CN117295059A - 面向移动感知工人的个性化位置隐私数据交易框架的构建方法 - Google Patents

面向移动感知工人的个性化位置隐私数据交易框架的构建方法 Download PDF

Info

Publication number
CN117295059A
CN117295059A CN202311589924.5A CN202311589924A CN117295059A CN 117295059 A CN117295059 A CN 117295059A CN 202311589924 A CN202311589924 A CN 202311589924A CN 117295059 A CN117295059 A CN 117295059A
Authority
CN
China
Prior art keywords
worker
perception
privacy
perceived
workers
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
CN202311589924.5A
Other languages
English (en)
Other versions
CN117295059B (zh
Inventor
蔡惠
蓝晨
肖甫
周剑
盛碧云
桂林卿
房潇
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.)
Nanjing University of Posts and Telecommunications
Original Assignee
Nanjing University of Posts and Telecommunications
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 Nanjing University of Posts and Telecommunications filed Critical Nanjing University of Posts and Telecommunications
Priority to CN202311589924.5A priority Critical patent/CN117295059B/zh
Publication of CN117295059A publication Critical patent/CN117295059A/zh
Application granted granted Critical
Publication of CN117295059B publication Critical patent/CN117295059B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • 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
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06311—Scheduling, planning or task assignment for a person or group
    • 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
    • G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
    • G06Q40/04—Trading; Exchange, e.g. stocks, commodities, derivatives or currency exchange
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W12/00—Security arrangements; Authentication; Protecting privacy or anonymity
    • H04W12/12—Detection or prevention of fraud
    • H04W12/121—Wireless intrusion detection systems [WIDS]; Wireless intrusion prevention systems [WIPS]
    • H04W12/122—Counter-measures against attacks; Protection against rogue devices
    • 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
    • H04W4/30—Services specially adapted for particular environments, situations or purposes
    • H04W4/35—Services specially adapted for particular environments, situations or purposes for the management of goods or merchandise

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Computer Security & Cryptography (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • General Physics & Mathematics (AREA)
  • Finance (AREA)
  • Accounting & Taxation (AREA)
  • Development Economics (AREA)
  • Theoretical Computer Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Tourism & Hospitality (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Educational Administration (AREA)
  • Game Theory and Decision Science (AREA)
  • Technology Law (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明属于数据安全、隐私计算等相关技术领域，公开了一种面向移动感知工人的个性化位置隐私数据交易框架的构建方法，包括：根据最大可接受质量损失阈值确定每个感知工人位置的模糊范围；在模糊范围内产生基于k‑匿名的扰动集来隐藏感知工人的实际位置；通过对扰动集中的工人位置执行指数机制，得到一个最终的模糊位置，以实现个性化的差分隐私；基于最终的模糊位置对感知工人分配感知任务并对位置隐私损失进行量化，做出合理的隐私补偿。本发明主要包含位置扰动机制与隐私补偿机制，平衡了数据效用和隐私保护，并实现了预算均衡、个人理性和真实性等所有理想的经济特性。

