CN117371036A - 多模态交通流查询的格雷码差分隐私保护方法及装置 - Google Patents
多模态交通流查询的格雷码差分隐私保护方法及装置 Download PDFInfo
- Publication number
- CN117371036A CN117371036A CN202311358822.2A CN202311358822A CN117371036A CN 117371036 A CN117371036 A CN 117371036A CN 202311358822 A CN202311358822 A CN 202311358822A CN 117371036 A CN117371036 A CN 117371036A
- Authority
- CN
- China
- Prior art keywords
- gray code
- traffic flow
- mode
- query
- hierarchical
- 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 92
- 230000011218 segmentation Effects 0.000 claims abstract description 38
- 238000010276 construction Methods 0.000 claims abstract description 19
- 238000012545 processing Methods 0.000 claims abstract description 10
- 238000013138 pruning Methods 0.000 claims description 14
- 230000003044 adaptive effect Effects 0.000 claims description 12
- 238000005070 sampling Methods 0.000 claims description 11
- 238000013507 mapping Methods 0.000 claims description 10
- 238000005315 distribution function Methods 0.000 claims description 7
- 238000005516 engineering process Methods 0.000 claims description 7
- 238000001914 filtration Methods 0.000 claims description 5
- 238000010845 search algorithm Methods 0.000 claims description 3
- 230000003068 static effect Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 230000003094 perturbing effect Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000011664 signaling Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- G06F16/22—Indexing; Data structures therefor; Storage structures
-
- 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
- G06F16/22—Indexing; Data structures therefor; Storage structures
- G06F16/2228—Indexing structures
-
- 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
- G06F16/22—Indexing; Data structures therefor; Storage structures
- G06F16/2228—Indexing structures
- G06F16/2246—Trees, e.g. B+trees
-
- 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
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9537—Spatial or temporal dependent retrieval, e.g. spatiotemporal queries
-
- 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
- Y02D30/50—Reducing energy consumption in communication networks in wire-line communication networks, e.g. low power modes or reduced link rate
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Bioethics (AREA)
- Computer Security & Cryptography (AREA)
- Computer Hardware Design (AREA)
- Medical Informatics (AREA)
- Remote Sensing (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Traffic Control Systems (AREA)
Abstract
本公开实施例中提供了一种多模态交通流查询的格雷码差分隐私保护方法及装置,属于数据处理技术领域,具体包括:基于多层自适应网格分割的格雷码编码机制,对历史多模态交通流进行自适应网格分割和编码;基于层次分明树的格雷码交通流索引方法,根据多模态格雷码交通流构建层次分明树索引结构,支持本地动态更新;基于个性化Laplace分布的格雷码差分隐私不可区分性机制,个性化保护多模态格雷码交通流,构造扰动层次分明树;基于格雷码相似性模型的几何范围查询方法,选取相似性值大于阈值的叶子节点交通流作为多模态交通流查询结果。通过本公开的方案,基于差分隐私性质,本发明的方法满足∈‑本地差分隐私,提高了数据的安全性和可用性。
Description
技术领域
本公开实施例涉及数据处理技术领域,尤其涉及一种多模态交通流查询的格雷码差分隐私保护方法及装置。
背景技术
目前,随着人工智能和车联网技术的快速发展,智慧交通服务作为智慧城市建设的重要模式,通过收集人、车、路、道路环境等多模态的交通流,执行全息感知、预警控制和智能决策,有力提升用户出行效率。几何范围查询是智慧交通重要的服务场景,交通用户可在某个几何区域(如矩形)内查找需要的交通信息。例如,在高德地图app中,驾驶员为了解某区域的交通状况,需查询该区域内的的实时交通信息。然而,智慧交通服务在为用户提供便利的同时,交通流的安全性成为全球关注的焦点,面临诸多安全风险挑战。
