CN109862507B - 一种大范围车辆密度检测方法及系统 - Google Patents

Abstract

本发明公开了一种大范围车辆密度检测方法，包括以下步骤：将待检测范围划分为几个相同的小的区域；为每个区域分配相同数量和分布的位置集；服务器端生成概率性位置映射矩阵；客户端下载此概率性位置映射矩阵；客户端通过此概率性位置映射矩阵映射车辆位置到混淆位置；客户端遵循秘密分享协议处理并上传混淆位置到服务器；服务器接收到所有的位置汇报后计算整个待测范围的车辆密度。本发明还公开了一种大范围车辆密度检测系统，包括客户端和服务器端。本发明可实现保护车辆位置隐私的情况下，完成车辆密度检测。

Description

一种大范围车辆密度检测方法及系统

技术领域

本发明涉及信息安全技术领域，特别涉及一种适用于城市大范围且保护位置隐私的车辆密度检测方法及系统。

背景技术

随着智能移动终端的普及，GPS定位系统已经部署在小到手机，大到汽车等终端设备上。利用移动群体感知技术来收集用户的信息并挖掘有价值的内容已经称为当前热点内容之一。然而，随之而来的是用户位置隐私泄露的问题，这也成为移动数据提交者的担忧之一。如何在保护用户位置隐私的情况下，从群体感知数据中获取到有价值的位置相关信息，是本方案重点解决的问题。

目前已经提出了很多隐私保护策略来增强用户的隐私，但没有任意一种单一策略能提供完全的解决方案。现有的隐私保护技术分为以下几种：基于数据失真(数据扭曲)的隐私保护技术。这种技术是指在隐私信息提交给服务收集者之前，事先对查询中的时空信息或服务属性进行适当的修改或扭曲，使LBS服务器无法或得精确的位置信息或服务属性。基于限制发布的隐私保护技术。这类技术一般通过限制某些数据属性的发布，达到匿名化的目的，从而降低了隐私泄露的风险。比较有代表性的方法有：k-匿名。基于加密的LBS隐私保护技术。这种技术指的是通过使用加密技术使用户的LBS查询对LBS服务器完全不可见，从而达到隐私保护的目的。

上述三类技术各有优缺点:基于数据失真的技术实现简单，效率高，但数据可用性较差。基于扭曲法的技术效率较高，能在服务质量和隐私保护上取得较好的平衡，但位置信息和服务质量不完全准确，而且基于k-匿名等技术容易遭受背景知识攻击；基于加密法的技术能完全的保证隐私数据的准确性和安全性，可以提供更好的隐私保护，但需要额外硬件和算法支持，计算和通信开销都很大，效率较低。总的来说，LBS群体感知隐私保护有很多问题还需要进一步研究。

发明内容

本发明的目的在于克服现有技术的缺点与不足，提供一种大范围车辆密度检测方法及系统，此方法及系统可实现保护用户位置隐私的情况下，完成车辆密度检测。

本发明的目的通过以下的技术方案实现：一种大范围车辆密度检测方法，包括以下步骤：

将待检测范围划分为几个相同的小的区域；

为每个区域分配相同数量和分布的位置集；

服务器端生成概率性位置映射矩阵；

客户端下载此概率性位置映射矩阵；

客户端通过此概率性位置映射矩阵映射车辆位置到混淆位置；

客户端遵循秘密分享协议处理并上传混淆位置到服务器；

服务器接收到所有的位置汇报后计算整个待测范围的车辆密度。本方案可实现城市范围内车辆密度检测的同时一定程度上保障车辆的位置隐私。

较佳的，客户端上传的位置为混淆后的域内位置。

较佳的，所述概率性位置映射矩阵POM可适用于每一个区域，且只对域内坐标进行映射，映射后的坐标仍在此域内。

较佳的，所述客户端通过概率性位置映射矩阵映射车辆位置到混淆位置，获得混淆后的域内坐标，客户端根据秘密分享协议附加区域向量于混淆位置上，并以(混淆后的域内坐标，区域向量)的格式上传混淆位置。

更进一步的，服务器端最终接收到的汇报坐标形式为(混淆后的域内坐标，区域向量)。

更进一步的，服务器最终可获得每个区域每个位置处的车辆数量。

更进一步的，所述区域向量可用长度等于区域数量的向量表示；区域向量每一项为一个整数。

较佳的，秘密分享协议按如下步骤运行：

对混淆位置x和用户ID，客户端创建(x,UID)并上传；

服务器接收到x处的所有ID集合D＝{UID₁，UID₂，...，UID_n}；

服务器返回集合D给所有混淆位置为x的客户端；

对所属区域r，客户端创建向量s＝{R₁，R₂，...，R_r，...，R_m}，其中除了Rr等于1，其余的项均为0，m等于区域的数量；

客户端收到集合D后，随机选择几个UID组成集合D’＝{UID_t1，UID_t2，...，UID_tk}；将向量s拆分成k+1个向量，这些向量满足s＝s₁+s₂+...+s_k+1，而且每个向量中的每一项数均为随机整数；

