨迹贴合率的(k,l)-匿名模型,并从集合的角度给出了(k,l)-匿名模型的形式化定义,该模型的关键在于构建匿名集的全相异子集,即由匿名集中两两之间互不相似的轨迹构成的子集。基于该模型提出了数据发布轨迹隐私保护的KLTPP算法,该算法基于贪心策略通过聚类的方式构造(k,l)匿名集,在等价类划分阶段通过轨迹扩展来合并等价类能够避免因删除采样点而造成的信息损失。本文定义了隐私披露风险和信息损失两个评估算法性能的主要指标。通过实验衡量了模型内部参数的变化对算法性能的影响,并对比了KLTPP与NWA、GTT在隐私披露风险和信息损失方面的表现。实验结果表明,本文提出的基于轨迹贴合率的(k,l)-匿名模型及其实现算法KLTPP能够较好地抵御轨迹空间分布相似性攻击,在隐私保护度和数据可用性方面取得了较好的平衡。