融合用户偏好与差分隐私模型的位置隐私保护方法

doi:10.11772/j.issn.1001-9081.2024020214

《计算机应用》唯一官方网站 ›› 0, Vol. ›› Issue (): 106-111.DOI: 10.11772/j.issn.1001-9081.2024020214

融合用户偏好与差分隐私模型的位置隐私保护方法

朱亮¹, 穆金巧¹, 曹腾飞²(), 蔡增玉¹, 张建伟¹^,³

^1.郑州轻工业大学计算机科学与技术学院，郑州 450001
^2.青海大学计算机技术与应用系，西宁 810016
^3.许昌职业技术学院信息工程学院，河南许昌 461000

收稿日期:2024-03-05 修回日期:2024-04-17 接受日期:2024-04-24 发布日期:2025-01-24 出版日期:2024-12-31
通讯作者: 曹腾飞
作者简介:朱亮（1987—），男，河南焦作人，副教授，博士，CCF会员，主要研究方向：位置服务、隐私保护
穆金巧（1998—），女，河南信阳人，硕士，主要研究方向：差分隐私、个性化隐私保护
曹腾飞（1987—），男，湖北钟祥人，副教授，博士，CCF高级会员，主要研究方向：网络安全、隐私保护
蔡增玉（1979—），男，河南鹤壁人，副教授，硕士，主要研究方向：网络安全、隐私保护
张建伟（1971—），男，河南南阳人，教授，博士，主要研究方向：网络安全、内容分发。
基金资助:
国家自然科学基金资助项目(61902361);河南省重点研发专项(221111210500)

Location privacy preserving method by combining user preference and differential privacy model

Liang ZHU¹, Jinqiao MU¹, Tengfei CAO²(), Zengyu CAI¹, Jianwei ZHANG¹^,³

^1.School of Computer Science and Technology，Zhengzhou University of Light Industry，Zhengzhou Henan 450001，China
^2.School of Computer Technology and Applications，Qinghai University，Xining Qinghai 810016，China
^3.School of Information Engineering，Xuchang Vocational Technical College，Xuchang Henan 461000，China

Received:2024-03-05 Revised:2024-04-17 Accepted:2024-04-24 Online:2025-01-24 Published:2024-12-31
Contact: Tengfei CAO

摘要/Abstract

摘要：

位置社交网络（LBSN）将社交网络与地理位置相结合，为用户提供了新颖的个性化体验，而用户的位置隐私保护对LBSN系统的安全运行至关重要。针对位置隐私保护方法僵硬导致数据效用低、位置服务（LBS）体验质量下降的问题，提出一种融合用户偏好与差分隐私模型的位置隐私保护（UPDP-LPP）方法。首先，使用停留点提取算法获得用户的停留点集合；其次，使用特征融合方法标注停留点的类型；最后，在通过用户偏好来动态地获取隐私预算和噪声敏感度后，为隐私半径添加拉普拉斯噪声，从而保护用户的敏感位置信息。在两个公开的真实数据集上的实验结果表明，当隐私预算相同时，所提方法较TLDP （Trajectory Location Data Protection）、DPLPA （Differential Privacy-based Location Privacy protection Algorithm）和LPPM（Location Privacy Protection Mechanism）在隐私保护的数据效用上提高了10%以上。可见，UPDP-LPP不仅能保护用户位置隐私，而且提高了数据效用。

关键词: 位置社交网络, 位置服务, 用户偏好, 差分隐私, 位置隐私保护

Abstract:

Location-Based Social Network （LBSN） combines social network with geographical locations， providing users with novel personalized experiences. The protection of user location privacy is crucial for the secure operation of LBSN systems. To address the problem of rigid location privacy protection methods leading to low data utility and decreased quality of Location-Based Service （LBS） experiences， a User Preference-based and Differentially Private Location Privacy Protection （UPDP-LPP） method was proposed. Firstly， the set of user stay points was obtained by using a stay point extraction algorithm. Secondly， the types of stay points were labeled by using a feature fusion method. Finally， by dynamically obtaining privacy budget and noise sensitivity through user preferences， Laplace noise was added to the privacy radius to protect sensitive user location information. Experimental results on two public real datasets show that the proposed method improves the data utility of privacy protection by more than 10% compared to TLDP （Trajectory Location Data Protection）， DPLPA （Differential Privacy-based Location Privacy protection Algorithm）， and LPPM （Location Privacy Protection Mechanism） when the privacy budget is the same. It can be seen that UPDP-LPP not only protects user location privacy， but also enhances data utility.

Key words: Location-Based Social Network (LBSN), Location-Based Service (LBS), user preference, differential privacy, location privacy preserving

中图分类号:

TP393.08

朱亮, 穆金巧, 曹腾飞, 蔡增玉, 张建伟. 融合用户偏好与差分隐私模型的位置隐私保护方法[J]. 计算机应用, 0, (): 106-111.

