CN117295059B - 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

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i位置的模糊范围/>

步骤2、在步骤1获得的感知工人i位置的模糊范围内产生基于k-匿名的扰动位置集C来隐藏感知工人i的实际位置l_i；

步骤3、通过对扰动位置集C中的工人位置执行指数机制，得到最终的模糊位置以实现ε_i-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p_i。

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l＝(x，y)进行模糊处理，得到模糊位置l′＝(x′，y′)可实现ε-地理不可区分性，其中ε为隐私预算，概率密度函数为当将位置转化为极坐标(r，θ)时，r的累积分布函数为C(r)＝1-(1+εr)e^εr，则p是从均匀分布[0，1]中抽取的随机变量，/>为朗伯W函数，并且/>则/>即为了实现ε-地理不可区分性，

步骤1-2：根据输入的感知工人i能够接受的最小误差界限感知工人隐私预算ε_i，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l_i＝(x_i，y_i)进行位置模糊得到模糊位置并计算/>其中π′_i和π_i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i的感知任务，d表示任意两个位置之间的欧氏距离，D是当用l′_i替换l_i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l_i出价的概率分布，f(l′_i|l_i)表示位置l_i被扰动成l′_i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n×n的网格R＝{R₁，R₂，...，R_n×n}，计算出每个网格对应感知工人的出价概率q＝{q₁，q₂，...，q_n×n}，获得感知工人i所在的网格R_i的出价概率q_i，以及出价概率与网格R_i相似的网格集合G，使用网格集A用来保存选中的网格，初始化A＝{R_i}，令备选网格集合G′＝G，扰动位置集合临时扰动位置集合/>

步骤2-2：计算网格集A的中心c，g＝argmax_g∈G′d(g，c)，将网格g加入网格集A，A＝A∪g，G′＝G′/g，其中d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|A|＝2k；

步骤2-4：寻找所有的网格集S_j，使得满足条件和|S_j|＝k，并将网格集S_j加入C^*；

步骤2-5：计算C^*中每个网格集S_j的信息熵其中p_ij为R_i∈S_j概率/>最后对C^*中的每个网格集S_j按其信息熵降序排序；

步骤2-6：按照顺序计算C^*中网格集S_j的推理误差若则C＝S_j，并将模糊范围/>更新为C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C，用O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l^*∈O只能是C的输出，则得分函数的敏感性为表示来自扰动位置集合C中任意两个位置l₁、l₂与l^*之间的最大差异，因为/>所以/>

步骤3-2：对感知工人i的位置l进行扰动，位置扰动机制M产生任意可能的输出l^*∈O，若使其概率为则满足εi_-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集l′，在满足的条件下，每个感知任务τ_j，k∈Γ_j总是分配给在感知工人集合N_j中模糊位置l′_i距离感知任务位置z_j，k最近且声称具有最小隐私成本/>和感知成本/>的工人i，并将该感知工人i加入感知任务τ_j，k的被选中集合S_j，k，其中v_i为感知工人前往感知任务地点的速度a_i表示感知工人到达MCS系统的时间，d_i表示感知工人离开MCS系统的时间，被选感知工人S_w＝{S_j，k}；

步骤4-2：给定输出范围的扰动位置集合C、O，根据提出的位置扰动机制M，计算每个被选择的感知工人w_i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i∈S_w，平台通过将其从感知工人集合N_j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i的感知工人i^*，对感知工人i的隐私补偿其中Υ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i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l＝(x，y)进行模糊处理，得到模糊位置l′＝(x′，y′)可实现ε-地理不可区分性，其中ε为隐私预算，概率密度函数为当将位置转化为极坐标(r，θ)时，r的累积分布函数为C(r)＝1-(1+εr)e^εr，则p是从均匀分布[0，1]中抽取的随机变量，/>为朗伯W函数，并且/>则/>即为了实现ε-地理不可区分性，

步骤1-2：根据输入的感知工人i能够接受的最小误差界限感知工人隐私预算ε_i，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l_i＝(x_i，y_i)进行位置模糊得到模糊位置并计算/>其中π′_i和π_i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i的感知任务，d表示任意两个位置之间的欧氏距离，D是当用l′_i替换l_i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l_i出价的概率分布，f(l′_i|l_i)表示位置l_i被扰动成l′_i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i位置的模糊范围内产生基于k-匿名的扰动位置集C来隐藏感知工人i的实际位置l_i；

步骤2-1、将区域分成n×n的网格R＝{R₁，R₂，…，R_n×n}，计算出每个网格对应感知工人的出价概率q＝{q₁，q₂，…，q_n×n}，获得感知工人i所在的网格R_i的出价概率q_i，以及出价概率与网格R_i相似的网格集合G，使用网格集A用来保存选中的网格，初始化A＝{R_i}，令备选网格集合G′＝G，扰动位置集合临时扰动位置集合/>

步骤2-2、计算网格集A的中心c，g＝argmax_g∈G′d(g，c)，将网格g加入网格集A，A＝A∪g，G′＝G′/g，其中s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|A|＝2k；