查询交通流数据存在严重的隐私泄露问题。交通流包含用户的手机信令、位置、车辆轨迹等实时动态的多模态信息。收集大规模交通流的智慧交通服务器一旦被黑客攻击后,将变得不可信。黑客通过人工智能和大数据挖掘技术对获取的交通流进行分析,可以推断出交通用户的敏感隐私信息,包括:出行轨迹、家庭住址和个人爱好等。因此,为促进智慧交通服务安全推广应用,保护多模态交通流已成为交通用户迫切关注和解决的热点问题。
现有隐私保护技术主要分为基于同态加密的安全可搜索方法、传统静态差分隐私方法和现有动态差分隐私方法。然而,面对大规模的交通流,基于同态加密的安全可搜索方法的系统开销较大,且只能允许具有密钥的用户获取交通流数据,不利于大部分无密钥的可信用户对交通流数据的可获取性。传统差分隐私方法主要保护单源静态交通数据。面对具有动态性、多模态的交通流数据,传统差分隐私方法添加的噪声随着数据流的规模增加而增加,导致可用性较低甚至不可用。现有动态差分隐私方法主要采用中心化的隐私保护模型,存在隐私泄露风险。此外,该方法关注单模态数据流的统计查询隐私且为所有用户提供相同的隐私保护水平,没有考虑保护多模态交通流几何范围查询隐私和用户的个性化需求问题,导致数据的可用性不高。
发明内容
本公开实施例提供一种多模态交通流查询的格雷码差分隐私保护方法及装置,目的是解决现有差分隐私保护技术没有考虑交通流的多模态和个性化分布式隐私需求问题,实现智慧交通服务的安全高效应用。
第一方面,本公开实施例提供了一种多模态交通流查询的格雷码差分隐私保护方法,包括:
步骤1,基于多层自适应网格分割的格雷码编码机制,对历史多模态交通流进行自适应网格分割和编码,产生多模态格雷码交通流;
步骤2,基于层次分明树的格雷码交通流索引方法,根据多模态格雷码交通流构建层次分明树索引结构,支持本地动态更新;
步骤3,基于个性化Laplace分布的格雷码差分隐私不可区分性机制,计算格雷码交通流的汉明距离,将格雷码交通流添加汉明距离噪声,进行个性化扰动保护,构造扰动层次分明树;
步骤4,基于格雷码分布相似性模型的几何范围查询方法,采用剪枝方法对扰动层次分明树进行深度优先搜索,计算满足几何范围查询的叶子节点,并通过格雷码相似性模型计算搜索的叶子节点格雷码值和查询条件格雷码值的相似性值,选取相似性值大于阈值的叶子节点交通流作为多模态交通流查询结果。
根据本公开实施例的一种具体实现方式,所述历史多模态交通流包括文本型交通流和数值型空间位置交通流,所述步骤1具体包括:
步骤1.1,通过文本处理模型将文本型交通流划分为关键词列表,建立属性词典列表,采用格雷码技术对属性词典列表中的文本属性进行编码,得到文本型交通流对应的属性格雷码值{AG1,...,AGn};
步骤1.2,基于多层自适应网格分割机制,通过高通滤波阈值δ1=α×log(C/∈1i)和噪声偏差阈值对数值型空间位置数据流进行自适应网格分割,得到交通流多层网格集;
步骤1.3,根据属性雷码值和交通流多层网格集形成多模态格雷码交通流。
根据本公开实施例的一种具体实现方式,所述步骤2具体包括:
步骤2.1,基于层次分明树的格雷码交通流索引方法将交通流多层网格集{G1,...,Gm}进行格雷码编码,得到交通流多层网格集对应的网格格雷码值{GR1,...,GRm},其中,m为分割的网格个数,每个网格的格雷码二进制位数为
步骤2.2,按照层次结构将每层网格格雷码值{GRi1,...,GRim}(i∈[1,I])映射到层次分明树的叶子节点中,将不同层的格雷码网格从叶子节点到根节点依次构造层次分明树结构;
步骤2.3,基于层次分明树结构和属性格雷码值{AG1,...,AGn},将每个交通数据用户的个人文本属性交通流转化为个人属性格雷码值同时将个人数值型时空位置交通流映射到层次分明树的叶子节点中,在本地构建层次分明树索引;
步骤2.4,对构建的层次分明树的叶子节点多模态网格格雷码值对应的父节点格雷码值进行本地动态更新,其中,/>为交通用户在时间点ti下的数值型空间位置格雷码值,/>为交通用户在时间点ti下的r个属性格雷码值。
根据本公开实施例的一种具体实现方式,所述步骤3具体包括:
步骤3.1,基于w-event差分隐私思想,采用PID控制器获取采样多模态交通流格雷码值和/> 其中,和/>分别为用户在不同时刻下的采样多模态交通流格雷码值;
步骤3.2,基于汉明距离方法,计算采样的多模态交通流格雷码和/>的汉明距离/>
步骤3.3,基于隐私预算设定方法,为采样的多模态交通流格雷码值和分配对应的隐私预算,其中,所述隐私预算的表达式为
其中,Hmax为任意两个采样的多模态交通流格雷码值的最大汉明距离,∈2为隐私预算参数;
步骤3.4,基于个性化Laplace分布的格雷码差分隐私不可区分性机制,给定采样的多模态交通流格雷码值和/>隐私参数∈2和Hmax,定义隐私预算为 为扰动格雷码交通流/>中的任意扰动输出数据,若隐私机制满足∈2-格雷码差分隐私不可区分性机制满足下式:
基于差分隐私性质,设定汉明距离Ωi表示满足伯努利分布的随机单位向量,将采样的多模态交通流格雷码值/>扰动为唯一的噪声格雷码值
步骤3.5,基于差分隐私的Laplace性质,计算汉明距离Hi遵循满足Laplace分布的概率分布函数P(Hj)为其中,用η表示最大汉明距离Hmax范围内的积分分布函数为η=Pr(Hi≤Hmax)=1-exp(-∈2),即计算个性化参数为∈2=-ln(1-η),选择随机值P∈[0,1),则/>计算Hi为:
根据不同交通用户设定的参数Hmax、P和η,在本地个性化扰动层次分明树中的多模态交通流叶子节点,构造扰动层次分明树。
根据本公开实施例的一种具体实现方式,所述步骤4具体包括:
步骤4.1,基于个性化格雷码差分隐私机制,将多属性查询条件Qt扰动为多模态噪声格雷码值其中,/>为扰动的数值型查询范围格雷码值,/>为扰动的文本型查询属性格雷码值;
步骤4.2,采用剪枝搜索方法,在扰动层次分明树中按照深度优先搜索算法进行格雷码值匹配搜索,若搜索的节点网格格雷码值与查询范围雷码值不匹配,对该节点及其孩子分支进行减枝,不再搜索,否则,继续对其孩子节点进行搜索,获得满足几何范围查询的叶子节点;
步骤4.3,基于互信息方法,计算搜索的叶子节点属性格雷码值和几何范围查询的属性格雷码值/>之间的互信息其中,/>和/>为格雷码值/>和/>的概率密度函数,/>为联合概率密度函数;
步骤4.4,基于概率分布距离方法,计算搜索的叶子节点属性格雷码值和查询属性格雷码值/>之间的概率分布距离/> 其中/>
步骤4.5,利用格雷码分布相似性模型,获取叶子节点属性格雷码值和查询属性格雷码值/>之间的多属性格雷码分布相似性为GDS=α1×MI-α2×GDD,其中,α1和α2分别为分配给格雷码互信息和概率分布距离的权重;
步骤4.6,当格雷码分布相似性值大于阈值δ3时(δ3>0),判定叶子节点满足多属性几何范围查询条件,获取多模态交通流几何范围查询结果。
