CN110430526B - 基于信誉评估的隐私保护方法 - Google Patents

基于信誉评估的隐私保护方法 Download PDF

Info

Publication number
CN110430526B
CN110430526B CN201910632483.XA CN201910632483A CN110430526B CN 110430526 B CN110430526 B CN 110430526B CN 201910632483 A CN201910632483 A CN 201910632483A CN 110430526 B CN110430526 B CN 110430526B
Authority
CN
China
Prior art keywords
user
candidate
query
candidate user
real
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.)
Active
Application number
CN201910632483.XA
Other languages
English (en)
Other versions
CN110430526A (zh
Inventor
朱晓妍
牛俊
马建峰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Xidian University
Original Assignee
Xidian University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Xidian University filed Critical Xidian University
Publication of CN110430526A publication Critical patent/CN110430526A/zh
Application granted granted Critical
Publication of CN110430526B publication Critical patent/CN110430526B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W12/00—Security arrangements; Authentication; Protecting privacy or anonymity
    • H04W12/02—Protecting privacy or anonymity, e.g. protecting personally identifiable information [PII]
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/02—Services making use of location information
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/02—Services making use of location information
    • H04W4/021—Services related to particular areas, e.g. point of interest [POI] services, venue services or geofences

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Computer Security & Cryptography (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明公开了一种基于信誉评估的隐私保护方法，主要解决现有技术中用户隐私泄露的问题。其方案是：查询发起者向匿名服务器发出查询请求；匿名服务器收到该请求后，先查看其周围候选用户，并检索数据库，再利用该候选用户历史查询信息和运动模式，评估其静态和动态信誉，最终将整体信誉值最大且匿名区域面积最小匿名用户信息与查询发起者信息一起，形成最终查询集合发给位置服务器；位置服务器收到该信息后，查找数据库，形成候选结果集返回给匿名服务器；匿名服务器根据查询发起者真实信息，筛选出其所需查询结果并返回给查询发起者。本发明采用信誉评估机制，确保匿名用户可信度和可用性，且能抵御位置注入攻击，可用于各种连续查询位置服务中。

