CN109685934A - 一种基于车辆数据隐私保护与压缩感知的交通估计方法 - Google Patents
一种基于车辆数据隐私保护与压缩感知的交通估计方法 Download PDFInfo
- Publication number
- CN109685934A CN109685934A CN201811551841.6A CN201811551841A CN109685934A CN 109685934 A CN109685934 A CN 109685934A CN 201811551841 A CN201811551841 A CN 201811551841A CN 109685934 A CN109685934 A CN 109685934A
- Authority
- CN
- China
- Prior art keywords
- cloud platform
- cpa
- cpb
- sent
- data
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 33
- 238000013461 design Methods 0.000 claims abstract description 19
- 238000012946 outsourcing Methods 0.000 claims abstract description 4
- 230000007723 transport mechanism Effects 0.000 claims abstract description 4
- 239000011159 matrix material Substances 0.000 claims description 50
- 238000004364 calculation method Methods 0.000 claims description 4
- 230000006835 compression Effects 0.000 claims description 4
- 238000007906 compression Methods 0.000 claims description 4
- 208000027877 Disorders of Sex Development Diseases 0.000 claims description 3
- 238000007476 Maximum Likelihood Methods 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims description 3
- 230000001105 regulatory effect Effects 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 2
- 230000005540 biological transmission Effects 0.000 abstract description 6
- 238000005265 energy consumption Methods 0.000 abstract description 2
- 230000000903 blocking effect Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 206010039203 Road traffic accident Diseases 0.000 description 2
- 230000001965 increasing effect Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 239000013256 coordination polymer Substances 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001681 protective effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
- G07C5/00—Registering or indicating the working of vehicles
- G07C5/008—Registering or indicating the working of vehicles communicating information to a remotely located station
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L63/00—Network architectures or network communication protocols for network security
- H04L63/04—Network architectures or network communication protocols for network security for providing a confidential data exchange among entities communicating through data packet networks
- H04L63/0428—Network architectures or network communication protocols for network security for providing a confidential data exchange among entities communicating through data packet networks wherein the data content is protected, e.g. by encrypting or encapsulating the payload