客户端从s拆分后的k+1个向量中随机选择k个向量随机分发给D’中的用户；经过上一步，每个客户端把剩余的一个向量加上接收到的向量相加，获得向量s’；客户端以格式(x,s’)上传混淆位置到服务器。

较佳的，位置映射矩阵对任意两个位置映射到某一个位置的概率满足差分隐私定义。

更进一步的，差分隐私定义具体为

其中x,x’,z均为位置，k(x,z)为x映射到k的概率。一种大范围车辆密度检测系统，其特征在于，包括：

服务器端，用于生成概率性位置映射矩阵，接收并处理混淆位置数据并计算车辆密度；

客户端，部署在所有待检测车辆的移动智能设备上，用于下载概率性位置映射矩阵，完成位置混淆任务和秘密分发任务；

服务器端和客户端共同执行秘密分享协议。

较佳的，客户端通过概率性位置映射矩阵映射车辆位置到混淆位置，获得混淆后的域内坐标，客户端根据秘密分享协议附加区域向量于混淆位置上，并以(混淆后的域内域内坐标，区域向量)的形式上传混淆位置到服务端；

服务器端负责秘密分享协议中相同位置x的用户ID收集和分发任务。

本发明应用背景为城市大范围车辆位置隐私保护，但当将本发明应用于大范围人群位置隐私保护或者大范围特定个体位置隐私保护时，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，通过对相应参数设置的稍加改造，仍能获得有如下增益效果的方案：

1.不需要可信的第三方做担保即可完成位置隐私的保护。

2.保证在满足差分隐私保护的定义下，任何个体的位置在整个范围内受保护。

3.抵御任何背景知识攻击。即对于任何敌手所掌握的关于个体的先验概率分布，当掌握了位置映射矩阵POM后，后验概率分布不会得到提高。

附图说明

图1是本发明一种适用于城市大范围车辆密度检测的位置隐私保护方案架构示意图；

图2是本方案采用的秘密分享协议的流程图。

具体实施方式

为了更好的理解本发明的技术方案，下面结合附图详细描述本发明提供的实施例，但本发明的实施方式不限于此。

实施例

如图1-2所示，本发明实施例提出了一种适用于城市大范围车辆密度检测方法及系统，系统架构图如图1所示。该系统由服务器端和客户端两个部分共同协作完成，客户端部署在所有参与上传本地位置的车辆上。该方法通过如下步骤实施：

步骤101：将整个城市范围划分为几个相同的小的区域。

步骤102：为每个区域分配相同数量和分布的位置集。

步骤103：服务器端生成适用于任何一个区域的概率性位置映射矩阵。

步骤104：客户端下载此概率性位置映射矩阵。

步骤105：客户端通过此概率性位置映射矩阵映射车辆的位置到混淆位置。

步骤106：对混淆位置x和用户ID，客户端创建(x,UID)并上传。

步骤107：服务器接收到x处的所有ID集合D＝{UID₁，UID₂，...，UID_n}并返回集合D给所有混淆位置为x的客户端。

步骤108：对所属区域r，客户端创建向量s＝{R₁，R₂，...，R_r，...，R_m}。

在本步骤中，除了R_r等于1，其余的项均为0，m等于区域的数量。

步骤109：客户端收到集合D后，随机选择几个UID组成集合D’＝{UID_t1，UID_t2，...，UID_tk}。

在本步骤中，D’为D的子集。

步骤110：将向量s拆分成k+1个向量，这些向量满足s＝s₁+s₂+...+s_k+1，而且每个向量中的每一项数均为随机整数。

在本步骤中，向量的拆分的一种方法是，可通过先随机生成k个长度为m的向量，其中每一项为一个随机整数，然后再用向量s减去这k个向量的和，得到第k+1个向量。

步骤111：客户端从s拆分后的k+1个向量中随机选择k个向量随机分发给D’中的用户。

在本步骤中，客户端对拆分后的向量的分发利用P2P网路，不经过服务器的转发。

步骤112：经过步骤111，每个客户端把剩余的一个向量加上接收到的向量相加，获得向量s’。

步骤113：客户端以格式(x,s’)上传混淆位置到服务器。

步骤114：服务器接收到所有的位置汇报后对位置相同的x，将相应的s’相加，最终获得所有位置x处的各个区域车辆数量集{[x,(R₁,R₂,...,R_m)]}。

在本步骤中，x表示任意一个位置，Ri表示区域i中位置x处的车辆数量。

本实例的步骤106-步骤113称为秘密分享协议，协议流程图如图2所示。经过本实施例的所有步骤，服务器可获得整个隐私保护地区所有位置的车辆密度。

可见，在本方案的实施例中，所需要部署的内容为客户端以及服务器端两个部分。本方案所需要的服务器不需要保证可信，仅需要支持本方案的流程运行。本方案所需要信息交流渠道仅需要实施通信网络的双向信息发送渠道，即可解决群体感知中的位置隐私保护问题。本方案可实现城市范围内车辆密度检测的同时一定程度上保障车辆的位置隐私。

