CN111464943B - 一种用于附近的人应用中的新型虚拟位置生成方法 - Google Patents

一种用于附近的人应用中的新型虚拟位置生成方法 Download PDF

Info

Publication number
CN111464943B
CN111464943B CN202010247472.2A CN202010247472A CN111464943B CN 111464943 B CN111464943 B CN 111464943B CN 202010247472 A CN202010247472 A CN 202010247472A CN 111464943 B CN111464943 B CN 111464943B
Authority
CN
China
Prior art keywords
virtual
real
virtual position
location
probability
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
CN202010247472.2A
Other languages
English (en)
Other versions
CN111464943A (zh
Inventor
王江锋
姚宇巍
张新鹏
吴汉舟
冯国瑞
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.)
University of Shanghai for Science and Technology
Original Assignee
University of Shanghai for Science and Technology
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 University of Shanghai for Science and Technology filed Critical University of Shanghai for Science and Technology
Priority to CN202010247472.2A priority Critical patent/CN111464943B/zh
Publication of CN111464943A publication Critical patent/CN111464943A/zh
Application granted granted Critical
Publication of CN111464943B publication Critical patent/CN111464943B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/01—Social networking
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W12/00—Security arrangements; Authentication; Protecting privacy or anonymity
    • H04W12/60—Context-dependent security
    • H04W12/63—Location-dependent; Proximity-dependent
    • 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
    • H04W4/029—Location-based management or tracking services

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Business, Economics & Management (AREA)
  • Computer Security & Cryptography (AREA)
  • General Physics & Mathematics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Genetics & Genomics (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Physiology (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Information Transfer Between Computers (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提出了一种用于附近的人应用中的新型虚拟位置生成方法。本方法是：将虚拟位置生成问题等价地转化为一个约束最优化问题。其优化的目标为使虚拟位置映射到真实位置的条件熵最大，即使得攻击者从生成的虚拟位置得出真实位置的信息量最少。约束条件为生成的虚拟位置与真实位置之间的平均误差距离不能大于阈值，以避免附近的人应用的服务质量下降。本方法可应用于附近的人服务器上，通过求解该约束最优化方程，即可为每一个用户生成一组虚拟位置点的条件概率。根据此概率，每个用户都可以随机生成一个满足安全性与实用性的最优虚拟位置，使得攻击者无法通过多点定位攻击获得用户真实位置。

