论文部分内容阅读
随着位置感知技术和移动互联网络技术的飞速发展，各种各样的移动服务终端成为人们生活中不可或缺的一部分，提供位置服务的应用程序更是为人们带来了极好的用户体验。其中，位置数据是位置服务应用中不可缺少的重要角色。位置服务应用程序需要获得用户的位置以提供服务，因此用户位置数据的精准度与服务的质量密切相关。与此同时，各类基于位置服务的应用程序可产生大量的位置数据，而通过一定的统计和分析就会得到用户的隐私信息，从而会造成隐私信息的泄漏风险。因此，如何能够保证不降低位置服务质量，同时又能够最大程度保护用户位置数据隐私安全一直是位置服务领域的热点研究问题。
现有的位置服务系统架构大多数采用集中式匿名位置服务器系统架构，具体隐私保护方法主要包括K-匿名、泛化、区域转换等，但并不能完全满足位置服务发展的需求，例如随着移动互联技术发展所带来的新型系统架构、新型的数据结构和个性化位置服务需求等。因此，本文以位置服务质量和位置数据隐私安全之间的平衡问题做为研究背景，提出新的位置服务系统架构模型，对位置点数据、位置轨迹数据的隐私保护方法展开研究，提出同态加密、密度聚类优先和K-匿名等隐私保护方法，力求在提供高质量的位置服务同时能够保证用户的隐私信息安全。本文的主要研究内容包括以下四个部分：
(1)常用的集中式位置服务系统结构，采用第三方诚实不可信位置服务器提供位置服务，而服务器容易成为通信瓶颈和攻击对象，从而导致用户隐私信息泄露。对此，本文提出了一种新的基于用户位置信息轮廓的分布式位置服务模型，并采取了泛化、加密等方法来保证近邻用户之间的位置信息隐私安全。该模型中每个节点建立各自的用户位置信息轮廓；当有服务请求时，利用近邻用户的位置信息轮廓推荐相应的位置服务；若没有得到合适的推荐位置服务结果，则利用近邻用户的质心位置信息构造K-匿名数据集，然后利用该数据集来保证用户的位置信息安全。所提出的基于分布式系统架构的位置服务模型能够减少访问位置服务器的次数，提供较好的位置服务，同时较好的保护用户的位置数据隐私安全。
(2)目前很少有完全适用于分布式位置服务系统结构的位置服务推荐方法，已有的分布式位置服务系统相关研究成果也都对集中式位置服务匿名服务器存在不同程度的依赖性，其位置信息隐私保护方法大多采用K-匿名、top-k聚类方法等。针对以上问题，本文提出一种新的面向位置点数据的分布式协同过滤推荐位置服务策略。按照该策略，每个用户利用自己的日常驻留位置建立各自的用户位置信息轮廓；并利用基于密度聚类方法进行数据预处理。当有位置服务请求时，根据服务请求者的位置信息，利用基于密度优先的度量方法选择相似用户群组，然后由群组中近邻用户的采用协同过滤推荐算法来推荐相应的位置服务。该策略分别设计了基于用户位置轮廓相似度与基于用户位置相似度度量的两种协同过滤推荐位置服务方法，为用户推荐位置服务，同时采用同态加密的方法传输位置数据，有效保证用户的隐私安全。
(3)在位置服务应用中主要有两种类型位置数据，位置点数据和位置轨迹数据，已有大多数位置服务应用程序主要对位置点数据进行分析和挖掘进而提供位置服务。相对于位置点数据，轨迹数据包含位置点之间的时序关系，若能够对轨迹数据进行分析和挖掘，那么将会更精准的为用户提供位置服务结果，提高位置服务质量。因此，本文提出一种新的面向轨迹数据的分布式协同过滤推荐位置服务策略。该策略基于分布式系统结构，每个节点采集自己的日常轨迹信息，并建立各自的用户轨迹信息轮廓；当有位置服务请求时，首先依据密度度量优先建立近邻用户群组，然后分别计算轨迹相似度和用户轮廓相似度，最后利用协同过滤推荐方法来推荐相应的位置服务结果。
(4)在提供高质量的位置服务同时，如何保证用户的位置信息隐私安全是亟需解决的问题。针对位置服务的隐私保护方法有许多，例如差分隐私保护方法、干扰、假位置和泛化等。K-匿名隐私保护方法被广泛的应用与数据发布领域，也有许多基于K-匿名的位置服务隐私保护方法，但适用于分布式位置服务系统结构的位置数据隐私保护方法研究成果较少。因此，本文基于K-匿名隐私保护方法设计了适用于分布式系统结构的(k, d)隐私保护模型，力求在提供高质量、个性化位置服务同时保证用户的位置隐私安全。该隐私保护模型基于分布式系统结构，利用聚类算法建立近邻用户组，使得近邻用户组满足(k，d)匿名模型。当有位置服务请求时，利用协同过滤推荐方法来推荐相应的位置服务。在位置数据集上的实验结果表明，本文提出的方案能够为用户提供足够数量的位置服务，同时设计的(k，d)隐私安全定义能够保证用户位置信息的隐私安全。