Landscapes
- Engineering & Computer Science (AREA)
- Computer Security & Cryptography (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Hardware Design (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明涉及一种基于车辆数据隐私保护与压缩感知的交通估计方法，首先设计基于车辆行驶数据的密文的外包以及安全传输机制；接着基于Secure 2‑party computation思想，根据最终期望得到的运算结果，利用两个云平台之间的交互运算设计出数据加密执行协议；最后将压缩感知理论融入到步骤S2所设计加密执行协议中，通过对少量加密数据的解密实现城市交通状态的估计。本发明能够显著地增强车辆数据隐私保护的能力，并且极大地减少了密文数据的传输量，降低了为实现城市交通估计所需的能耗，降低了交通估计所需时间。
Description
技术领域
本发明涉及交通估计领域，特别是一种基于车辆数据隐私保护与压缩感知的交通估计方法。
背景技术
在过去的几年时间，随着中国城市化水平的不断提高，行驶在城市道路上的车辆越来越多，使得城市交通道路的负担更加繁重，致使城市交通拥堵频发。交通拥堵给人们的日常生活带来了极大的危害，它不仅大大延长了人们日常出行所需的时间而且由此而带来环境污染问题；更有甚者，城市交通拥堵增大的道路交通事故发生的概率，严重威胁着人们的生命和财产安全。因此，为了避免交通拥堵引发的一系列危害，及时掌握城市道路的交通状态显得尤为重要。人们可以根据所撑握的城市主要交通道路的状态及时对车辆的行驶路线做出调整，以此避免大规模的道路拥堵造成交通事故的发生。
为了解决交通城市交通拥堵的问题，通过交通状态估计的方式去解决上述问题越来越引起了学者们的大量关注。实事上，获取城市交通道路状态的方法有很多，比如闭合电路和感觉涡流检测法，视频图像方法等等。然而，考虑到采用上述方法需要安装大量的传感器设备，这样会极大地增大交通状态估计所需的成本，因此，上述这些方法很少被实施。
目前，随着车载传感器功能的不断增加，研究人员开始将目光转到利用车辆的行驶数据来实现交通估计的思路上。通过车辆的行驶数据来实现交通估计固然可以避免安装传感器所带来的成本极大的问题，但是，车辆的行驶信息包含大量的用户的敏感信息，比如车辆的速度，车辆行驶时某时刻的GPS位置信息，车辆的ID等等。假设某一用户的车辆行驶数据被恶意获取，攻击者很容易通过这些车辆的行驶数据去了解用户的活动规律以及生活习惯。如果恶意攻击者为获取相应的经济价值，将分析得到的这些有用的用户信息贩卖给不法分子，不法分子可以根据这些信息对用户的住宅实施精准地盗窃。这样致使用户有时候损失的不仅仅是财产，更有斯甚者，对用户的生命造成无法估量的后果。
与此同时，随着人们安全意识的有断提高，人们也更加希望保护个人的敏感数据而不被恶意攻击者获取数据的真实信息。因此，在不影响交通估计的前提下，对车辆交通数据实施隐私保护是解决上述问题所采取非常重要的一种手段。另外，车载传感器收集车辆的行驶数据还面临着本地存储受限的问题。
实际上，单单从数据加密的角度来说，现有方法也有很多，比如同态加密，RES加密等等，然而这些加密算法要么是加密方法过程效率比较慢，倘若出现密钥解密过长的问题也同样会造成解密过程所需时间很长，并且有的加密算法很容易被破解。
因此，为了满足交通估计的需求，我们需要设计一种加密协议，既可以降低加密数据所需的时间消耗又可以减少解密所需的时间，并且还需在不影响交通估计效果的前提下，尽可能大的减少密文数据的传输。行驶数据中敏感部分主要包括了车辆的行驶速度以及GPS位置信息，换言之，我们需要将上述两种数据先进行隐私保护，然后利用加密后的车辆数据实现城市道路的交通估计。
发明内容
有鉴于此，本发明的目的是提出一种基于车辆数据隐私保护与压缩感知的交通估计方法，能够显著地增强车辆数据隐私保护的能力，并且极大地减少了密文数据的传输量，降低了为实现城市交通估计所需的能耗，降低了交通估计所需时间。
本发明采用以下方案实现：一种基于车辆数据隐私保护与压缩感知的交通估计方法，提供为实现车辆数据隐私保护下的交通估计的系统，该系统包括产生行驶数据的车辆DVs、用于存储以及对数据进行进一步处理的两个云平台CPA和CPB、受各方都信任以及负责给系统中各部分分发密钥的实体TA、和接收部分车辆加密数据以及通过部分加密数据的解密完成交通估计的交管部门TMA；包括以下步骤：
步骤S1：设计基于车辆行驶数据的密文的外包以及安全传输机制；
步骤S2；基于Secure 2-party computation思想，根据最终期望得到的运算结果，利用两个云平台之间的交互运算设计出数据加密执行协议；
步骤S3：将压缩感知理论融入到步骤S2所设计加密执行协议中，通过对少量加密数据的解密实现城市交通状态的估计。
进一步地，步骤S1具体包括以下步骤：
步骤S11：假设某一时间段内某一路段a上所有车辆上报的所有数据有n条，根据所上报数据的特点分别构成速度分量向量V＝[v1 v2 v3 … vn]以及经纬度矩阵
步骤S12：将向量V随机分成两部分，即V＝Va+Vb，并将矩阵M按照经纬度分成两个向量Ma＝[lat1,lat2,lat3,…,latn]、Mb＝[lon1,lon2,lon3,…,lonn]；
步骤S13：车辆将步骤S12随机分类的数据外包给云平台，即将向量Va和Ma发送给云平台CPA,将向量Vb和Mb发送给云平台CPB。
进一步地，步骤S2具体包括以下步骤：
步骤S21：设云平台CPA存有常数x或者矩阵X∈Rm×n，云平台CPB存有常数y或者矩阵Y∈Rm×n；
步骤S22：设计交互运算基础协议ICB，并期望得到x·y的值；
