CN115811726A - 一种面向移动端位置数据动态发布的隐私保护方法及系统 - Google Patents
一种面向移动端位置数据动态发布的隐私保护方法及系统 Download PDFInfo
- Publication number
- CN115811726A CN115811726A CN202310061722.7A CN202310061722A CN115811726A CN 115811726 A CN115811726 A CN 115811726A CN 202310061722 A CN202310061722 A CN 202310061722A CN 115811726 A CN115811726 A CN 115811726A
- Authority
- CN
- China
- Prior art keywords
- state
- calculating
- sequence
- formula
- array
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 52
- 238000012545 processing Methods 0.000 claims abstract description 23
- 239000013598 vector Substances 0.000 claims description 27
- 238000005311 autocorrelation function Methods 0.000 claims description 25
- 230000008859 change Effects 0.000 claims description 23
- 238000004364 calculation method Methods 0.000 claims description 18
- 230000006870 function Effects 0.000 claims description 18
- 238000001914 filtration Methods 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 11
- 230000009467 reduction Effects 0.000 claims description 11
- 230000009191 jumping Effects 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 7
- 238000003491 array Methods 0.000 claims description 6
- 241000764238 Isis Species 0.000 claims 1
- 230000000875 corresponding effect Effects 0.000 description 17
- 238000005516 engineering process Methods 0.000 description 4
- 238000001228 spectrum Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000017105 transposition Effects 0.000 description 2
- 241000287196 Asthenes Species 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012856 packing Methods 0.000 description 1
- 230000003094 perturbing effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Position Fixing By Use Of Radio Waves (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明提供一种面向移动端位置数据动态发布的隐私保护方法及系统,包括读入当前发布时刻的位置信息,包括发布次序和当前位置坐标;如果处于起始时刻,则进行系统初始化;计算当前位置增量,并对位置增量数据序列进行前置降噪处理;判别位置增量数据序列的状态,并执行相应隐私策略得到扰动位置;返回隐私处理后的扰动位置。本发明中对位置增量数据序列的状态划分以及不同隐私策略的运用,解决了位置数据动态发布中抵抗相关攻击的隐私保护问题。
Description
技术领域
本发明涉及数据挖掘与隐私保护领域,更具体的,涉及一种面向移动端位置数据动态发布的隐私保护方案,用于解决位置数据动态发布应用中的位置隐私保护问题。
背景技术