Liang ZHU, Jinqiao MU, Tengfei CAO, Zengyu CAI, Jianwei ZHANG. Location privacy preserving method by combining user preference and differential privacy model[J]. Journal of Computer Applications, 0, (): 106-111.

图/表 8

图1 UPDP-LPP总体架构

图2 用户A的停留点标记

图3 用户A的停留点类型标记

图4 用户A的泛化停留点标记

图5 隐私预算对隐私保护水平的影响

图6 访问次数对隐私保护水平的影响

图7 隐私预算对数据效用的影响

图8 停留点数量对时间复杂度的影响

参考文献 31

1	ZHU L， LEI T， MU J， et al. Differential privacy-based spatial-temporal trajectory clustering scheme for LBSNs［J］. Electronics， 2023， 12（18）： No.3767.
2	MEHTA B B， RAO U P. Improved l-diversity： scalable anonymization approach for Privacy Preserving Big Data Publishing ［J］. Journal of King Saud University - Computer and Information Sciences， 2022， 34（4）： 1423-1430.
3	GANGARDE R， SHARMA A， PAWARR A， et al. Privacy preservation in online social networks using multiple-graph-properties-based clustering to ensure k-anonymity， l-diversity， and t-closeness［J］. Electronics， 2021， 10（22）： No.2877.
4	杨少杰，郑琨，张辉，等. 基于博弈论与区块链融合的k-匿名位置隐私保护方案［J］. 计算机应用研究， 2021， 38（5）： 1320-1326.
5	ZHANG S， HU B， LIANG W， al at. A caching-based dual K-anonymous location privacy-preserving scheme for edge computing［J］. IEEE Internet of Things Journal， 2023， 10（11）： 9768-9781.
6	Al‐BALASMEH H， SINGH M， SINGH R. Framework of data privacy preservation and location obfuscation in vehicular cloud networks ［J］. Concurrency and Computation： Practice and Experience， 2022， 34（5）： No.e6682.
7	SAXENA A S， BERA D， GOYAL V. Modeling location obfuscation for continuous query ［J］. Journal of Information Security and Applications， 2019， 44： 130-143.
8	王金艳，刘陈，傅星珵，等. 差分隐私的数据流关键模式挖掘方法［J］. 软件学报， 2019， 30（3）：648-666.
9	LIU Q， YU J， HAN J， et al. Differentially private and utility-aware publication of trajectory data［J］. Expert Systems with Applications， 2021， 180： No.115120.
10	曹敏姿，张琳琳，毕雪华，等. 个性化（α，l）-多样性k-匿名隐私保护模型［J］. 计算机科学， 2018， 45（11）： 180-186.
11	杨柳，李云. 混合式的K-匿名特征选择算法［J］. 计算机应用， 2021， 41（12）： 3521-3526.
12	GAO Z， HUANG Y， ZHENG L， et al. Protecting location privacy of users based on trajectory obfuscation in mobile crowdsensing［J］. IEEE Transactions on Industrial Informatics， 2022， 18（9）： 6290-6299.
13	LI Y， CAO X， YUAN Y， et al. PrivSem： protecting location privacy using semantic and differential privacy［J］. World Wide Web， 2019， 22： 2407-2436.
14	邹劲松，李芳. 基于可伸缩l-多样性的大数据发布隐私保护［J］. 计算机应用研究， 2021， 38（2）： 564-566.
15	李凤云，郭昊，毕远国，等. 基于路径混淆的实时轨迹隐私保护方法［J］. 计算机工程与应用， 2024， 60（2）： 288-294.
16	BOSTANIPOUR B， THEODORAKOPOULOS G. Joint obfuscation of location and its semantic information for privacy protection［J］. Computers and Security， 2021， 107： No.102310.
17	MA B， WANG X， NI W， et al. Personalized location privacy with road network-indistinguishability［J］. IEEE Transactions on Intelligent Transportation Systems， 2022， 23（11）： 20860-20872.
18	XING L， ZHANG D， WU H， et al. Distributed K-anonymous location privacy protection algorithm based on interest points and user social behavior［J］. Electronics， 2023， 12（11）： No.2446.
19	DWORK C. Differential privacy： a survey of results［C］// Proceedings of the 2008 International Conference on Theory and Applications of Models of Computation， LNCS 4978. Berlin： Springer， 2008： 1-19.
20	ZHAO X， PI D， CHEN J. Novel trajectory privacy-preserving method based on clustering using differential privacy［J］. Expert Systems with Applications， 2020， 149： No.113241.
21	WU L， QIN C， XU Z， et al. TCPP： achieving privacy preserving trajectory correlation with differential privacy［J］. IEEE Transactions on Information Forensics and Security， 2023， 18： 4006-4020.
22	CHENG W， WEN R， HUANG H， et al. OPTDP： towards optimal personalized trajectory differential privacy for trajectory data publishing［J］. Neurocomputing， 2022， 472： 201-211.
23	WANG B， LI H， REN X， et al. An efficient differential privacy-based method for location privacy protection in location-based services［J］. Sensors， 2023， 23（11）： No.5219.
24	CUNHA M， MENDES R， VILELA J P. Clustering geo-indistinguishability for privacy of continuous location traces［C］// Proceedings of the 4th International Conference on Computing， Communications and Security. Piscataway： IEEE， 2019： 1-8.
25	胡闯，杨庚，白云璐. 面向差分隐私保护的聚类算法［J］. 计算机科学， 2019， 46（2）：120-126.
26	张国鹏，陈学斌，王豪石，等. 面向本地差分隐私的K-Prototypes聚类方法［J］. 计算机应用， 2022， 42（12）：3813-3821.
27	WANG K， PANG L， LI X. Identification of stopping points in GPS trajectories by two-step clustering based on DPCC with temporal and entropy constraints［J］. Sensors， 2023， 23（7）： No.3749.
28	WANG Z， WANG H， DU H， et al. A novel density peaks clustering algorithm for automatic selection of clustering centers based on K-nearest neighbors［J］. Mathematical Biosciences and Engineering， 2023， 20（7）： 11875-11894.
29	CHEN H， ZHOU Y， MEI K， et al. An improved density peak clustering algorithm based on Chebyshev inequality and differential privacy［J］. Applied Sciences， 2023， 13（15）： No.8674.
30	ZHENG Y， XIE X， MA W Y. GeoLife： a collaborative social networking service among user， location and trajectory［J］. Bulletin of the IEEE Computer Society Technical Committee on Data Engineering， 2010， 33（2）： 32-39.
31	中国POI数据［DS/OL］. ［2024-22-40］..

