基于差分隐私的混合位置隐私保护.pdf

:基于差分隐私的混合位置隐私保护 :针对现有差分隐私k-means算法的局限性，如对初始中心点敏感、用户位置数据误差大、可用性较低等问题，本研究提出了一种结合差分隐私的k-means聚类方法，用于混合位置隐私保护。 :技术文档 【正文】: 差分隐私是一种强大的隐私保护技术，它通过在数据分析过程中引入随机噪声，使得个体数据的贡献难以被确定，从而保护个人隐私。在位置服务（Location-Based Services, LBS）中，用户的位置信息是非常敏感的数据，因此需要有效的隐私保护机制。本文提出了一种基于差分隐私的混合位置隐私保护方法，该方法结合了LBS的特点，对用户位置数据进行处理，以提高数据可用性同时保障隐私。 根据LBS的特点，论文将用户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，如建筑物或街道交叉口，而非离散位置点则表示更精确的定位，可能存在于两者之间。对于离散位置点，由于它们更容易被识别，因此采用了基于差分隐私的单独加噪技术来保护。而对于非离散位置点，研究中采用改进的k-means聚类算法进行泛化处理。 改进的k-means算法在差分隐私框架下运行，对初始中心点的选择不那么敏感，能更好地应对位置数据的误差。通过分析用户位置点的稀疏程度，可以确定哪些点是离散的，并对这些点进行加噪处理。在非离散点上，算法通过对每个点添加适当的噪声来模糊位置信息，同时保持聚类的合理性，从而实现位置隐私的保护。 实验结果显示，与传统的差分隐私k-means算法相比，提出的混合方法在相同的隐私预算下，能够提供更高的数据可用性。这意味着用户的位置信息虽然经过了保护，但仍能被有效地用于LBS的分析和预测，而不会显著降低服务的质量。 此外，该研究还得到了国家自然科学基金项目和江苏省高等学校自然科学重大项目的资助，表明了其在学术和实际应用中的重要性。文章的作者团队包括徐启元等多位学者，他们在信息安全和智慧城市领域有着深入的研究。 这项工作为LBS中位置数据的隐私保护提供了一个创新且实用的解决方案，通过结合差分隐私和改进的聚类算法，平衡了隐私保护与数据可用性之间的关系，对于未来的位置服务和大数据分析具有重要的参考价值。