CN111787118A - 基于城市交通的隐私保护压缩感知实时交通监测方法 - Google Patents

基于城市交通的隐私保护压缩感知实时交通监测方法 Download PDF

Info

Publication number
CN111787118A
CN111787118A CN202010649250.3A CN202010649250A CN111787118A CN 111787118 A CN111787118 A CN 111787118A CN 202010649250 A CN202010649250 A CN 202010649250A CN 111787118 A CN111787118 A CN 111787118A
Authority
CN
China
Prior art keywords
data
protocol
privacy protection
compressed sensing
secure
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
Application number
CN202010649250.3A
Other languages
English (en)
Other versions
CN111787118B (zh
Inventor
刘西蒙
郭文忠
李家印
李小燕
庄宏斌
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.)
Fuzhou University
Original Assignee
Fuzhou 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 Fuzhou University filed Critical Fuzhou University
Priority to CN202010649250.3A priority Critical patent/CN111787118B/zh
Publication of CN111787118A publication Critical patent/CN111787118A/zh
Priority to PCT/CN2021/070810 priority patent/WO2022007379A1/zh
Priority to US17/152,990 priority patent/US11303620B2/en
Application granted granted Critical
Publication of CN111787118B publication Critical patent/CN111787118B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/01—Protocols
    • H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks
    • 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
    • H04L63/0485—Networking architectures for enhanced packet encryption processing, e.g. offloading of IPsec packet processing or efficient security association look-up
    • 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
    • H04L63/0407—Network architectures or network communication protocols for network security for providing a confidential data exchange among entities communicating through data packet networks wherein the identity of one or more communicating identities is hidden
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0108—Measuring and analyzing of parameters relative to traffic conditions based on the source of data
    • G08G1/0112—Measuring and analyzing of parameters relative to traffic conditions based on the source of data from the vehicle, e.g. floating car data [FCD]
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0108—Measuring and analyzing of parameters relative to traffic conditions based on the source of data
    • G08G1/0116—Measuring and analyzing of parameters relative to traffic conditions based on the source of data from roadside infrastructure, e.g. beacons
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0125—Traffic data processing
    • G08G1/0129—Traffic data processing for creating historical data or processing based on historical data
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/052—Detecting movement of traffic to be counted or controlled with provision for determining speed or overspeed
    • 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
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L69/00—Network arrangements, protocols or services independent of the application payload and not provided for in the other groups of this subclass
    • H04L69/04—Protocols for data compression, e.g. ROHC

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Security & Cryptography (AREA)
  • Computing Systems (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Signal Processing (AREA)
  • Analytical Chemistry (AREA)
  • Chemical & Material Sciences (AREA)
  • Computer Hardware Design (AREA)
  • General Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明涉及一种基于城市交通的隐私保护压缩感知实时交通监测方法，包括以下步骤：步骤S1:将处于隐私保护下的车辆数据分为两部分发送给两个不同的路侧单元进行预处理；步骤S2:两个不同的路侧单元将预处理后的车辆数据分别外包给两个云平台，根据最终期望得到的运算结果，并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对数据加密；步骤S3:导航服务提供商从云平台接收加密数据并解密，再通过压缩感知技术实现对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，加快了数据处理速度且数据处理准确无误，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