Description

面向移动感知工人的个性化位置隐私数据交易框架的构建 方法
技术领域
本发明涉及数据安全、隐私计算等相关技术领域，具体的说是一种面向移动感知工人的个性化位置隐私数据交易框架的构建方法。
背景技术
随着私有数据的商业化，移动众包人群感知(MCS)中的位置隐私交易成为一个引人关注的研究课题。考虑到位置相关的感知传感任务，感知工人移动工作者在报告其实际位置时面临位置隐私泄露的风险。现有的工作没有考虑到对用户个性化的隐私保护和交易，缺乏合理的位置隐私量化可能会阻碍传感工作人员感知工人不再频繁参与。在MCS系统中，感知工人的出行距离是影响任务分配的关键因素。考虑位置隐私的交易必须解决两个关键挑战，其中一个挑战主要挑战是在感知传感数据收集完成后，合理地量化每个工人的位置隐私损失，另一个挑战是如何均衡平衡工人员工分配任务的出行距离和他们的个性化的位置隐私保护。
发明内容
为了解决上述技术问题，本发明提供了一种面向移动感知工人的个性化位置隐私数据交易框架的构建方法，该方法使用一种新的位置扰动机制，为每个感知工人生成个性化的模糊范围，并通过结合差分隐私和k-匿名技术，基于该范围内的扰动集进一步模糊其隐私位置，以更好地均衡位置隐私保护和任务分配效率；此外，根据每个感知工人的个性化模糊位置，量化了每个员工的合理位置隐私损失，并以经济有效的方式进行拍卖，给予合理的补偿。
为了达到上述目的，本发明是通过以下技术方案实现的：
本发明是一个面向移动感知工人的个性化位置隐私数据交易框架的构建方法，包括步骤如下：
步骤1：根据感知任务的最大可接受质量损失阈值，获得感知工人/>位置的模糊范围/>；
步骤2、在步骤1获得的感知工人位置的模糊范围/>内产生基于k-匿名的扰动位置集/>来隐藏感知工人/>的实际位置/>；
步骤3、通过对扰动位置集中的工人位置执行指数机制，得到最终的模糊位置/>，以实现/>个性化的差分隐私；
步骤4、根据步骤3对感知工人进行位置模糊，将感知任务分配给最适合的感知工人，量化每个感知工人的位置隐私损失，并支付合理的货币补偿。
本发明的进一步改进在于：所述步骤1具体包括如下步骤：
步骤1-1：若采用平面拉普拉斯机制对位置进行模糊处理，得到模糊位置可实现/>地理不可区分性，其中/>为隐私预算，概率密度函数为/>，当将位置转化为极坐标/>时，/>的累积分布函数为/>，则/>，/>是从均匀分布/>中抽取的随机变量，/>为朗伯W函数，并且/>，则，即为了实现/>地理不可区分性，/>；
步骤1-2：根据输入的感知工人能够接受的最小误差界限/>，感知工人隐私预算，初始化模糊范围/>，并根据步骤1-1计算出模糊范围的上界/>；
步骤1-3：对感知工人真实位置进行位置模糊得到模糊位置，并计算/>，其中/>，/>和表示在进行模糊范围为/>的LPM和不进行LPM时分配给感知工人/>的感知任务，/>表示任意两个位置之间的欧氏距离，/>是当用/>替换/>时进行任务分配产生的质量损失；
步骤1-4、计算质量损失，其中/>为感知工人在位置/>出价的概率分布，/>表示位置/>被扰动成/>的概率；
步骤1-5、当并且/>时，/>并重复步骤1-3和步骤1-4直到/>，得到最终的位置模糊范围/>。
本发明的进一步改进在于：所述步骤2具体包括如下步骤：
步骤2-1：将区域分成的网格/>，计算出每个网格对应感知工人的出价概率/>，获得感知工人/>所在的网格/>的出价概率/>，以及出价概率与网格/>相似的网格集合/>，使用网格集/>用来保存选中的网格，初始化/>，令备选网格集合/>，扰动位置集合/>，临时扰动位置集合/>；。
步骤2-2：计算网格集的中心/>，/>，将网格/>加入网格集/>，，/>，其中/>表示任意两个位置之间的欧氏距离；
步骤2-3：重复步骤2-2直到；
步骤2-4：寻找所有的网格集，使得满足条件/>和/>，并将网格集/>加入/>；
步骤2-5：计算中每个网格集/>的信息熵/>，其中/>为/>概率，最后对/>中的每个网格集/>按其信息熵降序排序；
步骤2-6：按照顺序计算中网格集/>的推理误差/>，若/>，则/>，并将模糊范围/>更新为/>的半径。
本发明的进一步改进在于：所述步骤3具体包括如下步骤：
