【《 轨迹隐私保护中的应用概述》2300字】

轨迹隐私保护中的应用概述目录TOC\o"1-3"\h\u19954轨迹隐私保护中的应用概述 35132451.1轨迹保护的基本概念 35100041.2轨迹数据的基本特征 35228061.3轨迹数据发布中的隐私泄露 371.1轨迹保护的基本概念轨迹描述出的是用户进行活动的位置信息和相应的时间信息，不仅描述了用户的空间活动轨迹，同时也包含了用户自我的其他属性。而轨迹则表现为一个用户的位置点与时间点的点串，通常来说普通用户更喜欢将自我的轨迹数据视为以下语义编码的三元组序列[44-47]，在这其中代表用户处于这个时间时自身所在地点的坐标为，而表示为我们对用户的采样坐标，是我们对用户轨迹的采样时间，其中，在间，我们假定用户在行进到的过程中始终作匀速直线运动。隐私不仅仅关乎到国家与民族的利益，同样关系到每个人的切身利益，因为在其中蕴含了大量用户自身不希望让他人知道的秘密信息。但同时对于不同的人来说自身的隐私信息也不尽相同，也许在有些人看来是需要被保护的信息但是对于另外一些人来说却完全无需保护，也就是说对每个人来说不同的信息都有不同的敏感度，也正因如此我们便按照不同用户所需的不同信息敏感度，便将信息分为标识符、准标识符，敏感信息和非敏感信息[48]，在这四个方面里面只有敏感信息才是我们一定要保护起来的部分。作为轨迹隐私来说，它与其他方面的隐私还是有较大的不同，因为它不只包含了用户所发布轨迹中的敏感位置信息，同时也包含了我们在这一轨迹中所提炼出的与用户密切相关的敏感信息。所以在保护轨迹隐私的过程中不能完全依赖保护其他方面隐私信息的技术。1.2轨迹数据的基本特征轨迹数据是一种描述用户的位置随时间变化而变化的特殊数据。由于轨迹数据同时包括空间与时间两大基本元素，因此分析处理轨迹数据时也会比较难，需要面对其海量性、高维性、动态性、时空相关性和不确定性[49]。（1）海量性。为了完成复杂的数据分析、知识挖掘或历史回溯处理等操作，在多数情况下，需要系统地存储大量轨迹数据。不同来源、不同维度的轨迹采样数据源源不断地由各种传感器端产生，不断累积而形成轨迹大数据，远远超出任何一种常规的事务型数据。这对于传统数据库系统提出了很高的挑战。（2）高维性。不同于一般的空间数据，用户的轨迹作为一种时空信息的记录，是包含空间维、时间维和其他属性维的高维数据。轨迹数据的采集终端在对象空间数据的基础上，增加了时间维度及其他属性维度，例如，对车辆轨迹的采集除了记录车辆位置随时间的变化，还要考虑到道路的路口情况、红绿灯情况等。（3）动态性。用户的移动是一个持续变化的动态过程，轨迹数据正是对该变化间断地采样，以不断产生的新采样值淘汰旧采样值，这一过程与移动对象本身随时间变化间断进行的采样过程，需要对整个轨迹数据的采样点序列施以插值的计算方法，才能获取指定时刻对象的位置。动态性的特征也极大提升了轨迹数据相关的信息分析处理的难度。（4）时空相关性。轨迹数据包含空间和时间两个维度，轨迹数据作为移动对象地理信息与时间数据的集合，在时间和空间上是相互关联的。与静态对象的空间数据之间具有空间远近的相关性类似，轨迹数据也能反映移动对象活动在空间和时间上的关联。基于此特性，可以利用移动对象空间信息的时间顺序，对轨迹数据做相似性分析，分类挖掘特定对象群体的活动规律，例如分析挖掘私家车与公共交通各自在路网中的出行规律。（5）不确定性。由于时空信息的测量方法、采样方式以及预处理过程等环节存在误差，轨迹数据对于移动对象的真实情况的表达不可避免地存在一定程度的信息丢失。用户在轨迹数据中的不确定性主要表现维时间、空间和轨迹三个方面。空间上的不确定性主要表现维轨迹采样点本身由于数据源采样误差造成的不确定，以及由于插值处理获取的非采样点空间信息时造成的不确定性；时间上的不确定性表现为移动对象在某非采样点空间位置所对应的时间信息存在时态偏差现象；轨迹的不确定性表现为移动对象实际路径与采样轨迹序列之间匹配度的不确定性。所以如何降低不确定性，以及在数据库操作层面上传播对于移动对象表达的影响，是研究轨迹数据组织、管理与分析的重要问题之一。1.3轨迹数据发布中的隐私泄露由于轨迹是用户在实际生活中有目的地移动而最终形成的有向路径，正是因为用户轨迹中所蕴含的隐藏价值，因此现在发布轨迹数据的已经不仅作为用户的需要更成为了整个社会公认的共识。[50]但同时在发布轨迹数据的过程中许多用户的所处位置、轨迹行为甚至个人信息的泄露也让人们愈发担心自己的隐私没办法得到保证。这也是我们可以理解的，当用户在自身完全不知道的情况下，被恶意攻击者结合他们已经掌握的用户的相关信息，最终成功分析出用户的真正不想被人知道的秘密，即用户轨迹中的隐私信息被泄露。在这里用户轨迹数据的隐私泄漏主要被分为为以下两类。第一种泄露是由于用户所发布的轨迹中一些敏感点坐标或用户经常到达的地点信息直接泄露所导致自身的信息泄露。因为用户经常到某个位置可以体现出该用户的个人爱好、身体情况、宗教信仰、基本经济状况等最为隐秘的个人隐私。比如一位用户经常到一家比较昂贵的餐馆吃饭，便可以推测出这个用户的经济实力较强；再比如同样这位用户在一段时间内经常去市中心的一家医院，我们便可以轻松推测出这位用户在最近的这段时间患上了某种疾病。第二种是由于用户所发布的轨迹与攻击者掌握用户的其他信息所关联所引起的隐私泄露。比如一位用户在每个工作日的早8点在位置A运动到位置B，而在每个工作日的下午5点则在位置B运动到位置A，当掌握了这样的数据后，那些不法分子就可以通过这些数据分析出位置A是该用