基于城市交通的隐私保护压缩感知实时交通监测方法
技术领域
本发明涉及城市的交通估计领域，具体涉及一种基于隐私保护压缩感知的城市交通状态实时监测方法。
背景技术
近年来，随着中国城市化的进程加快，行驶在城市道路上的车辆越来越多，这使得交通拥堵的问题日渐突出。长时间的交通拥堵不仅造成时间和能源的严重浪费，一定程度上影响了城市经济效率，同时也增加了交通事故发生的概率。相比较于城市道路的扩建速度，车辆的数量增长速度显然更为迅速，这意味着城市交通拥堵问题将会愈发严重。近几年，人们已广泛意识到城市交通实时监控的重要性，令驾驶人员时刻了解道路的拥堵状况可以有效缓解交通拥堵问题。传统的交通拥堵估算方法都是以静态交通传感器为基础的，如闭路摄像机和感应线圈检测器，然而这些传统方法的部署和维护成本过高，不适合大规模使用。随着车载传感器性能的不断提高，采集车辆数据已成为获取交通拥堵状况的重要手段，如Google和Baidu地图就使用了这种方式。然而，由于道路众多，获取交通拥堵状况需要收集和分析大量的车辆数据，这就对数据存储和数据处理提出了新的要求。因此，我们迫切希望找到一种既能提供足够的数据存储又具有强大的数据处理能力的设备。
通过分析车辆数据来实现交通监控需要将车辆数据外包到云上，然而这些数据包含一些敏感信息，如GPS位置、报告时间和车速等，我们需要确保外包数据在未经授权的情况下不会发生泄露。如果攻击者连续截获到车速和GPS位置等数据，则可以通过挖掘技术预测驾驶员的行驶路线。不仅如此，GPS位置信息还会暴露驾驶员经常去的地方，比如家、办公室和餐馆。此外，还可以通过比较起始位置和从里程表收集数据来预测驾驶员的目的地。因此，保护数据的隐私是极其重要的。数据加密的算法有同态加密(HE)算法和安全多方计算(MPC)。然而，即使云中存储的外包数据是加密的，若想在不损害原始数据隐私性的前提下加快数据加密算法的运算效率仍然是一个难题。此外，随着城市道路数量和车辆数量的急剧增加，收集所有道路的数据并不现实，因为这会增加交通监控的时间延迟，我们有必要用少量数据估算整个道路网络的交通拥堵状况。
发明内容
有鉴于此，本发明的目的在于提供一种基于隐私保护压缩感知的城市交通状态实时监测方法，能够显著地增强车辆数据隐私保护的能力，加快了数据处理速度且数据处理准确无误，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。
为实现上述目的，本发明采用如下技术方案：
一种基于隐私保护压缩感知的城市交通状态实时监测方法，包括以下步骤：
步骤S1:将处于隐私保护下的车辆数据分为两部分发送给两个不同的路侧单元进行预处理；
步骤S2:两个不同的路侧单元将预处理后的车辆数据分别外包给两个云平台，
根据最终期望得到的运算结果，并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对数据加密；
步骤S3:导航服务提供商从云平台接收加密数据并解密，再通过压缩感知技术实现对城市交通状态的估计。
进一步的，所述步骤S1具体为：
步骤S11:设一个城市有n条道路，T时间段内某一路段j上所有车辆上传的所有数据有m条，每条数据的格式为u＝[t,v,lat,lon]，其中t为上传时间，v为车辆瞬时速度，lat与lon为车辆的经纬度；
步骤S12:系统将上报数据构建为向量Uj＝[u(j,1),u(j,2),…,u(j,m)]T和矩阵M＝[U1,U2,…,Un]，如下：
Figure BDA0002574288000000031
接着将矩阵M随机地分成两部分，即M′和M″，如下：
Figure BDA0002574288000000032
其中u(i,j)代表第jth个路段报告的第ith个数据集，而u′(i,j)和u″(i,j)表示u(i,j)的两个随机分量，即u(i,j)＝u′(i,j)+u″(i,j)；
步骤S13:将两个随机分量，分别发送给不同的路侧单元；
步骤S14:当路侧单元接收到数据U时,对数据进行处理，根据每条数据的瞬时速度构造向量V＝[v1,v2,v3,…,vm]，再用以下公式计算路段平均速度：
Figure BDA0002574288000000041
步骤S15:设已知路段的数量为w，则平均速度为V⊥＝[v(⊥,1),v(⊥,2),…,v(⊥,w)]，接着RSU将其随机划分为两个向量V′⊥＝[v′(⊥,1),v′(⊥,2),…,v′(⊥,w)]和V″⊥＝[v″(⊥,1),v″(⊥,2),…,v″(⊥,w)]，同样的对经纬度进行相同处理；