步骤S23：设计安全的指数运算协议ECP，并期望得到ex+y的值；
步骤S24：设计安全的矩阵运算协议MCP，并期望得到的X·Y值。
进一步地，步骤S22具体包括以下步骤：
步骤S221：TA随机产生四个随机数ra,rb,ka,kb，并且四个随机数需要满足等式关系ra+rb＝ka·kb，然后TA将(ra,ka)发送给云平台CPA，将(rb,kb)发送给云平台CPB；
步骤S222：云平台CPB开始计算y′＝y+rb，并将y′发送给云平台CPA，然后云平台CPA计算x′＝x+ra，并将x′其发送给云平台CPB；
步骤S223：云平台CPB产生一个随机数vb，然后进一步计算t＝x′·y+(kb-vb)，并将其发送给云平台CPA；
步骤S224：云平台CPA计算va＝t+ka-(ra·y′)；
步骤S225：此时，云平台CPA存储数值va，云平台CPB存储数值vb，并且得到关系x·y＝va+vb。
进一步地，步骤S23具体包括以下步骤：
步骤S231：TA同样产生四个随机数r′a,r′b,k′a,k′b，并满足等式r′a+r′b＝k′a·k′b，然后将(r′a,k′a)发送给云平台CPA，将(r′b,k′b)发送给云平台CPB；
步骤S232：云平台CPB计算y″＝ey+r′b，并将y′发送给云平台CPA，然后云平台CPA同样计算x″＝ex+r′a，并将x″发送给云平台CPB；
步骤S233：云平台CPB产生随机数v′b，并计算t′＝x″·ey+k′b-v′b，然后将其发送至云平台CPA；
步骤S234：云平台CPB计算v′a＝t′+k′a-r′a·y″；
步骤S235：此时，云平台CPA存储数值v′a，云平台CPB存储数值v′b，并且得到关系ex +y＝v′a+v′b。
进一步地，步骤S24具体包括以下步骤：
步骤S241：TA随机产生四个m×n的矩阵Ra,Rb,Ka,Kb，并且需要满足等式Ra+Rb＝Ka·Kb，然后TA将其分组作为安全密钥，将(Ra,Ka)发送给云平台CPA，将(Rb,Kb)发送给云平台CPB；
步骤S242：云平台CPB计算Y′＝Y+Rb后将Y′发送给云平台CPA，接着云平台CPA计算X′＝X+Ra后将X′发送给云平台CPB；
步骤S243：云平台CPB随机产生m×n的矩阵Vb，并进一步计算T＝X′·Y+(Kb-Vb)后将T发送给云平台CPA；
步骤S244：云平台CPA随机产生m×n的矩阵Va，并进一步计算Va＝T+Ka-(Ra·Y′)；
步骤S245：云平台CPA存储数值Va，云平台CPB存储数值Vb，并且得到关系X·Y＝Va+Vb。
进一步地，步骤S3具体包括以下步骤：
步骤S31：云平台CPA与云平台CPB分别将存储的将向量Va和Ma、向量Vb和Mb传输给TA，TA通过高斯核函数算子构造出高斯核矩阵Kn，表示为：
式中，dnn表示时间间隔T内，上传到云平台CPA和云平台CPB中GPS经纬度信息两两之间的距离，σ表示空间相间性调节因子，采用贝叶斯或最大似然算法通过数据训练而来，此处取值为50；
步骤S32：对角化中心化高斯核矩阵Kn，即Kn＝ΨΛΨ-1,其中Ψ是一个由正交特征向量基组成的特征矩阵，Λ为对角化矩阵，该矩阵上的对角化元素为所对应的特征向量基的特征值；此时将Ψ作为用于压缩感知的稀疏表示矩阵，同样将其用于隐私保护密钥；然后TA将其分别发送给云平台CPA、云平台CPB以及交管部门TMA；
步骤S33：设压缩感知测量矩阵Φ是最稀随机测量矩阵，它只允许每行只有一个常数1其余的元素全部为0，将Φ表示如下：
接着TA将其分别发送给云平台CPA、云平台CPB以及交管部门TMA；
步骤S34：在云端执行隐私保护压缩感知方法下的安全协议。
进一步地，步骤S34具体包括以下步骤：
步骤S341：TA产生四个m×1的随机向量K′A,K′B,R′A,R′B,然后将其分为两组(K′A,R′A)以及(K′A,R′A)并将其分别发送至云平台CPA以及云平台CPB；
步骤S342：云平台CPA计算V″A＝Φ×Ψ×Va,并将发送给云平台CPB；
步骤S343：云平台CPB计算V″B＝Φ×Ψ×Vb,并将发送给云平台CPB；
步骤S344：云平台CPB随机产生m×1的向量VB，计算并将其发送给云平台CPA；
步骤S345：云平台CPA计算
步骤S346：通过步骤S341至步骤S345，云平台CPA从Va的n×1数据量降低到VA的m×1数据量进行存储，云平台CPB从Vb的n×1数据量降低到VB的m×1数据量进行存储，并得到关系：VA+VB＝eΦ×Ψ×V。
进一步地，步骤S3还包括：当需要某条路段的交通估计时，交通管理部门TMA在云平台CPA和云平台CPB上分别获取密文数据VA和VB，接着根据接收到的密钥Φ和Ψ即能够通过压缩感知优化算法对少量的密文进行解密，交通管理部门TMA即能够获取某一小段时间内的所有车辆有m条速度记录可以构成向量V＝{vi},i∈[1,m]；最后根据路段平均速度公式即能够估算出路段的平均速度。
与现有技术相比，本发明有以下有益效果：本发明将压缩感知理论引入到Secure2-party Computation方法之中，通过新设计的数据隐私保护协议，既可以提高数据加密的效率，降低加密数据解密所需的时间，又可以减少用于交通估计的加密数据的传输量，使实现整个交通估计的过程所需的时间极大降低，进而及时给用户的驾驶行为进行引导。
附图说明
图1为本发明实施例的原理示意图。
图2为本发明实施例的隐私保护下的压缩感知数据恢复示意图。
图3为本发明实施例的系统运行开销示意图。
图4为本发明实施例的系统通信代价示意图。
具体实施方式
下面结合附图及实施例对本发明做进一步说明。
应该指出，以下详细说明都是示例性的，旨在对本申请提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