上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受上述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。

Claims (9)

1.一种大范围车辆密度检测方法，其特征在于，包括以下步骤：

将待检测范围划分为几个相同的小的区域；

为每个区域分配相同数量和分布的位置集；

服务器端生成概率性位置映射矩阵；概率性位置映射矩阵适用于每一个区域，且只对域内坐标进行映射，映射后的坐标仍在此域内；

客户端下载此概率性位置映射矩阵；

客户端通过此概率性位置映射矩阵映射车辆位置到混淆位置；

客户端遵循秘密分享协议处理并上传混淆位置到服务器；

服务器接收到所有的位置汇报后计算整个待检测范围的车辆密度；

其中，秘密分享协议按如下步骤运行：

对混淆位置x和用户ID，客户端创建(x,UID)并上传；

服务器接收到x处的所有ID集合D＝{UID₁，UID₂，...，UID_n}；

服务器返回集合D给所有混淆位置为x的客户端；

对所属区域r，客户端创建向量s＝{R₁，R₂，...，R_r，...，R_m}，其中除了Rr等于1，其余的项均为0，m等于区域的数量；

客户端收到集合D后，随机选择几个UID组成集合D’＝{UID_t1，UID_t2，...，UID_tk}；将向量s拆分成k+1个向量，这些向量满足s＝s₁+s₂+...+s_k+1，而且每个向量中的每一项数均为随机整数；

客户端从s拆分后的k+1个向量中随机选择k个向量随机分发给D’中的用户；经过上一步，每个客户端把剩余的一个向量和接收到的向量相加，获得向量s’；客户端以格式(x,s’)上传混淆位置到服务器。

2.根据权利要求1所述的大范围车辆密度检测方法，其特征在于，所述客户端通过概率性位置映射矩阵映射车辆位置到混淆位置，获得混淆后的域内坐标，客户端根据秘密分享协议附加区域向量于混淆位置上，并以混淆后的域内坐标，区域向量的格式上传混淆位置。

3.根据权利要求2所述的大范围车辆密度检测方法，其特征在于，服务器端最终接收到的汇报坐标形式为混淆后的域内坐标，区域向量。

4.根据权利要求3所述的大范围车辆密度检测方法，其特征在于，服务器最终可获得每个区域每个位置处的车辆数量。

5.根据权利要求2所述的大范围车辆密度检测方法，其特征在于，所述区域向量用长度等于区域数量的向量表示，区域向量的每一项为一个整数。

6.根据权利要求1所述的大范围车辆密度检测方法，其特征在于，概率性位置映射矩阵对任意两个位置映射到某一个位置的概率满足差分隐私定义。

7.根据权利要求6所述的大范围车辆密度检测方法，其特征在于，差分隐私定义具体为

其中x,x’,z均为区域内的某一位置，k(x,z)为位置x映射到位置z的概率。

8.一种大范围车辆密度检测系统，其特征在于，包括：

服务器端，用于生成概率性位置映射矩阵，接收并处理混淆位置数据并计算车辆密度；

客户端，部署在所有待检测车辆的移动智能设备上，用于下载概率性位置映射矩阵，完成位置混淆任务、秘密分发任务和混淆位置上传任务；

服务器端和客户端共同执行秘密分享协议；

其中，秘密分享协议按如下步骤运行：

对混淆位置x和用户ID，客户端创建(x,UID)并上传；

服务器接收到x处的所有ID集合D＝{UID₁，UID₂，...，UID_n}；

服务器返回集合D给所有混淆位置为x的客户端；

对所属区域r，客户端创建向量s＝{R₁，R₂，...，R_r，...，R_m}，其中除了Rr等于1，其余的项均为0，m等于区域的数量；

客户端收到集合D后，随机选择几个UID组成集合D’＝{UID_t1，UID_t2，...，UID_tk}；将向量s拆分成k+1个向量，这些向量满足s＝s₁+s₂+...+s_k+1，而且每个向量中的每一项数均为随机整数；

客户端从s拆分后的k+1个向量中随机选择k个向量随机分发给D’中的用户；经过上一步，每个客户端把剩余的一个向量和接收到的向量相加，获得向量s’；客户端以格式(x,s’)上传混淆位置到服务器。

9.根据权利要求8所述的大范围车辆密度检测系统，其特征在于，客户端通过概率性位置映射矩阵映射车辆位置到混淆位置，获得混淆后的域内坐标，客户端根据秘密分享协议附加区域向量于混淆位置上，并以混淆后的域内坐标，区域向量的形式上传混淆位置到服务端；

服务器端负责秘密分享协议中相同位置x的用户ID收集和分发任务。

Images