第二方面,本公开实施例提供了一种多模态交通流查询的格雷码差分隐私保护装置,包括:多模态交通流网格自适应分割编码模块、动态分布式层次分明树索引构造模块、个性化格雷码差分隐私扰动模块、格雷码分布相似性几何范围查询模块以及搭建的智慧交通平台模型机;
所述多模态交通流网格自适应分割编码模块,对多模态交通流的文本属性和几何区域进行分割和编码,产生多模态交通流格雷码值;
所述动态分布式层次分明树索引构造模块,构造基于交通流格雷码的层次分明树索引,每个交通用户进行分布式动态更新;
所述个性化格雷码差分隐私扰动模块,对采样的多模态交通流格雷码值分配隐私预算和进行扰动;设计个性化Laplace机制,实现个性化保护;
所述格雷码分布相似性几何范围查询模块,对几何范围查询隐私进行分布式扰动保护,采用剪枝方法、深度优先搜索和基于格雷码相似性模型,计算满足查询属性的多模态交通流;
智慧交通服务器平台对历史多模态公共交通流进行收集,通过所述多模态交通流网格自适应分割编码模块产生多模态交通流层次分明树副本;基于层次树构造方法,根据每个交通用户的个人移动设备产生动态分布式层次分明树索引构造模块,分布式构建动态索引,基于所述个性化格雷码差分隐私扰动模块,对多模态交通流格雷码值进行个性化分布式扰动保护,并提交给智慧交通服务器平台,根据格雷码分布相似性几何范围查询模块,将每个查询用户的查询条件进行分布式扰动,采用格雷码分布相似性模型,计算高相似性的查询结果给查询用户。
本公开实施例中的多模态交通流查询的格雷码差分隐私保护方案,包括:步骤1,基于多层自适应网格分割的格雷码编码机制,对历史多模态交通流进行自适应网格分割和编码,产生多模态格雷码交通流;步骤2,基于层次分明树的格雷码交通流索引方法,根据多模态格雷码交通流构建层次分明树索引结构,支持本地动态更新;步骤3,基于个性化Laplace分布的格雷码差分隐私不可区分性机制,计算格雷码交通流的汉明距离,将格雷码交通流添加汉明距离噪声,进行个性化扰动保护,构造扰动层次分明树;步骤4,基于格雷码分布相似性模型的几何范围查询方法,采用剪枝方法对扰动层次分明树进行深度优先搜索,计算满足几何范围查询的叶子节点,并通过格雷码相似性模型计算搜索的叶子节点格雷码值和查询条件格雷码值的相似性值,选取相似性值大于阈值的叶子节点交通流作为多模态交通流查询结果。
本公开实施例的有益效果为:通过本公开的方案,基于自适应网格分割的格雷码编码机制和层次分明树索引构造方法,实现多模态交通流分布式索引构建和动态更新,支持多模态交通流分布式处理和高效查询;基于个性化Laplace分布的格雷码差分隐私不可区分性机制,将多模态交通流索引树进行分布式个性化扰动保护,确保了交通流的隐私性;提出提出基于格雷码分布相似性模型的几何范围查询方法,实现查询结果的高可用性;基于w-event差分隐私的思想,w窗口内的多模态交通流实现∈-分布式差分隐私,根据并行组合原理,整个周期的多模态交通流满足∈-分布式差分隐私,每个交通用户个性化设定隐私参数进行分布式保护多模交通流,实现安全高效查询。
附图说明
为了更清楚地说明本公开实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本公开的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其它的附图。
图1为本公开实施例提供的一种多模态交通流查询的格雷码差分隐私保护方法的流程示意图;
图2为本公开实施例提供的一种多模态交通流查询的格雷码差分隐私保护方法的框架图;
图3为本公开实施例提供的一种不同参数下的对比曲线图。
具体实施方式
下面结合附图对本公开实施例进行详细描述。
以下通过特定的具体实例说明本公开的实施方式,本领域技术人员可由本说明书所揭露的内容轻易地了解本公开的其他优点与功效。显然,所描述的实施例仅仅是本公开一部分实施例,而不是全部的实施例。本公开还可以通过另外不同的具体实施方式加以实施或应用,本说明书中的各项细节也可以基于不同观点与应用,在没有背离本公开的精神下进行各种修饰或改变。需说明的是,在不冲突的情况下,以下实施例及实施例中的特征可以相互组合。基于本公开中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本公开保护的范围。
需要说明的是,下文描述在所附权利要求书的范围内的实施例的各种方面。应显而易见,本文中所描述的方面可体现于广泛多种形式中,且本文中所描述的任何特定结构及/或功能仅为说明性的。基于本公开,所属领域的技术人员应了解,本文中所描述的一个方面可与任何其它方面独立地实施,且可以各种方式组合这些方面中的两者或两者以上。举例来说,可使用本文中所阐述的任何数目个方面来实施设备及/或实践方法。另外,可使用除了本文中所阐述的方面中的一或多者之外的其它结构及/或功能性实施此设备及/或实践此方法。
还需要说明的是,以下实施例中所提供的图示仅以示意方式说明本公开的基本构想,图式中仅显示与本公开中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制,其实际实施时各组件的型态、数量及比例可为一种随意的改变,且其组件布局型态也可能更为复杂。
另外,在以下描述中,提供具体细节是为了便于透彻理解实例。然而,所属领域的技术人员将理解,可在没有这些特定细节的情况下实践所述方面。
本公开实施例提供一种多模态交通流查询的格雷码差分隐私保护方法,所述方法可以应用于智慧交通场景的交通流数据隐私保护过程中。
参见图1,为本公开实施例提供的一种多模态交通流查询的格雷码差分隐私保护方法的流程示意图。如图1和图2所示,所述方法主要包括以下步骤:
步骤1,基于多层自适应网格分割的格雷码编码机制,对历史多模态交通流进行自适应网格分割和编码,产生多模态格雷码交通流;
进一步的,所述历史多模态交通流包括文本型交通流和数值型空间位置交通流,所述步骤1具体包括:
步骤1.1,通过文本处理模型将文本型交通流划分为关键词列表,建立属性词典列表,采用格雷码技术对属性词典列表中的文本属性进行编码,得到文本型交通流对应的属性格雷码值{AG1,...,AGn};
步骤1.2,基于多层自适应网格分割机制,通过高通滤波阈值δ1=α×log(C/∈1i)和噪声偏差阈值对数值型空间位置交通流进行自适应网格分割,得到交通流多层网格集;
步骤1.3,根据属性雷码值和交通流多层网格集形成多模态格雷码交通流。
具体实施时,交通流的多模态特点是:传统方法主要对数值型信息进行处理,若直接对多模态交通流直接进行扰动处理,导致扰动多模态信息不能融合和建立索引,无法支持智能识别,产生低可用性和高系统开销问题。本发明专利提出多层自适应网格分割格雷码编码机制,对多模态信息分别进行自适应网格分割和编码。因此,本实施例对多模态交通流,包括文本型数据和数值型数据做如下处理:
基于格雷码编码技术,智慧交通平台服务器对收集的大规模历史文本型交通流属性(如街道、车辆特征、交通状况和方向等),基于文本处理模型,建立属性词典列表,该列表中包含n个属性;为取得高可用性,采用格雷码对词典列表中的文本属性进行编码,得到文本型交通流格雷码值为{AG1,...,AGn};其中,每个格雷码的二进制位数为且相邻格雷码只差一个二进制位,具有较小的敏感性,可以确保可用性;