步骤2-4、寻找所有的网格集S_j，使得满足条件和|S_j|＝k，并将网格集S_j加入C^*；

步骤2-5、计算C^*中每个网格集S_j的信息熵其中p_ij为R_i∈S_j概率/>最后对C^*中的每个网格集S_j按其信息熵降序排序；

步骤2-6、按照顺序计算C^*中网格集S_j的推理误差若则C＝S_j，并将模糊范围/>更新为C的半径。

步骤3：通过对扰动位置集C中的工人位置执行指数机制，得到最终的模糊位置以实现ε_i-个性化的差分隐私；

步骤3-1：步骤3-1、根据步骤2中得到的扰动位置集合C，用O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l^*∈O只能是C的输出，则得分函数的敏感性为表示来自扰动位置集合C中任意两个位置l₁、l₂与l^*之间的最大差异，因为/>所以/>

步骤3-2：对感知工人i的位置l进行扰动，位置扰动机制M产生任意可能的输出l^*∈O，若使其概率为则满足ε_i-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p_i；

步骤4-1：根据获得的感知工人的模糊位置集l′，在满足的条件下，每个感知任务τ_j，k∈Γ_j总是分配给在感知工人集合N_j中模糊位置l′_i距离感知任务位置z_j，k最近且声称具有最小隐私成本/>和感知成本/>的工人i，并将该感知工人i加入感知任务τ_j，k的被选中集合S_j，k，其中v_i为感知工人前往感知任务地点的速度a_i表示感知工人到达MCS系统的时间，d_i表示感知工人离开MCS系统的时间，被选感知工人S_w＝{S_j，k}。

步骤4-2：给定输出范围的扰动位置集合C、O，根据提出的位置扰动机制M，计算每个被选择的感知工人w_i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i∈S_w，平台通过将其从感知工人集合N_j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i的感知工人i^*，对感知工人i的隐私补偿其中γ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 (2)

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i位置的模糊范围/>

步骤2、在步骤1获得的感知工人i位置的模糊范围内产生基于k-匿名的扰动位置集C来隐藏感知工人i的实际位置l_i；

步骤3、通过对扰动位置集C中的工人位置执行指数机制，得到最终的模糊位置以实现ε_i-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p_i；

根据感知任务的最大可接受质量损失阈值获得感知工人i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l＝(x，y)进行模糊处理，得到模糊位置l′＝(x′，y′)实现ε-地理不可区分性，其中ε为隐私预算，概率密度函数为当将位置转化为极坐标(r，θ)时，r的累积分布函数为C(r)＝1-(1+εr)e^εr，则p是从均匀分布[0，1]中抽取的随机变量，/>为朗伯W函数，并且/>则/>即为了实现ε-地理不可区分性，

步骤1-2、根据输入的感知工人i能够接受的最小误差界限感知工人隐私预算ε_i，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l_i＝(x_i，y_i)进行位置模糊得到模糊位置并计算/>其中π′_i和π_i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i的感知任务，d表示任意两个位置之间的欧氏距离，D是当用l′_i替换l_i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l_i出价的概率分布，f(l′_i|l_i)表示位置l_i被扰动成l′_i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/>

在步骤1获得的感知工人i位置的模糊范围内产生基于k-匿名的扰动位置集C来隐藏感知工人i的实际位置l_i，具体包括以下步骤：

步骤2-1、将区域分成n×n的网格R＝{R₁，R₂，...，R_n×n}，计算出每个网格对应感知工人的出价概率q＝{q₁，q₂，...，q_n×n}，获得感知工人i所在的网格R_i的出价概率q_i，以及出价概率与网格R_i相似的网格集合G，使用网格集A用来保存选中的网格，初始化A＝{R_i}，令备选网格集合G′＝G，扰动位置集合临时扰动位置集合/>

步骤2-2、计算网格集A的中心c，g＝argmax_g∈G′d(g，c)，将网格g加入网格集A，A＝A∪g，G＝G/g，其中d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|A|＝2k；

步骤2-4、寻找所有的网格集S_j，使得满足条件和|s_i|＝k，并将网格集S_j加入C^*；

步骤2-5、计算C^*中每个网格集S_j的信息熵其中p_ij为R_i∈S_j概率最后对C^*中的每个网格集S_j按其信息熵降序排序；

步骤2-6、按照顺序计算C^*中网格集S_j的推理误差若则C＝S_j，并将模糊范围/>更新为C的半径；

步骤3通过对扰动位置集C中的工人位置执行指数机制，得到最终的模糊位置以实现ε_i-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C，用O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l^*∈O只能是C的输出，则得分函数的敏感性为表示来自扰动位置集合C中任意两个位置l₁、l₂与l^*之间的最大差异，因为/>所以/>

步骤3-2、对感知工人i的位置l进行扰动，位置扰动机制M产生任意可能的输出l^*∈O，若使其概率为则满足ε_i-个性化差分隐私；

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，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集l′，在满足的条件下，每个感知任务τ_j，k∈Γ_j总是分配给在感知工人集合N_j中模糊位置l′_i距离感知任务位置z_j，k最近且声称具有最小隐私成本/>和感知成本/>的工人i，并将该感知工人i加入感知任务τ_j，k的被选中集合S_j，k，其中v_i为感知工人前往感知任务地点的速度a_i表示感知工人到达MCS系统的时间，d_i表示感知工人离开MCS系统的时间，被选感知工人S_w＝{S_j，k}；

步骤4-2、给定输出范围的扰动位置集合C、O，根据提出的位置扰动机制M，计算每个被选择的感知工人W_i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i∈S_w，平台通过将其从感知工人集合N_j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i的感知工人i^*，对感知工人i的隐私补偿其中γ为预算。

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：所述步骤4-1中的所MCS系统包括感知工人、感知任务和云服务。