Description

一种用于附近的人应用中的新型虚拟位置生成方法
技术领域
本发明涉及信息安全与隐私保护领域，具体涉及一种用于“附近的人”应用中的新型虚拟位置生成方法，它是利用约束最优化理论为用户生成虚拟位置点，为了最大程度保护用户的位置隐私并保障“附近的人”应用服务体验而提出的一种方法。
背景技术
随着基于位置的服务(Location-based Service)的普及，类似于“附近的人”(People-Nearby Applications)这种基于位置的社交网络(Location-based SocialNetwork)开始成为人们挖掘新社交关系的热门方法。在这些“附近的人”应用中，用户需要提交自己的位置信息，得到一个根据相对距离排序的附近用户列表。列表中包含附近用户的昵称，性别以及距离中心用户的相对距离。当前主流的相对距离表示方法有两种：“用户A距离您300米以内”和“用户A在距离您约300米的位置”。这两种表达形式都将用户A的精确坐标转化为一个以中心用户位置为圆心，以相对距离为半径的环形区域，这样能既传递距离信息又能保护位置隐私。
然而，这种简单转换无法抵御位置同质攻击和多点定位攻击。位置同质攻击是利用实际环境中每个区域的人群密度不均匀的特性来缩小用户A的范围。比如超市是人群密集地，而河流、湖泊中不大可能出现人群。当攻击者B查询到“用户A距离自己约300米”时，攻击者B对以自身位置为圆心，以300米为半径的环形区域进行筛选，去除人群密度极小的区域并定位人群密度较大的区域，那么用户A的模糊范围就远远小于期望的环形区域。同时，如果攻击者具有强大的先验知识，那么通过上传虚拟坐标给服务器，可以实现在不同位置同时定位同一用户。以不同虚拟坐标为中心，以对应的相对距离为半径的环形区域会产生重叠，这样大大缩小了用户A的模糊区域。如图1所示，仅用三个虚拟坐标点，就能准确定位中心的红色用户。在实际攻击场景中，使用多点定位攻击对现有隐私保护方法下的用户坐标进行定位，攻击误差可以缩小至5米以内。
发明内容
本发明的目的在于针对已有技术存在的不足，提供一种用于“附近的人”应用中的新型虚拟位置生成方法，利用虚拟位置来代替真实位置抵御多点定位攻击。本方法能够为每一个真实位置生成一组虚拟位置的条件概率，以此生成最优虚拟位置来抵御多点定位攻击。
为了实现以上目的，本发明的构想是：
将虚拟位置生成问题转化为一个约束最优化方程求解问题，该最优化方程用于平衡安全性和实用性。第一，从信息论的角度出发，定义虚拟位置的安全性目标为：由虚拟位置所能得到关于真实位置的信息量应当小。第二，定义虚拟位置的实用性目标为：虚拟位置和真实位置所得到的服务质量应当相似。最优化方程应当是以安全性为目标函数，实用性为约束条件的最优化方程。通过求解该方程，得到一组虚拟位置的条件概率，再以此生成最佳虚拟位置。
根据上述发明构想，本发明采用下述技术方案：
一种用于附近的人应用中的新型虚拟位置生成方法，具体操作步骤如下：
1)根据历史记录，统计每个位置的用户概率；
2)使用给定虚拟位置下真实位置的条件概率的信息熵作为安全性指标；
3)使用真实位置与虚拟位置之间的欧式距离作为实用性指标；
4)以安全性指标作为目标函数，实用性指标作为约束条件，得到约束最优化方程，求解该方程得到真实位置到虚拟位置的映射概率。
本发明与现有技术相比，具有如下显而易见的突出实质性和技术进步：
1)本发明提出了使用信息熵来定义虚拟位置的安全性。通过最大化信息熵，使攻击者无法从虚拟位置得到真实位置的信息。
2)本发明提出了一种将虚拟位置生成问题转化为约束最优化求解问题的方法。该约束最优化求解通过平衡安全性和实用性得到一组真实位置与候选虚拟位置之间的映射概率。解决了现有技术随机生成虚拟位置的不合理问题，提高了位置隐私的安全性。
3)本发明提出了一种虚拟位置生成方法，根据真实位置与候选虚拟位置之间的映射概率，为每一个用户真实位置生成最优虚拟位置点。多点定位攻击仅能定位至虚拟位置点却无法推测真实位置。
附图说明
图1是多点定位攻击示意图。
图2是一种用于附近的人应用中的新型虚拟位置生成方法的流程图。
图3是真实位置，虚拟位置和相对距离三者的映射示意图。
图4是示例中用户真实位置的概率分布图。
图5是示例中本发明生成的虚拟位置的概率分布图。
具体实施方式
以下结合附图对本发明的具体实施例进行详细描述：
首先，约定真实位置
Figure GDA0003155215680000021
可能会生成的虚拟位置为
Figure GDA0003155215680000022
如图2所示，一种用于附近的人应用中的新型虚拟位置生成方法，具体操作步骤如下：
步骤1：根据历史记录，统计在规定时间内每个位置出现过的用户数，
Figure GDA0003155215680000031
表示在ui位置上出现的用户数。从而得到每个位置上可能出现用户的概率p(ui)；
Figure GDA0003155215680000032
步骤2：理论上每一个真实位置都可以用于作为虚拟位置，但从不同的虚拟位置得到真实位置的信息量是不同的，因此使用先验概率p(ui|vj)的信息熵作为安全性指标：
Figure GDA0003155215680000033
信息熵H(U|vj)越大，意味着给定虚拟位置vj，真实位置ui的不确定性越大，即攻击者越难从虚拟位置vj推测出真实位置ui的信息；
步骤3：考虑安全性的同时，实用性不能降低。用户上传虚拟位置得到的服务应当与上传真实位置得到的服务相近。因为“附近的人”是基于位置的服务，所以服务质量与位置之间相关，即虚拟位置不应距离真实位置过远。因此使用虚拟位置与真实位置的平均误差距离作为实用性指标：
Figure GDA0003155215680000034
其中，Distance(ui,vj)表示真实位置与虚拟位置之间的欧式距离。该平均误差距离应当小于阈值ei。该阈值由用户自定义。阈值越大，安全性越高但实用性下降；相反，实用性越高。对于人群密度分布极不均匀的区域，为了更好的安全性，阈值ei可以适当提高。对于人群密度分布较均匀且服务质量要求较高，较低阈值ei也能得到很高的安全性；
步骤4：将安全性指标设为优化目标函数，将实用性指标作为约束条件，同时要保证概率和为1的硬性约束条件。由此可以列出完整的约束最优化方程，如下：
Figure GDA0003155215680000035
Figure GDA0003155215680000036
本实施例使用遗传算法来求解该约束最优化方程，得到一组真实位置到虚拟位置的映射概率p(vj|ui)。
以上，我们可以根据条件概率为每一个真实位置随机生成一个虚拟位置。攻击者通过多点定位攻击仅能得到虚拟位置坐标。由于攻击者缺乏p(vj|ui)的信息，因此无法由虚拟位置反推真实位置。
如图3所示，本发明为每一个用户的真实位置生成一组条件概率，即真实位置以不同概率映射多个虚拟位置；所生成的虚拟位置会经过现有方法得到相对距离，虚拟位置与相对距离的映射是一一对应的。
如图4，图5所示，用户真实位置的概率分布非常不均匀，易于被攻击者攻击所得。经过本发明得到的虚拟位置的概率分布较真实位置的概率分布明显更均匀。对于攻击者而言，均匀分布是最难推测用户真实位置的情况，反之，对于用户的位置隐私而言，均匀分布是最安全的情况。
本发明提出了一种用于附近的人应用中的新型虚拟位置生成方法。本方法是：本方案将虚拟位置生成问题等价地转化为一个约束最优化问题。其优化的目标为使虚拟位置映射到真实位置的条件熵最大，即使得攻击者从生成的虚拟位置得出真实位置的信息量最少。约束条件为生成的虚拟位置与真实位置之间的平均误差距离不能大于阈值，以避免附近的人应用的服务质量下降。本方法可应用于附近的人服务器上，通过求解该约束最优化方程，即可为每一个用户生成一组虚拟位置点的条件概率。根据此概率，每个用户都可以随机生成一个满足安全性与实用性的最优虚拟位置，使得攻击者无法获得用户真实位置的信息，从而保护用户的位置隐私。