例如,文本型交通流词典列表为{“Juzizhou Street”,“Bus”,“Congestion”,“East-west orientation”},则对应的属性格雷码值为{00,01,11,10}。
本发明提出基于多层自适应网格分割编码机制,对数值型交通流区域进行几何范围自适应分割和格雷码编码。
为保护数值型交通流几何范围区域隐私,利用智慧平台服务器将历史几何范围数据流(如公交车轨迹数据)进行空间区域分割。由于空间位置交通流分布不均衡,采用传统均匀分割网格方式会导致分割的网格粒度过于稠密或稀疏,现有自适应网格分解方式无法确保分割的网格非空,导致查询的可用性不高。此外,为保证网格分割结构的隐私,需要对分割结构分配隐私预算。
本发明采用基于阈值的自适应多层网格分解算法。对第i层网格Gij,其噪声位置统计为分配的隐私预算为∈1i,计算网格Gij的分割粒度Pi(Gij)为:
其中隐私预算(I为分割的层数),∈1为给定总预算,K为常数。
为保证网格分割粒度均匀,设定高通滤波阈值阈值δ1,保证分割的网格粒度不能过于稠密;设定噪声标准偏差阈值δ2,保证分割的网格粒度非空;
计算高通滤波阈值δ1为δ1=α×log(C/∈1i),若分割粒度Pi(Gij)大于高通滤波阈值δ1,表示网格Gi中的粒度过于稠密,需要继续分割;噪声标准偏差阈值δ2为当Pi(Gij)<δ2时,表明网格是空网格,不再进行分割。
基于所述阈值,交通流多层网格集G={G1,G2,...,GI},其中第i层网格集为Gi=(Gi1,Gi2,...,Gis),且网格Gij区域用经纬度表示(i∈[1,I],j∈[1,S])。
步骤2,基于层次分明树的格雷码交通流索引方法,根据多模态格雷码交通流构建层次分明树索引结构,支持本地动态更新;
在上述实施例的基础上,所述步骤2具体包括:
步骤2.1,基于层次分明树的格雷码交通流索引方法将交通流多层网格集{G1,...,Gm}进行格雷码编码,得到交通流多层网格集对应的网格格雷码值{GR1,...,GRm},其中,m为分割的网格个数,每个网格的格雷码二进制位数为
步骤2.2,按照层次结构将每层网格格雷码值{GRi1,...,GRim}(i∈[1,I])映射到层次分明树的叶子节点中,将不同层的格雷码网格从叶子节点到根节点依次构造层次分明树结构;
步骤2.3,基于层次分明树结构和属性格雷码值{AG1,...,AGn},将每个交通数据用户的个人文本属性交通流转化为个人属性格雷码值同时将个人数值型时空位置交通流映射到层次分明树的叶子节点中,在本地构建层次分明树索引;
步骤2.4,对构建的层次分明树的叶子节点多模态格雷码值对应的父节点格雷码值进行本地动态更新,其中,/>为交通用户在时间点ti下的数值型空间位置格雷码值,/>为交通用户在时间点ti下的r个属性格雷码值。
具体实施时,考虑到交通流具有实时动态性和多模态性,需要构建索引以提升效率和动态更新。然而,传统方案主要考虑静态单模态交通数据,难以满足多模态交通流的动态自适应性,导致可用性不高和查询开销较大。实际中,每个交通用户之间难以建立沟通,无法建立统一的数据流索引结构。本发明提出一种基于层次分明树的格雷码交通流索引方法,将历史多模态交通流格雷码值构造索引,提高查询效率。同时,为每个交通用户提供索引副本,建立分布式层次分明树结构,满足交通流本地动态更新。
为保护网格分割区域隐私,将所述的交通流多层网格集G={G1,…,GI}映射到同一平面上(即整个空间区域),采用格雷码对映射平面上的网格进行编码。若映射平面中行区域最多的网格数为m,则每个网格的二进制格雷码位数为
基于格雷码编码的层次分明树方法,将不同层的格雷码网格从叶子节点到根节点依次构造层次分明树结构;叶子节点存储编码的格雷码网格,非叶子节点对子节点格雷码值执行合并操作:格雷码二进制位相同时进行“与操作”,不同时用特殊字符“#”表示,依次构造父节点;例如,孩子节点网格格雷码值为{0000,0001,0101,0100},计算父节点格雷码值为0000∧0001∧0101∧0100=0#0#。
为支持交通流分布式构建索引,每个交通用户从服务器下载构造的层次分明树结构副本,将个人多模态交通流进行多层网格分割和格雷码编码,将多模态交通流格雷码值映射到所述层次分明树中的叶子节点中,构造层次分明树动态索引结构。为支持交通流格雷码值动态更新,只需对叶子节点和父节点的格雷码值进行更新即可。
步骤3,基于个性化Laplace分布的格雷码差分隐私不可区分性机制,计算格雷码交通流的汉明距离,将格雷码交通流添加汉明距离噪声,进行个性化扰动保护,构造扰动层次分明树;
进一步的,所述步骤3具体包括:
步骤3.1,基于w-event差分隐私思想,采用PID控制器获取采样多模态交通流格雷码值和/> 其中,和/>分别为用户在不同时刻下的采样多模态交通流格雷码值;
步骤3.2,基于汉明距离方法,计算采样的多模态交通流格雷码和/>的汉明距离/>
步骤3.3,基于隐私预算设定方法,为采样的多模态交通流格雷码值和分配对应的隐私预算,其中,所述隐私预算的表达式为
其中,Hmax为任意两个采样的多模态交通流格雷码值的最大汉明距离,∈2为隐私预算参数;
步骤3.4,基于个性化Laplace分布的格雷码差分隐私不可区分性机制,给定采样的多模态交通流格雷码值和/>隐私参数∈2和Hmax,定义隐私预算为 为扰动格雷码交通流/>中的任意扰动输出数据,若隐私机制满足∈2-格雷码差分隐私不可区分性机制满足下式:
基于差分隐私性质,设定汉明距离Ωi表示满足伯努利分布的随机单位向量,将采样的多模态交通流格雷码值/>扰动为唯一的噪声格雷码值
步骤3.5,基于差分隐私的Laplace性质,计算汉明距离Hi遵循满足Laplace分布的概率分布函数P(Hj)为其中,用η表示最大汉明距离Hmax范围内的积分分布函数为η=Pr(Hi≤Hmax)=1-exp(-∈2),即计算个性化参数为∈2=-ln(1-η),选择随机值P∈[0,1),则/>计算Hi为:
根据不同交通用户设定的参数Hmax、P和η,在本地个性化扰动层次分明树中的多模态交通流叶子节点,构造扰动层次分明树。
具体实施时,多模态交通流隐私具有自适应动态性和个性化特性,例如不同用户具有不同的隐私保护水平需求。传统差分隐私保护方法主要关注静态交通数据,且为所有用户提供相同的隐私水平,不能支持交通流的个性化动态保护,导致可用性不高。此外,攻击者执行多模态交通流几何范围动态查询,会推断出交通用户的地理位置和偏好属性等敏感信息。
本发明提出基于个性化Laplace分布的格雷码差分隐私不可区分性机制,计算采样多模态交通流格雷码值的汉明距离,为每个采样交通流分配隐私预算,采用格雷码差分隐私不可区分性机制扰动多模态交通流格雷码值。同时,设计个性化Laplace机制,实现不同交通用户对多模态交通流的个性化保护。具体步骤如下:
1)格雷码值汉明距离计算:为确保可用性,计算采样交通流之间的汉明距离。本申请基于w-event差分隐私的思想,采用PID控制器对w滑动窗口内的交通流格雷码值进行自适应采样,获取所述任意两个时刻的采样多模态交通流格雷码值为:和/>基于汉明距离方法,计算采样交通流/>和/>的汉明距离/>为:
其中,和/>分别为交通流/>的几何范围格雷码值和文本属性格雷码值。
