CN113722752B - 基于lfp树与代理向量的轨迹隐私数据发布方法、装置及系统 - Google Patents

基于lfp树与代理向量的轨迹隐私数据发布方法、装置及系统 Download PDF

Info

Publication number
CN113722752B
CN113722752B CN202110953709.3A CN202110953709A CN113722752B CN 113722752 B CN113722752 B CN 113722752B CN 202110953709 A CN202110953709 A CN 202110953709A CN 113722752 B CN113722752 B CN 113722752B
Authority
CN
China
Prior art keywords
lfp
sequence
vector
tree
sequences
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
CN202110953709.3A
Other languages
English (en)
Other versions
CN113722752A (zh
Inventor
吕朋朋
韦宣
陶晓峰
陆洋
刘淇
戚梦逸
缪平
陆宇洋
黄福兴
隋仕伟
俞海猛
毕善钰
徐致光
张云凯
孙羽森
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.)
Nari Technology Co Ltd
State Grid Electric Power Research Institute
Original Assignee
Nari Technology Co Ltd
State Grid Electric Power Research Institute
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 Nari Technology Co Ltd, State Grid Electric Power Research Institute filed Critical Nari Technology Co Ltd
Priority to CN202110953709.3A priority Critical patent/CN113722752B/zh
Publication of CN113722752A publication Critical patent/CN113722752A/zh
Application granted granted Critical
Publication of CN113722752B publication Critical patent/CN113722752B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
    • G06F21/60—Protecting data
    • G06F21/62—Protecting access to data via a platform, e.g. using keys or access control rules
    • G06F21/6218—Protecting access to data via a platform, e.g. using keys or access control rules to a system of files or objects, e.g. local or distributed file system or database
    • G06F21/6245—Protecting personal data, e.g. for financial or medical purposes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/29—Geographical information databases
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
    • G06F21/60—Protecting data
    • G06F21/602—Providing cryptographic facilities or services

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Bioethics (AREA)
  • General Health & Medical Sciences (AREA)
  • Databases & Information Systems (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Computer Security & Cryptography (AREA)
  • Computer Hardware Design (AREA)
  • Medical Informatics (AREA)
  • Remote Sensing (AREA)
  • Data Mining & Analysis (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明公开了一种基于LFP树与代理向量的轨迹隐私数据发布方法、装置及系统，所述方法包括利用网格模型将轨迹数据库D中个人位置数据信息转化成代理向量，形成原始代理向量轨迹数据库DV；利用LFP树在所述原始代理向量轨迹数据库DV中搜索破坏匿名性的最小冲突序列MVS集合；利用基于LFP树更新的局部抑制方法去除最小冲突序列，形成新的代理向量轨迹数据库DV'；基于所述新的代理向量轨迹数据库DV'，针对用户的信用级别，发布不同类型的数据。本发明使用基于网格的代理向量来有效避免数据的泄露问题，通过局部频繁模式树跳过大量不必要的候选序列，并且降低了数据的维度数，减少了时间复杂度，该方法保证了数据的安全性和利用率。