随着移动通信技术与高精度定位技术的快速发展,人们可以随时随地获取和分享位置数据,享受便捷的基于位置的服务。大量用户分享的位置数据可以被收集和存储、分析,能帮助商业公司实现个性化服务及提高服务质量,也可以在智能交通、城市建设等问题上,为政府提供重要的决策支持。但对于大部分用户而言,位置信息是高度敏感的,他们不希望位置数据在分享和分析过程中泄露个人的位置隐私信息。为此,本发明就是针对位置数据在发布阶段的隐私问题所涉及的一种解决方案,以提供更理想的隐私安全和更好的可用性。
在现有的隐私保护技术中,差分隐私具有严格的公理化模型,保证了实际隐私保护强度不受攻击者背景知识的影响,因此被广泛应用在不同领域。在位置服务应用中,基于差分隐私的地理不可区分方法能很好地实现对单个位置的隐私保护,但在位置信息被连续发布的场景中,只单独考虑每个时刻的位置隐私是不充分的,因为连续观测的数据通常是相关的,攻击者可以发起相关攻击,即利用数据与扰动噪声在相关性上的差异来滤除部分噪声,导致实际隐私强度降低。对此,利用序列不可区分理论方法,可以保证差分隐私扰动前后的数据在相关性上保持一致,使得攻击者难以滤除噪声,从而有效地抵抗相关攻击。但在位置连续发布应用中,应用序列不可区分方法仍然面临一些挑战。
实现序列不可区分的关键在于生成与待保护数据在相关性上一致的扰动噪声,这需要已知待保护数据的相关性。但实际位置数据的相关性通常是未知的,为此需要根据观测数据来估计出其相关性。而准确估计的前提是数据序列是平稳的,并且具有尽可能多的观测样本。然而,连续观测的位置数据通常是非平稳的,这将主要带来两方面问题,一方面,难以准确估计出非平稳数据的相关性,另一方面,非平稳数据的相关性不断变化,使得满足相关性一致的扰动噪声的生成变得困难。因此,序列不可区分方法难以被直接应用到位置数据动态发布应用中。
基于上述背景,本发明提出一种面向移动端位置数据动态发布的隐私保护方案,通过跟踪位置增量数据序列的相关性,生成满足序列不可区分的扰动噪声序列,实现对原始位置数据序列的隐私保护。在实际非平稳的应用环境下,通过将位置增量数据序列划分为不同状态,并选择相应的隐私处理策略,实现更为有效的位置隐私保护。
发明内容
连续观测的位置序列数据,在不同程度上都存在数据间的相关性,而这种相关性可以被用来对隐私保护进行攻击,从而导致实际隐私保护强度的降低。本发明就是面向移动端位置数据动态发布的应用场景,提供一种有效抵抗相关攻击的序列不可分性差分隐私保护方案。
将序列不可分方法应用于连续发布的位置数据序列的隐私保护中,面临的挑战主要体现在三个方面:一是位置数据定位误差通常较大,对隐私保护影响也较大;二是位置数据序列的平稳性往往达不到序列不可分方法对数据平稳性的要求;三是由于位置数据序列的时变性会降低其相关性估计的可信度,进而影响隐私保护的实际效果。因此,发明人通过理论分析以及对大量实测数据的分析实验,对上述三个挑战研究提出针对性的实用解决方案,构成了本发明的主要内容。
针对上述挑战,本发明优选设计了合适的预处理滤波器以滤除观测数据误差,减少定位误差的影响;通过扰动位置数据的增量部分来保护位置隐私,这是因为相较于原始位置数据序列,位置增量数据序列则更为平稳;将位置增量数据序列划分为三种状态:准平稳状态,半平稳状态和完全非平稳状态,并根据当前状态选择相应的隐私处理策略,即准平稳状态下采用序列不可区分思想的相关扰动方案、完全非平稳状态下采用经典的独立扰动,而半平稳状态下采用相关叠加独立的扰动方案。本发明对状态的划分以及对应的扰动方法都提供了具体实现方案。
本发明提供一种面向移动端位置数据动态发布的隐私保护方法,包括以下步骤:
步骤S1,读入当前发布时刻的位置信息,包括发布次序和位置坐标;
步骤S2,如果处于起始时刻,则进行系统初始化;否则,进入步骤S3;
步骤S3,计算当前位置增量,并对位置增量数据序列进行前置降噪处理;计算位置增量,计算低通滤波结果,计算滑动平均结果,计算降噪后位置增量的模值与方位角,计算位置增量数据序列的自相关函数估计向量;
步骤S4,判别位置增量数据序列的状态,并执行相应隐私策略得到扰动位置;如果处于初始阶段,则独立地生成拉普拉斯噪声,否则,计算位置增量的模值与方位角随时间的相对变化,判别位置增量数据序列的状态,执行相应隐私策略生成扰动噪声;计算得到扰动位置;
步骤S5,返回隐私处理后的扰动位置。
步骤S2-4,定义枚举类型State,枚举成员包括初始状态标识,低速状态标识,准平稳状态标识,半平稳状态标识,完全非平稳状态标识;定义State类型变量,分别表示预估状态和实际状态,初值均为;定义大小为的State类型数组,表示预估状态记录序列,中所有元素的初值为;
步骤S2-5,设定状态判别阈值,包括低速状态的速度阈值;准平稳状态下相邻窗口间位置增量的方位角变化阈值,以及位置增量模值的均值与均方值的相对变化阈值;完全非平稳状态下相邻窗口间位置增量的方位角变化阈值,以及位置增量模值的均值与均方值的相对变化阈值;
步骤S2-6,定义大小为的二维实数数组,分别表示位置序列,位置增量序列,低通滤波结果序列,中所有元素的初值为0;定义大小为的二维实数数组,分别表示滑动平均结果序列和位置增量极坐标序列,中所有元素的初值为0;
而且,所述步骤S3实现过程包括以下子步骤,
而且,所述步骤S4实现过程包括以下子步骤,
步骤S4-5,判别是否处于低速状态,即是否满足以下条件之一,