2)隐私预算分配:基于隐私预算设定方法,设定Hmax为任意两个采样交通流格雷码值的最大汉明距离,∈2为隐私预算参数,计算交通流格雷码值分配的隐私预算为:
3)多模态交通流格雷码值扰动:为保护多模态交通流隐私,本发明提出个性化Laplace机制的格雷码差分隐私方法,对交通流格雷码值进行个性化扰动;给定采样的多模态交通流格雷码值和/>隐私参数∈2和Hmax,分配隐私预算为 为扰动交通流/>中的任意扰动输出数据,若隐私机制/>满足∈2-格雷码差分隐私机制当且仅当:
基于差分隐私性质,设定汉明距离Ωi表示满足伯努利分布的随机单位向量,将多模态交通流格雷码值/>扰动为唯一的噪声格雷码值/>为:
4)个性化Laplace机制设计:根据公式(5),扰动的交通流格雷码值由添加的噪声值Hi×Ωi决定。由于满足伯努利分布的随机向量Ωi可以直接产生,为实现交通流个性化保护,设计个性化Laplace机制计算交通流格雷码值的汉明距离Hi。
根据差分隐私特征,Laplace概率密度函数(PDF)为其中λ为参数,|x-μ|是x和中心μ之间的距离。设定/>用汉明距离Hi表示|x-μ|。则Hi遵循PDF为P(Hi)的Laplace分布:/> 满足/>则计算积分分布函数为:/>
为个性化计算隐私预算参数∈2,用η表示最大汉明距离Hmax范围内的概率,则即∈2=-w×ln(1-η)。则Pr(Hi≤Hmax)=1-exp(-ln(1-η))∈[0,1)。选择随机值P∈[0,1),设定Pr(Hi)=1-P,则:/>由反函数性质,计算汉明距离Hi为:
为确保可用性,不同交通用户可以个性化设定参数Hmax、P和η,在本地个性化扰动所述层次分明树中的多模态交通流格雷码值。
将扰动的多模态交通流格雷码值映射到层次分明树对应的叶子节点中,以满足几何范围查询;其中/>为扰动的几何区域格雷码值,为几何区域中对应的扰动文本型格雷码值。为实现扰动的交通流动态更新和降低开销,在构建的层次分明树结构中,仅对交通流格雷码值对应的叶子节点和父节点数据进行更新(增加、删除和修改),将扰动的层次分明树索引外包给智慧交通服务器平台。
步骤4,基于格雷码分布相似性模型的几何范围查询方法,采用剪枝方法对扰动层次分明树进行深度优先搜索,计算满足几何范围查询的叶子节点,并通过格雷码相似性模型计算搜索的叶子节点格雷码值和查询条件格雷码值的相似性值,选取相似性值大于阈值的叶子节点交通流作为多模态交通流查询结果。
在上述实施例的基础上,所述步骤4具体包括:
步骤4.1,基于个性化格雷码差分隐私机制,将多属性查询条件Qt扰动为多模态噪声格雷码值其中,/>为扰动的数值型查询范围格雷码值,/>为扰动的文本型查询属性格雷码值;
步骤4.2,采用剪枝搜索方法,在扰动层次分明树中按照深度优先搜索算法进行格雷码值匹配搜索,若搜索的节点网格格雷码值与查询范围雷码值不匹配,对该节点及其孩子分支进行减枝,不再搜索,否则,继续对其孩子节点进行搜索,获得满足几何范围查询的叶子节点;
步骤4.3,基于互信息方法,计算搜索的叶子节点属性格雷码值和几何范围查询的属性格雷码值/>之间的互信息其中,/>和/>为格雷码值/>和/>的概率密度函数,/>为联合概率密度函数;
步骤4.4,基于概率分布距离方法,计算搜索的叶子节点属性格雷码值和查询属性格雷码值/>之间的概率分布距离/> 其中/>
步骤4.5,利用格雷码分布相似性模型,获取叶子节点属性格雷码值和查询属性格雷码值/>之间的多属性格雷码分布相似性为GDS=α1×MI-α2×GDD,其中,α1和α2分别为分配给格雷码互信息和概率分布距离的权重;/>
步骤4.6,当格雷码分布相似性值大于阈值δ3时(δ3>0),判定叶子节点满足多属性几何范围查询条件,获取多模态交通流几何范围查询结果。
具体实施时,为了实现多模态交通流几何范围安全高效查询,本申请提出一种基于格雷码分布相似性模型的几何范围查询方法。基于剪枝方法和格雷码分布相似性,对层次分明树中的多模态交通流格雷码值进行高效搜索。
为保护用户查询条件隐私,根据步骤3所述,基于个性化Laplace分布的格雷码差分隐私机制,将多属性查询条件Qt扰动为噪声格雷码值 其中/>为扰动的数值型查询范围格雷码值,/>为扰动的文本型查询属性格雷码值。
为降低搜索开销,按照深度优先搜索算法,在步骤3所述扰动的层次分明树中进行格雷码值匹配搜索;
采用剪枝方法,对数值型的几何范围查询格雷码值进行匹配搜索,定义层次分明树节点的几何区域格雷码特殊字符“#”与查询范围格雷码值0和1都匹配,则几何范围格雷码值匹配存在两种情形:1)若搜索的节点几何区域格雷码值与查询几何范围雷码值/>不匹配。对该节点及其孩子分支进行减枝,不再搜索,提高查询效率。2)若节点几何区域格雷码与查询格雷码值匹配,继续对其孩子节点区域格雷码值进行匹配,获取满足几何范围查询的叶子节点。
基于互信息方法,对文本型的查询属性格雷码值进行匹配,设定所述搜索的叶子节点属性格雷码值和查询属性的格雷码值/>之间的概率密度函数为/>和/>联合概率密度函数为/>计算互信息MI为:
基于概率分布距离方法,计算所述搜索的叶子节点属性格雷码值和查询属性格雷码值/>之间的概率概率分布距离GDD为:
其中概率
为提高扰动交通流几何范围查询的可用性,提出格雷码分布相似性模型,计算叶子节点格雷码值和查询格雷码值/>之间的格雷码分布相似性为:GDS=α1×MI-α2×GDD;其中,α1和α2分别为分配给格雷码互信息和概率分布距离的权重。
当格雷码分布相似性值GDS大于阈值δ3时(δ3>0),认为所述叶子节点满足多属性几何范围查询条件,获取多模态交通流几何范围查询结果。
为保护多模态交通流的隐私,理论证明本发明提出的多模态交通流查询的格雷码差分隐私保护方法满足∈1+∈2-分布式差分隐私。
证明:基于多模态交通流查询的格雷码差分隐私保护方法,多模态交通流进行两次扰动保护,包括几何区域自适应网格分割保护和多模态交通流格雷码个性化扰动。
在几何区域自适应分割保护模块中,第i层任意网格分配的隐私预算为∈1i,根据差分隐私的串行组合原理,整个I层网格几何范围区域满足∈1-差分隐私;其中隐私预算(I为分割的层数)。
在多模态交通流格雷码个性化扰动保护模块中,任意交通流雷码值扰动为:/>基于所述格雷码差分隐私不可区分性机制,交通流格雷码值的扰动概率为:/>其中/>为满足伯努利分布概率。对于扰动格雷码值/>和/>则计算扰动概率比为:
即设计的个性化格雷码差分隐私机制满足∈2-分布式差分隐私。
基于差分隐私的并行组合原理,本发明提出的多模态交通流查询的格雷码差分隐私保护方法满足∈-分布式差分隐私,实现了交通用户可以分布式个性化保护多模态交通流隐私;其中∈=∈1+∈2。
基于真实的多模态交通流数据集CityFlow,采用不同的参数:隐私预算∈、最大汉明距离Hmax、格雷码分布相似性权重比相似性阈值δ3,评估本发明实施例对扰动的多模态交通流几何范围查询的可用性,实验评估结果如图3所示,其中,(a)表示不同隐私预算对扰动的多模态交通流几何范围查询的可用性,(b)表示不同最大汉明距离对扰动的多模态交通流几何范围查询的可用性,(c)表示不同格雷码分布相似性权重比对扰动的多模态交通流几何范围查询的可用性,(d)表示不同相似性阈值对扰动的多模态交通流几何范围查询的可用性。