Description

基于信誉评估的隐私保护方法
技术领域
本发明属于无线网络安全领域，特别涉及一种隐私保护方法，可用于各种连续查询位置服务中，以抵御位置注入攻击。
背景技术
位置服务LBS，又称定位服务，其是由移动通信网络和卫星定位系统结合在一起提供的一种增值业务，通过一组定位技术获得移动终端的位置信息，如经纬度坐标数据，并将此位置信息提供给移动用户本人、其他人或者通信系统，来实现各种与位置相关的业务。
位置服务可以被应用于不同的领域，与此同时，在移动互联网大发展的趋势下，各类应用也在蓬勃发展。尤其，随着定位技术的快速发展，使得嵌入了位置服务LBS功能的应用得到了广泛的普及，给人们的生活带来了极大的便利。但LBS服务需要获知用户精确的位置信息，其对用户的隐私造成了极大的威胁。所以，在保证用户服务质量的同时，如何有效的保护用户的隐私信息是LBS服务目前所面临的巨大挑战。特别地，由于连续查询场景下用户位置信息之间的时空关联性，其隐私信息更容易泄露。近年来，学者们已采用不同的方法保护用户隐私，其中传统的k-匿名方案k-anonymity使用最为广泛。
传统的k-匿名方案k-anonymity假设所有用于匿名的用户都是真实可信的，并发送自身真实的位置信息和查询内容信息给匿名服务器实现k-匿名隐私保护；但在实际情况下这种假设时不成立的，其存在一定的弊端，因为在实际查询中，匿名服务器根本没有考虑覆盖区域中各用户的可信度，默认其都是真实可信的，并直接将这些用户形成的满足真实查询用户隐私保护要求的匿名区域发送给位置服务器用于查询，并获得相应的查询结果。然而，实际中这些匿名用户中存在恶意用户或虚假用户，其是攻击者为了破坏真实查询用户隐私而特意注入的。所以，在这种情况下，如果匿名服务器依旧按照传统的k-匿名方案对用户的隐私进行保护，则不但达不到保护用户隐私的目的，甚至更容易暴露用户的隐私，使得用户更易遭受位置注入攻击。其过程如图3所示，其中图3中的(a)表示查询发起者U在tp时刻所形成的匿名区域示意图，图3中的(b)表示查询发起者U在tp+1时刻所形成的匿名区域示意图；图3中的(a)中实线圆表示查询发起者tp时刻所形成的匿名区域，其实现5-匿名且对应的匿名用户集合为{U1,U2,U3,U4,Ur}，U1、U2、U3和U4为匿名区域中可信用户，Ur为真实查询用户；图3中的(b)中虚线圆是真实查询用户tp时刻所能到达的最大移动边界区域，实线圆表示真实查询用户tp+1时刻所形成的匿名区域，其仍然实现5-匿名且对应的匿名用户集合为{U5,U6,U7,U10,Ur}。然而，在该5-匿名集合中只有U7和U10是可信用户，而用户U5和U6都是攻击者注入的虚假用户，故其使得用户隐私保护度由5-匿名降低为3-匿名，极大地损害了用户隐私。最终导致真实查询用户隐私保护程度降低，甚至直接泄露用户隐私。
现有针对位置注入攻击的隐私保护方案从攻击者角度出发，首先采用马尔可夫模型对匿名区域中所有用户的运动模式进行建模，其建模主要基于用户的历史查询覆盖区域，而非用户真实的位置；然后通过该马尔可夫模型计算各个候选用户和真实查询用户当前时刻最大移动边界的交集，再结合各候选用户当前的速度以及其历史查询覆盖区域个数，匿名服务器评估出每个候选用户的信誉值；最终匿名服务器根据计算出的用户信誉值，选择用户信誉值最高的k-1个候选用户做为最终的候选用户。该方法通过马尔可夫建模间接评估出用户信誉，虽说可抵御位置注入攻击且保护用户隐私。然而，该方法仅实现了用户信誉粗略评估，没有对用户信誉进行分类，并实现细致评估，故难以精确量化用户信誉；同时如何从其他角度对用户的信誉进行有效评估以及建立怎样的用户信誉评估机制等问题还没有得到很好解决，因而传统k-匿名隐私保护体制下用户隐私仍有很大泄露风险，故位置注入攻击隐私泄露问题仍需进一步研究。
发明内容
本发明的目的在于针对上述已有技术的不足，提出一种基于信誉评估的隐私保护方法，以保证在保护真实查询用户隐私的同时，确保参与k-匿名的其余k-1个用户是可信的，提高查询的有效性和服务的高质量性。
为实现上述目的，本发明的技术方案包括如下：
(1)基于若干移动用户、匿名服务器和位置服务器构成的隐私保护框架，由手机生产厂商为每部手机安装一个缓存装置，用于用户在查询过程中对有用信息的存储；
(2)匿名服务器将各候选用户整体信誉分为静态信誉和动态信誉，并分别计算各候选用户的静态信誉值Crec和动态信誉值Cred；
(3)匿名服务器利用计算出的静态信誉值Crec和动态信誉值Cred，计算各候选用户的整体信誉值Crew；
(4)匿名服务器将所有的候选用户分为
Figure GDA0002582571140000031
组，每组k-1个候选用户，其中N表示匿区域中包含的候选用户总数，k表示匿名保护时所需的最小用户个数；
(5)构建最终查询集合FQ：
5a)匿名服务器先计算
Figure GDA0002582571140000032
组中每组k-1个候选用户的整体信誉值之和，再计算各候选用户和真实查询者之间的欧氏距离；
5b)匿名服务器选择整体信誉值之和最大、形成匿名区域面积最小的组作为最终匿名用户组；
5c)匿名服务器将最终匿名用户组中各候选用户信息与真实查询用户信息一起，形成最终查询集合FQ，并发送给位置服务器；
(6)位置服务器收到最终查询集合FQ后，查找自己的数据库，形成候选结果集CRS，并返回给匿名服务器；
(7)匿名服务器根据真实查询用户的真实信息，筛选出满足其要求的查询结果，并返回给真实查询用户将其记录在缓存器中。
本发明具有如下优点：
1)本发明由于使用了中心式匿名服务器实现匿名的方法，首先从匿名服务器角度根据候选用户历史查询覆盖区域和运动模式对用户信誉进行评估，再选择信誉高的k-1个用户完成k-匿名，有效弥补了传统k-匿名隐私保护方法中忽略对用户信誉评估的缺陷，进一步增强了用户隐私保护的可能性和可行性；
2)本发明由于采用了基于信誉评估的隐私保护算法，不仅可实现对查询发起者自身的隐私保护，而且也可实现对各参与用户的信誉评估，确保k-匿名所选用户的可信度；
3)本发明由于利用用户历史查询覆盖区域和其运动模式，对其静态信誉和动态信誉进行评估，确保了评估用户的信誉值更为合理和准确；
4)本发明由于在对用户动态信誉进行评估时同时考虑了用户最大可达边界、最大移动边界以及各用户与真实查询用户间的欧氏距离等因素，对用户的移动趋势可以做出更准确的评估与判断，从而推测出更为合理和准确的用户动态信誉值，以免由于片面因素而对用户动态信誉进行误判，导致最终选择的候选用户可信度降低，质量变差；
5)本发明由于在对用户静态信誉进行评估时，同时考虑了用户参与其他用户历史覆盖区域的个数、参与时该用户与真实查询用户间的欧氏距离以及该真实查询用户历史查询覆盖区域直径等因素，并利用参与个数和计算出的欧式距离与直径占比，综合评估用户静态信誉，其中主要考虑了距离占比，不单单依靠参与个数，其在一定程度上可反映出用户的移动趋势，实现了在静态情况下对用户可信度的评估，增加了用户静态信誉评估的合理性和实用性；
6)本发明由于采用了信誉优先和k-匿名区域可用且最小原理，使得最终的k-匿名区域用户信誉最高且面积最小，故其很好的权衡隐私保护和系统开销；
7)本发明由于采用了信誉评估机制，使得选出的用户更为可信，真实用户的隐私保护效果更优，极大地提高了用户体验度和满意度。
附图说明
图1是现有中心式基于匿名服务器隐私保护架构图；
图2是本发明的实现流程图；
图3是现有的位置注入攻击示意图；
图4是本发明中的第一用户U1参与第二用户U2的历史查询示意图；
图5是本发明中的用户最大移动边界示意图；
图6是本发明中的用户最大可达边界示意图。
具体实施方式
本发明采用图1中心式基于匿名服务器隐私保护架构进行隐私保护。
参照图1，基于匿名服务器隐私保护架构，包括移动用户、匿名服务器和位置服务器LBS-S。该移动用户，是移动互联网中普通的移动用户，其拥有具有缓存装置的移动设备，用于移动通信网络中某个查询发起者发出查询请求时，在地理范围内，用于匿名服务器对某个特定用户实现k-匿名隐私保护时，形成k-匿名区域。该匿名服务器主要用于查询服务中，各个候选用户信誉值评估、选取合适用户实现k-匿名、最终k-匿名查询请求发送以及候选查询结果筛选返回给真实查询用户，即匿名服务器首先选择满足真实查询用户隐私保护需求、用户信誉高且形成的匿名区域面积较小的候选用户，然后整理各候选用户信息和真实查询用户信息，并形成一个最终查询集合FQ，最后匿名服务器将最终查询集合FQ发送给位置服务器LBS-S。该位置服务器LBS-S,其内部存储着所有LBS服务所需的信息，用于LBS查询服务结果的提供。在位置服务中，其操作应依照LBS系统的相关规则和协议，但不排除其是不诚实且感兴趣的，故在本方案中LBS-S是半可信的，其主要用于用户请求查询结果的提供，形成的候选结果集CRS，并返回给匿名服务器，匿名服务器收到候选结果集CRS后，根据用户的真实查询信息筛选出满足其要求的查询结果，并将其返回给查询用户。