Description

基于LFP树与代理向量的轨迹隐私数据发布方法、装置及系统
技术领域
本发明属于轨迹隐私数据发布技术领域，具体涉及一种基于LFP树与代理向量的轨迹隐私数据发布方法、装置及系统。
背景技术
随着使用的智能设备数量不断增加，个人的位置信息被广泛的收集、存储、分析和使用。然而这些数据都存在着隐私问题，收集和使用这些数据将会被禁止。轨迹隐私数据发布是指使用匿名化算法避免隐私数据的泄露，从而能够使这些数据在数据分析、推荐服务等方面得到便利。
现有的一些隐私保护模型方法没有公布一个具体的轨迹数据库，也没有考虑到具体背景知识相关的序列；另有的一些隐私保护方法虽然研究了攻击类型，但通常都是基于点位置信息，不适用于匿名轨迹隐私数据库，而且极大地限制了数据的效用。因此需要研究适用于轨迹数据库的隐私数据发布方法。
发明内容
针对上述问题，本发明提出一种基于LFP树与代理向量的轨迹隐私数据发布方法、装置及系统，使用基于网格的代理向量来有效避免数据的泄露问题，通过局部频繁模式树跳过大量不必要的候选序列，并且降低了数据的维度数，减少了时间复杂度，该方法保证了数据的安全性和利用率。
为了实现上述技术目的，达到上述技术效果，本发明通过以下技术方案实现：
第一方面，本发明提供了一种基于LFP树与代理向量的轨迹隐私数据发布方法，包括：
利用网格模型将轨迹数据库D中个人位置数据信息转化成代理向量，形成原始代理向量轨迹数据库DV；
利用LFP树在所述原始代理向量轨迹数据库DV中搜索破坏匿名性的最小冲突序列MVS集合；
利用基于LFP树更新的局部抑制方法去除最小冲突序列，形成新的代理向量轨迹数据库DV'；
基于所述新的代理向量轨迹数据库DV'，针对用户的信用级别，发布不同类型的数据。
可选地，所述代理向量轨迹数据库DV的形成方法包括：
利用处理函数Φ[·]，将轨迹数据库D中的个人位置数据转化为代理向量，并存储在代理向量轨迹数据库DV中，所述处理函数Φ[·]的表达式为：
其中，(b1,b2,...,bn)表示基本单元序列，b1表示单元序列中第一个维度的值，bn表示单元序列第n维度的值；(b1 *,b2 V,...,bn V)表示基于向量的序列即代理向量，b1 *是加密实例，b2 V表示代理向量的第二维度的值，bn V表示代理向量的第n维度的值，n表示数据的维度。
可选地，所述最小冲突序列MVS集合的形成方法包括：
扫描一次原始代理向量轨迹数据库DV，计算原始代理向量轨迹数据库DV中所有实例对b的频率|DV(b)|；将满足条件|DV(b)|<K的实例对b存储于S1中，即S1是满足频率小于K的实列对的集合，不满足条件的实例对存储在d1中，d1表示满足条件|DV(b)|>K的实例对的集合，其中，K、L为预设的阈值；
重复以下搜索步骤，最终输出数据库中的最小冲突序列MVS集合S(DV)＝S1∪S2∪...∪Si-1；
所述搜索步骤具体为：
对于长度为i大于1小于L的序列，i表示序列长度，每次递增1；将di-1中的实例对降序排列，di-1表示长度为i-1且不满足频率小于K的实例对集合，根据排序的实例对生成LFP树Ti-1 LFP；
对于生成的LFP树Ti-1 LFP的每个分支βj，j表示分支的个数，βj表示从叶节点及其父节点到根节点的集合，计算集合中的频率，[βj(K+)∞βj(K+)]i表示分支βj中实例对频率大于K且非MVS序列的集合，将集合[βj(K+)∞βj(K+)]i中的序列添加到SC1中；
对于集合[βj(K-)∞βj]i中的每个序列q，将不属于SC1中的序列添加到SC2中并更新|Ti-1 LFP(q)|，[βj(K-)∞βj]i表示分支βj中实例对频率小于K的序列集合，无法判断其序列是否为MVS；
判断SC2中的序列q是否是q'∈Si-1的超序列，Si-1表示搜索长度为i-1时的MVS序列，如果是，则从SC2中删除q，否则保留q；
将搜索到的长度为i的最小冲突序列集合添加到Si中，Si表示长度为i时的MVS序列集合，将SC1与SC2置空，令i＝i+1，di＝SC2-Si，di表示长度为i时SC2中非MVS序列集合。
可选地，所述新的代理向量轨迹数据库DV'的形成方法包括：
步骤3-1：对于长度为1的序列，检查双元组p的局部抑制对MVS集合和m是否有效，m表示非MVS的序列集合，如果|DV(p)|-|DV(m)|<K，表明是无效的，则返回布尔值false，K、L为设定的阈值；
步骤3-2：将原始代理向量轨迹数据库DV中满足条件|DV(b)|>K的实例对b添加到d中，将d中的实例对降序排序，根据排序顺序生成LFP树TLFP；
步骤3-3：对于LFP树TLFP的每个分支βj，判断分支是否满足条件|βj·p|-minb∈m(|βj·b|)≥K；
步骤3-4：如果满足条件，对于长度i大于1小于等于L的序列，计算序列的频率，将频率大于K的序列集合[p∞βj(K+)]L添加到Q'，将频率不大于K的序列集合[p∞βj]L-[p∞βj(K+)]L添加到Q*中，利用Q与Q*的交集更新LFP树|TLFP(q)|，将长度i递增1，重复步骤3-4，直到满足退出循环条件；