[1]	徐超, 张淑芬, 陈海田, 彭璐璐, 张帅华. 基于自适应差分隐私与客户选择优化的联邦学习方法[J]. 《计算机应用》唯一官方网站, 2025, 45(2): 482-489.
[2]	陈海田, 陈学斌, 马锐奎, 张帅华. 面向遥感数据的基于本地差分隐私的联邦学习隐私保护方案[J]. 《计算机应用》唯一官方网站, 2025, 45(2): 506-517.
[3]	晏燕, 钱星颖, 闫鹏斌, 杨杰. 位置大数据的联邦学习统计预测与差分隐私保护方法[J]. 《计算机应用》唯一官方网站, 2025, 45(1): 127-135.
[4]	张治政, 张啸剑, 王俊清, 冯光辉. 结合差分隐私与安全聚集的联邦空间数据发布方法[J]. 《计算机应用》唯一官方网站, 2024, 44(9): 2777-2784.
[5]	陈廷伟, 张嘉诚, 王俊陆. 面向联邦学习的随机验证区块链构建[J]. 《计算机应用》唯一官方网站, 2024, 44(9): 2770-2776.
[6]	彭鹏, 倪志伟, 朱旭辉, 陈千. 改进萤火虫群算法协同差分隐私的干扰轨迹发布[J]. 《计算机应用》唯一官方网站, 2024, 44(2): 496-503.
[7]	高瑞, 陈学斌, 张祖篡. 面向部分图更新的动态社交网络隐私发布方法[J]. 《计算机应用》唯一官方网站, 2024, 44(12): 3831-3838.
[8]	陈学斌, 单丽洋, 郭如敏. 基于差分隐私的直方图发布方法综述[J]. 《计算机应用》唯一官方网站, 2024, 44(10): 3114-3121.
[9]	徐雪冉, 杨庚, 黄喻先. 横向联邦学习中差分隐私聚类算法[J]. 《计算机应用》唯一官方网站, 2024, 44(1): 217-222.
[10]	黄硕, 李艳辉, 曹建秋. 本地化差分隐私下的频繁序列模式挖掘算法PrivSPM[J]. 《计算机应用》唯一官方网站, 2023, 43(7): 2057-2064.
[11]	陈少权, 蔡剑平, 孙岚. 动态梯度阈值裁剪的差分隐私生成对抗网络算法[J]. 《计算机应用》唯一官方网站, 2023, 43(7): 2065-2072.
[12]	王逸, 裴生雷, 王煜. 基于CSI和K-means-SVR的多指纹库室内定位方法[J]. 《计算机应用》唯一官方网站, 2023, 43(5): 1636-1640.
[13]	尹春勇, 屈锐. 基于个性化差分隐私的联邦学习算法[J]. 《计算机应用》唯一官方网站, 2023, 43(4): 1160-1168.
[14]	王腾, 霍峥, 黄亚鑫, 范艺琳. 联邦学习中的隐私保护技术研究综述[J]. 《计算机应用》唯一官方网站, 2023, 43(2): 437-449.
[15]	张宇, 蔡英, 崔剑阳, 张猛, 范艳芳. 卷积神经网络中基于差分隐私的动量梯度下降算法[J]. 《计算机应用》唯一官方网站, 2023, 43(12): 3647-3653.

融合用户偏好与差分隐私模型的位置隐私保护方法

Location privacy preserving method by combining user preference and differential privacy model

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表 8

参考文献 31

相关文章 15

编辑推荐

Metrics