步骤S16:将N划分得到的向量N′和N″的数据外包给云平台，即将向量N′发送给云平台CPA,将向量N″发送给云平台CPB。
进一步的，所述数据加密执行协议为基于安全两方计算思想的数据加密协议，包括基本安全计算协议和矩阵安全计算协议。
进一步的，所述基本安全计算协议包括安全乘法协议、安全分割协议、安全余弦协议、安全正弦协议、扩展安全余弦协议、反向指数协议、扩展乘法协议和安全反余弦协议。
进一步的，所述矩阵安全计算协议具体为采用矩阵点乘的方法设计的Mmul和Mdiv扩展安全计算协议，所述Mmul和Mdiv是在Mul和Div的基础上，将Mul和Div中的随机数替换为矩阵。
进一步的，所述基于安全两方计算思想的数据加密协议还融合了压缩感知理论，具体为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安全两方计算思想的数据加密协议的安全协议之中。
进一步的，所述步骤S3具体为：
步骤S31:设一个城市中有n个路段，并且在T′时间间隔(w＜＜n)内计算w个路段的交通拥堵率，即CPA具有向量C′＝[c′1,c′2,…,c′w]，CPB具有向量C″＝[c″1,c″2,…,c″w]；
步骤S32:TPS生成随机测量矩阵Φ∈w×n，NSP接收分量向量C′，C″，Φ，Ψ1和Ψ2，得到公式C′+C″＝Φ×(Ψ1+Ψ2)×C，其中C包含所有路段的交通拥堵率；
步骤S33:NSP通过优化算法得到C，再通过导航应用程序向车辆发送道路的交通状况。
一种基于城市交通的隐私保护压缩感知实时交通监测系统，包括车辆单元、两个路侧单元、两个云平台、第三方服务单元和导航服务单元；
所述车辆单元，用于获取车辆的行驶数据；
所述路侧单元，用于对将车辆的行驶数据进行预处理，并将预处理后的车辆数据分别外包给两个云平台；
所述云平台，用于存储以及对数据进一步处理；
所述第三方服务单元，受各方都信任并同于负责产生所需随机数；
所述导航服务单元，用于从云平台接收密文，估算路段的交通状态，并将估算得出的交通拥堵率传送至车辆。
本发明与现有技术相比具有以下有益效果：
本发明能够显著地增强车辆数据隐私保护的能力，加快了数据处理速度且数据处理准确无误，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。
附图说明
图1是本发明一实施例中隐私保护压缩感知系统；
图2是本发明一实施例中隐私保护下的压缩感知数据恢复；
图3是本发明一实施例中计算开销，其中a为车辆与RSU的运行时间，b为云平台和NSP的运行时间；
图4是本发明一实施例中通信开销，其中a为车辆与RSU之间的通信开销，b为RSU与CP之间的通信开销，c为CPA与CPB之间的通信开销，d为CP与NSP之间的通信开销；
图5是本发明一实施例中拥堵率和稀疏表示矩阵的处理过程。
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。
请参照图1，本发明提供一种基于城市交通的隐私保护压缩感知实时交通监测系统，包括车辆单元(DVs)、两个路侧单元(RSU)、两个云平台(CPA/CPB)、第三方服务单元(TPS)和导航服务单元(NSP)。
本实施例中，基于城市交通的隐私保护压缩感知实时交通监测方法，包括以下步骤：
步骤S1:将处于隐私保护下的车辆数据分为两部分发送给两个不同的路侧单元进行预处理；
1)将车辆数据上传到RSU，并且上传数据时需要保证数据的安全传输,设一个城市有n条道路，T时间段内某一路段j上所有车辆上传的所有数据有m条，每条数据的格式为u＝[t,v,lat,lon]，其中t为上传时间，v为车辆瞬时速度，lat与lon为车辆的经纬度；
2)系统将上报数据构建为向量Uj＝[u(j,1),u(j,2),…,u(j,m)]T和矩阵M＝[U1,U2,…,Un]，如下：
Figure BDA0002574288000000071
接着将矩阵M随机地分成两部分，即M′和M″，如下：
Figure BDA0002574288000000072
其中u(i,j)代表第jth个路段报告的第ith个数据集，而u′(i,j)和u″(i,j)表示u(i,j)的两个随机分量，即u(i,j)＝u′(i,j)+u″(i,j)。然后将这两部分分别发送给不同的RSU。
3)当RSU接收到数据U时，会对数据进行处理，根据每条数据的瞬时速度构造向量V＝[v1,v2,v3,…,vm]，再用以下公式计算路段平均速度：
Figure BDA0002574288000000073