如图1所示，本实施例提供了一种基于车辆数据隐私保护与压缩感知的交通估计方法，提供为实现车辆数据隐私保护下的交通估计的系统，该系统包括产生行驶数据的车辆DVs、用于存储以及对数据进行进一步处理的两个云平台CPA和CPB、受各方都信任以及负责给系统中各部分分发密钥的实体TA、和接收部分车辆加密数据以及通过部分加密数据的解密完成交通估计的交管部门TMA；包括以下步骤：
步骤S1：设计基于车辆行驶数据的密文的外包以及安全传输机制；
步骤S2；基于Secure 2-party computation思想，根据最终期望得到的运算结果，利用两个云平台之间的交互运算设计出数据加密执行协议；
步骤S3：将压缩感知理论融入到步骤S2所设计加密执行协议中，通过对少量加密数据的解密实现城市交通状态的估计。
本实施例首先设计出为实现车辆数据隐私保护下的交通估计的系统模型(见图1)。在所设计的系统模型中一共包含四个大的部门，第一，产生行驶数据的车辆(DVs)；第二，用于存储以及对数据进一步处理的云平台(CPA/CPB)；第三，受各方都信任以及负责给系统中各部分分发密钥的实体(TA)；第四，接收部分车辆加密数据以及通过部分加密数据的解密完成交通估计的交管部门(TMA)；其次，设计出数据加密方法基本执行协议；其中本实施例中所设计的基本协议是采用Secure 2-party Computation的基本思想。该思想主要是将数据外包给两个云平台，根据最终期望得到的运算结果，利用两个云平台之间的交互运算设计出数据加密执行协议。该协议主要是通过矩阵之间的元素运算，极大地提高了数据加密执行效率。最后，将压缩感知理论融入到所设计加密执行协议中。将压缩感知理论融入到所设计的加密执行协议中时，不仅要遵从所设计加密协议的相关内容而且还要达到降低加密数据量以及增强数据隐私保护能力的关切，然后通过对少量加密数据的解密实现城市交通状态的估计。
本实施例的特色在于通过Secure 2-party Computation思想所设计数据加密的执行策略能在保证加密数据安全的前提下极大地提高了数据加密的效率。为了降低加密数据的传输量以及进一步增强数据隐私保护的能力，引入了压缩感知理论。通过对部分加密数据的解密结果(见图2)可以看出，解密出的数据明文与原始数据相比具有很高的一致性，换言之，利用部分加密的数据，通过解密后的明文计算交通道路的平均速度具有很高的准确度。另外，执行本发明所设计的加密协议极大降低了系统开销以及提高的加密的效率(见图3、图4)，其中，CP为采用了本实施例压缩感知理论改进的方法。
在本实施例中，步骤S1具体包括以下步骤：
步骤S11：假设某一时间段内某一路段a上所有车辆上报的所有数据有n条，根据所上报数据的特点分别构成速度分量向量V＝[v1 v2 v3 … vn]以及经纬度矩阵
步骤S12：车辆需要进一步将车辆数据外包给云平台CPA/CPB，并要保证数据传输以及存储具有安全性。因此，将向量V随机分成两部分，即V＝Va+Vb，并将矩阵M按照经纬度分成两个向量Ma＝[lat1,lat2,lat3,…,latn]、Mb＝[lon1,lon2,lon3,…,lonn]；
步骤S13：车辆将步骤S12随机分类的数据外包给云平台，即将向量Va和Ma发送给云平台CPA,将向量Vb和Mb发送给云平台CPB。
在本实施例中，基于Secure 2-party computation思想的数据加密协议的设计包含了三部分的内容，其一是所设计的交互运算基础协议(ICB)，其二是所设计的安全的指数运算协议(ECP)，其三是安全的矩阵运算协议(MCP)。
由此，步骤S2具体包括以下步骤：
步骤S21：设云平台CPA存有常数x或者矩阵X∈Rm×n，云平台CPB存有常数y或者矩阵Y∈Rm×n；
步骤S22：设计交互运算基础协议ICB，并期望得到x·y的值；
步骤S23：设计安全的指数运算协议ECP，并期望得到ex+y的值；
步骤S24：设计安全的矩阵运算协议MCP，并期望得到的X·Y值。
在本实施例中，步骤S22具体包括以下步骤：
步骤S221：TA随机产生四个随机数ra,rb,ka,kb，并且四个随机数需要满足等式关系ra+rb＝ka·kb，然后TA将(ra,ka)发送给云平台CPA，将(rb,kb)发送给云平台CPB；
步骤S222：云平台CPB开始计算y′＝y+rb，并将y′发送给云平台CPA，然后云平台CPA计算x′＝x+ra，并将x′其发送给云平台CPB；
步骤S223：云平台CPB产生一个随机数vb，然后进一步计算t＝x′·y+(kb-vb)，并将其发送给云平台CPA；
步骤S224：云平台CPA计算va＝t+ka-(ra·y′)；
步骤S225：此时，云平台CPA存储数值va，云平台CPB存储数值vb，并且得到关系x·y＝va+vb。
证明如下：
va+vb＝t+ka-(ra·y′)+vb
＝x′·y+(kb-vb)+ka-(ra·y′)+vb
＝ka+kb+(x+ra)·y-ra·(y+rb)
＝x·y.
在本实施例中，步骤S23具体包括以下步骤：
步骤S231：TA同样产生四个随机数r′a,r′b,k′a,k′b，并满足等式r′a+r′b＝k′a·k′b，然后将(r′a,k′a)发送给云平台CPA，将(r′b,k′b)发送给云平台CPB；
步骤S232：云平台CPB计算y″＝ey+r′b，并将y′发送给云平台CPA，然后云平台CPA同样计算x″＝ex+r′a，并将x″发送给云平台CPB；
步骤S233：云平台CPB产生随机数v′b，并计算t′＝x″·ey+k′b-v′b，然后将其发送至云平台CPA；
步骤S234：云平台CPB计算v′a＝t′+k′a-r′a·y″；
步骤S235：此时，云平台CPA存储数值v′a，云平台CPB存储数值v′b，并且得到关系ex +y＝v′a+v′b。
证明如下：
v′a+v′b＝t+k′a-r′a·y′+v′b
＝x′·ey+k′b-v′b+k′a-r′a·y′+v′b
＝(ex+r′a)·ey+k′b+k′a-r′a·(ey+r′b)
＝ex+y+r′a·ey+k′b+k′a-r′a·ey-r′a·r′b
＝ex+y.