步骤3-1：根据步骤2中得到的扰动位置集合，用/>表示由位置模糊后产生的输出范围集合，因为对于任何可能的输出/>只能是/>的输出，则得分函数的敏感性为，表示来自扰动位置集合/>中任意两个位置/>、/>与/>之间的最大差异，因为/>，所以/>；
步骤3-2：对感知工人的位置/>进行扰动，位置扰动机制/>产生任意可能的输出，若使其概率为/>，则满足/>个性化差分隐私。
本发明的进一步改进在于：所述步骤4具体包括如下步骤：
步骤4-1：根据获得的感知工人的模糊位置，在满足/>的条件下，每个感知任务/>总是分配给在感知工人集合/>中模糊位置/>距离感知任务位置/>最近且声称具有最小隐私成本/>和感知成本/>的工人/>，并将该感知工人/>加入感知任务的被选中集合/>，其中/>为感知工人前往感知任务地点的速度/>表示感知工人到达MCS系统的时间，/>表示感知工人离开MCS系统的时间，被选感知工人/>；
步骤4-2：给定输出范围的扰动位置集合、/>，根据提出的位置扰动机制/>，计算每个被选择的感知工人/>在任务分配上的位置隐私损失/>，其中位置隐私损失的上界值为/>；
步骤4-3：每个被选中的感知工人都获得一笔临界报酬，对于每个获胜的感知工人，平台通过将其从感知工人集合/>中排除，并且根据步骤4-1重新找到一个可以替代感知工人/>的感知工人/>，对感知工人/>的隐私补偿/>，其中/>为预算。
本发明的有益效果是：本发明充分考虑并实现了感知工人个性化隐私需求的保护和交易，以及在保护位置隐私的前提下实现任务高效分配的挑战；本发明对每个感知工人输出个性化的模糊范围，并通过结合差分隐私和k-匿名技术，基于该范围内的扰动集进一步模糊其隐私位置，从而提高了任务分配的效率，量化了每位感知工人的位置隐私损失，并通过经济有效的拍卖机制，为他们提供合理的补偿，具体为：
（1）在考虑保护感知工人位置隐私的同时考虑了位置隐私的数据商品化，对位置隐私进行合理的量化。
（2）量化了工人在任务分配时的位置隐私损失的同时抵御攻击者的最优推理攻击。
（3）对感知工人进行合理个性化的隐私补偿，所提出的隐私补偿机制实现了真实性、个体理性和预算均衡的全部要求。
（4）根据每个感知工人不同的隐私偏好对每个感知工人的位置信息进行个性化的隐私保护。
附图说明
图1是本发明实施例中基于MCS的数据市场交易位置隐私的系统模型示意图。
图2是本发明实施例中计算任务分配差异示意图。
具体实施方式
以下将以图式揭露本发明的实施方式，为明确说明起见，许多实务上的细节将在以下叙述中一并说明。然而，应了解到，这些实务上的细节不应用以限制本发明。也就是说，在本发明的部分实施方式中，这些实务上的细节是非必要的。
本发明提出一种面向移动感知工人的个性化位置隐私数据交易框架的构建方法，数据交易如图1所示，MCS系统是由感知工人、感知任务和云服务组成的。该平台根据感知工人的当前位置招募地理位置最近的感知工人来完成每个感知任务。为了保护每位工作者的位置隐私，只有经过模糊处理的位置通过位置扰动机制（LPM）发送给平台。由于平台根据模糊位置进行分配，因此LPM必须巧妙地输出每个工人的位置，使得依然能够在感知任务分配时考虑感知工人能接受的旅行距离。此外，该平台还对每位感知工人的位置隐私损失进行量化，并计算合理的隐私补偿。
本发明是一种面向移动感知工人的个性化位置隐私数据交易框架的构建方法，其中个性化位置隐私数据交易框架由位置扰动机制和隐私补偿机制组成：
（一）位置扰动机制包括以下具体步骤：
步骤1：根据感知任务的最大可接受质量损失阈值，获得感知工人/>位置的模糊范围/>；
步骤1-1：若采用平面拉普拉斯机制对位置进行模糊处理，得到模糊位置可实现/>地理不可区分性，其中/>为隐私预算，概率密度函数为/>，当将位置转化为极坐标/>时，/>的累积分布函数为/>，则/>，是从均匀分布/>中抽取的随机变量，/>为朗伯W函数，并且/>，则，即为了实现/>地理不可区分性，/>；
步骤1-2：根据输入的感知工人能够接受的最小误差界限/>，感知工人隐私预算，初始化模糊范围/>，并根据步骤1-1计算出模糊范围的上界/>；
步骤1-3：对感知工人真实位置进行位置模糊得到模糊位置，并计算/>，其中/>，/>和/>表示在进行模糊范围为/>的LPM和不进行LPM时分配给感知工人/>的感知任务，/>表示任意两个位置之间的欧氏距离，/>是当用/>替换/>时进行任务分配产生的质量损失。