基于该隐私保护框架，真实查询用户发送查询请求给匿名服务器；匿名服务器收到该查询请求后，首先查看该真实查询用户附近移动范围内其他可用于匿名的候选用户，并根据各候选用户所有历史查询覆盖区域、当前的运动模式信息，评估和计算各个候选用户的静态信誉值、动态信誉值和整体信誉值，最终匿名服务器选择整体信誉值高且形成的匿名区域面积最小的候选用户组作为最终的候选用户组，并将其信息和真实查询用户信息一起整理，形成一个最终查询集合FQ发送给位置服务器。位置服务器根据所收到的查询集合FQ，查找数据库，形成相应的候选结果集CRS并返回给匿名服务器。匿名服务器收到该候选结果集CRS后，根据真实查询用户的真实信息，对该候选结果集进行过滤，筛选出满足其要求的查询结果，并将其发送给该真实查询用户。同时，所该真实查询用户将该查询内容及其结果存储于其缓存器中，以便自身查询需要。
参照图2，本发明基于上述隐私保护框架进行隐私保护的实现步骤如下：
步骤1，在中心式基于匿名服务器隐私保护框架的基础上，由手机生产厂商为每部手机安装一个缓存装置，用于用户在查询过程中对有用信息的存储。
步骤2，匿名服务器对各候选用户的信誉值进行分类。
(2.1)匿名服务器收集各候选用户的信息，并将收集的各候选用户信息分为：历史查询覆盖区域信息HC和运动模式信息MP；
(2.2)匿名服务器将收集的历史查询覆盖区域信息HC蕴含的信誉值，设为各候选用户静态信誉值Crec；
(2.3)匿名服务器将收集的运动模式信息MP蕴含的信誉值，设为各候选用户的动态信誉值Cred。
步骤3，匿名服务器计算各候选用户的静态信誉Crec。
计算各候选用户的静态信誉Crec可采用现有的马尔可夫模型建模用户的方法和历史查询信息统计分析方法。
本实例采用历史查询信息统计分析方法计算各候选用户的静态信誉Crec，其实现如下：
(3.1)匿名服务器收集和整理各个候选用户的历史查询覆盖区域信息，分别表示如下：
Figure GDA0002582571140000051
Figure GDA0002582571140000052
Figure GDA0002582571140000061
Figure GDA0002582571140000062
Figure GDA0002582571140000063
Figure GDA0002582571140000064
其中，
Figure GDA0002582571140000065
表示第i个候选用户的历史查询覆盖区域集合；
Figure GDA0002582571140000066
表示第i个候选用户的第J个历史查询覆盖区域，且1≤i≤N,1≤J≤ξ，ξ表示候选用户拥有的历史查询覆盖区域个数，且ξ≥1；N表示匿名区域中包含的候选用户总数，且N≥1；
(3.2)匿名服务器根据收集到的各个候选用户历史查询覆盖区域信息，计算各个候选用户出现在其他候选用户历史查询覆盖区域中的个数，并将其存入一个参与匿名个数集合PANS，即PANS＝{W1,W2,…,Wi,…,WN}，其中Wi表示第i个候选用户参与其他N-1个候选用户历史查询覆盖区域个数；
(3.3)匿名服务器根据收集到的各个候选用户历史查询覆盖区域信息，计算每个候选用户存在于其他N-1个候选用户历史查询覆盖区域中时，该候选用户与对应查询候选用户之间的欧式距离，并用计算出的所有欧式距离构成参与欧式距离集合PEDS：
Figure GDA0002582571140000067
其中，
Figure GDA0002582571140000068
表示第i个候选用户与其参与的第j个候选用户之间的欧式距离集合；
Figure GDA0002582571140000069
表示第i个候选用户与其参与的第j个候选用户第J个历史查询覆盖区域的欧式距离，1≤i≤N,1≤j≤N，且i≠j；1≤J≤ξ；
Figure GDA00025825711400000610
表示第i个候选用户在第J个历史查询覆盖区域的位置信息；
Figure GDA00025825711400000611
表示第j个候选用户在第J个历史查询覆盖区域的位置信息；
图4给出了一个第一用户U1参与第二用户U2历史查询并位于其历史覆盖区域内，匿名服务器计算每个覆盖区域中，第一用户U1与第二用户U2间的欧式距离以及各欧式距离与对应第二用户U2直径之间的比值的实例。从图4可以看出，第一用户U1参与第二用户U2历史覆盖区域个数为ξ，即W1＝ξ，随后匿名服务器先计算这ξ个历史覆盖区域内U1与U2的欧式距离：
Figure GDA0002582571140000071
再结合第二用户U2这ξ个历史覆盖区域各自的直径
Figure GDA0002582571140000072
计算ξ个欧氏距离和对应直径的比值：
Figure GDA0002582571140000073
(3.4)匿名服务器根据收集到的各个候选用户历史查询覆盖区域信息，计算每个候选用户存在于其他N-1个候选用户历史查询覆盖区域中时，该候选用户查询覆盖区域直径，并将计算出的所有覆盖区域直径存入一个区域直径集合RDS，即
Figure GDA0002582571140000074
其中
Figure GDA0002582571140000075
表示第i个候选用户参与的第j个候选用户的直径集合；
Figure GDA0002582571140000076
表示第i个候选用户参与的第j个候选用户第J个历史查询覆盖区域的直径；
(3.5)匿名服务器根据计算出的参与欧式距离集合PEDS和区域直径集合RDS，计算各候选用户与对应查询候选用户间欧式距离和对应查询候选用户直径间的比值，并将计算的所有比值存入距离直径比值集合DDSS，即：
Figure GDA0002582571140000081
其中
Figure GDA0002582571140000082
表示第i个候选用户与参与的第j个候选用户间欧式距离和第j个候选用户历史查询覆盖区域直径间的比值；
(3.6)匿名服务器对距离直径比值集合DDSS中的距离直径比值所属区间个数进行统计，即统计每一个候选用户的所有距离直径比值属于
Figure GDA0002582571140000083
和
Figure GDA0002582571140000084
三个区间的个数，并将所有统计个数存入一个比值个数集合SNS中：
Figure GDA0002582571140000085
其中，
Figure GDA00025825711400000811
表示第i个候选用户参与所有N-1个候选用户的历史查询覆盖区域时，对应欧氏距离和历史覆盖区域直径比值属于
Figure GDA0002582571140000086
的个数；
Figure GDA0002582571140000087
表示第i个候选用户参与所有N-1个候选用户的历史查询覆盖区域时，对应欧氏距离和历史覆盖区域直径比值属于
Figure GDA0002582571140000088
的个数；
Figure GDA0002582571140000089
表示第i个候选用户参与所有N-1个候选用户的历史查询覆盖区域时，对应欧氏距离和历史覆盖区域直径比值属于
Figure GDA00025825711400000810
的个数；
(3.7)匿名服务器首先设定ε1、ε2、ε3和ε4四个系统参数，然后根据计算出的参与匿名个数集合PANS和比值个数集合SNS，计算各个候选用户的静态信誉值Crec，分别表示如下：
Figure GDA0002582571140000091
其中
Figure GDA0002582571140000092
表示第i个候选用户的静态信誉值；ε1＝0.4；ε2＝0.1；ε3＝0.2；ε4＝0.3。
步骤4，匿名服务器计算各候选用户的动态信誉Cred。
计算各候选用户的动态信誉Cred可采用现有的马尔可夫模型建模用户的方法和用户运动趋势统计分析方法。
本实例采用用户运动趋势统计分析方法计算各候选用户的动态信誉Cred，其实现如下：
(4.1)匿名服务器收集真实查询用户和各个候选用户历史查询覆盖区域信息CRU、最大速度信息Vmax和查询时间信息T，分别表示如下：
Figure GDA0002582571140000093
Figure GDA0002582571140000101
T＝{Tp-1,Tp,Tp+1}；
其中
Figure GDA0002582571140000102
表示真实查询用户历史查询覆盖区域集合；
Figure GDA0002582571140000103
表示第i个候选用户历史查询覆盖区域集合；
Figure GDA0002582571140000104
表示真实查询用户第J个历史查询覆盖区域信息；
Figure GDA0002582571140000105