步骤3-5：如果不满足步骤3-3的条件，对于长度i大于1小于等于L的序列，计算序列的频率，将分支中频率不大于K的序列集合[p∞βj]L-Q'添加到Q*中，Q'表示频率大于K的序列集合，利用Q与Q*的交集更新LFP树|TLFP(q)|，将长度i递增1，重复步骤3-5，直到满足退出循环条件；
步骤3-6：判断每一个序列q，是否满足条件0<|TLFP(q)|<K，如果满足条件，则返回布尔值false；
步骤3-7：执行完上述步骤后，返回布尔值true。
可选地，所述针对用户的信用级别，发布不同类型的数据，具体包括：
对于信用级别小于第一阈值的用户，只提供代理向量数据；
对于信用级别大于或等于第一阈值，但小于第二阈值的用户，提供区域信息和代理向量；
对于信用级别大于或等于第二阈值的用户，提供区域信息、代理向量和私钥。
第二方面，本发明提供了一种基于LFP树与代理向量的轨迹隐私数据发布装置，包括：
转化模块，用于利用网格模型将轨迹数据库D中个人位置数据信息转化成代理向量，形成原始代理向量轨迹数据库DV；
搜索模块，用于利用LFP树在所述原始代理向量轨迹数据库DV中搜索破坏匿名性的最小冲突序列MVS集合；
去除模块，用于利用基于LFP树更新的局部抑制方法去除最小冲突序列，形成新的代理向量轨迹数据库DV'；
发布模块，用于基于所述新的代理向量轨迹数据库DV'，针对用户的信用级别，发布不同类型的数据。
可选地，所述代理向量轨迹数据库DV的形成方法包括：
利用处理函数Φ[·]，将轨迹数据库D中的个人位置数据转化为代理向量，并存储在代理向量轨迹数据库DV中，所述处理函数Φ[·]的表达式为：
其中，(b1,b2,...,bn)表示基本单元序列，b1表示单元序列中第一个维度的值，bn表示单元序列第n维度的值；(b1 *,b2 V,...,bn V)表示基于向量的序列即代理向量，b1 *是加密实例，b2 V表示代理向量的第二维度的值，bn V表示代理向量的第n维度的值，n表示数据的维度。
可选地，所述最小冲突序列MVS集合的形成方法包括：
扫描一次DV，计算数据库DV中所有实例对b的频率|DV(b)|；将满足条件|DV(b)|<K的实例对b存储于S1中，不满足条件的实例对存储在d1中，K、L为设定的阈值；
重复以下搜索步骤，最终输出数据库中的最小冲突序列MVS集合S(DV)＝S1∪S2∪...∪Si-1；
所述搜索步骤具体为：
对于长度为i大于1小于L的序列，i表示序列长度，初始值为2，每次递增1；将di-1中的实例对降序排列，di-1表示长度为i-1且不满足频率小于K的实例对集合，根据排序的实例对生成LFP树Ti-1 LFP；
对于生成的LFP树Ti-1 LFP的每个分支βj，计算组成分支的实例对的频率，[βj(K+)∞βj(K+)]i表示分支βj中实例对频率大于K且非MVS序列的集合，将集合[βj(K+)∞βj(K+)]i中的序列添加到SC1中；
对于集合[βj(K-)∞βj]i中的每个序列q，将不属于SC1中的序列添加到SC2中并更新|Ti-1 LFP(q)|，[βj(K-)∞βj]i表示分支βj中实例对频率小于K的序列集合，无法判断其序列是否为MVS；
判断SC2中的序列q是否是q'∈Si-1的超序列，如果是，则从SC2中删除q，否则保留q；
将搜索到的长度为i的最小冲突序列集合添加到Si中，将SC1与SC2置空，i＝i+1，di＝SC2-Si。
可选地，所述新的代理向量轨迹数据库DV'的形成方法包括：
步骤3-1：对于长度为1的序列，检查双元组p的局部抑制对MVS集合和m是否有效，m表示非MVS的序列集合，如果|DV(p)|-|DV(m)|<K，表明是无效的，则返回布尔值false，K、L为设定的阈值；
步骤3-2：将DV中满足条件|DV(b)|>K的实例对b添加到d中，将d中的实例对降序排序，根据排序顺序生成LFP树TLFP；
步骤3-3：对于LFP树TLFP的每个分支βj，判断分支是否满足条件|βj·p|-minb∈m(|βj·b|)≥K；
步骤3-4：如果满足条件，对于长度i大于1小于等于L的序列，计算序列的频率，将频率大于K的序列集合[p∞βj(K+)]L添加到Q'，将频率不大于K的序列集合[p∞βj]L-[p∞βj(K+)]L添加到Q*中，利用Q与Q*的交集更新LFP树|TLFP(q)|，将长度i递增1，重复步骤3-4，直到满足退出循环条件；
步骤3-5：如果不满足步骤3-3的条件，对于长度i大于1小于等于L的序列，计算序列的频率，将分支中频率不大于K的序列集合[p∞βj]L-Q'添加到Q*中，利用Q与Q*的交集更新LFP树|TLFP(q)|，将长度i递增1，重复步骤3-5，直到满足退出循环条件；
步骤3-6：判断每一个序列q，是否满足条件0<|TLFP(q)|<K，如果满足条件，则返回布尔值false；
步骤3-7：执行完上述步骤后，返回布尔值true。
可选地，所述针对用户的信用级别，发布不同类型的数据，具体包括：
对于信用级别小于第一阈值的用户，只提供代理向量数据；
对于信用级别大于或等于第一阈值，但小于第二阈值的用户，提供区域信息和代理向量；
对于信用级别大于或等于第二阈值的用户，提供区域信息、代理向量和私钥。
第三方面，本发明提供了一种基于LFP树与代理向量的轨迹隐私数据发布系统，包括包括处理器和存储介质；