图2是本发明实施例中计算任务分配差异示意图。在t1时刻两个感知任务和到达平台，并且感知工人A、B和C对这些任务进行出价。对每个感知工人来说，其任务分配差异是指在模糊处理他们的位置前与模糊处理他们的位置后，他们前往被分配任务的实际旅行距离的变化。具体来说，在对感知工人进行位置模糊(Location PerturbationMechanism -LPM)前，感知工人A被分配给感知任务/>，感知工人C被分配给感知任务/>，对感知工人进行位置模糊后，感知工人A被分配给感知任务/>，感知工人B被分配给感知任务/>。因此感知工人A的任务分配差异为/>，其中/>为工人A的实际位置，/>为其模糊后位置，/>和/>分别为感知任务/>和/>的地理位置。同理，感知工人B的任务分配差异为/>，而感知工人C的任务分配差异为。这里的函数/>代表任意两坐标点间的欧几里得距离，此方法能够量化位置模糊对任务分配效率的具体影响。
步骤1-4：计算质量损失，其中/>为感知工人在位置/>出价的概率分布，/>表示位置/>被扰动成/>的概率。
步骤1-5：当并且/>时，/>并重复步骤1-3和步骤1-4直到/>，得到最终的位置模糊范围/>。
步骤2：在步骤1获得的感知工人位置的模糊范围/>内产生基于k-匿名的扰动位置集/>来隐藏感知工人/>的实际位置/>；
步骤2-1、将区域分成的网格/>，计算出每个网格对应感知工人的出价概率/>，获得感知工人/>所在的网格/>的出价概率/>，以及出价概率与网格/>相似的网格集合/>，使用网格集/>用来保存选中的网格，初始化/>，令备选网格集合/>，扰动位置集合/>，临时扰动位置集合/>；
步骤2-2、计算网格集的中心/>，/>，将网格/>加入网格集/>，，/>，其中/>表示任意两个位置之间的欧氏距离；
步骤2-3、重复步骤2-2直到；
步骤2-4、寻找所有的网格集，使得满足条件/>和/>，并将网格集/>加入/>；
步骤2-5、计算中每个网格集/>的信息熵/>，其中/>为/>概率，最后对/>中的每个网格集/>按其信息熵降序排序；
步骤2-6、按照顺序计算中网格集/>的推理误差/>，若，则/>，并将模糊范围/>更新为/>的半径。
步骤3：通过对扰动位置集中的工人位置执行指数机制，得到最终的模糊位置/>，以实现/>个性化的差分隐私；
步骤3-1：根据步骤2中得到的扰动位置集合，用/>表示由位置模糊后产生的输出范围集合，因为对于任何可能的输出/>只能是/>的输出，则得分函数的敏感性为，表示来自扰动位置集合/>中任意两个位置/>、/>与/>之间的最大差异，因为/>，所以/>；
步骤3-2：对感知工人的位置/>进行扰动，位置扰动机制/>产生任意可能的输出，若使其概率为/>，则满足/>个性化差分隐私。
（二）隐私补偿机制包含的具体步骤如下：
步骤4：根据步骤3对感知工人进行位置模糊，将感知任务分配给最适合的感知工人，量化每个感知工人的位置隐私损失，并支付合理的货币补偿；
步骤4-1：根据获得的感知工人的模糊位置，在满足/>的条件下，每个感知任务/>总是分配给在感知工人集合/>中模糊位置/>距离感知任务位置/>最近且声称具有最小隐私成本/>和感知成本/>的工人/>，并将该感知工人/>加入感知任务的被选中集合/>，其中/>为感知工人前往感知任务地点的速度/>表示感知工人到达MCS系统的时间，/>表示感知工人离开MCS系统的时间，被选感知工人/>。
步骤4-2：给定输出范围的扰动位置集合、/>，根据提出的位置扰动机制/>，计算每个被选择的感知工人/>在任务分配上的位置隐私损失/>，其中位置隐私损失的上界值为/>。
步骤4-3：每个被选中的感知工人都获得一笔临界报酬，对于每个获胜的感知工人，平台通过将其从感知工人集合/>中排除，并且根据步骤4-1重新找到一个可以替代感知工人/>的感知工人/>，对感知工人/>的隐私补偿/>，其中/>为预算。
本发明提出对感知工人实现位置模糊并基于感知工人的模糊位置进行感知任务的分配同时量化了每个感知工人位置信息的合理隐私损失，实现数据效用和隐私保护间的均衡。
以上所述仅为本发明的较佳实施方式，本发明的保护范围并不以上述实施方式为限，但凡本领域普通技术人员根据本发明所揭示内容所作的等效修饰或变化，皆应纳入权利要求书中记载的保护范围内。