表示第i个候选用户第J个历史查询覆盖区域信息；
Figure GDA0002582571140000106
表示真实查询用户第J个历史查询覆盖区域最大速度；
Figure GDA0002582571140000107
表示第i个候选用户第J个历史查询覆盖区域最大速度；Tp-1表示上一时刻查询时间；Tp表示当前时刻查询时间；Tp+1表示下一时刻查询时间；
(4.2)匿名服务器根据收集的真实查询用户和各个候选用户历史查询覆盖区域信息、最大速度信息和查询时间信息，分别以真实查询用户和各个候选用户的历史查询覆盖区域中心为圆心，以其各自最大查询速度与时间间隔ΔTp+1内的乘积为半径做圆，计算各个候选用户最大移动边界、真实查询用户最大移动边界区域面积、各候选用户与真实查询用户最大移动边界交集以及交集区域面积,并将其存入最大移动边界集合MMBS中：
Figure GDA0002582571140000108
其中MMBi表示第i个候选用户在Tp时刻和Tp+1时刻内，能到达的最大移动边界；MMi表示Tp时刻第i个候选用户和真实查询用户最大移动边界交集区域；
Figure GDA0002582571140000109
表示Tp时刻第i个候选用户和真实查询用户最大移动边界交集区域面积；MMBr表示真实查询用户在Tp时刻和Tp+1时刻内，能到达的最大移动边界；
Figure GDA0002582571140000111
表示Tp时刻真实查询用户最大移动边界区域面积；ΔTp+1＝Tp+1-Tp。
图5给出了一个最大移动边界形成过程以及其交集区域面积计算实例。其中图5中的(a)表示候选用户Uj和真实用户Ur的最大移动边界以及它们的交集区域；图5中的(a)中实线圆表示真实用户Ur的覆盖区域，虚线箭头表示各用户的移动方向，左侧较小虚线圆表示Tp时刻用户Uj的最大移动边界MMBj，其中包含1个可信用户和2个虚假用户；右侧较大虚线圆表示Tp时刻真实用户Ur的最大移动边界MMBr，其中包含8个可信用户、1个虚假用户和2个真实查询用户；这两个虚线圆交集区域表示Tp时刻虚假用户Uj和真实用户Ur最大移动边界的交集区域，即图5中的(a)阴影区域；
图5中的(b)是候选用户Uj和真实用户Ur的最大移动边界以及它们的交集区域的数学表示。图5中的(b)中左侧虚线圆表示Tp时刻用户Uj的最大移动边界MMBj，右侧虚线圆表示真实查询用户Ur的最大移动边界MMBr；图5中的(b)中共有A、B、C、E、F、
Figure GDA0002582571140000112
和
Figure GDA0002582571140000113
7个点，图5中的(b)阴影区域表示Tp时刻候选用户Uj和真实用户Ur最大移动边界交集区域MMj，该交集区域面积
Figure GDA0002582571140000114
计算如下：
首先，匿名服务器定义三个参数
Figure GDA0002582571140000115
和
Figure GDA0002582571140000116
然后，匿名服务器分别计算扇形
Figure GDA0002582571140000117
和扇形
Figure GDA0002582571140000118
的面积以及三角形
Figure GDA0002582571140000119
和三角形
Figure GDA00025825711400001110
的面积；
最后，由匿名服务器计算候选用户Uj和真实用户Ur最大移动边界交集区域MMj面积：
Figure GDA00025825711400001111
其中，
Figure GDA00025825711400001112
表示扇形
Figure GDA00025825711400001113
的面积；
Figure GDA00025825711400001114
表示扇形
Figure GDA00025825711400001115
的面积；
Figure GDA0002582571140000121
表示三角形
Figure GDA0002582571140000122
的面积；
Figure GDA0002582571140000123
表示三角形
Figure GDA0002582571140000124
的面积；
(4.3)匿名服务器根据收集的真实查询用户和各个候选用户历史查询覆盖区域信息、最大速度信息和查询时间信息，分别以真实查询用户和各个候选用户的历史查询覆盖区域中心为圆心，以其各自最大查询速度与时间间隔ΔTp的乘积为半径做圆，计算各个候选用户最大可达边界、真实查询用户最大可达边界区域面积、各候选用户与真实查询用户最大可达边界交集以及交集区域面积,并将其存入最大可达边界集合MABS：
Figure GDA0002582571140000125
其中MABi表示第i个候选用户在Tp时刻和Tp-1时刻内，能到达的最大可达边界；MAi表示Tp时刻第i个候选用户和真实查询用户最大可达边界交集区域；Si A表示Tp时刻第i个候选用户和真实查询用户最大可达边界交集区域面积；MABr表示真实查询用户在Tp-1时刻和Tp时刻内，能到达的最大可达边界；
Figure GDA0002582571140000126
表示Tp时刻真实查询用户最大可达边界区域面积；ΔTp＝Tp-Tp-1。
图6给出了一个候选用户Uj与真实查询用户Ur最大可达边界以及其交集区域面积计算实例。图6中共有三个虚线圆，其中最大的虚线圆表示Tp时刻真实查询用户Ur的最大移动边界MMBr，左侧较小虚线圆表示Tp时刻候选用户Uj的最大可达边界MABj，右侧较小虚线圆则表示Tp时刻真实用户Ur的最大可达边界MABr，中间的实线圆表示Tp时刻真实用户Ur的覆盖区域，图6中共有A′、B′、C′、E′、F′、
Figure GDA0002582571140000127
和
Figure GDA0002582571140000128
7个点，图6中阴影区域表示Tp时刻候选用户Uj和真实用户Ur最大可达边界的交集区域MAj，该交集区域的面积
Figure GDA0002582571140000129
计算如下：
首先，匿名服务器定义三个参数
Figure GDA0002582571140000131
和
Figure GDA0002582571140000132
然后匿名服务器分别计算扇形
Figure GDA0002582571140000133
和扇形
Figure GDA0002582571140000134
的面积以及三角形
Figure GDA0002582571140000135
和三角形
Figure GDA0002582571140000136
的面积；
最后，匿名服务器计算Tp时刻候选用户Uj和真实用户Ur最大可达边界交集区域MAj面积
Figure GDA0002582571140000137
Figure GDA0002582571140000138
其中，
Figure GDA0002582571140000139
表示扇形
Figure GDA00025825711400001310
的面积；
Figure GDA00025825711400001311
表示扇形
Figure GDA00025825711400001312
的面积；
Figure GDA00025825711400001313
表示三角形
Figure GDA00025825711400001314
的面积；
Figure GDA00025825711400001315
表示三角形
Figure GDA00025825711400001316
的面积；
(4.4)匿名服务器根据计算的最大移动边界集合信息MMBS和最大可达边界集合信息MABS，计算最大移动边界交集区域面积比值和最大可达边界的交集区域面积比值，并用其构成交集面积比值集合IAS：
Figure GDA00025825711400001317
其中
Figure GDA00025825711400001318
表示Tp时刻第i个候选用户和真实查询用户最大移动边界交集区域面积与真实查询用户最大移动边界区域面积间的比值；
Figure GDA00025825711400001319
表示Tp时刻第i个候选用户和真实查询用户最大可达边界交集区域面积与真实查询用户最大可达边界区域面积间的比值；
(4.5)匿名服务器根据收集的真实查询用户和各个候选用户历史查询覆盖区域信息、最大速度信息和查询时间信息，计算各候选用户与真实查询用户Tp时刻的欧式距离以及各欧式距离与真实查询用户Tp时刻覆盖区域直径之间的比值，并将其存入空间临近度集合
Figure GDA0002582571140000141
Figure GDA0002582571140000142
其中
Figure GDA0002582571140000143