设已知路段的数量为w，则平均速度为V⊥＝[v(⊥,1),v(⊥,2),…,v(⊥,w)]，接着RSU将其随机划分为两个向量V′⊥＝[v′(⊥,1),v′(⊥,2),…,v′(⊥,w)]和V″⊥＝[v″(⊥,1),v″(⊥,2),…,v″(⊥,w)]，同理对经纬度进行处理。
以下为RSU的计算过程：
Figure BDA0002574288000000074
Figure BDA0002574288000000081
4)最后系统将N划分得到的向量N′和N″的数据外包给云平台，即将向量N′发送给云平台CPA,将向量N″发送给云平台CPB。
步骤S2:两个不同的路侧单元将预处理后的车辆数据分别外包给两个云平台，
根据最终期望得到的运算结果，并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对数据加密；
步骤S3:导航服务提供商从云平台接收加密数据并解密，再通过压缩感知技术实现对城市交通状态的估计。
在本实施例中，所述数据加密执行协议为基于安全两方计算思想的数据加密协议，包括基本安全计算协议和矩阵安全计算协议。
优选的，所述基本安全计算协议包括安全乘法协议、安全分割协议、安全余弦协议、安全正弦协议、扩展安全余弦协议、反向指数协议、扩展乘法协议和安全反余弦协议。具体为：
(1)安全乘法协议(Mul)：假设CPA存在一个随机数x∈+,CPB存在一个随机数y∈+；Mul的目的是在不泄露中间结果的情况下，得到x·y的值。
执行该协议分为如下四个步骤：
1)TPS随机生成数字ra∈+、rb∈+、ka∈+和kb∈+，且ka+kb＝ra·rb。然后TPS通过与各方的安全通信信道将(ra,ka)发送到CPA，(rb,kb)发送到CPB。
2)CPB开始计算y′＝y+rb，并将y′发送给CPA，然后CPA计算x′＝x+ra，并将其发送给CPB。
3)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CPA。
4)CPA计算va＝t+ka-(ra·y′)。
经过Mul协议后，CPA得到va，CPB得到vb，此过程表示为(va:vb)←Mul(x:y)。
(2)、安全分割协议(Div)：假设CPA存在一个随机数x∈+,CPB存在一个随机数y∈+。设计Div的目的是在不泄露中间结果的情况下，得到
Figure BDA0002574288000000091
的值。执行该协议分为如下四个步骤：
1)TPS随机生成数字ra∈+、rb∈+、ka∈+和kb∈+，且ka+kb＝ra·rb。然后TPS通过与各方的安全通信信道将(ra,ka)发送到CPA，(rb,kb)发送到CPB。
2)CPA计算x′＝x+ra，并将x′发送给CPB，然后CPB同样计算
Figure BDA0002574288000000101
并将y′发送给CPA。
3)CPB产生随机数vb，并计算
Figure BDA0002574288000000102
然后将其发送至CPA。
4)CPA计算va＝t+ka-(ra·y′)。
经过Div协议后，CPA得到va，CPB得到vb，此过程表示为(va:vb)←Div(x:y)。
(3)、安全余弦协议(Cos)：假设CPA存在一个随机数x∈+,CPB存在一个随机数y∈+。设计Cos的目的是在不泄露中间结果的情况下，得到va+vb＝cos(x+y)的值。
执行该协议分为如下三个步骤：
1)CPA计算c1＝cos(x)和s1＝sin(x)，CPB计算c2＝cos(y)和s2＝sin(y)。
2)使用Mul协议计算(v′a+v′b)←Mul(cos(x):cos(y))和(v″a+v″b)←Mul(sin(x):sin(y))。
3)CPA计算va＝v′a-v″a，CPB计算vb＝v′b-v″b。
经过Cos协议后，CPA得到va，CPB得到vb，此过程表示为(va:vb)←Cos(x:y)。
(4)、安全正弦协议(Sin)：假设CPA存在一个随机数x∈+,CPB存在一个随机数y∈+。设计Sin的目的是在不泄露中间结果的情况下，得到va+vb＝sin(x+y)的值。
执行该协议分为如下三个步骤：
1)CPA计算x′＝sin(x)和x″＝cos(x)，CPB计算y′＝sin(y)和y″＝cos(y)。
2)使用Mul协议计算(v′a:v′b)←Mul(x′:y′)和(v″a:v″b)←Mul(x″:y″)。
3)CPA计算va＝v′a+v″a，CPB计算vb＝v′b+v″b。
经过Sin协议后，CPA得到va，CPB得到vb，此过程表示为(va:vb)←Sin(x:y)。