Claims (6)

1.一种面向移动感知工人的个性化位置隐私数据交易框架的构建方法，其特征在于：所述构建方法包括如下步骤：
步骤1、根据感知任务的最大可接受质量损失阈值，获得感知工人/>位置的模糊范围；
步骤2、在步骤1获得的感知工人位置的模糊范围/>内产生基于k-匿名的扰动位置集/>来隐藏感知工人/>的实际位置/>；
步骤3、通过对扰动位置集中的工人位置执行指数机制，得到最终的模糊位置/>，以实现/>个性化的差分隐私；
步骤4、根据步骤3对感知工人进行位置模糊，将感知任务分配给最适合的感知工人，量化每个感知工人的位置隐私损失，并支付合理的货币补偿。
2.根据权利要求1所述的面向移动感知工人的个性化位置隐私数据交易框架的构建方法，其特征在于：根据感知任务的最大可接受质量损失阈值，获得感知工人/>位置的模糊范围/>，具体包括如下步骤：
步骤1-1、采用平面拉普拉斯机制对位置进行模糊处理，得到模糊位置/>实现/>地理不可区分性，其中/>为隐私预算，概率密度函数为/>，当将位置转化为极坐标/>时，/>的累积分布函数为/>，则/>，是从均匀分布/>中抽取的随机变量，/>为朗伯W函数，并且/>，则，即为了实现/>地理不可区分性，/>；
步骤1-2、根据输入的感知工人能够接受的最小误差界限/>，感知工人隐私预算/>，初始化模糊范围/>，并根据步骤1-1计算出模糊范围的上界/>；
步骤1-3、对感知工人真实位置进行位置模糊得到模糊位置，并计算/>，其中/>，/>和/>表示在进行模糊范围为/>的LPM和不进行LPM时分配给感知工人/>的感知任务，/>表示任意两个位置之间的欧氏距离，/>是当用/>替换/>时进行任务分配产生的质量损失；
步骤1-4、计算质量损失，其中/>为感知工人在位置/>出价的概率分布，/>表示位置/>被扰动成/>的概率；
步骤1-5、当并且/>时，/>并重复步骤1-3和步骤1-4直到，得到最终的位置模糊范围/>。
3.根据权利要求1所述的面向移动感知工人的个性化位置隐私数据交易框架的构建方法，其特征在于：在步骤1获得的感知工人位置的模糊范围/>内产生基于k-匿名的扰动位置集/>来隐藏感知工人/>的实际位置/>，具体包括以下步骤：
步骤2-1、将区域分成的网格/>，计算出每个网格对应感知工人的出价概率/>，获得感知工人/>所在的网格/>的出价概率/>，以及出价概率与网格/>相似的网格集合/>，使用网格集/>用来保存选中的网格，初始化/>，令备选网格集合/>，扰动位置集合/>，临时扰动位置集合/>；
步骤2-2、计算网格集的中心/>，/>，将网格/>加入网格集/>，，/>，其中/>表示任意两个位置之间的欧氏距离；
步骤2-3、重复步骤2-2直到；
步骤2-4、寻找所有的网格集，使得满足条件/>和/>，并将网格集/>加入/>；
步骤2-5、计算中每个网格集/>的信息熵/>，其中/>为/>概率，最后对/>中的每个网格集/>按其信息熵降序排序；
步骤2-6、按照顺序计算中网格集/>的推理误差/>，若，则/>，并将模糊范围/>更新为/>的半径。
4.根据权利要求1所述的面向移动感知工人的个性化位置隐私数据交易框架的构建方法，其特征在于：步骤3通过对扰动位置集中的工人位置执行指数机制，得到最终的模糊位置/>，以实现/>个性化的差分隐私，具体包括如下步骤：
步骤3-1、根据步骤2中得到的扰动位置集合，用/>表示由位置模糊后产生的输出范围集合，因为对于任何可能的输出/>只能是/>的输出，则得分函数的敏感性为，表示来自扰动位置集合/>中任意两个位置/>、/>与/>之间的最大差异，因为/>，所以/>；
步骤3-2、对感知工人的位置/>进行扰动，位置扰动机制/>产生任意可能的输出/>，若使其概率为/>，则满足/>个性化差分隐私。
5.根据权利要求1所述的面向移动感知工人的个性化位置隐私数据交易框架的构建方法，其特征在于：步骤4根据步骤3对感知工人进行位置模糊，将感知任务分配给最适合的感知工人，量化每个感知工人的位置隐私损失，并支付合理的货币补偿，具体包括以下步骤：
步骤4-1、根据获得的感知工人的模糊位置，在满足/>的条件下，每个感知任务/>总是分配给在感知工人集合/>中模糊位置/>距离感知任务位置/>最近且声称具有最小隐私成本/>和感知成本/>的工人/>，并将该感知工人/>加入感知任务/>的被选中集合/>，其中/>为感知工人前往感知任务地点的速度/>表示感知工人到达MCS系统的时间，/>表示感知工人离开MCS系统的时间，被选感知工人/>；
步骤4-2、给定输出范围的扰动位置集合、/>，根据提出的位置扰动机制/>，计算每个被选择的感知工人/>在任务分配上的位置隐私损失/>，其中位置隐私损失的上界值为/>；
步骤4-3、每个被选中的感知工人都获得一笔临界报酬，对于每个获胜的感知工人，平台通过将其从感知工人集合/>中排除，并且根据步骤4-1重新找到一个可以替代感知工人/>的感知工人/>，对感知工人/>的隐私补偿/>，其中/>为预算。
6.根据权利要求5所述的面向移动感知工人的个性化位置隐私数据交易框架的构建方法，其特征在于：所述步骤4-1中的所述MCS系统包括感知工人、感知任务和云服务。
CN202311589924.5A 2023-11-27 2023-11-27 面向移动感知工人的个性化位置隐私数据交易框架的构建方法 Active CN117295059B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311589924.5A CN117295059B (zh) 2023-11-27 2023-11-27 面向移动感知工人的个性化位置隐私数据交易框架的构建方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311589924.5A CN117295059B (zh) 2023-11-27 2023-11-27 面向移动感知工人的个性化位置隐私数据交易框架的构建方法