所述存储介质用于存储指令；
所述处理器用于根据所述指令进行操作以执行根据第一方面中任一项所述方法的步骤。
与现有技术相比，本发明的有益效果：
本发明使用网格模型将个人轨迹数据信息转化为代理向量，避免了数据的泄露问题；通过使用局部频繁树(LFP树)，使得在寻找最小冲突序列时避免了大量的候选序列以及降低了数据的维数，减少了数据的复杂度；最后根据用户的级别，提供不同类型的数据，提供给信任用户的数据，可以预测轨迹流，并且获取特定区域的轨迹数据。
附图说明
为了使本发明的内容更容易被清楚地理解，下面根据具体实施例并结合附图，对本发明作进一步详细的说明，其中：
图1为本发明一种实施例的基于LFP树与代理向量的轨迹隐私数据发布方法的流程示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明的保护范围。
下面结合附图对本发明的应用原理作详细的描述。
实施例1
本发明实施例中提供了一种基于LFP树与代理向量的轨迹隐私数据发布方法，包括以下步骤：
(1)利用网格模型将轨迹数据库D中个人位置数据信息转化成代理向量，形成原始代理向量轨迹数据库DV；
(2)利用LFP树在所述原始代理向量轨迹数据库DV中搜索破坏匿名性的最小冲突序列MVS集合；
(3)利用基于LFP树更新的局部抑制方法去除最小冲突序列，形成新的代理向量轨迹数据库DV'；
(4)基于所述新的代理向量轨迹数据库DV'，针对用户的信用级别，发布不同类型的数据。
在本发明实施例的一种具体实施方式中，所述代理向量轨迹数据库DV的形成方法包括：
利用处理函数Φ[·]，将轨迹数据库D中的个人位置数据转化为代理向量，并存储在代理向量轨迹数据库DV中，所述处理函数Φ[·]的表达式为：
其中，(b1,b2,...,bn)表示基本单元序列，b1表示单元序列中第一个维度的值，bn表示单元序列第n维度的值；(b1 *,b2 V,...,bn V)表示基于向量的序列即代理向量，是加密实例，b2 V表示代理向量的第二维度的值，/>表示代理向量的第n维度的值，n表示数据的维度。
在本发明实施例的一种具体实施方式中，所述最小冲突序列MVS集合的形成方法包括：
扫描一次DV，计算数据库DV中所有实例对b的频率|DV(b)|；将满足条件|DV(b)|<K的实例对b存储于S1中，不满足条件的实例对存储在d1中，K、L为设定的阈值；
重复以下搜索步骤，最终输出数据库中的最小冲突序列MVS集合S(DV)＝S1∪S2∪...∪Si-1；
所述搜索步骤具体为：
对于长度为i大于1小于L的序列，将di-1中的实例对降序排列，di-1表示长度为i-1且不满足频率小于K的实例对集合，根据排序的实例对生成LFP树Ti-1 LFP；
对于生成的LFP树Ti-1 LFP的每个分支βj，计算组成分支的实例对的频率，[βj(K+)∞βj(K+)]i表示分支βj中实例对频率大于K且非MVS序列的集合，将集合[βj(K+)∞βj(K+)]i中的序列添加到SC1中；
对于集合[βj(K-)∞βj]i中的每个序列q，将不属于SC1中的序列添加到SC2中并更新|Ti-1 LFP(q)|，[βj(K-)∞βj]i表示分支βj中实例对频率小于K的序列集合，无法判断其序列是否为MVS；
判断SC2中的序列q是否是q'∈Si-1的超序列，如果是，则从SC2中删除q，否则保留q；
将搜索到的长度为i的最小冲突序列集合添加到Si中，将SC1与SC2置空，i＝i+1，di＝SC2-Si。
在本发明实施例的一种具体实施方式中，所述新的代理向量轨迹数据库DV'的形成方法包括：
步骤3-1：对于长度为1的序列，检查双元组p的局部抑制对MVS集合和m是否有效，m表示非MVS的序列集合，如果|DV(p)|-|DV(m)|<K，表明是无效的，则返回布尔值false，K、L为设定的阈值；
步骤3-2：将DV中满足条件|DV(b)|>K的实例对b添加到d中，将d中的实例对降序排序，根据排序顺序生成LFP树TLFP；
步骤3-3：对于LFP树TLFP的每个分支βj，判断分支是否满足条件|βj·p|-minb∈m(|βj·b|)≥K；
步骤3-4：如果满足条件，对于长度i大于1小于等于L的序列，计算序列的频率，将频率大于K的序列集合[p∞βj(K+)]L添加到Q'，将频率不大于K的序列集合[p∞βj]L-[p∞βj(K+)]L添加到Q*中，利用Q与Q*的交集更新LFP树|TLFP(q)|，将长度i递增1，重复步骤3-4，直到满足退出循环条件；
步骤3-5：如果不满足步骤3-3的条件，对于长度i大于1小于等于L的序列，计算序列的频率，将分支中频率不大于K的序列集合[p∞βj]L-Q'添加到Q*中，利用Q与Q*的交集更新LFP树|TLFP(q)|，将长度i递增1，重复步骤3-5，直到满足退出循环条件；
步骤3-6：判断每一个序列q，是否满足条件0<|TLFP(q)|<K，如果满足条件，则返回布尔值false；
步骤3-7：执行完上述步骤后，返回布尔值true。
在本发明实施例的一种具体实施方式中，所述针对用户的信用级别，发布不同类型的数据，具体包括：