(5)、扩展安全余弦协议(Ecos)：假设CPA有(x1,y1),CPB有(x2,y2)。设计Ecos的目的是在不泄露中间结果的情况下，得到va+vb＝cos(x1+x2)cos(y1+y2)的值。
执行该协议分为如下两个步骤：
1)执行(v′a,v′b)←Cos(x1:x2)，(v″a,v″b)←Cos(y1:y2)，
Figure BDA0002574288000000111
还有
Figure BDA0002574288000000112
2)CPA计算
Figure BDA0002574288000000113
CPB计算
Figure BDA0002574288000000114
经过Ecos协议后，CPA得到va，CPB得到vb，此过程表示为(va:vb)←Ecos((x1,y1):(x2,y2))。
(6)、反向指数协议(Rexp)：假设CPA存在一个随机数x∈+,CPB存在一个随机数y∈+。设计Rexp的目的是在不泄露中间结果的情况下，得到va+vb＝e-(x+y)的值。
执行该协议分为如下四个步骤：
1)TPS随机生成数字ra∈+、rb∈+、ka∈+和kb∈+，且ka+kb＝ra·rb。然后TPS通过与各方的安全通信信道将(ra,ka)发送到CPA，(rb,kb)发送到CPB。
2)CPB计算y′＝e-y+rb，并将y′发送给CPA，然后CPA同样计算x′＝e-x+ra，并将x′发送给CPB。
3)CPB产生随机数vb，并计算t＝x′·e-y+kb-vb，然后将其发送至CPA。
4)CPA计算va＝t+ka-ra·y′。
经过Rexp协议后，CPA得到va，CPB得到vb，此过程表示为(va:vb)←Rexp(x:y)。
(7)、扩展乘法协议(Emul)：假设CPA存在随机数x1∈+和y1∈+，CPB存在随机数x2∈+和y2∈+。设计Emul的目的是在不泄露中间结果的情况下，得到va+vb＝(x1+x2)·(y1+y2)的值。
执行该协议分为如下两个步骤：
1)执行(v′a:v′b)←Mul(x1:y2)，(v″a:v″b)←Mul(y1:x2)，接着将(v′a,v″a)发送给CPA，(v′b,v″b)发送给CPB。
2)CPA计算va＝x1·y1+v′a+v″a，CPB计算vb＝x2·y2+v′b+v″b。
经过Emul协议后，CPA得到va，CPB得到vb，此过程表示为(va:vb)←Emul((x1,y1):(x2,y2))。
(8)、安全反余弦协议(Arccos)：假设CPA存在一个随机数x∈+，CPB存在一个随机数y∈+。设计Emul的目的是在不泄露中间结果的情况下，得到va+vb＝arccos(x+y)的值。根据级数展开式，我们可以通过以下公式计算反余弦值:
Figure BDA0002574288000000121
实际上，我们可利用McLaughlin展开并选择反余弦的近似值，使得
Figure BDA0002574288000000122
其中χ是McLaughlin部分级数展开式，如下所示:
Figure BDA0002574288000000123
因此我们可以用x代替x+y得到反余弦的近似值，然后用二项式定理来计算(x+y)n的值:
Figure BDA0002574288000000124
这里我们可以调用Mul协议来计算反余弦值。因此，Arccos协议可以表示为(va:vb)←Arccos(x+y)。
优选的，在本实施例中，所述矩阵安全计算协议具体为采用矩阵点乘的方法设计的Mmul和Mdiv扩展安全计算协议，所述Mmul和Mdiv是在Mul和Div的基础上，将Mul和Div中的随机数替换为矩阵。
在本实施例中，CPA和CPB分别接收到向量N′和N″后，需要进一步交互计算以得到交通拥堵率c和时空相关矩阵G。
计算已知路段的交通拥堵率集合C，具体如下：
首先，在不泄漏CPA和CPB之间交互计算过程中的中间值的情况下，利用公式
Figure BDA0002574288000000131
进行计算。其次，CPA和CPB生成向量S′＝[1/2,1/2,…,1/2]1×w和S″＝[1/2,1/2,…,1/2]1×w并分别加入接下来的计算，其中w为已知路段的数量。最后，CPA和CPB交互计算执行(C′,C″)←Mdiv((V′⊥,S′):(V″⊥,S″))。CPA得结果C′，CPB得结果C″。
以下是计算交通拥挤率C′和C″的详细步骤。
Figure BDA0002574288000000132
Figure BDA0002574288000000141
接下来计算时空相关矩阵G，我们先计算CP之间的欧式距离。假设有两个GPS点a＝(lata,lona)和b＝(latb,lonb)，我们可以通过以下公式计算欧式距离L：