Claims (1)

1.一种用于附近的人应用中的新型虚拟位置生成方法，其特征在于，具体操作步骤如下：
1)根据历史记录，统计每个位置的用户概率；
Figure FDA0003155215670000016
表示在ui位置上出现的用户数；从而得到每个位置上可能出现用户的概率p(ui)；
Figure FDA0003155215670000011
2)使用给定虚拟位置下真实位置的条件概率的信息熵作为安全性指标；具体为：
使用先验概率p(ui|vj)的信息熵作为安全性指标：
Figure FDA0003155215670000012
信息熵H(U|vj)越大，意味着给定虚拟位置vj，真实位置ui的不确定性越大，即攻击者越难从虚拟位置vj推测出真实位置ui的信息；
3)使用真实位置与虚拟位置之间的欧式距离作为实用性指标；使用虚拟位置与真实位置的平均误差距离作为实用性指标：
Figure FDA0003155215670000013
其中，Distance(ui，vj)表示真实位置与虚拟位置之间的欧式距离；该平均误差距离应当小于阈值ei；该阈值由用户自定义，阈值越大，安全性越高但实用性下降；相反，实用性越高；
4)以安全性指标作为目标函数，实用性指标作为约束条件，得到约束最优化方程，求解该方程得到真实位置到虚拟位置的映射概率；具体为：保证概率和为1的硬性约束条件，由此可以列出完整的约束最优化方程，如下：
Figure FDA0003155215670000014
Figure FDA0003155215670000015
使用遗传算法来求解该约束最优化方程，得到一组真实位置到虚拟位置的映射概率p(vj|ui)；
根据条件概率为每一个真实位置随机生成一个虚拟位置，攻击者通过多点定位攻击仅能得到虚拟位置坐标，由于攻击者缺乏p(vj|ui)的信息，则无法由虚拟位置反推真实位置。
CN202010247472.2A 2020-03-31 2020-03-31 一种用于附近的人应用中的新型虚拟位置生成方法 Active CN111464943B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010247472.2A CN111464943B (zh) 2020-03-31 2020-03-31 一种用于附近的人应用中的新型虚拟位置生成方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010247472.2A CN111464943B (zh) 2020-03-31 2020-03-31 一种用于附近的人应用中的新型虚拟位置生成方法

Publications (2)