步骤S4-10,根据给定的自相关函数向量,生成满足序列不可区分的相关拉普拉斯噪声,包括根据X,Y方向上位置增量数据序列的自相关函数估计向量,分别生成服从零均值,尺度为的拉普拉斯分布的噪声,使得噪声序列的自相关函数向量,分别满足,
另一方面,本发明还提供一种面向移动端位置数据动态发布的隐私保护系统,用于实现如上所述的一种面向移动端位置数据动态发布的隐私保护方法。
而且,包括处理器和存储器,存储器用于存储程序指令,处理器用于调用存储器中的存储指令执行如上所述的一种面向移动端位置数据动态发布的隐私保护方法。
或者,包括可读存储介质,所述可读存储介质上存储有计算机程序,所述计算机程序执行时,实现如上所述的一种面向移动端位置数据动态发布的隐私保护方法。
通过以上步骤,本发明提供了一种面向移动端位置数据动态发布的隐私处理功能,在动态发布应用中,可以作为功能模块从移动端设备接收待发布的原始位置数据,通过降噪处理后,根据位置增量部分的相对变化来判别位置增量数据序列的状态,并由此执行相应的隐私策略来生成扰动噪声,最后将处理结果返回给移动端设备,由此实现了实时动态的隐私保护过程。
本发明的有益效果在于:基于本地模式对移动端位置数据进行隐私保护,保证只有数据所有者能访问原始数据,有效地防止来自不可信服务器的攻击。本发明将位置增量数据序列划分成不同状态,为序列不可区分方法提供应用基础,同时在不同状态下应用相应的隐私处理策略,实现更为有效的隐私保护。此外,在本发明的实施过程及步骤,降低了计算复杂度,便于高效实施,具有实际应用价值。
附图说明
图1是本发明实施例的原理框架图;
图2是本发明实施例的流程图;
图3是本发明实施例的具体应用步骤流程图。
具体实施方式
以下将结合附图及实施例,对本发明的构思、实际应用方式作进一步说明,以充分地了解本发明的目的、特征和效果。
本发明提出一种面向移动端位置数据动态发布的隐私保护方法,基本思想是根据位置增量数据序列的相关性生成满足序列不可区分的扰动噪声序列,实现对原始位置数据序列的隐私保护。在实际应用本发明技术方案中,可将位置增量数据序列划分为不同状态,由此选择相应的隐私策略生成扰动噪声,从而实现更有效的隐私保护。
为了便于阐述发明内容,本发明实施例对一些概念以及适用前提进行如下说明:
1)所谓位置数据连续发布是指,从某一时刻开始,用户按照时间间隔(默认在应用中保持不变,并且小于15秒),发布当时所在的位置信息,则第次发布的时间记为,当时位置记为,由此在动态发布应用中得到位置数据序列;
3)本发明适用于平面直角坐标系XOY所表示的位置坐标,即时刻的位置表示为,其中分别表示X轴,Y轴方向坐标,上标T表示矩阵转置。XOY坐标系一般以起始时刻的位置为原点O,以正东方向为X轴正方向,以正北方向为Y轴正方向,单位为米。若原始位置为其他坐标系的,则需要进行坐标变换。
步骤S1,读入当前发布时刻的位置信息,包括发布次序和位置坐标;
步骤S2,如果处于起始时刻,则进行系统初始化;否则,进入步骤S3;
具体包括以下步骤:
其中,的取值原则是保证估计偏差在合理范围;的取值原则是保证状态判别的时间跨度合理,取值过小将造成状态判别结果变化过于频繁,取值过大将导致状态判别结果变化过于迟缓;的取值原则是让滑动滤波的频谱特性与实际数据的频谱特性相匹配,抑制数据频谱中旁瓣部分。
本发明实施例提供的各具体计算方式和取值为建议优选方案,具体实施时采用其他方式也应当在保护范围内。
步骤S2-4,定义枚举类型State,枚举成员包括初始状态标识,低速状态标识,准平稳状态(quasi-stationary)标识,半平稳状态(semi-stationary)标识,完全非平稳状态(non-stationary)标识;定义State类型变量,分别表示预估状态和实际状态,初值均为;定义大小为的State类型数组,表示预估状态记录序列,中所有元素的初值为;
步骤S2-5,设定状态判别阈值,包括低速状态的速度阈值;准平稳状态下相邻窗口间位置增量的方位角变化阈值,以及位置增量模值的均值与均方值的相对变化阈值;完全非平稳状态下相邻窗口间位置增量的方位角变化阈值,以及位置增量模值的均值与均方值的相对变化阈值;
其中,取值原则是依据观测误差对估计结果的影响程度,认为小于该阈值,观测误差对于估计结果的影响是不可忽略的;取值原则是保证滑动窗内位置增量的均值与自相关函数随时间的相对变化在合理范围内;相对的,取值原则是,认为大于这些阈值,滑动窗内位置增量的均值与自相关函数随时间的相对变化是不可忽略的。本发明推荐取值范围为:;,;,。
实施例中,例如,设定状态判别阈值如下表
步骤S2-6,定义大小为的二维实数数组,分别表示位置序列,位置增量序列,低通滤波结果序列,中所有元素的初值为0;定义大小为的二维实数数组,分别表示滑动平均结果序列和位置增量极坐标序列,中所有元素的初值为0;
步骤S3,对计算当前位置增量,并对位置增量数据序列进行前置降噪处理。计算位置增量,计算低通滤波结果,计算滑动平均结果,计算降噪后位置增量的模值与方位角,计算位置增量数据序列的自相关函数估计向量;