L＝R·arccos(L1+L2)
其中L1＝cos(lata)·cos(latb)·cos(lona-lonb)，
L2＝sin(lata)·sin(latb)。将两个GPS点a和点b分别分成两部分，例如点a分为a′＝(lat′a,lon′a)和a″＝(lat″a,lon″a)，点b分为b′＝(lat′b,lon′b)和b″＝(lat″b,lon″b)。a′和b′同时存在，a″和b″也同时存在。我们设计了一个安全距离计算协议Dis用于在隐私保护下求出a和b之间的欧式距离，即(l1:l2)←Dis(a:b)。L的具体计算步骤如下所述。
1)执行
Figure BDA0002574288000000142
Figure BDA0002574288000000143
Figure BDA0002574288000000144
2)CPA计算
Figure BDA0002574288000000145
和x′＝lon′a-lon′b，CPB计算
Figure BDA0002574288000000146
和y′＝lon″a-lon″b。
3)先计算
Figure BDA0002574288000000147
和
Figure BDA0002574288000000148
然后CPA计算
Figure BDA0002574288000000149
CPB计算
Figure BDA00025742880000001410
4)根据协议
Figure BDA00025742880000001411
CPA计算l1＝R·va，CPB计算l2＝R·vb，其中R为地球半径。根据上述执行步骤，可以获得GPS点a和b之间的欧式距离L，即L＝l1+l2。
对于整个城市道路网络，系统从N′和N″中选择反映时空特征的元素，并构造仅包含GPS信息的矩阵
Figure BDA0002574288000000151
和
Figure BDA0002574288000000152
然后，采用Mdis协议计算任意两个GPS点之间的纬度和经度距离，即将Dis中的a和b替换为
Figure BDA0002574288000000153
和
Figure BDA0002574288000000154
即
Figure BDA0002574288000000155
其中D＝D′+D″。假设一个城市中有n个路段，D的维数则为n×n。
以下是计算D的详细步骤。
Figure BDA0002574288000000156
优选的，在本实施例中，采用压缩感知技术来实现少量路段的交通监控。将高斯核函数
Figure BDA0002574288000000157
引入我们的机制，其中d定义为任意两个GPS点之间的欧几里得距离，σ是确定两个GPS点之间影响的相关系数，可以通过贝叶斯框架训练数据来得到σ的值。依靠高斯核函数
Figure BDA0002574288000000161
来生成相关矩阵G，因而G的形式如下：
Figure BDA0002574288000000162
CPA拥有矩阵D′，而CPB拥有矩阵D″，且D＝D′+D″。计算D之间的乘法步骤如下：
1)执行(L′a:L′b)←Mmul(D′:D″)。
2)CPA计算
Figure BDA0002574288000000163
3)CPB计算
Figure BDA0002574288000000164
4)执行(La:Lb)←Rexp(W1:W2)。
在执行完上述协议之后，可以得到高斯核函数G生成的正交特征向量基。根据公式G＝ΨΛΨ-1，G被对角化为三个部分，Ψ、Λ和Ψ-1。在这里，Ψ是压缩感知稀疏表示矩阵，我们将其随机分为Ψ1和Ψ2，然后将Ψ1和Ψ2分别发送到CPA和CPB。接着，可以利用Ψ1和Ψ2，协助NSP估计未知路段的交通拥塞率。云中复杂计算的过程如图5所示。
在实施例中，所述步骤S3具体为：
步骤S31:设一个城市中有n个路段，并且在T′时间间隔(w＜＜n)内计算w个路段的交通拥堵率，即CPA具有向量C′＝[c′1,c′2,…,c′w]，CPB具有向量C″＝[c″1,c″2,…,c″w]；
步骤S32:TPS生成随机测量矩阵Φ∈w×n，NSP接收分量向量C′，C″，Φ，Ψ1和Ψ2，得到公式C′+C″＝Φ×(Ψ1+Ψ2)×C，其中C包含所有路段的交通拥堵率；
步骤S33:NSP通过优化算法得到C，再通过导航应用程序向车辆发送道路的交通状况。
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 (8)