对于信用级别小于第一阈值的用户(即低级别用户)，只提供代理向量数据；
对于信用级别大于或等于第一阈值(即中等级别的用户)，但小于第二阈值的用户，提供区域信息和代理向量；
对于信用级别大于或等于第二阈值的用户(即高级用户)，提供区域信息、代理向量和私钥。
实施例2
基于与实施例1相同的本发明提供了一种基于LFP树与代理向量的轨迹隐私数据发布装置，包括：
转化模块，用于利用网格模型将轨迹数据库D中个人位置数据信息转化成代理向量，形成原始代理向量轨迹数据库DV；
搜索模块，用于利用LFP树在所述原始代理向量轨迹数据库DV中搜索破坏匿名性的最小冲突序列MVS集合；
去除模块，用于利用基于LFP树更新的局部抑制方法去除最小冲突序列，形成新的代理向量轨迹数据库DV'；
发布模块，用于基于所述新的代理向量轨迹数据库DV'，针对用户的信用级别，发布不同类型的数据。
在本发明实施例的一种具体实施方式中，所述代理向量轨迹数据库DV的形成方法包括：
利用处理函数Φ[·]，将轨迹数据库D中的个人位置数据转化为代理向量，并存储在代理向量轨迹数据库DV中，所述处理函数Φ[·]的表达式为：
其中，(b1,b2,...,bn)表示基本单元序列，b1表示单元序列中第一个维度的值，bn表示单元序列第n维度的值；(b1 *,b2 V,...,bn V)表示基于向量的序列即代理向量，b1 *是加密实例，b2 V表示代理向量的第二维度的值，bn V表示代理向量的第n维度的值，n表示数据的维度。
在本发明实施例的一种具体实施方式中，所述最小冲突序列MVS集合的形成方法包括：
扫描一次DV，计算数据库DV中所有实例对b的频率|DV(b)|；将满足条件|DV(b)|<K的实例对b存储于S1中，不满足条件的实例对存储在d1中，K、L为设定的阈值；
重复以下搜索步骤，最终输出数据库中的最小冲突序列MVS集合S(DV)＝S1∪S2∪...∪Si-1；
所述搜索步骤具体为：
对于长度为i大于1小于L的序列，将di-1中的实例对降序排列，di-1表示长度为i-1且不满足频率小于K的实例对集合，根据排序的实例对生成LFP树Ti-1 LFP；
对于生成的LFP树Ti-1 LFP的每个分支βj，计算组成分支的实例对的频率，[βj(K+)∞βj(K+)]i表示分支βj中实例对频率大于K且非MVS序列的集合，将集合[βj(K+)∞βj(K+)]i中的序列添加到SC1中；
对于集合[βj(K-)∞βj]i中的每个序列q，将不属于SC1中的序列添加到SC2中并更新|Ti-1 LFP(q)|，[βj(K-)∞βj]i表示分支βj中实例对频率小于K的序列集合，无法判断其序列是否为MVS；
判断SC2中的序列q是否是q'∈Si-1的超序列，如果是，则从SC2中删除q，否则保留q；
将搜索到的长度为i的最小冲突序列集合添加到Si中，将SC1与SC2置空，i＝i+1，di＝SC2-Si。
在本发明实施例的一种具体实施方式中，所述新的代理向量轨迹数据库DV'的形成方法包括：
步骤3-1：对于长度为1的序列，检查双元组p的局部抑制对MVS集合和m是否有效，m表示非MVS的序列集合，如果|DV(p)|-|DV(m)|<K，表明是无效的，则返回布尔值false，K、L为设定的阈值；
步骤3-2：将DV中满足条件|DV(b)|>K的实例对b添加到d中，将d中的实例对降序排序，根据排序顺序生成LFP树TLFP；
步骤3-3：对于LFP树TLFP的每个分支βj，判断分支是否满足条件|βj·p|-minb∈m(|βj·b|)≥K；
步骤3-4：如果满足条件，对于长度i大于1小于等于L的序列，计算序列的频率，将频率大于K的序列集合[p∞βj(K+)]L添加到Q'，将频率不大于K的序列集合[p∞βj]L-[p∞βj(K+)]L添加到Q*中，利用Q与Q*的交集更新LFP树|TLFP(q)|，将长度i递增1，重复步骤3-4，直到满足退出循环条件；
步骤3-5：如果不满足步骤3-3的条件，对于长度i大于1小于等于L的序列，计算序列的频率，将分支中频率不大于K的序列集合[p∞βj]L-Q'添加到Q*中，利用Q与Q*的交集更新LFP树|TLFP(q)|，将长度i递增1，重复步骤3-5，直到满足退出循环条件；
步骤3-6：判断每一个序列q，是否满足条件0<|TLFP(q)|<K，如果满足条件，则返回布尔值false；
步骤3-7：执行完上述步骤后，返回布尔值true。
在本发明实施例的一种具体实施方式中，所述针对用户的信用级别，发布不同类型的数据，具体包括：
对于信用级别小于第一阈值的用户，只提供代理向量数据；
对于信用级别大于或等于第一阈值，但小于第二阈值的用户，提供区域信息和代理向量；
对于信用级别大于或等于第二阈值的用户，提供区域信息、代理向量和私钥。
实施例3
基于与实施例1相同的发明构思，本发明实施例中提供了一种基于LFP树与代理向量的轨迹隐私数据发布系统，包括包括处理器和存储介质；
所述存储介质用于存储指令；
所述处理器用于根据所述指令进行操作以执行根据实施例1中任一项所述方法的步骤。
以上显示和描述了本发明的基本原理和主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。