在本实施例中，步骤S24具体包括以下步骤：
步骤S241：TA随机产生四个m×n的矩阵Ra,Rb,Ka,Kb，并且需要满足等式Ra+Rb＝Ka·Kb，然后TA将其分组作为安全密钥，将(Ra,Ka)发送给云平台CPA，将(Rb,Kb)发送给云平台CPB；
步骤S242：云平台CPB计算Y′＝Y+Rb后将Y′发送给云平台CPA，接着云平台CPA计算X′＝X+Ra后将X′发送给云平台CPB；
步骤S243：云平台CPB随机产生m×n的矩阵Vb，并进一步计算T＝X′·Y+(Kb-Vb)后将T发送给云平台CPA；
步骤S244：云平台CPA随机产生m×n的矩阵Va，并进一步计算Va＝T+Ka-(Ra·Y′)；
步骤S245：云平台CPA存储数值Va，云平台CPB存储数值Vb，并且得到关系X·Y＝Va+Vb。
证明如下：
Va+Vb＝T+Ka-(Ra·Y′)+Vb
＝X′·Y+(Kb-Vb)+Ka-(Ra·Y′)+Vb
＝Ka+Kb+(X+Ra)·Y-Ra·(Y+Rb)
＝X·Y.
在本实施例中，将压缩感知技术应用到了车辆数据的隐私保护方面上，通过引入压缩感知方法既增强了车辆数据隐私保护的能力又可以实现减少密文数据的传输。具体而言，将压缩感知所需的测量矩阵以及稀疏表示矩阵同样作为车辆数据加密的密钥，然后将其融合在基于Secure 2-party Computation所设计的三种安全协议之中。在此，压缩感知所需的稀疏表示矩阵是通过引入高斯核函数算子来完成。
由此，步骤S3具体包括以下步骤：
步骤S31：云平台CPA与云平台CPB分别将存储的将向量Va和Ma、向量Vb和Mb传输给TA，TA通过高斯核函数算子构造出高斯核矩阵Kn，表示为：
式中，dnn表示时间间隔T内，上传到云平台CPA和云平台CPB中GPS经纬度信息两两之间的距离，σ表示空间相间性调节因子，采用贝叶斯或最大似然算法通过数据训练而来，此处取值为50；
步骤S32：对角化中心化高斯核矩阵Kn，即Kn＝ΨΛΨ-1,其中Ψ是一个由正交特征向量基组成的特征矩阵，Λ为对角化矩阵，该矩阵上的对角化元素为所对应的特征向量基的特征值；此时将Ψ作为用于压缩感知的稀疏表示矩阵，同样将其用于隐私保护密钥；然后TA将其分别发送给云平台CPA、云平台CPB以及交管部门TMA；
步骤S33：设压缩感知测量矩阵Φ是最稀随机测量矩阵，它只允许每行只有一个常数1其余的元素全部为0，将Φ表示如下：
接着TA将其分别发送给云平台CPA、云平台CPB以及交管部门TMA；
步骤S34：在云端执行隐私保护压缩感知方法下的安全协议。
在本实施例中，步骤S34具体包括以下步骤：
步骤S341：TA产生四个m×1的随机向量K′A,K′B,R′A,R′B,然后将其分为两组(K′A,R′A)以及(K′A,R′A)并将其分别发送至云平台CPA以及云平台CPB；
步骤S342：云平台CPA计算VA″＝Φ×Ψ×Va,并将发送给云平台CPB；
步骤S343：云平台CPB计算VB″＝Φ×Ψ×Vb,并将发送给云平台CPB；
步骤S344：云平台CPB随机产生m×1的向量VB，计算并将其发送给云平台CPA；
步骤S345：云平台CPA计算
步骤S346：通过步骤S341至步骤S345，云平台CPA从Va的n×1数据量降低到VA的m×1数据量进行存储，云平台CPB从Vb的n×1数据量降低到VB的m×1数据量进行存储，并得到关系：VA+VB＝eΦ×Ψ×V。
在本实施例中，步骤S3还包括：当需要某条路段的交通估计时，交通管理部门TMA在云平台CPA和云平台CPB上分别获取密文数据VA和VB，接着根据接收到的密钥Φ和Ψ即能够通过压缩感知优化算法对少量的密文进行解密，交通管理部门TMA即能够获取某一小段时间内的所有车辆有m条速度记录可以构成向量V＝{vi},i∈[1,m]；最后根据路段平均速度公式即能够估算出路段的平均速度。
以上所述仅为本发明的较佳实施例，凡依本发明申请专利范围所做的均等变化与修饰，皆应属本发明的涵盖范围。
Claims (9)
1.一种基于车辆数据隐私保护与压缩感知的交通估计方法，其特征在于：提供为实现车辆数据隐私保护下的交通估计的系统，该系统包括产生行驶数据的车辆DVs、用于存储以及对数据进行进一步处理的两个云平台CPA和CPB、受各方都信任以及负责给系统中各部分分发密钥的实体TA、和接收部分车辆加密数据以及通过部分加密数据的解密完成交通估计的交管部门TMA；包括以下步骤：
步骤S1：设计基于车辆行驶数据的密文的外包以及安全传输机制；
步骤S2；基于Secure2-partycomputation思想，根据最终期望得到的运算结果，利用两个云平台之间的交互运算设计出数据加密执行协议；
步骤S3：将压缩感知理论融入到步骤S2所设计加密执行协议中，通过对少量加密数据的解密实现城市交通状态的估计。
2.根据权利要求1所述的一种基于车辆数据隐私保护与压缩感知的交通估计方法，其特征在于：步骤S1具体包括以下步骤：
步骤S11：假设某一时间段内某一路段a上所有车辆上报的所有数据有n条，根据所上报数据的特点分别构成速度分量向量V＝[v1 v2 v3 … vn]以及经纬度矩阵
步骤S12：将向量V随机分成两部分，即V＝Va+Vb，并将矩阵M按照经纬度分成两个向量Ma＝[lat1,lat2,lat3,…,latn]、Mb＝[lon1,lon2,lon3,…,lonn]；
步骤S13：车辆将步骤S12随机分类的数据外包给云平台，即将向量Va和Ma发送给云平台CPA,将向量Vb和Mb发送给云平台CPB。
3.根据权利要求1所述的一种基于车辆数据隐私保护与压缩感知的交通估计方法，其特征在于：步骤S2具体包括以下步骤：
步骤S21：设云平台CPA存有常数x或者矩阵X∈Rm×n，云平台CPB存有常数y或者矩阵Y∈Rm×n；
步骤S22：设计交互运算基础协议ICB，并期望得到x·y的值；
步骤S23：设计安全的指数运算协议ECP，并期望得到ex+y的值；
步骤S24：设计安全的矩阵运算协议MCP，并期望得到的X·Y值。
4.根据权利要求3所述的一种基于车辆数据隐私保护与压缩感知的交通估计方法，其特征在于：步骤S22具体包括以下步骤：