表示第i个候选用户与真实查询用户Tp时刻的空间邻近度；Dr表示真实查询用户Tp时刻的覆盖区域直径；(xi,yi)表示第i个候选用户Tp时刻的位置信息；(xr,yr)表示真实查询用户Tp时刻的位置信息；
Figure GDA0002582571140000144
表示第i个候选用户与真实查询用户Tp时刻欧式距离与直径间的比值，且该比值的取值范围被划分为
Figure GDA0002582571140000145
和
Figure GDA0002582571140000146
两类；
(4.6)匿名服务器根据计算的交集面积比值集合IAS和临近度集合
Figure GDA0002582571140000147
制定各候选用户动态信誉值评估条件，共包括如下四种情况：
情况一：若
Figure GDA0002582571140000148
且
Figure GDA0002582571140000149
则
Figure GDA00025825711400001410
情况二：若
Figure GDA00025825711400001411
且
Figure GDA00025825711400001412
则
Figure GDA00025825711400001413
情况三：若
Figure GDA00025825711400001414
且
Figure GDA00025825711400001415
则
Figure GDA00025825711400001416
情况四：若
Figure GDA00025825711400001417
且
Figure GDA00025825711400001418
则
Figure GDA00025825711400001419
(4.7)匿名服务器根据制定的各候选用户动态信誉评估条件，评估各候选用户动态信誉，并将其存入动态信誉集合Cred：
Figure GDA00025825711400001420
其中
Figure GDA00025825711400001421
表示第i个候选用户的动态信誉值，且
Figure GDA00025825711400001422
仅为
Figure GDA00025825711400001423
这4种取值中的一种。
步骤5，匿名服务器利用计算出的静态信誉值Crec和动态信誉值Cred，计算各候选用户的整体信誉值Crew。
计算各候选用户的整体信誉值Crew可采用现有的马尔可夫模型建模用户的方法和历史查询信息统计分析方法。
本实例采用历史查询信息统计分析方法计算各候选用户的整体信誉值Crew，其实现如下：
匿名服务器对各候选用户静态信誉Crec和动态信誉Cred进行求和，其表示如下：
Figure GDA0002582571140000151
其中，
Figure GDA0002582571140000152
表示第i个候选用户的整体信誉值。
步骤6，匿名服务器将这N个候选用户分为
Figure GDA0002582571140000153
组，每组k-1个候选用户。
步骤7，匿名服务器计算这
Figure GDA0002582571140000154
组中每组k-1个候选用户的整体信誉值之和。
(7.1)匿名服务器收集
Figure GDA0002582571140000155
组候选用户信息G和真实查询用户信息
Figure GDA0002582571140000156
分别表示如下：
Figure GDA0002582571140000157
Figure GDA0002582571140000158
其中GF表示第F组候选用户信息，且
Figure GDA0002582571140000159
Figure GDA00025825711400001510
表示第F组第f个候选用户，且1≤f≤k-1；
Figure GDA00025825711400001511
表示第F组第f个候选用户位置信息；
Figure GDA00025825711400001512
表示第F组第f个候选用户整体信誉值；Ur表示Tp时刻真实查询用户；(xr,yr)表示Tp时刻真实查询用户的位置信息；QCr表示Tp时刻真实查询用户的查询内容信息；kr表示Tp时刻真实查询用户自己设定的匿名候选用户个数；
(7.2)匿名服务器根据收集整理的
Figure GDA0002582571140000161
组候选用户整体信誉值，计算这
Figure GDA0002582571140000162
组中每组候选用户整体信誉值之和，并将其存入整体信誉之和集合SCS：
Figure GDA0002582571140000163
其中
Figure GDA0002582571140000164
表示第F组候选用户整体信誉值之和。
步骤8，匿名服务器计算这
Figure GDA0002582571140000165
组中每组k-1个候选用户与真实查询者间的欧氏距离以及欧氏距离之和。
(8.1)匿名服务器根据收集的
Figure GDA0002582571140000166
组候选用户信息G和真实查询用户信息
Figure GDA0002582571140000167
计算
Figure GDA0002582571140000168
组中每组k-1个候选用户与真实查询者间的欧氏距离，并将其存入欧氏距离集合EDS：
Figure GDA0002582571140000169
其中DisF表示第F组中k-1个候选用户与真实查询者间的欧氏距离集合；
Figure GDA00025825711400001610
表示第F组中第f个候选用户与真实查询者间的欧氏距离；
(8.2)匿名服务器根据收集整理的
Figure GDA00025825711400001611
组候选用户与真实查询者间的欧氏距离信息EDS，计算这
Figure GDA00025825711400001612
组中每组候选用户与真实查询者间的欧氏距离之和，并将其存入欧式距离之和集合SDS：
Figure GDA0002582571140000171
其中
Figure GDA0002582571140000172
表示第F组候选用户与真实查询者间的欧氏距离之和。
步骤9，匿名服务器选择整体信誉值之和最大、形成匿名区域面积最小的组作为最终匿名用户组，并将最终匿名用户组中各候选用户信息与真实查询用户信息一起形成的最终查询集合FQ，其实现如下：
(9.1)匿名服务器根据计算出的整体信誉之和信息SCS和欧氏距离之和信息SDS，比较这
Figure GDA0002582571140000173
组候选用户的整体信誉之和以及欧氏距离之和，将整体信誉值最大且形成的匿名区域面积最小的候选用户组做为最终候选用户组FCUS：
Figure GDA0002582571140000174
其中
Figure GDA0002582571140000175
表示第H组第f个候选用户，且1≤f≤k-1，
Figure GDA0002582571140000176
且H≠F；
Figure GDA0002582571140000177
表示第H组第f个候选用户位置信息；
Figure GDA0002582571140000178
表示第H组中第f个候选用户的查询内容信息；
(9.2)匿名服务器将最终匿名用户组中各候选用户信息与真实查询用户信息一起形成最终查询集合FQ，表示如下：
Figure GDA0002582571140000179
其中，IDf表示第f个用户的最终身份信息，IDk表示真实查询用户的最终身份信息；(xf,yf)表示第f个用户的位置信息，QCf表示第f个用户的查询信息；
Figure GDA00025825711400001710
表示第H组第f个候选用户，且1≤f≤k-1，
Figure GDA0002582571140000181
且H≠F；
Figure GDA0002582571140000182
表示第H组第f个候选用户位置信息；
Figure GDA0002582571140000183
表示第H组中第f个候选用户的查询内容信息；Ur表示真实查询用户；(xr,yr)表示真实查询用户的位置信息；QCr表示真实查询用户的查询内容信息。
步骤10，匿名服务器、位置服务器和真实查询用户间进行信息交互。
(10.1)匿名服务器将最终查询集合FQ发送给位置服务器；
(10.2)位置服务器收到最终查询集合FQ后，查找自己的数据库，形成候选结果集CRS，并返回给匿名服务器；
(10.3)匿名服务器收到此候选结果集CRS后，根据真实查询用户的真实信息，筛选出其所需的查询结果，并将该查询结果返回给真实查询用户，真实查询用户记录在其缓存器中。
以上描述仅是本发明的一个具体实例，并未构成对本发明的任何限制，显然对于本领域的专业人员来说，在了解了本发明内容和原理后，都可能在不背离本发明原理、结构的情况下，进行形式和细节上的各种修改和改变，但是这些基于发明思想的修正和改变仍在本发明的权利要求保护范围之内。

