面向轨迹数据发布的KSDP方案

作     者：张俊 刘德安 申自浩 王辉 刘沛骞 ZHANG Jun;LIU Dean;SHEN Zihao;WANG Hui;LIU Peiqian

作者机构：河南理工大学计算机科学与技术学院河南焦作454000 河南理工大学软件学院河南焦作454000 

出 版 物：《深圳大学学报（理工版）》 (Journal of Shenzhen University(Science and Engineering))

年 卷 期：2023年第40卷第2期

页      面：236-243页

学科分类：08[工学] 081201[工学-计算机系统结构] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

基　　金：国家自然科学基金资助项目(61300216) 河南省高等学校重点科研资助项目(23A520033) 河南理工大学博士基金资助项目(B2022-16,B2020-32)。 

主　　题：数据安全与计算机安全 轨迹隐私 差分隐私 k-shape 隐私保护 数据发布 

摘      要：轨迹隐私保护中使用k-means算法进行聚类时,对初始值敏感,且聚簇数目的选择具有一定的盲目性,为解决该问题并提高聚类结果的可用性,提出一种结合k-shape和差分隐私的轨迹隐私保护方案KSDP(k-shape differential privacy).首先,对轨迹数据进行划分切割预处理,利用轨迹的时间属性和空间属性对轨迹切割划分,从而提高聚类泛化的质量.其次,使用设定的效用函数对预处理后的轨迹数据进行评判,并对过滤后数据进行聚类泛化操作.最后,在泛化后的数据中加入Laplace噪声,使其满足差分隐私保护模型,进一步保护轨迹隐私.实验仿真结果表明,与传统差分隐私k-means聚类方案对比,KSDP方案有效提高了聚类结果的可用性,并具有一定的性能优势,更好地实现了轨迹数据发布和隐私保护.