Publications (2)

Publication Number Publication Date
CN117295059A true CN117295059A (zh) 2023-12-26
CN117295059B CN117295059B (zh) 2024-02-13

Family

ID=89248432

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311589924.5A Active CN117295059B (zh) 2023-11-27 2023-11-27 面向移动感知工人的个性化位置隐私数据交易框架的构建方法

Country Status (1)

Country Link
CN (1) CN117295059B (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111093191A (zh) * 2019-12-11 2020-05-01 南京邮电大学 基于差分隐私的群智感知位置数据发布方法
CN111246369A (zh) * 2020-01-13 2020-06-05 华南理工大学 一种移动群体感知中保护位置隐私的在线任务分配方法
CN111556437A (zh) * 2020-05-12 2020-08-18 重庆邮电大学 一种基于差分隐私的个性化位置隐私保护方法
WO2021188763A1 (en) * 2020-03-20 2021-09-23 Nokia Technologies Oy Privacy for position information
CN115630964A (zh) * 2022-12-22 2023-01-20 南京邮电大学 面向高维隐私数据的相关性数据交易框架的构造方法
CN116744289A (zh) * 2023-06-02 2023-09-12 中国矿业大学 面向3d空间移动群智感知应用的智能位置隐私保护方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111093191A (zh) * 2019-12-11 2020-05-01 南京邮电大学 基于差分隐私的群智感知位置数据发布方法
CN111246369A (zh) * 2020-01-13 2020-06-05 华南理工大学 一种移动群体感知中保护位置隐私的在线任务分配方法
WO2021188763A1 (en) * 2020-03-20 2021-09-23 Nokia Technologies Oy Privacy for position information
CN111556437A (zh) * 2020-05-12 2020-08-18 重庆邮电大学 一种基于差分隐私的个性化位置隐私保护方法
CN115630964A (zh) * 2022-12-22 2023-01-20 南京邮电大学 面向高维隐私数据的相关性数据交易框架的构造方法
CN116744289A (zh) * 2023-06-02 2023-09-12 中国矿业大学 面向3d空间移动群智感知应用的智能位置隐私保护方法

