论文部分内容阅读
随着基于位置服务的普及,以及各种基于位置服务的移动社交应用的广泛使用,越来越多的移动用户开始担心自己的位置隐私被暴露。各种位置隐私度量方法也相继被提出来,但是这些度量方法都是基于不同的位置隐私保护机制提出来的,都带有一定的缺点和不足,而且已有的度量方法大多数都没有考虑到对手所拥有的背景知识。因此本文以这个问题为背景,分析各种位置隐私度量方法,提出了一种基于通用框架LPPM(Location Privacy Protection Mechanisms),并且融入了对手背景知识的新度量方法BK-LPPM(background knowledge-Location Privacy Protection Mechanisms).LPPM框架是根据信息从移动用户流向对手,引入位置隐私的各种组件,把移动用户的位置隐私最大化解释为,随着时间的推移,对手不能正确的把移动用户的地理位置信息和身份信息联系起来。这个统一框架使得我们能够很精确的定义位置隐私,以及不同的位置隐私保护机制对于不同的攻击的有效性进行评估。为了正确度量各种位置隐私保护机制在不同攻击模型下的有效性,我们综合分析了LBS系统中影响移动用户位置隐私的各种因素和它们之间的关系,考虑到对手所拥有的背景知识是会变化的,提出了新的融入了对手背景知识,并且基于通用位置隐私保护框架LPPM的位置隐私度量方法BK-LPPM.在该度量方法中,将移动用户的位置隐私量化为对手观察到的泛化事件与移动用户身份信息之间的可联系性。该度量方法主要特点在于,用二进制矩阵、关联向量以及条件概率来描述和量化对手所拥有的背景知识,并将对手背景知识融入到一个统一的位置隐私保护框架LPPM中,能更有效的使用户位置隐私在各种位置隐私保护技术的保护下得到正确的度量,还增加了位置隐私度量的可移植性。最后仿真实验结果显示：当对手拥有的背景知识时,评价指标k-匿名度量方法不能正确的度量用户位置隐私。而本文在提出一种新的位置隐私度量方法BK-LPPM中,当对手获取的背景知识变化时,都能准确地度量移动用户的位置隐私,以及本文提出位置隐私度量方法BK-LPPM中的α熵匿名度量评价指标,不仅能够正确反映对手具有背景知识时,位置隐私保护机制提供的给用户隐私水平,而且可以为移动用户平衡位置服务质量和位置隐私需求之间的关系提供技术支持。