Claims (4)

1.一种基于信誉评估的隐私保护方法，包括：
(1)基于若干移动用户、匿名服务器和位置服务器构成的隐私保护框架，由手机生产厂商为每部手机安装一个缓存装置，用于用户在查询过程中对有用信息的存储；
(2)匿名服务器将各候选用户整体信誉分为静态信誉和动态信誉，并分别计算各候选用户的静态信誉值Crec和动态信誉值Cred；
匿名服务器计算各候选用户的静态信誉Crec，其实现如下：
2a)匿名服务器收集和整理各个候选用户的历史查询覆盖区域信息，分别表示如下：
Figure FDA0002573598480000011
其中，
Figure FDA0002573598480000012
表示第i个候选用户的历史查询覆盖区域集合；
Figure FDA0002573598480000013
表示第i个候选用户的第J个历史查询覆盖区域，且1≤i≤N,1≤J≤ξ，ξ表示候选用户拥有的历史查询覆盖区域个数，且ξ≥1；N表示匿名区域中包含的候选用户总数，且N≥1；
2b)匿名服务器根据收集到的各个候选用户历史查询覆盖区域信息，计算各个候选用户出现在其他候选用户历史查询覆盖区域中的个数，并将其存入一个参与匿名个数集合PANS，即PANS＝{W1,W2,…,Wi,…,WN}，其中Wi表示第i个候选用户参与其他N-1个候选用户历史查询覆盖区域个数；
2c)匿名服务器根据收集到的各个候选用户历史查询覆盖区域信息，计算每个候选用户存在于其他N-1个候选用户历史查询覆盖区域中时，该候选用户与对应查询候选用户之间的欧式距离，并用计算出的所有欧式距离构成参与欧式距离集合PEDS：
Figure FDA0002573598480000021
其中，
Figure FDA0002573598480000022
表示第i个候选用户与其参与的第j个候选用户之间的欧式距离集合；
Figure FDA0002573598480000023
表示第i个候选用户与其参与的第j个候选用户第J个历史查询覆盖区域的欧式距离，1≤i≤N,1≤j≤N，且i≠j；1≤J≤ξ；
Figure FDA0002573598480000024
表示第i个候选用户在第J个历史查询覆盖区域的位置信息；
Figure FDA0002573598480000025
表示第j个候选用户在第J个历史查询覆盖区域的位置信息；
2d)匿名服务器根据收集到的各个候选用户历史查询覆盖区域信息，计算每个候选用户存在于其他N-1个候选用户历史查询覆盖区域中时，该候选用户查询覆盖区域直径，并将计算出的所有覆盖区域直径存入一个区域直径集合RDS，即
Figure FDA0002573598480000026
其中
Figure FDA0002573598480000027
表示第i个候选用户参与的第j个候选用户的直径集合；
Figure FDA0002573598480000028
表示第i个候选用户参与的第j个候选用户第J个历史查询覆盖区域的直径；
2e)匿名服务器根据计算出的参与欧式距离集合PEDS和区域直径集合RDS，计算各候选用户与对应查询候选用户间欧式距离和对应查询候选用户直径间的比值，并将计算的所有比值存入距离直径比值集合DDSS，即
Figure FDA0002573598480000031
其中
Figure FDA0002573598480000032
表示第i个候选用户与参与的第j个候选用户间欧式距离和第j个候选用户历史查询覆盖区域直径间的比值；
2f)匿名服务器对距离直径比值集合DDSS中的距离直径比值所属区间个数进行统计，即统计每一个候选用户的所有距离直径比值属于
Figure FDA0002573598480000033
和
Figure FDA0002573598480000034
三个区间的个数，并将所有统计个数存入一个比值个数集合SNS中：
Figure FDA0002573598480000035
其中
Figure FDA0002573598480000036
表示第i个候选用户参与所有N-1个候选用户的历史查询覆盖区域时，对应欧氏距离和历史覆盖区域直径比值属于
Figure FDA0002573598480000037
的个数；
Figure FDA0002573598480000038
表示第i个候选用户参与所有N-1个候选用户的历史查询覆盖区域时，对应欧氏距离和历史覆盖区域直径比值属于
Figure FDA0002573598480000039
的个数；
Figure FDA00025735984800000310
表示第i个候选用户参与所有N-1个候选用户的历史查询覆盖区域时，对应欧氏距离和历史覆盖区域直径比值属于
Figure FDA00025735984800000311
的个数；
2g)匿名服务器首先设定ε1、ε2、ε3和ε4四个系统参数，然后根据计算出的参与匿名个数集合PANS和比值个数集合SNS，计算各个候选用户的静态信誉值Crec：
Figure FDA0002573598480000041
其中
Figure FDA0002573598480000042
表示第i个候选用户的静态信誉值；ε1＝0.4；ε2＝0.1；ε3＝0.2；ε4＝0.3；
匿名服务器计算各候选用户的动态信誉Cred，按如下步骤进行：
2h)匿名服务器收集真实查询用户和各个候选用户历史查询覆盖区域信息CRU、最大速度信息Vmax和查询时间信息T，分别表示如下：
Figure FDA0002573598480000043
Figure FDA0002573598480000044
T＝{Tp-1,Tp,Tp+1}；
其中，
Figure FDA0002573598480000045
表示真实查询用户历史查询覆盖区域集合；
Figure FDA0002573598480000046
表示第i个候选用户历史查询覆盖区域集合；
Figure FDA0002573598480000047
表示真实查询用户第J个历史查询覆盖区域信息；
Figure FDA0002573598480000048
表示第i个候选用户第J个历史查询覆盖区域信息；
Figure FDA0002573598480000051
表示真实查询用户第J个历史查询覆盖区域最大速度；
Figure FDA0002573598480000052
表示第i个候选用户第J个历史查询覆盖区域最大速度；Tp-1表示上一时刻查询时间；Tp表示当前时刻查询时间；Tp+1表示下一时刻查询时间；
2i)匿名服务器根据收集的真实查询用户和各个候选用户历史查询覆盖区域信息、最大速度信息和查询时间信息，分别以真实查询用户和各个候选用户的历史查询覆盖区域中心为圆心，以其各自最大查询速度与时间间隔ΔTp+1内的乘积为半径做圆，计算各个候选用户最大移动边界、真实查询用户最大移动边界区域面积、各候选用户与真实查询用户最大移动边界交集以及交集区域面积,并将其存入最大移动边界集合MMBS中：
Figure FDA0002573598480000053
其中MMBi表示第i个候选用户在Tp时刻和Tp+1时刻内，能到达的最大移动边界；MMi表示Tp时刻第i个候选用户和真实查询用户最大移动边界交集区域；
Figure FDA0002573598480000054
表示Tp时刻第i个候选用户和真实查询用户最大移动边界交集区域面积；MMBr表示真实查询用户在Tp时刻和Tp+1时刻内，能到达的最大移动边界；
Figure FDA0002573598480000055
表示Tp时刻真实查询用户最大移动边界区域面积；ΔTp+1＝Tp+1-Tp；
2j)匿名服务器根据收集的真实查询用户和各个候选用户历史查询覆盖区域信息、最大速度信息和查询时间信息，分别以真实查询用户和各个候选用户的历史查询覆盖区域中心为圆心，以其各自最大查询速度与时间间隔ΔTp的乘积为半径做圆，计算各个候选用户最大可达边界、真实查询用户最大可达边界区域面积、各候选用户与真实查询用户最大可达边界交集以及交集区域面积,并将其存入最大可达边界集合MABS：
Figure FDA0002573598480000061
其中，MABi表示第i个候选用户在Tp-1时刻和Tp时刻内，能到达的最大可达边界；MAi表示Tp时刻第i个候选用户和真实查询用户最大可达边界交集区域；
Figure FDA0002573598480000062
表示Tp时刻第i个候选用户和真实查询用户最大可达边界交集区域面积；MABr表示真实查询用户在Tp-1时刻和Tp时刻内，能到达的最大可达边界；
Figure FDA0002573598480000063
表示Tp时刻真实查询用户最大可达边界区域面积；ΔTp＝Tp-Tp-1；
2k)匿名服务器根据计算的最大移动边界集合信息MMBS和最大可达边界集合信息MABS，计算最大移动边界交集区域面积比值和最大可达边界的交集区域面积比值，并用其构成交集面积比值集合IAS：
Figure FDA0002573598480000064
其中
Figure FDA0002573598480000065
表示Tp时刻第i个候选用户和真实查询用户最大移动边界交集区域面积与真实查询用户最大移动边界区域面积间的比值；
Figure FDA0002573598480000066
表示Tp时刻第i个候选用户和真实查询用户最大可达边界交集区域面积与真实查询用户最大可达边界区域面积间的比值；
