CN116299172B - 一种基于隐私保护质量评估的精确定位方法及装置 - Google Patents
一种基于隐私保护质量评估的精确定位方法及装置 Download PDFInfo
- Publication number
- CN116299172B CN116299172B CN202310172330.8A CN202310172330A CN116299172B CN 116299172 B CN116299172 B CN 116299172B CN 202310172330 A CN202310172330 A CN 202310172330A CN 116299172 B CN116299172 B CN 116299172B
- Authority
- CN
- China
- Prior art keywords
- positioning
- target node
- anchor points
- quality
- candidate
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 33
- 238000001303 quality assessment method Methods 0.000 title claims description 22
- 238000013441 quality evaluation Methods 0.000 claims abstract description 15
- 239000011159 matrix material Substances 0.000 claims description 25
- 230000004807 localization Effects 0.000 claims description 17
- 238000012790 confirmation Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 238000004422 calculation algorithm Methods 0.000 description 18
- 238000005259 measurement Methods 0.000 description 8
- 230000000694 effects Effects 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 7
- 238000004458 analytical method Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 6
- 238000004088 simulation Methods 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000013461 design 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
- 238000004321 preservation Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
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]
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S5/00—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations
- G01S5/02—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations using radio waves
- G01S5/0205—Details
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S5/00—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations
- G01S5/02—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations using radio waves
- G01S5/14—Determining absolute distances from a plurality of spaced points of known location
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W12/00—Security arrangements; Authentication; Protecting privacy or anonymity
- H04W12/60—Context-dependent security
- H04W12/66—Trust-dependent, e.g. using trust scores or trust relationships
-
- 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
Abstract