步骤S4,判别位置增量数据序列的状态,并执行相应隐私策略得到扰动位置。如果处于初始阶段,则独立地生成拉普拉斯噪声,否则,计算位置增量的模值与方位角随时间的相对变化,判别位置增量数据序列的状态,执行相应隐私策略生成扰动噪声;计算得到扰动位置;
步骤S4-5,判别是否处于低速状态,即是否满足以下条件之一,
步骤S4-10,根据给定的自相关函数向量,生成满足序列不可区分的相关拉普拉斯噪声。根据X,Y方向上位置增量数据序列的自相关函数估计向量,分别生成服从零均值,尺度为的拉普拉斯分布的噪声,使得噪声序列的自相关函数向量分别满足,
其中,分别表示发布次序为时X,Y方向上的扰动噪声,自相关函数,这里为期望运算,相关拉普拉斯噪声的生成方法包括但不限于相关拉普拉斯机制(可以参考专利CN106227953 A),这里不做赘述;之后进行步骤S4-12;
参见图3,在一个具体实施例中,提供一个典型的位置数据动态发布应用,并阐述本发明所提供的隐私保护方法的实际应用方式。在此,对本发明实施例的应用场景进行一些说明:
3)在本发明实施例中,位置以平面直角坐标系XOY中坐标进行表示的,记时刻的位置表示为,其中分别表示X轴,Y轴方向坐标,上标T表示矩阵转置。XOY坐标系是以起始时刻的位置为原点O,以正东方向为X轴正方向,以正北方向为Y轴正方向,单位为米。
参见图3,实施例中面向移动端位置连续发布的隐私保护方法具体应用流程包括以下步骤:
步骤E5,判断是否修改采样周期,若是,则进行步骤E1;
具体实施时,本发明技术方案提出的方法可由本领域技术人员采用计算机软件技术实现自动运行流程,实现方法的系统装置例如存储本发明技术方案相应计算机程序的计算机可读存储介质以及包括运行相应计算机程序的计算机设备,也应当在本发明的保护范围内。
在一些可能的实施例中,提供一种面向移动端位置数据动态发布的隐私保护系统,包括处理器和存储器,存储器用于存储程序指令,处理器用于调用存储器中的存储指令执行如上所述的一种面向移动端位置数据动态发布的隐私保护方法。
在一些可能的实施例中,提供一种面向移动端位置数据动态发布的隐私保护系统,包括可读存储介质,所述可读存储介质上存储有计算机程序,所述计算机程序执行时,实现如上所述的一种面向移动端位置数据动态发布的隐私保护方法。
本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代,但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。
Claims (7)
1.一种面向移动端位置数据动态发布的隐私保护方法,其特征在于,包括以下步骤:
步骤S1,读入当前发布时刻的位置信息,包括发布次序和位置坐标;
步骤S2,如果处于起始时刻,则进行系统初始化;否则,进入步骤S3;
步骤S3,计算当前位置增量,并对位置增量数据序列进行前置降噪处理;计算位置增量,计算低通滤波结果,计算滑动平均结果,计算降噪后位置增量的模值与方位角,计算位置增量数据序列的自相关函数估计向量;
步骤S4,判别位置增量数据序列的状态,并执行相应隐私策略得到扰动位置;如果处于初始阶段,则独立地生成拉普拉斯噪声,否则,计算位置增量的模值与方位角随时间的相对变化,判别位置增量数据序列的状态,执行相应隐私策略生成扰动噪声;计算得到扰动位置;
步骤S5,返回隐私处理后的扰动位置。
步骤S2-4,定义枚举类型State,枚举成员包括初始状态标识,低速状态标识,准平稳状态标识,半平稳状态标识,完全非平稳状态标识;定义State类型变量,分别表示预估状态和实际状态,初值均为;定义大小为的State类型数组,表示预估状态记录序列,中所有元素的初值为;
步骤S2-5,设定状态判别阈值,包括低速状态的速度阈值;准平稳状态下相邻窗口间位置增量的方位角变化阈值,以及位置增量模值的均值与均方值的相对变化阈值;完全非平稳状态下相邻窗口间位置增量的方位角变化阈值,以及位置增量模值的均值与均方值的相对变化阈值;
步骤S2-6,定义大小为的二维实数数组,分别表示位置序列,位置增量序列,低通滤波结果序列,中所有元素的初值为0;定义大小为的二维实数数组,分别表示滑动平均结果序列和位置增量极坐标序列,中所有元素的初值为0;
3.根据权利要求2所述的一种面向移动端位置数据动态发布的隐私保护方法,其特征在于:所述步骤S3实现过程包括以下子步骤,
4.根据权利要求3所述的一种面向移动端位置数据动态发布的隐私保护方法,其特征在于:所述步骤S4实现过程包括以下子步骤,
步骤S4-5,判别是否处于低速状态,即是否满足以下条件之一,
步骤S4-10,根据给定的自相关函数向量,生成满足序列不可区分的相关拉普拉斯噪声,包括根据X,Y方向上位置增量数据序列的自相关函数估计向量,分别生成服从零均值,尺度为的拉普拉斯分布的噪声,使得噪声序列的自相关函数向量,分别满足,
5.一种面向移动端位置数据动态发布的隐私保护系统,其特征在于:用于实现如权利要求1-4任一项所述的一种面向移动端位置连续发布的隐私保护方法。
6.根据权利要求5所述一种面向移动端位置数据动态发布的隐私保护系统,其特征在于:包括处理器和存储器,存储器用于存储程序指令,处理器用于调用存储器中的存储指令执行如权利要求1-4任一项所述的一种面向移动端位置数据动态发布的隐私保护方法。
