CN119521203A 基于移动路径语义关联性的假位置隐私保护方法及系统 (贵州财经大学)_第1页
CN119521203A 基于移动路径语义关联性的假位置隐私保护方法及系统 (贵州财经大学)_第2页
CN119521203A 基于移动路径语义关联性的假位置隐私保护方法及系统 (贵州财经大学)_第3页
CN119521203A 基于移动路径语义关联性的假位置隐私保护方法及系统 (贵州财经大学)_第4页
CN119521203A 基于移动路径语义关联性的假位置隐私保护方法及系统 (贵州财经大学)_第5页
已阅读5页,还剩54页未读, 继续免费阅读

下载本文档

版权说明:本文档由用户提供并上传,收益归属内容提供方,若内容存在侵权,请进行举报或认领

文档简介

基于移动路径语义关联性的假位置隐私保基于移动路径语义关联性的假位置隐私保护方成与真实位置序列在时空特征和语义特征上不2步骤1,利用长短期记忆网络来提取用户移动路径中各位置序列的时空特征和语义特与用户真实位置序列具有相同时空特征和语义特征置之间转移概率在不同时间间隔下的相似程度量化当前查询时间对生成的候选假位置在述生成与用户真实位置序列具有相同时空特征和语义特征的首先确定动态的位置转移概率筛选阈值,这个阈值是由不同位置4.一种实施如权利要求1_3任意一项所述基于移动路径语义关联性的假位置隐私保护生成模块,用于利用长短期记忆网络来提取用户移动路径中各语义特征,并引入注意力机制为用户真实位置序列中各位置间的关联性分配不同的权重,生成与用户真实位置序列具有相同时空特征和语义特征1_3任意一项所述基于移动路径语义关联性的假位置隐私保护得所述处理器执行如权利要求1_3任意一项所述基于移动路径语义关联性的假位置隐私保34[0002]随着移动智能设备和网络的发展,基于位置的服务(LBS,location_based的位置不仅受到前一个访问位置的影响,还会受到本次行程中其他历史访问位置的影响。果用户直接使用现有基于假位置的方案来保护自己的位置隐私,LSP就可利用用户提交的想是:用户将一个包含自己真实位置和K-1个假位置的位置集合给LSP,使得LSP至多5繁地发送LBS时,应保证生成的假位置所处区域的查询频次与真实位置所处区域的查询频时用户真实位置间的关联性进行度量,从而能够更有效地保护用户在持续使用LBS时的位[0007]然而,上述所有方案在生成假位置时未考虑真实位置和虚假位置间的语义相似生成的假位置与真实位置集中在某区域,王洁等将位置分散度概念引入到假位置生成中,[0009]基于位置语义的假位置隐私保护方案仅考虑了生成的假位置与用户真实位置在语义识别出某些假位置。为解决该问题,Li和Wu利用知识图谱来度量位置语义的敏感性;MIN等利用差分隐私机制来保护生成的假位置和用户真实位置的语6[0010]基于位置语义的假位置隐私保护方案只适用于保护用户单次离散查询时的位置的假位置去替换连续查询时具有高敏感度的(2)现有的基于假位置的位置隐私保护方案未能充分考虑LSP拥有的背景知识,[0012]由此可见,现有基于假位置的位置隐私保护方案并不能有效保护用户的位置隐[0014]本发明是这样实现的,一种基于移动路径语义关联性的假位置隐私保护方法包步骤1,利用长短期记忆网络来提取用户移动路径中各位置序列的时空特征和语而生成与用户真实位置序列具有相同时空特征和语义各位置之间转移概率在不同时间间隔下的相似程度量化当前查询时间对生成的候选假7位置根据历史转移概率进行打分,最终输出得分最高前K-1[0017]本发明的另一目的在于提供一种基于移动路径语义关联性的假位置隐私保护系执行所述基于移动路径语义关联性的假位置隐私保[0024]本方案对于用户在连续使用LBS时造成的隐私泄露问题提供了创新性的解决方[0025]本方案针对日常生活中用户在一段时间内连续多次发送LBS时导致现有位置隐私8序列间往往具有紧密语义关联性,即用户下一个访问的位置不仅受到前一个位置的影响,移动路径中各位置序列间的时空特征和语义特征,并以位置间的转移概率作为度量的标动路径作为参考,利用神经网络提取用户移动路径特征并利用注意力机制调整特征权重,LSTM来提取用户位置序列中的时空特征,能够有效捕捉用户移动路径中的动态变化规律。得生成的假位置在时空特征和语义特征上与真实路径更为接近。这种深度学习模型的引9[0033]图1是本发明实施例提供的基于移动路径语义关联性的假位置隐私保护方法流程[0034]图2是本发明实施例提供的基于移动路径语义关联性的假位置隐私保护系统结构[0054]如图1所示,本发明实施例提供的一种基于移动路径语义关联性的假位置隐私保与用户真实位置序列具有相同时空特征和语位置之间转移概率在不同时间间隔下的相似程度量化当前查询时间对生成的候选假位置[0055]本发明实施例提供的基于移动路径语义关联性的假位置隐私保护方法的工作原概率和时空特征分析后的候选假位置将被进一步筛选,留下能够有效混淆追踪者的假位置。筛选出的假位置能够在不影响用户体验的情况下最大限度地保护用户的实际位置隐[0057]本发明实施例提供的生成与用户真实位置序列具有相同时空特征和语义特征的根据历史转移概率进行打分,最终输出得分最高前K-1个[0059]如图2所示,本发明实施例提供的一种基于移动路径语义关联性的假位置隐私保执行所述基于移动路径语义关联性的假位置隐私保用户连续查询时的位置隐私,LSP仍就能利用移动路径中各位置序列间的语义关联性识别据库,同时结合用户的历史移动路径计算地图位置的历史查询概率和位置间的转移概率;然后根据用户自身的隐私保护需求数量K,生成一个包含自己真实位置和K-1个假下面给出本文用到的一些基本概念,包括用户位置和用户历史语义路径的定义[0068]本文根据地图分类文档将任意位置的语。