本发明公开一种基于隐私保护质量评估的精确定位方法及装置,该方法包括:在众包定位网络中,目标节点发布众包定位任务,想要参与该任务的m个候选锚点发送请求给目标节点;目标节点根据所有候选锚点的请求信息计算每个影响锚点定位质量因素的最大值和最小值,并广播给所有的候选锚点;结合每个影响因素的最大值和最小值,所有候选锚点评估其定位质量,并将其发送给目标节点;目标节点根据所有候选锚点定位质量,选择质量最高的n个锚点参与众包定位任务;由目标节点选中的n个锚点执行基于加噪机制的隐私保护定位,得到定位结果。本发明高效地实现了质量评估过程与定位过程的隐私保护。
Description
技术领域
本发明涉及物联网中具有精确性和隐私保护性的定位技术领域,尤其涉及一种基于隐私保护质量评估的精确定位方法及装置。
背景技术
随着无线传感通信技术的快速发展,依靠传感设备提供准确的感知信息(包括位置信息与身份信息等)是实现物联网定位的关键。然而,由于大量传感设备的广泛使用,物联网设备中可能会存在恶意或自私用户,因此,为了有效支撑物联网位置服务,有必要同时保证定位结果准确性和定位过程中数据的隐私性。
在现实的定位场景中,精确的定位技术已经应用于各个领域,确保定位结果的准确性具有重要意义。目前已经有大量的方法能够实现精确的定位。Goyat等人在一篇名为“Asecure localization scheme based on trust assessment for wsns usingblockchain technology(Future Generation Computer Systems,2021,125:221-231)”的文章中提出了一种基于信任评估的定位算法,该算法确保具有高信任值的信标节点执行定位过程,从而实现准确的定位。然而,仅仅从信任这一角度选择节点,并没有考虑到锚点的定位质量,存在局限性。因此,从锚点质量评估的角度提高定位精确性是值得深入研究的,特别是综合考虑锚点的能量、定位距离和角度等影响因素。
众包技术能够提供有效的数据收集服务,但隐私泄露风险也随之增加。现有的研究已经提出了隐私保护定位算法,例如,Zhang等人在一篇名为“Adecentralized locationprivacy-preserving spatial crowdsourcing for internet of vehicles(IEEETransactions on Intelligent Transportation Systems,2020,22(4):2299-2313)”的文章中使用同态加密保护位置隐私,从而提出了一种空间众包算法。Li等人在一篇名为“Efficient Privacy Preserving Single Anchor Localization Using Noise-AddingMechanism for Internet of Things(Web Information Systems andApplications.WISA 2021)”的文章中提出的一种基于加噪机制的隐私保护定位算法。Han等人在一篇名为“Privacy preserved wireless sensor location protocols based onmobile edge computing(Computers&Security,2019,84:393-401)”的文章中针对传统的三边和多边定位,提出了两种基于Paillier同态加密方案的隐私保护定位协议。然而,在考虑锚点质量评估以提高定位精度时,仍然需要对隐私保护定位问题进行进一步的探索。锚点质量通常由影响锚点质量的影响因素来评估,例如,锚点与目标节点之间的距离、锚点的剩余能量和锚点的角度。这些影响因素属于锚点用户的隐私信息,应在质量评估过程中得到保护。因此,从锚质量评估角度改进定位精度时,实现评估和定位过程中的隐私保护是至关重要的。
在物联网众包定位场景中,假设任务发布者需要基于有限的任务预算发布定位任务,且目标节点与锚点均为部署了大规模天线阵列并且支持高带宽的可以实现角度与距离测量的传感设备。因此需要选择有限数量的锚点执行定位任务。但是,由于众包技术的开放性特征,任何拥有感知设备的请求者都能参与定位任务,存在大量因素影响锚点感知数据的准确性,因此锚节点所提交的数据并非都能够实现有效的定位。例如,距离任务位置越远,通信网络越不稳定,将导致感知的距离数据偏差较大;感知设备能量不足时,其得到的感知数据将会越偏离真实数据;天线角度等大量其他因素也会影响感知设备提交数据的质量,进而影响定位结果。
发明内容
针对物联网众包定位精确性不足的问题,从锚点质量评估的角度出发,本发明提出了一种基于隐私保护质量评估的精确定位方法(Accurate and Privacy-PreservingLocalization,APPL)及装置,本发明首先在众包定位场景中引入锚点质量的概念,通过综合考虑其影响因素(即剩余能量、定位距离和角度)来量化单个锚点执行定位的能力。其次,为了防止锚点质量评估过程中隐私信息的泄露,基于锚点质量的概念提出了一种隐私保护锚点质量评估方法。通过将锚点的隐私信息编码为噪声矩阵以实现隐私保护最大值和最小值计算,进而通过对影响因素对应的隐私信息进行归一化以安全地聚合得到锚点的质量。最后,选择高质量锚点进一步实现精确定位。本发明既提升定位结果精确性,也实现了定位过程和质量评估过程中的隐私保护。
为了实现上述目的,本发明采用以下技术方案:
本发明一方面提供一种基于隐私保护质量评估的精确定位方法,该方法包括以下步骤:
步骤1:在众包定位网络中,目标节点发布众包定位任务(该任务需要n个锚点执行定位子任务),想要参与该任务的m(m≥n)个候选锚点发送请求(包括私有数据的噪声矩阵)给目标节点;