2l)匿名服务器根据收集的真实查询用户和各个候选用户历史查询覆盖区域信息、最大速度信息和查询时间信息，计算各候选用户与真实查询用户Tp时刻的欧式距离以及各欧式距离与真实查询用户Tp时刻覆盖区域直径之间的比值，并将其存入空间临近度集合
Figure FDA0002573598480000067
Figure FDA0002573598480000068
其中
Figure FDA0002573598480000071
表示第i个候选用户与真实查询用户Tp时刻的空间邻近度；Dr表示真实查询用户Tp时刻的覆盖区域直径；(xi,yi)表示第i个候选用户Tp时刻的位置信息；(xr,yr)表示真实查询用户Tp时刻的位置信息；
Figure FDA0002573598480000072
表示第i个候选用户与真实查询用户Tp时刻欧式距离与直径间的比值，且该比值的取值范围被划分为
Figure FDA0002573598480000073
和
Figure FDA0002573598480000074
两类；
2m)匿名服务器根据计算的交集面积比值集合IAS和临近度集合
Figure FDA0002573598480000075
制定各候选用户动态信誉值评估条件，共包括如下四种情况：
情况一：若
Figure FDA0002573598480000076
且
Figure FDA0002573598480000077
则
Figure FDA0002573598480000078
情况二：若
Figure FDA0002573598480000079
且
Figure FDA00025735984800000710
则
Figure FDA00025735984800000711
情况三：若
Figure FDA00025735984800000712
且
Figure FDA00025735984800000713
则
Figure FDA00025735984800000714
情况四：若
Figure FDA00025735984800000715
且
Figure FDA00025735984800000716
则
Figure FDA00025735984800000717
2n)匿名服务器根据制定的各候选用户动态信誉评估条件，评估各候选用户动态信誉，并将其存入动态信誉集合Cred：
Figure FDA00025735984800000718
其中
Figure FDA00025735984800000719
表示第i个候选用户的动态信誉值，且
Figure FDA00025735984800000720
仅为
Figure FDA00025735984800000721
这4种取值中的一种；
(3)匿名服务器利用计算出的静态信誉值Crec和动态信誉值Cred，计算各候选用户的整体信誉值Crew；计算各候选用户的整体信誉值Crew，是对各候选用户静态信誉Crec和动态信誉Cred进行求和，其表示如下：
Figure FDA0002573598480000081
其中，
Figure FDA0002573598480000082
表示第i个候选用户的整体信誉值；
(4)匿名服务器将所有的候选用户分为
Figure FDA0002573598480000083
组，每组k-1个候选用户，其中N表示匿区域中包含的候选用户总数，k表示匿名保护时所需的最小用户个数；
(5)构建最终查询集合FQ：
5a)匿名服务器先计算
Figure FDA0002573598480000084
组中每组k-1个候选用户的整体信誉值之和，再计算各候选用户和真实查询者之间的欧氏距离；
5b)匿名服务器选择整体信誉值之和最大、形成匿名区域面积最小的组作为最终匿名用户组；
5c)匿名服务器将最终匿名用户组中各候选用户信息与真实查询用户信息一起，形成最终查询集合FQ，并发送给位置服务器；
(6)位置服务器收到最终查询集合FQ后，查找自己的数据库，形成候选结果集CRS，并返回给匿名服务器；
(7)匿名服务器根据真实查询用户的真实信息，筛选出满足其要求的查询结果，并返回给真实查询用户将其记录在缓存器中。
2.根据权利要求1所述的方法，其中所述(5a)中匿名服务器计算
Figure FDA0002573598480000085
组中每组k-1个候选用户的整体信誉值之和SCS以及各候选用户与真实查询用户间的欧氏距离EDS，按如下步骤进行：
5a1)匿名服务器收集
Figure FDA0002573598480000086
组候选用户信息G和真实查询用户信息
Figure FDA0002573598480000087
分别表示如下：
Figure FDA0002573598480000091
Figure FDA0002573598480000092
其中GF表示第F组候选用户信息，且
Figure FDA0002573598480000093
Figure FDA0002573598480000094
表示第F组第f个候选用户，且1≤f≤k-1；
Figure FDA0002573598480000095
表示第F组第f个候选用户位置信息；
Figure FDA0002573598480000096
表示第F组第f个候选用户整体信誉值；Ur表示Tp时刻真实查询用户；(xr,yr)表示Tp时刻真实查询用户的位置信息；QCr表示Tp时刻真实查询用户的查询内容信息；kr表示Tp时刻真实查询用户自己设定的匿名候选用户个数；
5a2)匿名服务器根据收集整理的
Figure FDA0002573598480000097
组候选用户整体信誉值，计算这
Figure FDA0002573598480000098
组中每组候选用户整体信誉值之和，并将其存入整体信誉之和集合SCS：
Figure FDA0002573598480000099
其中
Figure FDA00025735984800000910
表示第F组候选用户整体信誉值之和；
5a3)匿名服务器计算
Figure FDA00025735984800000911
组中每组k-1个候选用户与真实查询用户间的欧氏距离并将其存入欧氏距离集合EDS：
Figure FDA0002573598480000101
其中DisF表示第F组中k-1个候选用户与真实查询者间的欧氏距离集合；
Figure FDA0002573598480000102
表示第F组中第f个候选用户与真实查询者间的欧氏距离。
3.根据权利要求1所述的方法，其中(5b)中匿名服务器选择整体信誉值之和最大、形成匿名区域面积最小的组作为最终匿名用户组，按如下步骤进行：
5b1)匿名服务器根据收集整理的
Figure FDA0002573598480000103
组候选用户与真实查询者间的欧氏距离信息EDS，计算这
Figure FDA0002573598480000104
组中每组候选用户与真实查询者间的欧氏距离之和，并将其存入欧式距离之和集合SDS：
Figure FDA0002573598480000105
其中
Figure FDA0002573598480000106
表示第F组候选用户与真实查询者间的欧氏距离之和；
5b2)匿名服务器根据计算出的整体信誉之和信息SCS和欧氏距离之和信息SDS，比较这
Figure FDA0002573598480000107
组候选用户的整体信誉之和以及欧氏距离之和，将整体信誉值最大且形成的匿名区域面积最小的候选用户组做为最终候选用户组FCUS：
Figure FDA0002573598480000108
其中
Figure FDA0002573598480000109
表示第H组第f个候选用户，且1≤f≤k-1，
Figure FDA00025735984800001010
且H≠F；
Figure FDA00025735984800001011
表示第H组第f个候选用户位置信息；
Figure FDA00025735984800001012
表示第H组中第f个候选用户的查询内容信息。
4.根据权利要求1所述的方法，其中(5c)中匿名服务器将最终匿名用户组中各候选用户信息与真实查询用户信息一起形成最终查询集合FQ，表示如下：
Figure FDA0002573598480000111
其中，IDf表示第f个用户的最终身份信息，IDk表示真实查询用户的最终身份信息；(xf,yf)表示第f个用户的位置信息，QCf表示第f个用户的查询信息；
Figure FDA0002573598480000112
表示第H组第f个候选用户，且1≤f≤k-1，
Figure FDA0002573598480000113
且H≠F；
Figure FDA0002573598480000114
表示第H组第f个候选用户位置信息；
Figure FDA0002573598480000115
表示第H组中第f个候选用户的查询内容信息；Ur表示真实查询用户；(xr,yr)表示真实查询用户的位置信息；QCr表示真实查询用户的查询内容信息。
CN201910632483.XA 2018-12-20 2019-07-13 基于信誉评估的隐私保护方法 Active CN110430526B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN2018115622886 2018-12-20
CN201811562288 2018-12-20