[0070]定义2用户历史语义路径,将用户在历史上某时间内的发送LBS查询时移出的总次数。当时(即位置并未在路径中作为转移前的位置出现。[0073]在LBS场景中,使用基于假位置的位置隐私保护技术时应确保生成的假位置序列概率较低的假位置,并将剩下的假位置作为候选假位置;然后结合用户的历史移动路径Trai和位置转移概率对候选假位置进行打分,利用历史移动路径Trai计算出位置转移到该候选假位置的总分数core,最终选择总分最高的K-1个候选假位置作为提交给语义关联学习模块通过学习用户历史移动路径中不同位置之间的时空关联性和的某天week和一天的某个通过连接操作生成输入序列,以便输入后续的神经网络中进行特征的提取学习,即语义关联学习模块是用于提取用户真实移动路径的特征。该模块由长短期记忆的关注度。将LSTM的输出每个时刻对应的隐藏状态与归一化处理后的当前位置的和分别表示权重矩阵和偏置向量。:为真实数据,"为样本数量。并结合随机梯度下降该模块是通过计算模型输出与每个位置语义嵌入的相[0088]Output:预测假位置的语义类型[0090]2.计算模型输出与位置语义类型嵌入集合Embedding__set中每个嵌进行排序;5.返回预测的位置语义类型标签作为move__t;移概率的影响会随着时间的推移逐渐减小,即历史位置到当前位置的转移概率受到化时间对于状态转移的影响。具体方案为对比不区分时间间隔的原始转移概率,以集合之间的相似性作为时间权值的度量依据,并在2.2.2中阐述了如何通过实际的位置转移概率来生成符合用户移动路径的语义关联Step1.根据用户在历史上发送LBS时的真实位置所形成的历史移动路径集合,使得筛选出的新历史移Step4.通过对比原始位置转移概率集合和不同时间间隔At条件表示当前集合中前一个转移位置状态转移到后一个转移位置状态Algorithm2:位置转移概率时间权1.获取原始位置转移概率集合和位置转移条件概率集合的包含的共同3.获取每个集合独有的转移状态的值累加到差异值中;4.计算两个集合中所有键值对的总数量;5.计算两个集合之间的相似度;位置语义类型集合poi__set中获取所属语义类型的中类为move__t的所有位置Step1.筛选获取的所有位置,使得候选假位置满足历史位置到由不同的历史轨迹上的位置的转移概率集合的元素所决定,并且受时间的其中,是一个随着时间间隔a增大而衰减的函数,随着时间间隔At增大而减小的动态筛选阈值。[0104]Step2.候选假位置的转移分数为历史位置转移到该点的概率乘以对应分数score。按照分数高低对所有候选假位置进行降1.计算当前查询时间与历史移动路径位置点的访问时间的时间差Δt=tcurrent-;5.若符合筛选条件的候选假位置数量大于则按照分数对候选假位置进行降6.否则随机生成与Move_t在同一语义大类类型下的其他位置语义类型7.重复步骤6到步骤8;8.如果所有随机语义类型的假位置均无法满足用户的隐私保护需求;9.匿名失败;假设攻击者试图通过用户路径信息中各个位置点的语;;由算法可知故有:成立,显然这与已知的取决于序列长度r、隐藏层大小H、输入维度大小I以及乘法,因此,每个时间步的时间复杂度为,整个序列的时间复杂度为个位置点和假位置检查位置转移概率计算每个位置的得分,最好时间复杂度为o(+(k-1)log(k-1))。[0115]为通过实验验证本文提出的基于移动路径语义关联性的假位置隐私保护方案的实验设置的参数如表1所示,实验采用python3.8作为编程语言,64bit,硬件环境为AMDRyzen32200UwithRandeonVegaMobileGfx(4CPUs),~k5μ3ε时间间隔Δt权值λt5<Δt≤1025<Δt≤50550<Δt≤95395<Δt≤18021在连续发送LBS查询场景下时,攻击者获取到的是不同时刻的匿名位置集合。因。置集合组成的不可区分路径数量最少且大多不满足隐私保护需求,因为DLP算法并没有在[0130]随着智能设备的普及和移动互联网的发展,LBS作为一项移动互联网服务在人们和方法可以使用计算机可执行指令和/或包含在处理器控制代码中来实现,例如在诸如磁

温馨提示

  • 1. 本站所有资源如无特殊说明,都需要本地电脑安装OFFICE2007和PDF阅读器。图纸软件为CAD,CAXA,PROE,UG,SolidWorks等.压缩文件请下载最新的WinRAR软件解压。
  • 2. 本站的文档不包含任何第三方提供的附件图纸等,如果需要附件,请联系上传者。文件的所有权益归上传用户所有。
  • 3. 本站RAR压缩包中若带图纸,网页内容里面会有图纸预览,若没有图纸预览就没有图纸。
  • 4. 未经权益所有人同意不得将文件中的内容挪作商业或盈利用途。
  • 5. 人人文库网仅提供信息存储空间,仅对用户上传内容的表现方式做保护处理,对用户上传分享的文档内容本身不做任何修改或编辑,并不能对任何下载内容负责。
  • 6. 下载文件中如有侵权或不适当内容,请与我们联系,我们立即纠正。
  • 7. 本站不保证下载资源的准确性、安全性和完整性, 同时也不承担用户因使用这些下载资源对自己和他人造成任何形式的伤害或损失。

评论

0/150

提交评论