步骤2:目标节点根据所有候选锚点的请求信息计算每个影响锚点定位质量因素(即剩余能量、定位距离和角度)的最大值和最小值,并广播给所有的候选锚点;
步骤3:结合每个影响因素的最大值和最小值,所有候选锚点评估其定位质量,并将其发送给目标节点;
步骤4:目标节点根据所有候选锚点定位质量,选择质量最高的n个锚点参与众包定位任务;
步骤5:由目标节点选中的n个锚点执行基于加噪机制的隐私保护定位,得到定位结果。
进一步地,所述步骤1包括:
步骤1.1:目标节点N0发布众包定位任务给网络中的锚点;
步骤1.2:根据候选锚点Ni将其私有数据si(即影响锚点定位质量因素对应的值,即剩余能量、定位距离和角度)转化为私有矩阵Si=(si1,si2,…,sil),其中si∈{z1,z2,…,zl}=Z,Z为影响因素的数值范围,且|Z|=l,rij为不等于0的随机数;
步骤1.3:所有候选锚点Ni协作生成零和噪声项αi,并将其加入在矩阵Si中,得到噪声矩阵Si←α=(si1+αi,si2+αi,…,sil+αi),并将Si←α发送给目标节点N0。
进一步地,所述步骤2包括:
步骤2.1:目标节点N0将从候选锚点处收到的所有噪声矩阵对应元素相加,得到一个新的数组 那么根据数组Y的顺序方向,第一个不为0的元素yi,即为所有候选锚点对应影响因素的最小值Min(s1,s2,…,sm)=zi,根据数组Y的逆序方向,第一个不为0的元素yj,即为所有候选锚点对应影响因素的最大值Max(s1,s2,…,sm)=zj;
步骤2.2:目标节点N0将最小值和最大值广播给所有的候选锚点。
进一步地,所述步骤3包括:
步骤3.1:根据每个候选锚点计算第k个影响因素的归一化结果qik;
步骤3.2:结合所有影响因素的归一化结果qik,根据每个候选锚点计算得到其定位质量Qi;
步骤3.3:所有候选锚点将其定位质量Qi发送给目标节点。
进一步地,所述步骤4包括:
步骤4.1:目标节点N0将所有请求者的评估结果Qi进行排序,选择锚点质量Qi最高的n个锚点作为众包定位任务的执行者;
步骤4.2:目标节点N0向选中的n个锚点发出执行定位任务确认请求。
进一步地,所述步骤5包括:
步骤5.1:被选中的锚点确认执行定位任务之后,所有被选中的锚点分别对目标节点进行距离和角度测量,根据测量的距离信息和角度信息计算目标节点的估计位置Xi;
步骤5.2:所有协作产生零和噪声βi,并执行零和噪声添加过程得到加噪后的定位结果Xi←β=Xi+βi,并将其发送给N0;
步骤5.3:目标节点N0根据计算得到最终的定位结果/>
本发明另一方面提出一种基于隐私保护质量评估的精确定位装置,包括:
定位任务发布模块,用于在众包定位网络中,目标节点发布众包定位任务,想要参与该任务的m个候选锚点发送请求给目标节点;
计算模块,用于目标节点根据所有候选锚点的请求信息计算每个影响锚点定位质量因素的最大值和最小值,并广播给所有的候选锚点;
定位质量评估模块,用于结合每个影响因素的最大值和最小值,所有候选锚点评估其定位质量,并将其发送给目标节点;
锚点选择模块,用于目标节点根据所有候选锚点定位质量,选择质量最高的n个锚点参与众包定位任务;
定位模块,用于由目标节点选中的n个锚点执行基于加噪机制的隐私保护定位,得到定位结果。
进一步地,所述定位任务发布模块具体用于:
目标节点N0发布众包定位任务给网络中的锚点;
根据候选锚点Ni将其私有数据si转化为私有矩阵Si=(si1,si2,…,sil),其中si∈{z1,z2,…,zl}=Z,Z为影响因素的数值范围,且|Z|=l,rij为不等于0的随机数;
所有候选锚点Ni协作生成零和噪声项αi,并将其加入在矩阵Si中,得到噪声矩阵Si←α=(si1+αi,si2+αi,…,sil+αi),并将Si←α发送给目标节点N0。
进一步地,所述计算模块具体用于:
目标节点N0将从候选锚点处收到的所有噪声矩阵对应元素相加,得到一个新的数组根据数组Y的顺序方向,第一个不为0的元素yi,即为所有候选锚点对应影响因素的最小值Min(s1,s2,…,sm)=zi,根据数组Y的逆序方向,第一个不为0的元素yj,即为所有候选锚点对应影响因素的最大值Max(s1,s2,…,sm)=zj;
目标节点N0将最小值和最大值广播给所有的候选锚点。
进一步地,所述定位质量评估模块具体用于:
根据每个候选锚点计算第k个影响因素的归一化结果qik;
结合所有影响因素的归一化结果qik,根据每个候选锚点计算得到其定位质量Qi;
所有候选锚点将其定位质量Qi发送给目标节点。
进一步地,所述锚点选择模块具体用于:
目标节点N0将所有请求者的评估结果Qi进行排序,选择锚点质量Qi最高的n个锚点作为众包定位任务的执行者;
目标节点N0向选中的n个锚点发出执行定位任务确认请求。
进一步地,所述定位模块具体用于:
被选中的锚点确认执行定位任务之后,所有被选中的锚点分别对目标节点进行距离和角度测量,根据测量的距离信息和角度信息计算目标节点的估计位置Xi;
所有协作产生零和噪声βi,并执行零和噪声添加过程得到加噪后的定位结果Xi←β=Xi+βi,并将其发送给N0;
目标节点N0根据计算得到最终的定位结果/>
与现有技术相比,本发明具有的有益效果:
本发明引入了锚点定位质量的概念以量化地表示单个锚点执行定位任务的能力,进一步地,利用隐私保护计算最大值和最小值技术设计了一种隐私保护锚点质量评估方法,该方法综合考虑多种因素对锚点定位质量的影响,进而选择高质量锚点参与众包定位任务以提高定位结果的精确性,同时,基于零和噪声机制高效地实现了质量评估过程与定位过程的隐私保护。
