论文部分内容阅读
基于位置的服务(LBS)要求用户在向基于位置的服务器提出服务请求时,必须向基于位置的服务器提供自身的位置信息,服务器根据用户提供的位置信息来处理用户提出的基于位置的查询并将查询结果返回给用户。人们通过将自己的位置暴露给LBS服务器来获取高质量的服务的同时,也可能泄露了位置隐私。传统的隐私保护算法中,位置k-匿名算法是使用得最多的匿名保护方法,但是假如攻击者获取历史查询概率、查询时间、查询内容等边信息,就可以根据边信息推测出用户的真实位置,用户位置隐私随之暴露。熵匿名算法通过保证泛化区域内k个用户的查询概率的一致性解决了该问题。然而在熵匿名算法中,泛化区域过小或用户位置过于集中会导致真实位置被暴露。为解决该问题,本文引入UCD(用户泛化距离)和RCD(区域泛化距离),此外提出最优距离(OD)算法,该算法通过创新的计算方式计算泛化区域内用户之间的平均距离和距离方差,保证用户之间距离尽可能大并保证用户之间的距离差距尽可能小,而且该算法对泛化区域的大小有一定的限制,解决隐私问题的同时也保证了用户获得的服务质量。针对查询时间连续和查询内容相关造成的用户运动轨迹暴露的问题,本文首次引入一种衡量相关性的参数Relevance(Ri.j)。此外提出S-区域算法,该算法在泛化真实用户所在区域的同时,泛化S-1个虚拟泛化区域,并且使得该S-1个虚拟泛化区域的查询内容与真实用户所在的泛化区域的查询内容保持一致,这样根据查询时间连续和查询内容相关的特性,用户的运动轨迹就会出现多条,以至于攻击者无法区分用户的真实运动轨迹,达到保护用户运动轨迹的目的。本文结合熵匿名算法、最优距离算法和S-区域算法,提出了一种综合的隐私保护方法,内容感知的位置混淆方法。该综合方法可以一并解决多个场景带来的隐私泄漏问题,带给用户更加全面的位置隐私保护,并且该方法在用户服务质量上有比较好的表现。仿真实验通过与DLS算法、enhanced-DLS算法在隐匿度、服务质量、系统资源开销等方面上的对比,证明了本文所提的隐私保护方法的有效性及性能上的优越性。