Claims (7)

1.一种基于LFP树与代理向量的轨迹隐私数据发布方法，其特征在于，包括：
利用网格模型将轨迹数据库D中个人位置数据信息转化成代理向量，形成原始代理向量轨迹数据库DV；
利用LFP树在所述原始代理向量轨迹数据库DV中搜索破坏匿名性的最小冲突序列MVS集合；
利用基于LFP树更新的局部抑制方法去除最小冲突序列，形成新的代理向量轨迹数据库DV'；
基于所述新的代理向量轨迹数据库DV'，针对用户的信用级别，发布不同类型的数据；
所述最小冲突序列MVS集合的形成方法包括：
扫描一次原始代理向量轨迹数据库DV，计算原始代理向量轨迹数据库DV中所有实例对b的频率|DV(b)|；将满足条件|DV(b)|＜K的实例对b存储于S1中，即S1是满足频率小于K的实列对的集合，不满足条件的实例对存储在d1中，d1表示满足条件|DV(b)|＞K的实例对的集合，其中，K、L为预设的阈值；
重复以下搜索步骤，最终输出数据库中的最小冲突序列MVS集合S(DV)＝S1∪S2∪...Si-；
所述搜索步骤具体为：
对于长度为i大于1小于L的序列，i表示序列长度，每次递增1；将di-1中的实例对降序排列，di-1表示长度为i-1且不满足频率小于K的实例对集合，根据排序的实例对生成LFP树Ti-1 LFP；
对于生成的LFP树Ti-1 LFP的每个分支βj，j表示分支的个数，βj表示从叶节点及其父节点到根节点的集合，计算集合中的频率，[βj(K+)∞βj(K+)]i表示分支βj中实例对频率大于K且非MVS序列的集合，将集合[βj(K+)∞βj(K+)]i中的序列添加到SC1中；
对于集合[βj(K-)∞βj]i中的每个序列q，将不属于SC1中的序列添加到SC2中并更新|Ti-1 LFP(q)|，[βj(K-)∞βj]i表示分支βj中实例对频率小于K的序列集合，无法判断其序列是否为MVS；
判断SC2中的序列q是否是q'∈Si-1的超序列，Si-1表示搜索长度为i-1时的MVS序列，如果是，则从SC2中删除q，否则保留q；
将搜索到的长度为i的最小冲突序列集合添加到Si中，Si表示长度为i时的MVS序列集合，将SC1与SC2置空，令i＝i+1，di＝SC2-Si，di表示长度为i时SC2中非MVS序列集合；
所述新的代理向量轨迹数据库DV'的形成方法包括：
步骤3-1：对于长度为1的序列，检查双元组p的局部抑制对MVS集合和m是否有效，m表示非MVS的序列集合，如果|DV(p)|-|DV(m)|＜K，表明是无效的，则返回布尔值false，K、L为设定的阈值；
步骤3-2：将原始代理向量轨迹数据库DV中满足条件|DV(b)|＞K的实例对b添加到d中，将d中的实例对降序排序，根据排序顺序生成LFP树TLFP；
步骤3-3：对于LFP树TLFP的每个分支βj，判断分支是否满足条件|βj·p|-minb∈m(|βj·b|)≥K；
步骤3-4：如果满足条件，对于长度i大于1小于等于L的序列，计算序列的频率，将频率大于K的序列集合[p∞βj(K+)]L添加到Q'，将频率不大于K的序列集合[p∞βj]L-[p∞βj(K+)]L添加到Q*中，利用Q与Q*的交集更新LFP树|TLFP(q)|，将长度i递增1，重复步骤3-4，直到满足退出循环条件；
步骤3-5：如果不满足步骤3-3的条件，对于长度i大于1小于等于L的序列，计算序列的频率，将分支中频率不大于K的序列集合[p∞βj]L-Q'添加到Q*中，Q'表示频率大于K的序列集合，利用Q与Q*的交集更新LFP树|TLFP(q)|，将长度i递增1，重复步骤3-5，直到满足退出循环条件；
步骤3-6：判断每一个序列q，是否满足条件0＜|TLFP(q)|＜K，如果满足条件，则返回布尔值false；
步骤3-7：执行完上述步骤后，返回布尔值true。
2.根据权利要求1所述的一种基于LFP树与代理向量的轨迹隐私数据发布方法，其特征在于，所述代理向量轨迹数据库DV的形成方法包括：
利用处理函数Φ[·]，将轨迹数据库D中的个人位置数据转化为代理向量，并存储在代理向量轨迹数据库DV中，所述处理函数Φ[·]的表达式为：
其中，(b1,b2,...,bn)表示基本单元序列，b1表示单元序列中第一个维度的值，bn表示单元序列第n维度的值；(b1 *,b2 V,...,bn V)表示基于向量的序列即代理向量，b1 *是加密实例，b2 V表示代理向量的第二维度的值，bn V表示代理向量的第n维度的值，n表示数据的维度。
3.根据权利要求1所述的一种基于LFP树与代理向量的轨迹隐私数据发布方法，其特征在于，所述针对用户的信用级别，发布不同类型的数据，具体包括：
对于信用级别小于第一阈值的用户，只提供代理向量数据；
对于信用级别大于或等于第一阈值，但小于第二阈值的用户，提供区域信息和代理向量；
对于信用级别大于或等于第二阈值的用户，提供区域信息、代理向量和私钥。
4.一种基于LFP树与代理向量的轨迹隐私数据发布装置，其特征在于，包括：
转化模块，用于利用网格模型将轨迹数据库D中个人位置数据信息转化成代理向量，形成原始代理向量轨迹数据库DV；
搜索模块，用于利用LFP树在所述原始代理向量轨迹数据库DV中搜索破坏匿名性的最小冲突序列MVS集合；