附图说明
图1为本发明实施例提供的一种基于隐私保护质量评估的精确定位方法的流程示意图;
图2为本发明实施例中描述定位误差与锚点数量关系的分析结果图;
图3为本发明实施例中描述定位误差与测量次数关系的分析结果图;
图4为本发明实施例中描述定位误差上界与测量次数关系的分析结果图;
图5为本发明实施例中描述定位误差与低质量锚点比例关系的分析结果图;
图6为本发明实施例中描述计算代价与选择锚点的数量关系的分析结果图;
图7为本发明实施例中描述通信代价与选择锚点的数量关系的分析结果图;
图8为本发明实施例提供的一种基于隐私保护质量评估的精确定位装置的结构示意图。
具体实施方式
下面结合附图和具体的实施例对本发明做进一步的解释说明:
如图1所示,一种基于隐私保护质量评估的精确定位方法,包括:
步骤S101:在众包定位网络中,目标节点发布众包定位任务(该任务需要n个锚点执行定位子任务),想要参与该任务的m(m≥n)个候选锚点发送请求(包括私有数据的噪声矩阵)给目标节点;
步骤S102:目标节点根据所有候选锚点的请求信息计算每个影响锚点定位质量因素的最大值和最小值,并广播给所有的候选锚点;
步骤S103:结合每个影响因素(即剩余能量、定位距离和角度)的最大值和最小值,所有候选锚点评估其定位质量,并将其发送给目标节点;
步骤S104:目标节点根据所有候选锚点定位质量,选择质量最高的n个锚点参与众包定位任务;
步骤S105:由目标节点选中的n个锚点执行基于加噪机制的隐私保护定位得到定位结果。
进一步地,所述步骤S101包括以下子步骤:
步骤S1011:目标节点N0发布众包定位任务给网络中的锚点;
步骤S1012:根据候选锚点Ni将其私有数据si(即影响锚点定位质量因素对应的值,即剩余能量、定位距离和角度)转化为私有矩阵Si=(si1,si2,…,sil),其中si∈{z1,z2,…,zl}=Z,Z为影响因素的数值范围,且|Z|=l,rij为不等于0的随机数;
步骤S1013:所有候选锚点Ni协作生成零和噪声项αi,并将其加入在矩阵Si中,得到噪声矩阵Si←α=(si1+αi,si2+αi,…,sil+αi),并将Si←α发送给目标节点N0。
进一步地,所述步骤S102包括以下子步骤:
步骤S1021:目标节点N0将从候选锚点处收到的所有噪声矩阵对应元素相加,得到一个新的数组 那么根据数组Y的顺序方向,第一个不为0的元素yi,即为所有候选锚点对应影响因素的最小值Min(s1,s2,…,sm)=zi,根据数组Y的逆序方向,第一个不为0的元素yj,即为所有候选锚点对应影响因素的最大值Max(s1,s2,…,sm)=zj;
步骤S1022:目标节点N0将最小值和最大值广播给所有的候选锚点。
进一步地,所述步骤S103包括以下子步骤:
步骤S1031:根据每个候选锚点计算第k个影响因素的归一化结果qik;
步骤S1032:结合所有影响因素的归一化结果qik,根据每个候选锚点计算得到其定位质量Qi;
步骤S1033:所有候选锚点将其定位质量Qi发送给目标节点。
进一步地,所述步骤S104包括以下子步骤:
步骤S1041:目标节点N0将所有请求者的评估结果Qi进行排序,选择锚点质量Qi最高的n个锚点作为众包定位任务的执行者;
步骤S1042:目标节点N0向选中的n个锚点发出执行定位任务确认请求。
进一步地,所述步骤S105包括以下子步骤:
步骤S1051:被选中的锚点确认执行定位任务之后,所有被选中的锚点分别对目标节点进行距离和角度测量,根据测量的距离信息和角度信息计算目标节点的估计位置Xi;
步骤S1052:所有协作产生零和噪声βi,并执行零和噪声添加过程得到加噪后的定位结果Xi←β=Xi+βi,并将其发送给N0;
步骤S1053:目标节点N0根据计算得到最终的定位结果/>
为验证本发明效果,进行如下实验:
仿真实验参数配置如下:1000个锚点均匀分布在以(100,100)为圆心,半径为100m的圆形区域中。对比方案包括基于直接评估的隐私保护定位(Direct evaluation-basedPrivacy-Preserving Localization,DPPL),隐私保护精确分布式定位(Privacy-Preserving Accurate Distributed Localization,PP-ADL)和具有隐私保护的传统多边定位(Privacy-Preserving Traditional Multilateration Localization,PP-TML)。这些方法均通过添加零和噪声来实现隐私保护定位。另外,基于同态加密的隐私保护定位算法(Homomorphic encryption-based Privacy-Preserving Localization,HPPL)也是一种对比方案。
图2给出了锚点数量对定位误差的影响。仿真结果表明,定位误差随着锚点数量的增加而减小。由于更多的锚点将提供更多的位置信息,降低了定位误差。当锚节点的数量为无限时,定位误差将收敛到0。与DPPL、PP-ADL和PP-TML相比,APPL具有最小的定位误差,APPL分别减少了18.81%、27.38%和47.53%。图3给出了测量次数对定位误差的影响。当测量次数较多时,APPL的定位误差较小。由于在模拟实验中使用了零平均误差,当测量次数无限时,定位误差收敛到0。同样地,与其他三种比较方案相比,APPL具有最小的定位误差,APPL分别减少了14.60%、26.00%和53.34%的定位误差。这是因为APPL算法考虑了各种因素对单个锚点的影响,提供更加准确的数据并选择高质量的锚点来参与定位。而PP-ADL和PP-TML均未选择锚点。DPPL算法也对锚点进行了评估,但它没有考虑多个因素的影响。结合图2和图3,仿真结果验证了APPL定位结果的正确性,且优于其他三种算法。