步骤S221：TA随机产生四个随机数ra,rb,ka,kb，并且四个随机数需要满足等式关系ra+rb＝ka·kb，然后TA将(ra,ka)发送给云平台CPA，将(rb,kb)发送给云平台CPB；
步骤S222：云平台CPB开始计算y′＝y+rb，并将y′发送给云平台CPA，然后云平台CPA计算x′＝x+ra，并将x′其发送给云平台CPB；
步骤S223：云平台CPB产生一个随机数vb，然后进一步计算t＝x′·y+(kb-vb)，并将其发送给云平台CPA；
步骤S224：云平台CPA计算va＝t+ka-(ra·y′)；
步骤S225：此时，云平台CPA存储数值va，云平台CPB存储数值vb，并且得到关系x·y＝va+vb。
5.根据权利要求4所述的一种基于车辆数据隐私保护与压缩感知的交通估计方法，其特征在于：步骤S23具体包括以下步骤：
步骤S231：TA同样产生四个随机数r′a,r′b,k′a,k′b，并满足等式r′a+r′b＝k′a·k′b，然后将(r′a,k′a)发送给云平台CPA，将(r′b,k′b)发送给云平台CPB；
步骤S232：云平台CPB计算y″＝ey+r′b，并将y″发送给云平台CPA，然后云平台CPA同样计算x″＝ex+r′a，并将x″发送给云平台CPB；
步骤S233：云平台CPB产生随机数v′b，并计算t′＝x″·ey+k′b-v′b，然后将其发送至云平台CPA；
步骤S234：云平台CPB计算v′a＝t′+k′a-r′a·y″；
步骤S235：此时，云平台CPA存储数值v′a，云平台CPB存储数值v′b，并且得到关系ex+y＝v′a+v′b。
6.根据权利要求5所述的一种基于车辆数据隐私保护与压缩感知的交通估计方法，其特征在于：步骤S24具体包括以下步骤：
步骤S241：TA随机产生四个m×n的矩阵Ra,Rb,Ka,Kb，并且需要满足等式Ra+Rb＝Ka·Kb，然后TA将其分组作为安全密钥，将(Ra,Ka)发送给云平台CPA，将(Rb,Kb)发送给云平台CPB；
步骤S242：云平台CPB计算Y′＝Y+Rb后将Y′发送给云平台CPA，接着云平台CPA计算X′＝X+Ra后将X′发送给云平台CPB；
步骤S243：云平台CPB随机产生m×n的矩阵Vb，并进一步计算T＝X′·Y+(Kb-Vb)后将T发送给云平台CPA；
步骤S244：云平台CPA随机产生m×n的矩阵Va，并进一步计算Va＝T+Ka-(Ra·Y′)；
步骤S245：云平台CPA存储数值Va，云平台CPB存储数值Vb，并且得到关系X·Y＝Va+Vb。
7.根据权利要求2所述的一种基于车辆数据隐私保护与压缩感知的交通估计方法，其特征在于：步骤S3具体包括以下步骤：
步骤S31：云平台CPA与云平台CPB分别将存储的将向量Va和Ma、向量Vb和Mb传输给TA，TA通过高斯核函数算子构造出高斯核矩阵Kn，表示为：
式中，dnn表示时间间隔T内，上传到云平台CPA和云平台CPB中GPS经纬度信息两两之间的距离，σ表示空间相间性调节因子，采用贝叶斯或最大似然算法通过数据训练而来，此处取值为50；
步骤S32：对角化中心化高斯核矩阵Kn，即Kn＝ΨΛΨ-1,其中Ψ是一个由正交特征向量基组成的特征矩阵，Λ为对角化矩阵，该矩阵上的对角化元素为所对应的特征向量基的特征值；此时将Ψ作为用于压缩感知的稀疏表示矩阵，同样将其用于隐私保护密钥；然后TA将其分别发送给云平台CPA、云平台CPB以及交管部门TMA；
步骤S33：设压缩感知测量矩阵Φ是最稀随机测量矩阵，它只允许每行只有一个常数1其余的元素全部为0，将Φ表示如下：
接着TA将其分别发送给云平台CPA、云平台CPB以及交管部门TMA；
步骤S34：在云端执行隐私保护压缩感知方法下的安全协议。
8.根据权利要求7所述的一种基于车辆数据隐私保护与压缩感知的交通估计方法，其特征在于：步骤S34具体包括以下步骤：
步骤S341：TA产生四个m×1的随机向量K′A,K′B,R′A,R′B,然后将其分为两组(K′A,R′A)以及(K′A,R′A)并将其分别发送至云平台CPA以及云平台CPB；
步骤S342：云平台CPA计算V″A＝Φ×Ψ×Va,并将发送给云平台CPB；
步骤S343：云平台CPB计算V″B＝Φ×Ψ×Vb,并将发送给云平台CPB；
步骤S344：云平台CPB随机产生m×1的向量VB，计算并将其发送给云平台CPA；
步骤S345：云平台CPA计算
步骤S346：通过步骤S341至步骤S345，云平台CPA从Va的n×1数据量降低到VA的m×1数据量进行存储，云平台CPB从Vb的n×1数据量降低到VB的m×1数据量进行存储，并得到关系：VA+VB＝eΦ×Ψ×V。
9.根据权利要求8所述的一种基于车辆数据隐私保护与压缩感知的交通估计方法，其特征在于：步骤S3还包括：当需要某条路段的交通估计时，交通管理部门TMA在云平台CPA和云平台CPB上分别获取密文数据VA和VB，接着根据接收到的密钥Φ和Ψ即能够通过压缩感知优化算法对少量的密文进行解密，交通管理部门TMA即能够获取某一小段时间内的所有车辆有m条速度记录可以构成向量V＝{vi},i∈[1,m]；最后根据路段平均速度公式即能够估算出路段的平均速度。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811551841.6A CN109685934B (zh) | 2018-12-18 | 2018-12-18 | 一种基于车辆数据隐私保护与压缩感知的交通估计方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811551841.6A CN109685934B (zh) | 2018-12-18 | 2018-12-18 | 一种基于车辆数据隐私保护与压缩感知的交通估计方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109685934A true CN109685934A (zh) | 2019-04-26 |
| CN109685934B CN109685934B (zh) | 2021-03-02 |
Family
ID=66186345