Non-Patent Citations (7)

* Cited by examiner, † Cited by third party
Title
CHATZIKOKOLAKIS, KONSTANTINOS, CATUSCIA PALAMIDESSI, AND MARCO STRONATI.: "Geo-indistinguishability: A principled approach to location privacy.", DISTRIBUTED COMPUTING AND INTERNET TECHNOLOGY: 11TH INTERNATIONAL CONFERENCE, ICDCIT 2015, BHUBANESWAR, INDIA, 31 December 2015 (2015-12-31) *
CHATZIKOKOLAKIS, KONSTANTINOS, CATUSCIA PALAMIDESSI, AND MARCO STRONATI: "Location privacy via geo-indistinguishability.", ACM SIGLOG NEWS 2.3, 23 December 2015 (2015-12-23) *
JIN, WENQIANG, ET AL.: "If you do not care about it, sell it: Trading location privacy in mobile crowd sensing", IEEE INFOCOM 2019-IEEE CONFERENCE ON COMPUTER COMMUNICATIONS *
WANG, JIAN, ET AL.: "Location protection method for mobile crowd sensing based on local differential privacy preference.", PEER-TO-PEER NETWORKING AND APPLICATIONS 12 *
WANG, YINGJIE, ET AL.: "A differentially k-anonymity-based location privacy-preserving for mobile crowdsourcing systems.", PROCEDIA COMPUTER SCIENCE 129 *
叶阿勇;孟玲玉;赵子文;刁一晴;张娇美;: "基于预测和滑动窗口的轨迹差分隐私保护机制", 通信学报, no. 04 *
王雄建: "基于本地化差分隐私的众包用户位置隐私保护方法研究", 中国优秀硕士学位论文全文数据库 *

Also Published As

Publication number Publication date
CN117295059B (zh) 2024-02-13

Similar Documents

Publication Publication Date Title
CN104063466B (zh) 虚拟‑现实一体化的三维显示方法及系统
WO2018032371A1 (zh) 一种区块链功耗感知的PoW共识机制
Li et al. Study on the spatial correlation structure and synergistic governance development of the haze emission in China
CN110022531B (zh) 一种本地化差分隐私城市垃圾数据报告和隐私计算方法
CN105205408B (zh) 基于空间聚合的轨迹数据隐私保护方法及系统
CN103237023A (zh) 一种动态信任模型构建系统
CN106067088A (zh) 电子银行访问行为的检测方法和装置
CN103914659A (zh) 基于频率的轨迹抑制数据发布隐私保护的系统及其方法
CN105528248A (zh) 多任务合作应用下的群智感知激励机制
WO2018157808A1 (zh) 互联网征信评估方法和系统
CN109471995A (zh) 一种复杂网络的双曲嵌入方法
Zhang et al. Dynamic pricing for privacy-preserving mobile crowdsensing: A reinforcement learning approach
CN110795768B (zh) 基于私有数据保护的模型学习方法、装置及系统
CN106162544A (zh) 一种地理围栏的生成方法和设备
CN109598646A (zh) 景区智能票务系统
Wang et al. The truthful evolution and incentive for large-scale mobile crowd sensing networks
CN109271421A (zh) 一种基于MapReduce的大型数据集聚类方法
CN109784556A (zh) 一种基于往期数据的基站设备安装项目工期预测方法
Li et al. Incentive-based federated learning for digital-twin-driven industrial mobile crowdsensing
He et al. Differentially private tripartite intelligent matching against inference attacks in ride-sharing services
CN117295059B (zh) 面向移动感知工人的个性化位置隐私数据交易框架的构建方法
CN116744289B (zh) 面向3d空间移动群智感知应用的智能位置隐私保护方法
TW201942847A (zh) 信用卡額度自動調整系統及方法
CN112699402A (zh) 基于联邦个性化随机森林的可穿戴设备活动预测方法
CN107465571A (zh) 基于统计特性的战术网络模拟训练背景业务流量生成方法

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