去除模块，用于利用基于LFP树更新的局部抑制方法去除最小冲突序列，形成新的代理向量轨迹数据库DV'；
发布模块，用于基于所述新的代理向量轨迹数据库DV'，针对用户的信用级别，发布不同类型的数据；
所述最小冲突序列MVS集合的形成方法包括：
扫描一次DV，计算数据库DV中所有实例对b的频率|DV(b)|；将满足条件|DV(b)|＜K的实例对b存储于S1中，不满足条件的实例对存储在d1中，K、L为设定的阈值；
重复以下搜索步骤，最终输出数据库中的最小冲突序列MVS集合S(DV)＝S1∪S2∪...∪Si-；
所述搜索步骤具体为：
对于长度为i大于1小于L的序列，i表示序列长度，初始值为2，每次递增1；将di-1中的实例对降序排列，di-1表示长度为i-1且不满足频率小于K的实例对集合，根据排序的实例对生成LFP树Ti-1 LFP；
对于生成的LFP树Ti-1 LFP的每个分支βj，计算组成分支的实例对的频率，[βj(K+)∞βj(K+)]i表示分支βj中实例对频率大于K且非MVS序列的集合，将集合[βj(K+)∞βj(K+)]i中的序列添加到SC1中；
对于集合[βj(K-)∞βj]i中的每个序列q，将不属于SC1中的序列添加到SC2中并更新|Ti-1 LFP(q)|，[βj(K-)∞βj]i表示分支βj中实例对频率小于K的序列集合，无法判断其序列是否为MVS；
判断SC2中的序列q是否是q'∈Si-1的超序列，如果是，则从SC2中删除q，否则保留q；将搜索到的长度为i的最小冲突序列集合添加到Si中，将SC1与SC2置空，i＝i+1，di＝SC2-Si；
所述新的代理向量轨迹数据库DV'的形成方法包括：
步骤3-1：对于长度为1的序列，检查双元组p的局部抑制对MVS集合和m是否有效，m表示非MVS的序列集合，如果|DV(p)|-|DV(m)|＜K，表明是无效的，则返回布尔值false，K、L为设定的阈值；
步骤3-2：将DV中满足条件|DV(b)|＞K的实例对b添加到d中，将d中的实例对降序排序，根据排序顺序生成LFP树TLFP；
步骤3-3：对于LFP树TLFP的每个分支βj，判断分支是否满足条件|βj·p|-minb∈m(|βj·b|)≥K；
步骤3-4：如果满足条件，对于长度i大于1小于等于L的序列，计算序列的频率，将频率大于K的序列集合[p∞βj(K+)]L添加到Q'，将频率不大于K的序列集合[p∞βj]L-[p∞βj(K+)]L添加到Q*中，利用Q与Q*的交集更新LFP树|TLFP(q)|，将长度i递增1，重复步骤3-4，直到满足退出循环条件；
步骤3-5：如果不满足步骤3-3的条件，对于长度i大于1小于等于L的序列，计算序列的频率，将分支中频率不大于K的序列集合[p∞βj]L-Q'添加到Q*中，利用Q与Q*的交集更新LFP树|TLFP(q)|，将长度i递增1，重复步骤3-5，直到满足退出循环条件；
步骤3-6：判断每一个序列q，是否满足条件0＜|TLFP(q)|＜K，如果满足条件，则返回布尔值false；
步骤3-7：执行完上述步骤后，返回布尔值true。
5.根据权利要求4所述的一种基于LFP树与代理向量的轨迹隐私数据发布装置，其特征在于，所述代理向量轨迹数据库DV的形成方法包括：
利用处理函数Φ[·]，将轨迹数据库D中的个人位置数据转化为代理向量，并存储在代理向量轨迹数据库DV中，所述处理函数Φ[·]的表达式为：
其中，(b1,b2,...,bn)表示基本单元序列，b1表示单元序列中第一个维度的值，bn表示单元序列第n维度的值；(b1 *,b2 V,...,bn V)表示基于向量的序列即代理向量，b1 *是加密实例，b2 V表示代理向量的第二维度的值，bn V表示代理向量的第n维度的值，n表示数据的维度。
6.根据权利要求4所述的一种基于LFP树与代理向量的轨迹隐私数据发布装置，其特征在于，所述针对用户的信用级别，发布不同类型的数据，具体包括：
对于信用级别小于第一阈值的用户，只提供代理向量数据；
对于信用级别大于或等于第一阈值，但小于第二阈值的用户，提供区域信息和代理向量；
对于信用级别大于或等于第二阈值的用户，提供区域信息、代理向量和私钥。
7.一种基于LFP树与代理向量的轨迹隐私数据发布系统，其特征在于，包括处理器和存储介质；
所述存储介质用于存储指令；
所述处理器用于根据所述指令进行操作以执行根据权利要求1-3中任一项所述方法的步骤。
CN202110953709.3A 2021-08-19 2021-08-19 基于lfp树与代理向量的轨迹隐私数据发布方法、装置及系统 Active CN113722752B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110953709.3A CN113722752B (zh) 2021-08-19 2021-08-19 基于lfp树与代理向量的轨迹隐私数据发布方法、装置及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110953709.3A CN113722752B (zh) 2021-08-19 2021-08-19 基于lfp树与代理向量的轨迹隐私数据发布方法、装置及系统