1.一种基于隐私保护压缩感知的城市交通状态实时监测方法，其特征在于，包括以下步骤：
步骤S1:将处于隐私保护下的车辆数据分为两部分发送给两个不同的路侧单元进行预处理；
步骤S2:两个不同的路侧单元将预处理后的车辆数据分别外包给两个云平台，
根据最终期望得到的运算结果，并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对数据加密；
步骤S3:导航服务提供商从云平台接收加密数据并解密，再通过压缩感知技术实现对城市交通状态的估计。
2.根据权利要求1所述的基于隐私保护压缩感知的城市交通状态实时监测方法，其特征在于，所述步骤S1具体为：
步骤S11:设一个城市有n条道路，T时间段内某一路段j上所有车辆上传的所有数据有m条，每条数据的格式为u＝[t,v,lat,lon]，其中t为上传时间，v为车辆瞬时速度，lat与lon为车辆的经纬度；
步骤S12:系统将上报数据构建为向量Uj＝[u(j,1),u(j,2),…,u(j,m)]T和矩阵M＝[U1,U2,…,Un]，如下：
Figure FDA0002574287990000011
接着将矩阵M随机地分成两部分，即M′和M″，如下：
Figure FDA0002574287990000021
其中u(i,j)代表第jth个路段报告的第ith个数据集，而u′(i,j)和u″(i,j)表示u(i,j)的两个随机分量，即u(i,j)＝u′(i,j)+u″(i,j)；
步骤S13:将两个随机分量，分别发送给不同的路侧单元；
步骤S14:当路侧单元接收到数据U时,对数据进行处理，根据每条数据的瞬时速度构造向量V＝[v1,v2,v3,…,vm]，再用以下公式计算路段平均速度：
Figure FDA0002574287990000022
步骤S15:设已知路段的数量为w，则平均速度为V⊥＝[v(⊥,1),v(⊥,2),…,v(⊥,w)]，接着RSU将其随机划分为两个向量V′⊥＝[v′(⊥,1),v′(⊥,2),…,v′(⊥,w)]和V″⊥＝[v″(⊥,1),v″(⊥,2),…,v″(⊥,w)]，同样的对经纬度进行相同处理；
步骤S16:将N划分得到的向量N′和N″的数据外包给云平台，即将向量N′发送给云平台CPA,将向量N″发送给云平台CPB。
3.根据权利要求1所述的基于隐私保护压缩感知的城市交通状态实时监测方法，其特征在于，所述数据加密执行协议为基于安全两方计算思想的数据加密协议，包括基本安全计算协议和矩阵安全计算协议。
4.根据权利要求3所述的基于隐私保护压缩感知的城市交通状态实时监测方法，其特征在于，所述基本安全计算协议包括安全乘法协议、安全分割协议、安全余弦协议、安全正弦协议、扩展安全余弦协议、反向指数协议、扩展乘法协议和安全反余弦协议。
5.根据权利要求3所述的基于隐私保护压缩感知的城市交通状态实时监测方法，其特征在于，所述矩阵安全计算协议具体为采用矩阵点乘的方法设计的Mmul和Mdiv扩展安全计算协议，所述Mmul和Mdiv是在Mul和Div的基础上，将Mul和Div中的随机数替换为矩阵。
6.根据权利要求3所述的基于隐私保护压缩感知的城市交通状态实时监测方法，其特征在于，所述基于安全两方计算思想的数据加密协议还融合了压缩感知理论，具体为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安全两方计算思想的数据加密协议的安全协议之中。
7.根据权利要求1所述的基于隐私保护压缩感知的城市交通状态实时监测方法，其特征在于，所述步骤S3具体为：
步骤S31:设一个城市中有n个路段，并且在T′时间间隔(w＜＜n)内计算w个路段的交通拥堵率，即CPA具有向量C′＝[c′1,c′2,…,c′w]，CPB具有向量C″＝[c″1,c″2,…,c″w]；
步骤S32:TPS生成随机测量矩阵Φ∈w×n，NSP接收分量向量C′，C″，Φ，Ψ1和Ψ2，得到公式C′+C″＝Φ×(Ψ1+Ψ2)×C，其中C包含所有路段的交通拥堵率；
步骤S33:NSP通过优化算法得到C，再通过导航应用程序向车辆发送道路的交通状况。
8.一种基于隐私保护压缩感知的城市交通状态实时监测系统，其特征在于，包括车辆单元、两个路侧单元、两个云平台、第三方服务单元和导航服务单元；
所述车辆单元，用于获取车辆的行驶数据；
所述路侧单元，用于对将车辆的行驶数据进行预处理，并将预处理后的车辆数据分别外包给两个云平台；
所述云平台，用于存储以及对数据进一步处理；
所述第三方服务单元，受各方都信任并同于负责产生所需随机数；
所述导航服务单元，用于从云平台接收密文，估算路段的交通状态，并将估算得出的交通拥堵率传送至车辆。
CN202010649250.3A 2020-07-08 2020-07-08 基于城市交通的隐私保护压缩感知实时交通监测方法 Active CN111787118B (zh)