Publications (2)

Publication Number Publication Date
CN110430526A CN110430526A (zh) 2019-11-08
CN110430526B true CN110430526B (zh) 2020-09-08

Family

ID=68409381

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910632483.XA Active CN110430526B (zh) 2018-12-20 2019-07-13 基于信誉评估的隐私保护方法

Country Status (1)

Country Link
CN (1) CN110430526B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US12125054B2 (en) 2019-09-25 2024-10-22 Valideck International Corporation System, devices, and methods for acquiring and verifying online information

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113139208B (zh) * 2021-05-20 2022-12-13 贵州大学 一种基于位置熵的差分隐私用户位置数据保护方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104168563A (zh) * 2014-08-15 2014-11-26 西安电子科技大学 一种基于本地信誉存储的k-匿名激励机制
CN104881800A (zh) * 2015-06-03 2015-09-02 西北工业大学 一种基于移动群智感知的激励机制实现方法
CN105578412A (zh) * 2015-12-21 2016-05-11 东北大学 一种基于位置服务的位置匿名方法及系统
CN107317801A (zh) * 2017-06-05 2017-11-03 中南大学 非完全可信用户协作无匿名区域的位置隐私保护方法

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20070078787A1 (en) * 2001-08-17 2007-04-05 Randy Mersky Method and apparatus for conducting transactions over a network
US7698208B2 (en) * 2002-12-09 2010-04-13 Creditex Group, Inc. Systems and methods for an online credit derivative trading system
CN107749836B (zh) * 2017-09-15 2020-07-31 江苏大学 面向用户隐私保护与数据可靠性的移动感知系统及其移动感知方法
CN108108395B (zh) * 2017-11-29 2020-07-17 中国科学院光电研究院 一种互助导航定位数据可信度评价方法及系统
CN108540936B (zh) * 2017-12-18 2020-08-04 西安电子科技大学 基于预测的隐私保护方法
CN108810155B (zh) * 2018-06-19 2020-11-03 中国科学院光电研究院 一种车联网车辆位置信息可信度评价方法及系统

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104168563A (zh) * 2014-08-15 2014-11-26 西安电子科技大学 一种基于本地信誉存储的k-匿名激励机制
CN104881800A (zh) * 2015-06-03 2015-09-02 西北工业大学 一种基于移动群智感知的激励机制实现方法
CN105578412A (zh) * 2015-12-21 2016-05-11 东北大学 一种基于位置服务的位置匿名方法及系统
CN107317801A (zh) * 2017-06-05 2017-11-03 中南大学 非完全可信用户协作无匿名区域的位置隐私保护方法

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US12125054B2 (en) 2019-09-25 2024-10-22 Valideck International Corporation System, devices, and methods for acquiring and verifying online information

Also Published As

Publication number Publication date
CN110430526A (zh) 2019-11-08

Similar Documents

Publication Publication Date Title
To et al. Privacy-preserving online task assignment in spatial crowdsourcing with untrusted server
CN105718465B (zh) 地理围栏生成方法及装置
CN110334293B (zh) 面向位置社交网络的基于模糊聚类的具有时间感知的位置推荐方法
CN105809502A (zh) 交易风险检测方法和装置
CN109729077B (zh) 基于动态位置关联的隐私保护方法
CN108540936B (zh) 基于预测的隐私保护方法
CN109327485B (zh) 一种位置信息的隐匿方法及位置服务器
CN109284449B (zh) 兴趣点的推荐方法和装置
CN106971345A (zh) 一种基于位置社交网络的地点推荐方法
CN113255002B (zh) 一种保护多方隐私的联邦k近邻查询方法
Wang et al. $ N $-in-One: A Novel Location-Based Service
Galdames et al. Batching location cloaking techniques for location privacy and safety protection
CN110430526B (zh) 基于信誉评估的隐私保护方法
CN111797433A (zh) 一种基于差分隐私的lbs服务隐私保护方法
Zhao et al. A novel dummy-based KNN query anonymization method in mobile services
CN112837078B (zh) 一种基于集群的用户异常行为检测方法
CN109379717A (zh) 基于假位置的时空关联隐私保护方法
CN110365677B (zh) 基于用户分类的隐私保护方法
Alyousef et al. Preserving location privacy in the IoT against advanced attacks using deep learning
CN108260083B (zh) 基于位置模糊的隐私保护方法
Shi et al. Where are WeChat users: a geolocation method based on user missequence state analysis
Wu et al. Practical privacy protection scheme in WiFi fingerprint-based localization
CN109617870B (zh) 基于动态运动模式的隐私保护方法
CN110929171A (zh) 一种基于场景和社交网络位置的兴趣点推荐方法
CN114048380A (zh) 一种基于图神经网络的兴趣点推荐方法

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