现有的位置服务系统架构大多数采用集中式匿名位置服务器系统架构，具体隐私保护方法主要包括K-匿名、泛化、区域转换等，但并不能完全满足位置服务发展的需求，例如随着移动互联技术发展所带来的新型系统架构、新型的数据结构和个性化位置服务需求等。因此，本文以位置服务质量和位置数据隐私安全之间的平衡问题做为研究背景，提出新的位置服务系统架构模型，对位置点数据、位置轨迹数据的隐私保护方法展开研究，提出同态加密、密度聚类优先和K-匿名等隐私保护方法，力求在提供高质量的位置服务同时能够保证用户的隐私信息安全。本文的主要研究内容包括以下四个部分：
(1)常用的集中式位置服务系统结构，采用第三方诚实不可信位置服务器提供位置服务，而服务器容易成为通信瓶颈和攻击对象，从而导致用户隐私信息泄露。对此，本文提出了一种新的基于用户位置信息轮廓的分布式位置服务模型，并采取了泛化、加密等方法来保证近邻用户之间的位置信息隐私安全。该模型中每个节点建立各自的用户位置信息轮廓；当有服务请求时，利用近邻用户的位置信息轮廓推荐相应的位置服务；若没有得到合适的推荐位置服务结果，则利用近邻用户的质心位置信息构造K-匿名数据集，然后利用该数据集来保证用户的位置信息安全。所提出的基于分布式系统架构的位置服务模型能够减少访问位置服务器的次数，提供较好的位置服务，同时较好的保护用户的位置数据隐私安全。
(2)目前很少有完全适用于分布式位置服务系统结构的位置服务推荐方法，已有的分布式位置服务系统相关研究成果也都对集中式位置服务匿名服务器存在不同程度的依赖性，其位置信息隐私保护方法大多采用K-匿名、top-k聚类方法等。针对以上问题，本文提出一种新的面向位置点数据的分布式协同过滤推荐位置服务策略。按照该策略，每个用户利用自己的日常驻留位置建立各自的用户位置信息轮廓；并利用基于密度聚类方法进行数据预处理。当有位置服务请求时，根据服务请求者的位置信息，利用基于密度优先的度量方法选择相似用户群组，然后由群组中近邻用户的采用协同过滤推荐算法来推荐相应的位置服务。该策略分别设计了基于用户位置轮廓相似度与基于用户位置相似度度量的两种协同过滤推荐位置服务方法，为用户推荐位置服务，同时采用同态加密的方法传输位置数据，有效保证用户的隐私安全。
(3)在位置服务应用中主要有两种类型位置数据，位置点数据和位置轨迹数据，已有大多数位置服务应用程序主要对位置点数据进行分析和挖掘进而提供位置服务。相对于位置点数据，轨迹数据包含位置点之间的时序关系，若能够对轨迹数据进行分析和挖掘，那么将会更精准的为用户提供位置服务结果，提高位置服务质量。因此，本文提出一种新的面向轨迹数据的分布式协同过滤推荐位置服务策略。该策略基于分布式系统结构，每个节点采集自己的日常轨迹信息，并建立各自的用户轨迹信息轮廓；当有位置服务请求时，首先依据密度度量优先建立近邻用户群组，然后分别计算轨迹相似度和用户轮廓相似度，最后利用协同过滤推荐方法来推荐相应的位置服务结果。
(4)在提供高质量的位置服务同时，如何保证用户的位置信息隐私安全是亟需解决的问题。针对位置服务的隐私保护方法有许多，例如差分隐私保护方法、干扰、假位置和泛化等。K-匿名隐私保护方法被广泛的应用与数据发布领域，也有许多基于K-匿名的位置服务隐私保护方法，但适用于分布式位置服务系统结构的位置数据隐私保护方法研究成果较少。因此，本文基于K-匿名隐私保护方法设计了适用于分布式系统结构的(k, d)隐私保护模型，力求在提供高质量、个性化位置服务同时保证用户的位置隐私安全。该隐私保护模型基于分布式系统结构，利用聚类算法建立近邻用户组，使得近邻用户组满足(k，d)匿名模型。当有位置服务请求时，利用协同过滤推荐方法来推荐相应的位置服务。在位置数据集上的实验结果表明，本文提出的方案能够为用户提供足够数量的位置服务，同时设计的(k，d)隐私安全定义能够保证用户位置信息的隐私安全。