Priority Applications (3)

Application Number Priority Date Filing Date Title
CN202010649250.3A CN111787118B (zh) 2020-07-08 2020-07-08 基于城市交通的隐私保护压缩感知实时交通监测方法
PCT/CN2021/070810 WO2022007379A1 (zh) 2020-07-08 2021-01-08 基于城市交通的隐私保护压缩感知实时交通监测方法
US17/152,990 US11303620B2 (en) 2020-07-08 2021-01-20 Realtime urban traffic status monitoring method based on privacy-preserving compressive sensing

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010649250.3A CN111787118B (zh) 2020-07-08 2020-07-08 基于城市交通的隐私保护压缩感知实时交通监测方法

Publications (2)

Publication Number Publication Date
CN111787118A true CN111787118A (zh) 2020-10-16
CN111787118B CN111787118B (zh) 2021-08-31

Family

ID=72758288

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010649250.3A Active CN111787118B (zh) 2020-07-08 2020-07-08 基于城市交通的隐私保护压缩感知实时交通监测方法

Country Status (3)

Country Link
US (1) US11303620B2 (zh)
CN (1) CN111787118B (zh)
WO (1) WO2022007379A1 (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108335482A (zh) * 2017-01-20 2018-07-27 亚信蓝涛（江苏）数据科技有限公司 一种城市交通态势感知方法及可视化方法
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
US10083310B1 (en) * 2013-03-13 2018-09-25 Hrl Laboratories, Llc System and method for mobile proactive secure multi-party computation (MPMPC) using commitments
CN109685934A (zh) * 2018-12-18 2019-04-26 福州大学 一种基于车辆数据隐私保护与压缩感知的交通估计方法

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130151088A1 (en) * 2011-11-16 2013-06-13 Flextronics Ap, Llc Method and system for vehicle data collection regarding traffic
US20160189544A1 (en) * 2011-11-16 2016-06-30 Autoconnect Holdings Llc Method and system for vehicle data collection regarding traffic
WO2016029348A1 (en) * 2014-08-26 2016-03-03 Microsoft Technology Licensing, Llc Measuring traffic speed in a road network
EP3267418A1 (en) * 2016-07-06 2018-01-10 Volvo Car Corporation A method for performing a real time analysis of traffic light related data
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

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10083310B1 (en) * 2013-03-13 2018-09-25 Hrl Laboratories, Llc System and method for mobile proactive secure multi-party computation (MPMPC) using commitments
CN108335482A (zh) * 2017-01-20 2018-07-27 亚信蓝涛（江苏）数据科技有限公司 一种城市交通态势感知方法及可视化方法
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
CN109685934A (zh) * 2018-12-18 2019-04-26 福州大学 一种基于车辆数据隐私保护与压缩感知的交通估计方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
李家印 等: "基于智能交通的隐私保护道路状态实时监测方案", 《通信学报》 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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

Also Published As

Publication number Publication date
US11303620B2 (en) 2022-04-12
CN111787118B (zh) 2021-08-31
WO2022007379A1 (zh) 2022-01-13
US20220014506A1 (en) 2022-01-13

Similar Documents

Publication Publication Date Title
CN110800251B (zh) 基于云的隐私保护导航操作的系统、方法和介质
US20130266139A1 (en) Method for Detecting a Speed Violation of a Vehicle
KR101806061B1 (ko) 입증가능한 지오로케이션
SG173686A1 (en) Determining a traffic route using predicted traffic congestion
CN111787118B (zh) 基于城市交通的隐私保护压缩感知实时交通监测方法
CN112104609B (zh) 在移动群智感知系统中可验证的、具有隐私意识的真值发现的方法
US9292257B2 (en) Accurate range calculation for vehicles, computed outside of the vehicle
CN104408915A (zh) 一种交通状态参数的估计方法和系统
Guo et al. Privacy-preserving compressive sensing for real-time traffic monitoring in urban city
CN104679788A (zh) 一种图片处理方法、装置及终端设备
Hardjono et al. Mobile phones as traffic sensors with map matching and privacy considerations
US20240096211A1 (en) Processing apparatus and method for generating route navigation data
Zhou et al. EPNS: Efficient Privacy-Preserving Intelligent Traffic Navigation From Multiparty Delegated Computation in Cloud-Assisted VANETs
Patil et al. GeoSecure-R: Secure computation of geographical distance using region-anonymized GPS data
Teng et al. Signature-based secure trajectory similarity search
CN109685934B (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
KR20190048545A (ko) 해시 암호화를 이용한 안전한 도로교통 데이터 관리 방법 및 시스템
Mazaré et al. COMPUTING TRAVEL TIMES FROM FILTERED TRAFFIC STATES.
Zhou et al. Privacy preserving origin-destination flow measurement in vehicular cyber-physical systems
CN116707755A (zh) 基于同态加密和区块链的交通拥堵预测系统及方法
JP2023065582A (ja) 有権限メンバのグループからのデータの匿名収集
CN111507270A (zh) 基于区块链与深度学习的车辆违法行为检测系统
US20180248684A1 (en) Method and system for database queries
Bentafat et al. Privacy-preserving traffic flow estimation for road networks
CN113159918A (zh) 一种基于联邦团渗透的银行客户群体挖掘方法

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
CB03 Change of inventor or designer information
CB03 Change of inventor or designer information

Inventor after: Liu Ximeng

Inventor after: Guo Wenzhong

Inventor after: Li Jiayin

Inventor after: Li Xiaoyan

Inventor after: Zhuang Hongbin

Inventor before: Liu Ximeng

Inventor before: Guo Wenzhong

Inventor before: Li Jiayin

Inventor before: Li Xiaoyan

Inventor before: Zhuang Hongbin