图4对比了测量次数对定位误差上界的影响。可以发现,APPL具有最低的定位误差上界,而且与其他算法相比,APPL将定位误差上界降低了2.15%、13.48%和26.69%。这是因为锚点能够在APPL执行期间提供更准确的测量数据。图5显示了低质量锚点比例对定位误差的影响。PP-TML和PP-ADL的定位误差随着低质量锚节点比例的增加而增加。然而,其他两种算法的定位误差保持稳定。这是因为锚点选择过程被添加到APPL和DPPL算法中。由于PP-TML,它仅根据距离信息进行定位,因此PP-TML具有最大的定位误差。PP-ADL、DPPL和APPL同时考虑距离和角度信息,这将提供更准确的数据。APPL同时考虑了多个因素对锚点质量的影响。因此,APPL具有最佳的定位精度。结合图4和图5,验证了APPL具有更小的定位误差边界,定位结果更精确。
图6和图7分别给出了计算代价、通信代价与选择的锚节点数量之间的关系以证明APPL算法的效率。可以发现,APPL算法的计算开销远小于HPPL,这是因为HPPL算法使用同态加密机制并且包含了长字节的乘积运算和指数运算。类似地,APPL使用噪声添加机制来保存私有数据,并且没有同态加密过程。因此,APPL算法的通信代价小于HPPL算法。具体而言,与HPPL相比,EPPL可以将通信代价平均减少84.05%。总之,APPL不仅实现了定位精度的提高和隐私保护,而且确保了定位算法的高效性。
在上述实施例的基础上,如图8所示,本发明还提出一种基于隐私保护质量评估的精确定位装置,包括:
定位任务发布模块,用于在众包定位网络中,目标节点发布众包定位任务,想要参与该任务的m个候选锚点发送请求给目标节点;
计算模块,用于目标节点根据所有候选锚点的请求信息计算每个影响锚点定位质量因素的最大值和最小值,并广播给所有的候选锚点;
定位质量评估模块,用于结合每个影响因素的最大值和最小值,所有候选锚点评估其定位质量,并将其发送给目标节点;
锚点选择模块,用于目标节点根据所有候选锚点定位质量,选择质量最高的n个锚点参与众包定位任务;
定位模块,用于由目标节点选中的n个锚点执行基于加噪机制的隐私保护定位,得到定位结果。
进一步地,所述定位任务发布模块具体用于:
目标节点N0发布众包定位任务给网络中的锚点;
根据候选锚点Ni将其私有数据si转化为私有矩阵Si=(si1,si2,…,sil),其中si∈{z1,z2,…,zl}=Z,Z为影响因素的数值范围,且|Z|=l,rij为不等于0的随机数;
所有候选锚点Ni协作生成零和噪声项αi,并将其加入在矩阵Si中,得到噪声矩阵Si←α=(si1+αi,si2+αi,…,sil+αi),并将Si←α发送给目标节点N0。
进一步地,所述计算模块具体用于:
目标节点N0将从候选锚点处收到的所有噪声矩阵对应元素相加,得到一个新的数组根据数组Y的顺序方向,第一个不为0的元素yi,即为所有候选锚点对应影响因素的最小值Min(s1,s2,…,sm)=zi,根据数组Y的逆序方向,第一个不为0的元素yj,即为所有候选锚点对应影响因素的最大值Max(s1,s2,…,sm)=zj;
目标节点N0将最小值和最大值广播给所有的候选锚点。
进一步地,所述定位质量评估模块具体用于:
根据每个候选锚点计算第k个影响因素的归一化结果qik;
结合所有影响因素的归一化结果qik,根据每个候选锚点计算得到其定位质量Qi;
所有候选锚点将其定位质量Qi发送给目标节点。
进一步地,所述锚点选择模块具体用于:
目标节点N0将所有请求者的评估结果Qi进行排序,选择锚点质量Qi最高的n个锚点作为众包定位任务的执行者;
目标节点N0向选中的n个锚点发出执行定位任务确认请求。
进一步地,所述定位模块具体用于:
被选中的锚点确认执行定位任务之后,所有被选中的锚点分别对目标节点进行距离和角度测量,根据测量的距离信息和角度信息计算目标节点的估计位置Xi;
所有协作产生零和噪声βi,并执行零和噪声添加过程得到加噪后的定位结果Xi←β=Xi+βi,并将其发送给N0;
目标节点N0根据计算得到最终的定位结果/>
综上所述,本发明提供的一种基于隐私保护质量评估的精确定位方法及装置,通过使用隐私保护最大和最小计算技术,评估单个锚点在众包定位过程中的定位质量,进而选择高质量锚点参与隐私保护定位,提高了定位精度,实现了质量评估和定位过程中的隐私保护,并且确保了定位算法的高效性。
以上所示仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (8)
1.一种基于隐私保护质量评估的精确定位方法,其特征在于,包括:
步骤1:在众包定位网络中,目标节点发布众包定位任务,想要参与该任务的m个候选锚点发送请求给目标节点;
步骤2:目标节点根据所有候选锚点的请求信息计算每个影响锚点定位质量因素的最大值和最小值,并广播给所有的候选锚点;所述影响锚点定位质量因素包括剩余能量、定位距离、角度;
步骤3:结合每个影响因素的最大值和最小值,所有候选锚点评估其定位质量,并将其发送给目标节点;
步骤4:目标节点根据所有候选锚点定位质量,选择质量最高的n个锚点参与众包定位任务;
步骤5:由目标节点选中的n个锚点执行基于加噪机制的隐私保护定位,得到定位结果;