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811551841.6A Active CN109685934B (zh) | 2018-12-18 | 2018-12-18 | 一种基于车辆数据隐私保护与压缩感知的交通估计方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109685934B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111787118A (zh) * | 2020-07-08 | 2020-10-16 | 福州大学 | 基于城市交通的隐私保护压缩感知实时交通监测方法 |
| CN114267096A (zh) * | 2021-12-03 | 2022-04-01 | 联通智网科技股份有限公司 | 行车记录数据处理方法、装置及存储介质 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102737510A (zh) * | 2012-07-03 | 2012-10-17 | 浙江大学 | 一种基于移动智能终端的实时交通路况采集方法 |
| US20140184803A1 (en) * | 2012-12-31 | 2014-07-03 | Microsoft Corporation | Secure and Private Tracking Across Multiple Cameras |
| US20150213079A1 (en) * | 2014-01-24 | 2015-07-30 | Sachet Ashok Shukla | Systems and Methods for Verifiable, Private, and Secure Omic Analysis |
| CN105930642A (zh) * | 2016-04-16 | 2016-09-07 | 邵阳学院 | 信息物理融合系统层次结构模型 |
| CN107562687A (zh) * | 2016-07-01 | 2018-01-09 | 黑龙江傲立辅龙科技开发有限公司 | 一种基于铁路信号安全计算机的设计方法 |
| CN108428340A (zh) * | 2018-05-11 | 2018-08-21 | 深圳市图灵奇点智能科技有限公司 | 道路交通状况分析方法和系统 |
| CN108508898A (zh) * | 2018-04-28 | 2018-09-07 | 西南交通大学 | 高速公路自动驾驶汽车智能监控系统 |
| US10083310B1 (en) * | 2013-03-13 | 2018-09-25 | Hrl Laboratories, Llc | System and method for mobile proactive secure multi-party computation (MPMPC) using commitments |
| CN108683669A (zh) * | 2018-05-19 | 2018-10-19 | 深圳市图灵奇点智能科技有限公司 | 数据验证方法和安全多方计算系统 |
-
2018
- 2018-12-18 CN CN201811551841.6A patent/CN109685934B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102737510A (zh) * | 2012-07-03 | 2012-10-17 | 浙江大学 | 一种基于移动智能终端的实时交通路况采集方法 |
| US20140184803A1 (en) * | 2012-12-31 | 2014-07-03 | Microsoft Corporation | Secure and Private Tracking Across Multiple Cameras |
| US10083310B1 (en) * | 2013-03-13 | 2018-09-25 | Hrl Laboratories, Llc | System and method for mobile proactive secure multi-party computation (MPMPC) using commitments |
| US20150213079A1 (en) * | 2014-01-24 | 2015-07-30 | Sachet Ashok Shukla | Systems and Methods for Verifiable, Private, and Secure Omic Analysis |
| CN105930642A (zh) * | 2016-04-16 | 2016-09-07 | 邵阳学院 | 信息物理融合系统层次结构模型 |
| CN107562687A (zh) * | 2016-07-01 | 2018-01-09 | 黑龙江傲立辅龙科技开发有限公司 | 一种基于铁路信号安全计算机的设计方法 |
| CN108508898A (zh) * | 2018-04-28 | 2018-09-07 | 西南交通大学 | 高速公路自动驾驶汽车智能监控系统 |
| CN108428340A (zh) * | 2018-05-11 | 2018-08-21 | 深圳市图灵奇点智能科技有限公司 | 道路交通状况分析方法和系统 |
| CN108683669A (zh) * | 2018-05-19 | 2018-10-19 | 深圳市图灵奇点智能科技有限公司 | 数据验证方法和安全多方计算系统 |
Non-Patent Citations (1)
| Title |
|---|
| 王聃等: "基于压缩感知的车联网数据采集", 《信息通信》 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111787118A (zh) * | 2020-07-08 | 2020-10-16 | 福州大学 | 基于城市交通的隐私保护压缩感知实时交通监测方法 |