面向不同参数的实验评估结果分析,本实施例对扰动的多模态交通流几何范围查询的可用性达到92.84%,性能优于传统静态本地差分隐私对交通数据扰动的可用性。因此,本实施例可以个性化保护多模态交通流隐私,同时实现安全高效的几何范围查询。
上述公式中的部分数据均是去除量纲取其数值计算,公式是由采集的大量数据经过软件模拟得到最接近真实情况的一个公式;公式中的预设参数和预设阈值由本领域的技术人员根据实际情况设定或者通过大量数据模拟获得。
本实施例提供的多模态交通流查询的格雷码差分隐私保护方法,通过基于多层自适应网格分割的格雷码编码机制,对多模态交通流进行文本属性和几何区域分割和编码,建立了用户交通流的分布式层次分明树索引和实现动态更新。考虑多模态交通流的个性化保护需求,采用基于汉明距离的格雷码差分隐私不可区分性机制,将交通流格雷码值进行扰动。设计个性化Laplace机制,实现了多模态交通流个性化隐私保护。基于格雷码分布相似性模型的几何范围查询方法,采用剪枝方法和格雷码分布相似性计算方法执行安全高效搜索,平衡了多模态交通流分布式保护和可用性,获得高相关性的查询结果。
为促进智慧交通高质量安全推广应用,本发明的另一个实施例是设计一种多模态交通流查询的格雷码差分隐私保护装置,其具体框架如图2所示,包括:多模态交通流网格自适应分割编码模块、动态分布式层次分明树索引构造模块、个性化格雷码差分隐私扰动模块、格雷码分布相似性几何范围查询模块以及搭建的智慧交通平台模型机。
其中,多模态交通流网格自适应分割编码模块,采用格雷码编码技术和多层自适应网格分割方法对多模态交通流的文本属性和几何区域进行分割和编码,产生多模态交通流格雷码模式;
动态分布式层次分明树索引构造模块,采用层次树方法,根据交通流格雷码值构造层次分明树副本,实现每个交通用户分布式动态更新层次分明树索引;
个性化格雷码差分隐私扰动模块,基于汉明距离和隐私预算设定方法,计算采样交通流格雷码值分配的预算。基于格雷码差分隐私机制,对多模态交通流格雷码值进行扰动保护;设计个性化Laplace机制,实现用户个性化设定隐私水平,同时提高扰动数据的可用性。
格雷码分布相似性几何范围查询模块,基于个性化格雷码差分隐私机制,对用户查询条件进行分布式扰动保护。采用剪枝方法和深度优先搜索方法,搜索扰动层次分明树中满足几何范围查询条件的叶子节点。基于格雷码相似性模型,计算满足查询属性的多模态交通流。
搭建的智慧交通平台模型机,包括:智慧交通数据用户、查询用户和交通服务器平台三个实体。智慧交通服务器平台对历史多模态公共交通流进行收集,通过所述多模态交通流网格自适应分割编码模块产生多模态交通流层次分明树副本;基于层次树构造方法,每个交通用户使用个人移动设备产生动态分布式层次分明树索引构造模块,支持用户分布式构建动态索引。基于所述个性化格雷码差分隐私扰动模块,对多模态交通流格雷码值进行个性化分布式扰动保护,同时构造扰动的层次分明树结构,并提交给智慧交通服务器平台。根据格雷码分布相似性几何范围查询模块,每个查询用户将查询条件进行分布式扰动,以保护查询隐私。为提高几何范围查询效率,基于剪枝方法,对扰动层次分明树结构进行深度优先搜索。为提高查询的可用性,采用格雷码分布相似性模型,计算高相似性的查询结果给查询用户。
应当理解,本公开的各部分可以用硬件、软件、固件或它们的组合来实现。
以上所述,仅为本公开的具体实施方式,但本公开的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本公开揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本公开的保护范围之内。因此,本公开的保护范围应以权利要求的保护范围为准。
Claims (6)
1.一种多模态交通流查询的格雷码差分隐私保护方法,其特征在于,包括:
步骤1,基于多层自适应网格分割的格雷码编码机制,对历史多模态交通流进行自适应网格分割和编码,产生多模态格雷码交通流;
步骤2,基于层次分明树的格雷码交通流索引方法,根据多模态格雷码交通流构建层次分明树索引结构,支持本地动态更新;
步骤3,基于个性化Laplace分布的格雷码差分隐私不可区分性机制,计算格雷码交通流的汉明距离,将格雷码交通流添加汉明距离噪声,进行个性化扰动保护,构造扰动层次分明树;
步骤4,基于格雷码分布相似性模型的几何范围查询方法,采用剪枝方法对扰动层次分明树进行深度优先搜索,计算满足几何范围查询的叶子节点,并通过格雷码相似性模型计算搜索的叶子节点格雷码值和查询条件格雷码值的相似性值,选取相似性值大于阈值的叶子节点交通流作为多模态交通流查询结果。
2.根据权利要求1所述的方法,其特征在于,所述历史多模态交通流包括文本型交通流和数值型空间交通数据流,所述步骤1具体包括:
步骤1.1,通过文本处理模型将文本型交通流划分为关键词列表,建立属性词典列表,采用格雷码技术对属性词典列表中的文本属性进行编码,得到文本型交通流对应的属性格雷码值{AG1,...,AGn};
步骤1.2,基于多层自适应网格分割机制,通过高通滤波阈值δ1=α×log(C/∈1i)和噪声偏差阈值对数值型空间位置交通流进行自适应网格分割,得到交通流多层网格集;
步骤1.3,根据属性雷码值和交通流多层网格集形成多模态格雷码交通流。
3.根据权利要求2所述的方法,其特征在于,所述步骤2具体包括:
步骤2.1,基于层次分明树的格雷码交通流索引方法将交通流多层网格集{G1,...,Gm}进行格雷码编码,得到交通流多层网格集对应的网格格雷码值{GR1,...,GRm},其中,m为分割的网格个数,每个网格的格雷码二进制位数为
步骤2.2,按照层次结构将每层网格格雷码值{GRi1,...,GRim}(i∈[1,I])映射到层次分明树的叶子节点中,将不同层的格雷码网格从叶子节点到根节点依次构造层次分明树结构;
步骤2.3,基于层次分明树结构和属性格雷码值{AG1,...,AGn},将每个交通数据用户的个人文本属性交通流转化为个人属性格雷码值同时将个人数值型时空位置交通流映射到层次分明树的叶子节点中,在本地构建层次分明树索引;
步骤2.4,对构建的层次分明树的叶子节点多模态格雷码值对应的父节点格雷码值进行本地动态更新,其中,GRti为交通用户在时间点ti下的数值型空间位置格雷码值,/>为交通用户在时间点ti下的r个属性格雷码值。
4.根据权利要求3所述的方法,其特征在于,所述步骤3具体包括:
步骤3.1,基于w-event差分隐私思想,采用PID控制器获取采样多模态交通流格雷码值和/> 其中,/>和/>分别为用户在不同时刻下的采样多模态交通流格雷码值;
步骤3.2,基于汉明距离方法,计算采样的多模态交通流格雷码和/>的汉明距离/>
步骤3.3,基于隐私预算设定方法,为采样的多模态交通流格雷码值和/>分配对应的隐私预算,其中,所述隐私预算的表达式为
其中,Hmax为任意两个采样的多模态交通流格雷码值的最大汉明距离,∈2为隐私预算参数;
步骤3.4,基于个性化Laplace分布的格雷码差分隐私不可区分性机制,给定采样的多模态交通流格雷码值和/>隐私参数∈2和Hmax,定义隐私预算为为扰动格雷码交通流/>中的任意扰动输出数据,若隐私机制满足∈2-格雷码差分隐私不可区分性机制满足下式:
基于差分隐私性质,设定汉明距离Ωi表示满足伯努利分布的随机单位向量,将采样的多模态交通流格雷码值/>扰动为唯一的噪声格雷码值
步骤3.5,基于差分隐私的Laplace性质,计算汉明距离Hi遵循满足Laplace分布的概率分布函数P(Hj)为其中,用η表示最大汉明距离Hmax范围内的积分分布函数为η=Pr(Hi≤Hmax)=1-exp(-∈2),即计算个性化参数为∈2=-ln(1-η),选择随机值P∈[0,1),则/>计算Hi为:
根据不同交通用户设定的参数Hmax、P和η,在本地个性化扰动层次分明树中的多模态交通流叶子节点,构造扰动层次分明树。
5.根据权利要求4所述的方法,其特征在于,所述步骤4具体包括:
步骤4.1,基于个性化格雷码差分隐私机制,将多属性查询条件Qt扰动为多模态噪声格雷码值其中,/>为扰动的数值型查询范围格雷码值,为扰动的文本型查询属性格雷码值;
步骤4.2,采用剪枝搜索方法,在扰动层次分明树中按照深度优先搜索算法进行格雷码值匹配搜索,若搜索的节点网格格雷码值与查询范围雷码值不匹配,对该节点及其孩子分支进行减枝,不再搜索,否则,继续对其孩子节点进行搜索,获得满足几何范围查询的叶子节点;
步骤4.3,基于互信息方法,计算搜索的叶子节点属性格雷码值和几何范围查询的属性格雷码值/>之间的互信息/>其中,/>和/>为格雷码值/>和/>的概率密度函数,/>为联合概率密度函数;
步骤4.4,基于概率分布距离方法,计算搜索的叶子节点属性格雷码值和查询属性格雷码值/>之间的概率分布距离/> 其中/>
步骤4.5,利用格雷码分布相似性模型,获取叶子节点属性格雷码值和查询属性格雷码值/>之间的多属性格雷码分布相似性为GDS=α1×MI-α2×GDD,其中,α1和α2分别为分配给格雷码互信息和概率分布距离的权重;
步骤4.6,当格雷码分布相似性值大于阈值δ3时(δ3>0),判定叶子节点满足多属性几何范围查询条件,获取多模态交通流几何范围查询结果。
6.一种多模态交通流查询的格雷码差分隐私保护装置,其特征在于,包括多模态交通流网格自适应分割编码模块、动态分布式层次分明树索引构造模块、个性化格雷码差分隐私扰动模块、格雷码分布相似性几何范围查询模块以及搭建的智慧交通平台模型机;
所述多模态交通流网格自适应分割编码模块,对多模态交通流的文本属性和几何区域进行分割和编码,产生多模态交通流格雷码值;
所述动态分布式层次分明树索引构造模块,构造基于交通流格雷码的层次分明树索引,每个交通用户进行分布式动态更新;
所述个性化格雷码差分隐私扰动模块,对采样的多模态交通流格雷码值分配隐私预算和进行扰动;设计个性化Laplace机制,实现个性化保护;
所述格雷码分布相似性几何范围查询模块,对几何范围查询隐私进行分布式扰动保护,采用剪枝方法、深度优先搜索和基于格雷码相似性模型,计算满足查询属性的多模态交通流;
智慧交通服务器平台对历史多模态公共交通流进行收集,通过所述多模态交通流网格自适应分割编码模块产生多模态交通流层次分明树副本;基于层次树构造方法,根据每个交通用户的个人移动设备产生动态分布式层次分明树索引构造模块,分布式构建动态索引,基于所述个性化格雷码差分隐私扰动模块,对多模态交通流格雷码值进行个性化分布式扰动保护,并提交给智慧交通服务器平台,根据格雷码分布相似性几何范围查询模块,将每个查询用户的查询条件进行分布式扰动,采用格雷码分布相似性模型,计算高相似性的查询结果给查询用户。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311358822.2A CN117371036B (zh) | 2023-10-19 | 2023-10-19 | 多模态交通流查询的格雷码差分隐私保护方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311358822.2A CN117371036B (zh) | 2023-10-19 | 2023-10-19 | 多模态交通流查询的格雷码差分隐私保护方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117371036A true CN117371036A (zh) | 2024-01-09 |
CN117371036B CN117371036B (zh) | 2024-04-30 |
Family
ID=89394130
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311358822.2A Active CN117371036B (zh) | 2023-10-19 | 2023-10-19 | 多模态交通流查询的格雷码差分隐私保护方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117371036B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110147682A (zh) * | 2019-04-25 | 2019-08-20 | 安徽师范大学 | 基于改进四叉树的差分隐私保护方法 |
WO2019237840A1 (zh) * | 2018-06-14 | 2019-12-19 | 中兴通讯股份有限公司 | 数据集生成方法及装置 |
CN111414641A (zh) * | 2020-03-13 | 2020-07-14 | 中国科学院信息工程研究所 | 一种基于采样的个性化差分隐私保护方法及系统 |
CN113506348A (zh) * | 2021-07-15 | 2021-10-15 | 吉林省凯迪科技有限公司 | 一种基于格雷码辅助的三维坐标计算方法 |
CN114268411A (zh) * | 2021-11-05 | 2022-04-01 | 网络通信与安全紫金山实验室 | 硬输出mimo检测方法和系统、电子设备及存储介质 |
CN114662157A (zh) * | 2022-05-25 | 2022-06-24 | 湖南工商大学 | 社交文本数据流的块压缩感知不可区分性保护方法及装置 |
CN116228906A (zh) * | 2023-02-12 | 2023-06-06 | 桂林理工大学 | 一种基于差分隐私的生成对抗网络图像生成系统 |
-
2023
- 2023-10-19 CN CN202311358822.2A patent/CN117371036B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019237840A1 (zh) * | 2018-06-14 | 2019-12-19 | 中兴通讯股份有限公司 | 数据集生成方法及装置 |
CN110147682A (zh) * | 2019-04-25 | 2019-08-20 | 安徽师范大学 | 基于改进四叉树的差分隐私保护方法 |
CN111414641A (zh) * | 2020-03-13 | 2020-07-14 | 中国科学院信息工程研究所 | 一种基于采样的个性化差分隐私保护方法及系统 |