所述步骤1包括:
步骤1.1:目标节点N0发布众包定位任务给网络中的锚点;
步骤1.2:根据候选锚点Ni将其私有数据si转化为私有矩阵Si=(si1,si2,…,sil),其中si∈{z1,z2,…,zl}=Z,Z为影响因素的数值范围,且|Z|=l,rij为不等于0的随机数;
步骤1.3:所有候选锚点Ni协作生成零和噪声项αi,并将其加入在矩阵Si中,得到噪声矩阵Si←α=(si1+αi,si2+αi,…,sil+αi),并将Si←α发送给目标节点N0;
所述步骤2包括:
步骤2.1:目标节点N0将从候选锚点处收到的所有噪声矩阵对应元素相加,得到一个新的数组根据数组Y的顺序方向,第一个不为0的元素yi,即为所有候选锚点对应影响因素的最小值Min(s1,s2,…,sm)=zi,根据数组Y的逆序方向,第一个不为0的元素yj,即为所有候选锚点对应影响因素的最大值Max(s1,s2,…,sm)=zj;
步骤2.2:目标节点N0将最小值和最大值广播给所有的候选锚点。
2.根据权利要求1所述的一种基于隐私保护质量评估的精确定位方法,其特征在于,所述步骤3包括:
步骤3.1:根据每个候选锚点计算第k个影响因素的归一化结果qik;
步骤3.2:结合所有影响因素的归一化结果qik,根据每个候选锚点计算得到其定位质量Qi;
步骤3.3:所有候选锚点将其定位质量Qi发送给目标节点。
3.根据权利要求1所述的一种基于隐私保护质量评估的精确定位方法,其特征在于,所述步骤4包括:
步骤4.1:目标节点N0将所有请求者的评估结果Qi进行排序,选择锚点质量Qi最高的n个锚点作为众包定位任务的执行者;
步骤4.2:目标节点N0向选中的n个锚点发出执行定位任务确认请求。
4.根据权利要求1所述的一种基于隐私保护质量评估的精确定位方法,其特征在于,所述步骤5包括:
步骤5.1:被选中的锚点确认执行定位任务之后,所有被选中的锚点分别对目标节点进行距离和角度测量,根据测量的距离信息和角度信息计算目标节点的估计位置Xi;
步骤5.2:所有协作产生零和噪声βi,并执行零和噪声添加过程得到加噪后的定位结果Xi←β=Xi+βi,并将其发送给N0;
步骤5.3:目标节点N0根据计算得到最终的定位结果/>
5.一种基于隐私保护质量评估的精确定位装置,其特征在于,包括:
定位任务发布模块,用于在众包定位网络中,目标节点发布众包定位任务,想要参与该任务的m个候选锚点发送请求给目标节点;
计算模块,用于目标节点根据所有候选锚点的请求信息计算每个影响锚点定位质量因素的最大值和最小值,并广播给所有的候选锚点;所述影响锚点定位质量因素包括剩余能量、定位距离、角度;
定位质量评估模块,用于结合每个影响因素的最大值和最小值,所有候选锚点评估其定位质量,并将其发送给目标节点;
锚点选择模块,用于目标节点根据所有候选锚点定位质量,选择质量最高的n个锚点参与众包定位任务;
定位模块,用于由目标节点选中的n个锚点执行基于加噪机制的隐私保护定位,得到定位结果;
所述定位任务发布模块具体用于:
目标节点N0发布众包定位任务给网络中的锚点;
根据候选锚点Ni将其私有数据si转化为私有矩阵Si=(si1,si2,…,sil),其中si∈{z1,z2,…,zl}=Z,Z为影响因素的数值范围,且|Z|=l,rij为不等于0的随机数;
所有候选锚点Ni协作生成零和噪声项αi,并将其加入在矩阵Si中,得到噪声矩阵Si←α=(si1+αi,si2+αi,…,sil+αi),并将Si←α发送给目标节点N0;
所述计算模块具体用于:
目标节点N0将从候选锚点处收到的所有噪声矩阵对应元素相加,得到一个新的数组根据数组Y的顺序方向,第一个不为0的元素yi,即为所有候选锚点对应影响因素的最小值Min(s1,s2,…,sm)=zi,根据数组Y的逆序方向,第一个不为0的元素yj,即为所有候选锚点对应影响因素的最大值Max(s1,s2,…,sm)=zj;
目标节点N0将最小值和最大值广播给所有的候选锚点。
6.根据权利要求5所述的一种基于隐私保护质量评估的精确定位装置,其特征在于,所述定位质量评估模块具体用于:
根据每个候选锚点计算第k个影响因素的归一化结果qik;
结合所有影响因素的归一化结果qik,根据每个候选锚点计算得到其定位质量Qi;
所有候选锚点将其定位质量Qi发送给目标节点。
7.根据权利要求5所述的一种基于隐私保护质量评估的精确定位装置,其特征在于,所述锚点选择模块具体用于:
目标节点N0将所有请求者的评估结果Qi进行排序,选择锚点质量Qi最高的n个锚点作为众包定位任务的执行者;
目标节点N0向选中的n个锚点发出执行定位任务确认请求。
8.根据权利要求5所述的一种基于隐私保护质量评估的精确定位装置,其特征在于,所述定位模块具体用于:
被选中的锚点确认执行定位任务之后,所有被选中的锚点分别对目标节点进行距离和角度测量,根据测量的距离信息和角度信息计算目标节点的估计位置Xi;
所有协作产生零和噪声βi,并执行零和噪声添加过程得到加噪后的定位结果Xi←β=Xi+βi,并将其发送给N0;
目标节点N0根据计算得到最终的定位结果/>
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310172330.8A CN116299172B (zh) | 2023-02-27 | 2023-02-27 | 一种基于隐私保护质量评估的精确定位方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310172330.8A CN116299172B (zh) | 2023-02-27 | 2023-02-27 | 一种基于隐私保护质量评估的精确定位方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116299172A CN116299172A (zh) | 2023-06-23 |