Publications (2)

Publication Number Publication Date
CN113722752A CN113722752A (zh) 2021-11-30
CN113722752B true CN113722752B (zh) 2024-04-09

Family

ID=78676770

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110953709.3A Active CN113722752B (zh) 2021-08-19 2021-08-19 基于lfp树与代理向量的轨迹隐私数据发布方法、装置及系统

Country Status (1)

Country Link
CN (1) CN113722752B (zh)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109726594A (zh) * 2019-01-09 2019-05-07 南京航空航天大学 一种基于差分隐私的新型轨迹数据发布方法
CN112131608A (zh) * 2020-08-03 2020-12-25 辽宁工业大学 一种满足lkc模型的分类树差分隐私保护方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP6190041B2 (ja) * 2014-03-31 2017-08-30 株式会社日立国際電気 安否確認システム及び秘匿化データの類似検索方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109726594A (zh) * 2019-01-09 2019-05-07 南京航空航天大学 一种基于差分隐私的新型轨迹数据发布方法
CN112131608A (zh) * 2020-08-03 2020-12-25 辽宁工业大学 一种满足lkc模型的分类树差分隐私保护方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Effective privacy preserving data publishing by vectorization;Chris Soo-Hyun Eom et.al;《Information Sciences》;第527卷;311–328 *
轨迹隐私保护技术研究进展分析;胡兆玮;杨静;;计算机科学;20160415(第04期);全文 *

Also Published As

Publication number Publication date
CN113722752A (zh) 2021-11-30

Similar Documents

Publication Publication Date Title
Singh et al. A novel fuzzy logic model for pseudo-relevance feedback-based query expansion
Gupta et al. A new fuzzy logic based ranking function for efficient information retrieval system
Sakai et al. Apriori-based rule generation in incomplete information databases and non-deterministic information systems
CN105260387A (zh) 一种面向海量事务数据库的关联规则分析方法
Zhang et al. Modeling and computing probabilistic skyline on incomplete data
Kiabod et al. A fast graph modification method for social network anonymization
Chung et al. Processing probabilistic spatio-temporal range queries over moving objects with uncertainty
Liu et al. An evolutive frequent pattern tree-based incremental knowledge discovery algorithm
Ben Hamza Nonextensive information-theoretic measure for image edge detection
Mallick et al. Incremental mining of sequential patterns: Progress and challenges
CN113722752B (zh) 基于lfp树与代理向量的轨迹隐私数据发布方法、装置及系统
Liu et al. Measuring similarity based on link information: A comparative study
Feyisetan et al. Privacy-preserving active learning on sensitive data for user intent classification
Yang et al. Top k probabilistic skyline queries on uncertain data
Zhang et al. A method to optimize apriori algorithm for frequent items mining
Zhou et al. Incremental association rule mining based on matrix compression for edge computing
Su et al. A Derivative‐Free Liu–Storey Method for Solving Large‐Scale Nonlinear Systems of Equations
Fu et al. Privacy preserving social network against dopv attacks
CN113034316A (zh) 一种专利价值转换的分析方法及系统
Lakshmi et al. Compact Tree for Associative Classification of Data Stream Mining
CN106407296B (zh) 基于预判筛选的局部扫描关联规则计算机数据分析方法
Yu et al. A dynamic updating method for release of privacy protected data based on privacy differences in relational data
Anuradha et al. A novel approach in mining specialized coherent rules in a level-crossing hierarchy
Ohki et al. A k-anonymous rule clustering approach for data publishing
Yang et al. Hybrid time decay model and probability decay window model for data stream closed frequent pattern mining

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