| CN111787118B (zh) * | 2020-07-08 | 2021-08-31 | 福州大学 | 基于城市交通的隐私保护压缩感知实时交通监测方法 |
| WO2022007379A1 (zh) * | 2020-07-08 | 2022-01-13 | 福州大学 | 基于城市交通的隐私保护压缩感知实时交通监测方法 |
| CN114267096A (zh) * | 2021-12-03 | 2022-04-01 | 联通智网科技股份有限公司 | 行车记录数据处理方法、装置及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109685934B (zh) | 2021-03-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110519286B (zh) | 一种基于联盟区块链的智能交通数据安全访问方法 | |
| Liu et al. | Blockchain-based secure communication of intelligent transportation digital twins system | |
| Aïvodji et al. | Meeting points in ridesharing: A privacy-preserving approach | |
| Wang et al. | A Real‐Time Pothole Detection Approach for Intelligent Transportation System | |
| Alrehan et al. | Machine learning techniques to detect DDoS attacks on VANET system: A survey | |
| Li et al. | Stabilization strategies of a general nonlinear car-following model with varying reaction-time delay of the drivers | |
| CN109685934A (zh) | 一种基于车辆数据隐私保护与压缩感知的交通估计方法 | |
| Zhang et al. | Enabling efficient and strong privacy-preserving truth discovery in mobile crowdsensing | |
| CN107040516B (zh) | 一种高效假名管理和数据完整性保护协议 | |
| CN108763955A (zh) | 行驶数据共享方法和装置、系统和计算机存储介质 | |
| CN108734017A (zh) | 驾驶数据共享方法和装置、系统和计算机存储介质 | |
| Hassan | Review vehicular ad hoc networks security challenges and future technology | |
| Philip et al. | Secure incident & evidence management framework (SIEMF) for internet of vehicles using deep learning and blockchain | |
| Feng et al. | Blockchain in digital twins-based vehicle management in VANETs | |
| CN113326947B (zh) | 一种联合学习模型训练方法及系统 | |
| Tan et al. | Privacy-preserving adaptive traffic signal control in a connected vehicle environment | |
| Friesen et al. | Spontaneous wave formation in stochastic self-driven particle systems | |
| El Zouka | A secure interactive architecture for vehicular cloud environment | |
| CN117576655A (zh) | 基于联邦学习的交通标志检测方法与系统 | |
| KR20190048545A (ko) | 해시 암호화를 이용한 안전한 도로교통 데이터 관리 방법 및 시스템 | |
| Kim | Design of federated learning engagement method for autonomous vehicle privacy protection | |
| Deng et al. | Federated learning-based privacy-preserving traffic flow prediction scheme for VANETs | |
| Huber et al. | Beast: Behavior as a service for trust management in iot devices | |
| Patsakis et al. | s-Health as a driver towards better emergency response systems in urban environments | |
| Sutradhar | A Quantum Cryptographic Protocol for Secure Vehicular Communication |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| OL01 | Intention to license declared |