CN116299172B true CN116299172B (zh) | 2023-12-01 |
Family
ID=86784493
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310172330.8A Active CN116299172B (zh) | 2023-02-27 | 2023-02-27 | 一种基于隐私保护质量评估的精确定位方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116299172B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103167607A (zh) * | 2013-03-15 | 2013-06-19 | 西安电子科技大学 | 一种无线传感器网络中未知节点定位方法 |
CN106412821A (zh) * | 2016-06-20 | 2017-02-15 | 哈尔滨工业大学(威海) | 一种基于通信距离估计及其在线评估的最小二乘定位方法 |
CN107708065A (zh) * | 2016-08-08 | 2018-02-16 | 华为技术有限公司 | 一种定位系统、方法和装置 |
CN108600271A (zh) * | 2018-05-10 | 2018-09-28 | 重庆邮电大学 | 一种信任状态评估的隐私保护方法 |
WO2019056572A1 (zh) * | 2017-09-25 | 2019-03-28 | 深圳大学 | 隐私保护协同Web服务质量预测的基于模型的协同过滤方法 |
CN113676283A (zh) * | 2021-07-02 | 2021-11-19 | 河南大学 | 一种基于加噪机制的单锚定位隐私保护方法 |
CN113868695A (zh) * | 2021-08-20 | 2021-12-31 | 河南大学 | 一种群智感知数据聚合中基于区块链的可信隐私保护方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR100789914B1 (ko) * | 2006-09-29 | 2008-01-02 | 한국전자통신연구원 | 장애 요인이 적은 이웃 노드를 선택적으로 이용하는 위치 인식 방법 및 노드 장치 |
-
2023
- 2023-02-27 CN CN202310172330.8A patent/CN116299172B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103167607A (zh) * | 2013-03-15 | 2013-06-19 | 西安电子科技大学 | 一种无线传感器网络中未知节点定位方法 |
CN106412821A (zh) * | 2016-06-20 | 2017-02-15 | 哈尔滨工业大学(威海) | 一种基于通信距离估计及其在线评估的最小二乘定位方法 |
CN107708065A (zh) * | 2016-08-08 | 2018-02-16 | 华为技术有限公司 | 一种定位系统、方法和装置 |
WO2019056572A1 (zh) * | 2017-09-25 | 2019-03-28 | 深圳大学 | 隐私保护协同Web服务质量预测的基于模型的协同过滤方法 |
CN108600271A (zh) * | 2018-05-10 | 2018-09-28 | 重庆邮电大学 | 一种信任状态评估的隐私保护方法 |
CN113676283A (zh) * | 2021-07-02 | 2021-11-19 | 河南大学 | 一种基于加噪机制的单锚定位隐私保护方法 |
CN113868695A (zh) * | 2021-08-20 | 2021-12-31 | 河南大学 | 一种群智感知数据聚合中基于区块链的可信隐私保护方法 |
Non-Patent Citations (4)
Title |
---|
"Modeling and Analyzing Single Anchor Localization for Internet of Things";Guanghui Wang等;《 ICC 2019 - 2019 IEEE International Conference on Communications (ICC)》;1-6 * |
"传感器网络中一种分布式无锚点定位算法";崔逊学等;《计算机研究与发展》;第46卷(第3期);425-433 * |
"基于匿名的物联网设备位置隐私保护方案研究";中国优秀硕士学位论文全文数据库 信息科技辑;《中国优秀硕士学位论文全文数据库 信息科技辑》(第3期);I136-470 * |
熊永柱等.《海岸带可持续发展评价模型及其应用研究》.中国地质大学出版社有限责任公司,2011,39. * |
Also Published As
Publication number | Publication date |
---|---|