7.根据权利要求5所述一种面向移动端位置数据动态发布的隐私保护系统,其特征在于:包括可读存储介质,所述可读存储介质上存储有计算机程序,所述计算机程序执行时,实现如权利要求1-4任一项所述的一种面向移动端位置数据动态发布的隐私保护方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310061722.7A CN115811726B (zh) | 2023-01-20 | 2023-01-20 | 一种面向移动端位置数据动态发布的隐私保护方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310061722.7A CN115811726B (zh) | 2023-01-20 | 2023-01-20 | 一种面向移动端位置数据动态发布的隐私保护方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115811726A true CN115811726A (zh) | 2023-03-17 |
CN115811726B CN115811726B (zh) | 2023-04-25 |
Family
ID=85487811
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310061722.7A Active CN115811726B (zh) | 2023-01-20 | 2023-01-20 | 一种面向移动端位置数据动态发布的隐私保护方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115811726B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106227953A (zh) * | 2016-07-26 | 2016-12-14 | 武汉大学 | 一种具有给定相关性的拉普拉斯噪声序列生成方法及生成器 |
CN106407841A (zh) * | 2016-09-28 | 2017-02-15 | 武汉大学 | 基于差分隐私的相关性时间序列发布方法及系统 |
CN108446568A (zh) * | 2018-03-19 | 2018-08-24 | 西北大学 | 一种去趋势分析差分隐私保护的直方图数据发布方法 |
US20200120480A1 (en) * | 2018-10-11 | 2020-04-16 | Citrix Systems, Inc. | Policy based location protection service |
CN114065287A (zh) * | 2021-11-18 | 2022-02-18 | 南京航空航天大学 | 一种抗预测攻击的轨迹差分隐私保护方法和系统 |
US20220392219A1 (en) * | 2021-06-04 | 2022-12-08 | Apple Inc. | Learning Iconic Scenes and Places with Privacy |
-
2023
- 2023-01-20 CN CN202310061722.7A patent/CN115811726B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106227953A (zh) * | 2016-07-26 | 2016-12-14 | 武汉大学 | 一种具有给定相关性的拉普拉斯噪声序列生成方法及生成器 |
CN106407841A (zh) * | 2016-09-28 | 2017-02-15 | 武汉大学 | 基于差分隐私的相关性时间序列发布方法及系统 |
CN108446568A (zh) * | 2018-03-19 | 2018-08-24 | 西北大学 | 一种去趋势分析差分隐私保护的直方图数据发布方法 |
US20200120480A1 (en) * | 2018-10-11 | 2020-04-16 | Citrix Systems, Inc. | Policy based location protection service |
US20220392219A1 (en) * | 2021-06-04 | 2022-12-08 | Apple Inc. | Learning Iconic Scenes and Places with Privacy |
CN114065287A (zh) * | 2021-11-18 | 2022-02-18 | 南京航空航天大学 | 一种抗预测攻击的轨迹差分隐私保护方法和系统 |
Non-Patent Citations (3)
Title |
---|
MICHAEL KHAVKIN ET AL.: "Preserving Differential Privacy and Utility of Non-stationary Data Streams" * |