Publication Number Publication Date
CN111464943A CN111464943A (zh) 2020-07-28
CN111464943B true CN111464943B (zh) 2021-10-12

Family

ID=71681592

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010247472.2A Active CN111464943B (zh) 2020-03-31 2020-03-31 一种用于附近的人应用中的新型虚拟位置生成方法

Country Status (1)

Country Link
CN (1) CN111464943B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111967049A (zh) * 2020-08-19 2020-11-20 支付宝(杭州)信息技术有限公司 位置信息的隐私保护方法、装置及电子设备
CN112601173B (zh) * 2020-11-30 2021-10-08 西安电子科技大学 5g定位真值检测与攻击溯源方法、系统、设备及应用

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104468728A (zh) * 2014-11-06 2015-03-25 北京邮电大学 一种基于信息熵和方差的服务选择方法
CN107770270A (zh) * 2017-10-20 2018-03-06 辽宁工业大学 一种基于用户偏好选择的历史信息假位置生成方法
CN109067750A (zh) * 2018-08-14 2018-12-21 中国科学院信息工程研究所 一种基于匿名的位置隐私保护方法及装置
CN110062324A (zh) * 2019-03-28 2019-07-26 南京航空航天大学 一种基于k-匿名的个性化位置隐私保护方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104918214B (zh) * 2015-04-16 2018-05-25 南京工业大学 一种位置服务中隐私保护量化分析方法
CN110852521B (zh) * 2019-11-18 2022-06-07 中国人民解放军国防科技大学 一种欺骗路径生成方法及装置

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104468728A (zh) * 2014-11-06 2015-03-25 北京邮电大学 一种基于信息熵和方差的服务选择方法
CN107770270A (zh) * 2017-10-20 2018-03-06 辽宁工业大学 一种基于用户偏好选择的历史信息假位置生成方法
CN109067750A (zh) * 2018-08-14 2018-12-21 中国科学院信息工程研究所 一种基于匿名的位置隐私保护方法及装置
CN110062324A (zh) * 2019-03-28 2019-07-26 南京航空航天大学 一种基于k-匿名的个性化位置隐私保护方法

Also Published As

Publication number Publication date
CN111464943A (zh) 2020-07-28

Similar Documents

Publication Publication Date Title
CN111464943B (zh) 一种用于附近的人应用中的新型虚拟位置生成方法
Wang et al. Differential location privacy for sparse mobile crowdsensing
Fang et al. Principal component localization in indoor WLAN environments
Margolies et al. Can you find me now? Evaluation of network-based localization in a 4G LTE network
CN110602145B (zh) 一种基于位置服务的轨迹隐私保护方法
CN114564746B (zh) 基于客户端权重评价的联邦学习方法和系统
CN104080081B (zh) 一种适用于移动端位置隐私保护的空间匿名化方法
Kumar et al. An energy efficient and optimized load balanced localization method using CDS with one-hop neighbourhood and genetic algorithm in WSNs
CN109214205A (zh) 一种群智感知中基于k-匿名的位置及数据隐私保护方法
Niu et al. A real-time data collection mechanism with trajectory privacy in mobile crowd-sensing
Higuchi et al. AnonyCast: privacy-preserving location distribution for anonymous crowd tracking systems
CN105530609B (zh) 基于Wi-Fi指纹的高效隐私保护的室内定位方法
Zhou et al. DV-Hop localization algorithm based on bacterial foraging optimization for wireless multimedia sensor networks
CN108259185A (zh) 一种群组通信中抗泄漏的群密钥协商系统及方法
Peng et al. 3D indoor localization based on spectral clustering and weighted backpropagation neural networks
Wu et al. Practical privacy protection scheme in WiFi fingerprint-based localization
Chen et al. Cellular network location estimation via RSS-based data clean enhanced scheme
CN113268770B (zh) 基于用户活跃度的轨迹k匿名隐私保护方法
CN110138481A (zh) 一种基于逆变换法的Nakagami复随机数生成方法
Ma et al. Service demand prediction with incomplete historical data
Kotwal et al. Development of range free three dimensional localisation in wireless sensor networks
CN111309779B (zh) 基于聚类技术实现波束参数样本收集的方法及系统
Wang et al. Signal distribution oriented mean functions in gpr based fingerprint augment
Ng et al. Footfall count estimation techniques using mobile data
CN114125702B (zh) 一种基于蒙特卡罗算法的位置信息指纹化保护方法

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