CN116299172A (zh) | 2023-06-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zheng et al. | Exploiting fingerprint correlation for fingerprint-based indoor localization: A deep learning-based approach | |
Qu et al. | Iterative constrained weighted least squares source localization using TDOA and FDOA measurements | |
Niu et al. | WicLoc: An indoor localization system based on WiFi fingerprints and crowdsourcing | |
CN109633526B (zh) | 基于方向函数的非均匀圆阵相位干涉仪测向解模糊方法 | |
Zou et al. | Standardizing location fingerprints across heterogeneous mobile devices for indoor localization | |
Zou et al. | A mutual information based online access point selection strategy for WiFi indoor localization | |
Wang et al. | Accurate sybil attack detection based on fine-grained physical channel information | |
Zhang et al. | A novel CSI-based fingerprinting for localization with a single AP | |
WO2012113254A1 (zh) | 一种选择用于定位的参考标签的方法及装置 | |
Guo et al. | Knowledge aided adaptive localization via global fusion profile | |
CN104360310A (zh) | 一种多目标近场源定位方法和装置 | |
Lu et al. | Novel energy-based localization technique for multiple sources | |
Huang et al. | Two-stage decoupled DOA estimation based on real spherical harmonics for spherical arrays | |
Noel et al. | Convex sensing-reporting optimization for cooperative spectrum sensing | |
Bhattacharya et al. | Selection of sensors for efficient transmitter localization | |
Sun et al. | Trustworthy and cost-effective cell selection for sparse mobile crowdsensing systems | |
Dang et al. | Discrete Hopfield neural network based indoor Wi-Fi localization using CSI | |
Wang et al. | Target localization by unlabeled range measurements | |
CN116299172B (zh) | 一种基于隐私保护质量评估的精确定位方法及装置 | |
Etiabi et al. | Federated learning based hierarchical 3D indoor localization | |
Wei et al. | Node localization algorithm for wireless sensor networks using compressive sensing theory | |
WO2023134430A1 (zh) | AoA估计方法、装置、基站、存储介质和计算机程序产品 | |
Mirdita et al. | Localization for intelligent systems using unsupervised learning and prediction approaches | |
Yuan et al. | Exact solution of an approximate weighted least squares estimate of energy-based source localization in sensor networks | |
Astapov et al. | Simplified acoustic localization by linear arrays for wireless sensor networks |
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 |