王豪;徐正全;熊礼治;王涛;: "CLM:面向轨迹发布的差分隐私保护方法" * |
胡德敏;詹涵;: "可预测的差分扰动用户轨迹隐私保护方法" * |
Also Published As
Publication number | Publication date |
---|---|
CN115811726B (zh) | 2023-04-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Clark et al. | Shifted Rayleigh filter: A new algorithm for bearings-only tracking | |
CN108981696B (zh) | 一种sins任意失准角无奇异快速传递对准方法 | |
Novoselov et al. | Mitigating the effects of residual biases with Schmidt-Kalman filtering | |
CN108318921A (zh) | 一种基于横向约束的快速地震随机反演方法 | |
Li et al. | Improving adversarial robustness of 3D point cloud classification models | |
CN110543162B (zh) | 一种强噪声下的运动控制系统多重故障辨识方法 | |
CN116186643A (zh) | 一种多传感器协同目标跟踪方法、系统、设备及介质 | |
CN110034961B (zh) | 以ooda链为元体的渗率计算方法 | |
CN115811726A (zh) | 一种面向移动端位置数据动态发布的隐私保护方法及系统 | |
Miao et al. | DOPH∞-based path-following control for underactuated marine vehicles with multiple disturbances and constraints | |
CN109344643A (zh) | 一种面向图中三角形数据发布的隐私保护方法及系统 | |
Li et al. | An UKF‐based nonlinear system identification method using interpolation models and backward integration | |
CN109582914B (zh) | 噪声相关的带偏差系统的并行式融合估计方法 | |
CN110110428A (zh) | 一种基于克里金模型优选与神经网络的压气机特性预测方法 | |
CN114614797A (zh) | 基于广义最大非对称相关熵准则的自适应滤波方法和系统 | |
Dini et al. | The augmented complex particle filter | |
Fang et al. | Constrained optimal test signal design for improved prediction error | |
WO2019149376A1 (en) | Method and system for processing input data using a neural network and normalizations | |
Michalek et al. | Federated learning on android-highlights from recent developments | |
Zheng et al. | An Enhanced Differential Private Protection Method Based on Adaptive Iterative Wiener Filtering in Discrete Time Series | |
Kaba et al. | 3D generalized bias compensated pseudolinear Kalman filter for colored noisy bearings-only measurements | |
Diniz et al. | Kalman filters | |
CN106092141A (zh) | 一种改善相对位置传感器性能的方法及装置 | |
Do et al. | Adversarial manipulation of learning in linear-quadratic zero-sum differential games via cost poisoning | |
Luo et al. | Multilevel declassification method for geographic vector field data: a geometric algebra approach |
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 |