CN113506348A (zh) * | 2021-07-15 | 2021-10-15 | 吉林省凯迪科技有限公司 | 一种基于格雷码辅助的三维坐标计算方法 |
CN114268411A (zh) * | 2021-11-05 | 2022-04-01 | 网络通信与安全紫金山实验室 | 硬输出mimo检测方法和系统、电子设备及存储介质 |
CN114662157A (zh) * | 2022-05-25 | 2022-06-24 | 湖南工商大学 | 社交文本数据流的块压缩感知不可区分性保护方法及装置 |
CN116228906A (zh) * | 2023-02-12 | 2023-06-06 | 桂林理工大学 | 一种基于差分隐私的生成对抗网络图像生成系统 |
Non-Patent Citations (4)
Title |
---|
WEI JIANHAO等: "LDP-Based Social Content Protection for Trending Topic Recommendation", 《IEEE》, 15 March 2021 (2021-03-15) * |
张啸剑;付楠;孟小峰;: "基于本地差分隐私的空间范围查询方法", 计算机研究与发展, no. 04, 13 April 2020 (2020-04-13) * |
郝志峰等: "基于贝叶斯网络与语义树的隐私数据发布方法", 《计算机工程》, 30 April 2019 (2019-04-30) * |
魏建好: "多源数据环境下的差分隐私保护技术研究", 《博士电子期刊》, 15 January 2023 (2023-01-15) * |
Also Published As
Publication number | Publication date |
---|---|
CN117371036B (zh) | 2024-04-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Soh et al. | Adaptive deep learning-based air quality prediction model using the most relevant spatial-temporal relations | |
Compton et al. | Geotagging one hundred million twitter accounts with total variation minimization | |
Lin et al. | Mining GPS data for mobility patterns: A survey | |
Wang et al. | Reverse $ k $ Nearest Neighbor Search over Trajectories | |
Xu et al. | Taxi-RS: Taxi-hunting recommendation system based on taxi GPS data | |
Lin et al. | Content recommendation algorithm for intelligent navigator in fog computing based IoT environment | |
CN111125764B (zh) | 一种面向隐私保护的用户轨迹生成方法及系统 | |
Qiao et al. | A dynamic convolutional neural network based shared-bike demand forecasting model | |
Huang et al. | Traffic node importance evaluation based on clustering in represented transportation networks | |
Li et al. | Feature selection and model fusion approach for predicting urban macro travel time | |
Wang et al. | Protecting the location privacy of mobile social media users | |
CN117371036B (zh) | 多模态交通流查询的格雷码差分隐私保护方法及装置 | |
CN117117833A (zh) | 光伏输出功率预测方法、装置、电子设备及存储介质 | |
Nourian et al. | Spectral modelling for spatial network analysis | |
He et al. | Perceiving commerial activeness over satellite images | |
Li et al. | Fine-grained dynamic population mapping method based on large-scale sparse mobile phone data | |
Idrees et al. | Spatial data mining, spatial data warehousing, and spatial olap | |
Yongdong et al. | Analysis of road travel behaviour based on big trajectory data | |
CN115545543A (zh) | 多灾种集成的自然灾害风险评估分析系统 | |
CN111339446B (zh) | 一种兴趣点挖掘方法、装置、电子设备和存储介质 | |
Wang et al. | Influential spatial facility prediction over large scale cyber-physical vehicles in smart city | |
Liu et al. | Trajectory privacy data publishing scheme based on local optimisation and R-tree | |
Goel et al. | A Systematic Review on Personal Route Prediction Techniques based on Trajectory data | |
Wang et al. | Grid-Based Whole Trajectory Clustering in Road Networks Environment | |
Qiu et al. | A Complete and Comprehensive Semantic Perception of Mobile Travelling for Mobile Communication Services |
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 |