WO2020177484A1 - 一种本地化差分隐私城市环卫数据报告和隐私计算方法 - Google Patents

一种本地化差分隐私城市环卫数据报告和隐私计算方法 Download PDF

Info

Publication number
WO2020177484A1
WO2020177484A1 PCT/CN2020/070657 CN2020070657W WO2020177484A1 WO 2020177484 A1 WO2020177484 A1 WO 2020177484A1 CN 2020070657 W CN2020070657 W CN 2020070657W WO 2020177484 A1 WO2020177484 A1 WO 2020177484A1
Authority
WO
WIPO (PCT)
Prior art keywords
privacy
data
location
level
processing
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.)
Ceased
Application number
PCT/CN2020/070657
Other languages
English (en)
French (fr)
Inventor
唐韶华
彭帆
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.)
South China University of Technology SCUT
Original Assignee
South China University of Technology SCUT
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 South China University of Technology SCUT filed Critical South China University of Technology SCUT
Publication of WO2020177484A1 publication Critical patent/WO2020177484A1/zh
Anticipated expiration legal-status Critical
Ceased legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • 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]
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W12/00—Security arrangements; Authentication; Protecting privacy or anonymity
    • H04W12/03—Protecting confidentiality, e.g. by encryption
    • H04W12/033—Protecting confidentiality, e.g. by encryption of the user plane, e.g. user's traffic
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/02—Services making use of location information
    • H04W4/029—Location-based management or tracking services
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04M—TELEPHONIC COMMUNICATION
    • H04M2250/00—Details of telephonic subscriber devices
    • H04M2250/10—Details of telephonic subscriber devices including a GPS signal receiver

Definitions

  • Mobile devices represented by smart phones can perceive people and surrounding environmental information anytime and anywhere, so that people can get the status of their environment in time, and better Provide required services for people and society, and promote the continuous development of the field of mobile group perception.
  • Mobile group perception provides a new way for people to perceive the world, enabling anyone to perform perception tasks through mobile terminals to participate in the perception process, and provide people with various services.
  • Random response technology is the mainstream perturbation mechanism of localized differential privacy protection technology. Random response requires a huge amount of sample data. In most mobile group sensing scenarios, the amount of data for participating users is very limited. Therefore, how to apply random response technology in The scene of small and medium sample mobile group perception needs further research.
  • the purpose of the present invention is to overcome the shortcomings of the prior art and provide a localized differential privacy urban sanitation data report and privacy calculation method based on random response.
  • the invention applies random response technology to report collection in the field of mobile group perception, aggregates and calculates and analyzes privacy data, obtains the joint distribution of privacy attributes, and realizes the monitoring of urban sanitation distribution.
  • a localized differential privacy urban sanitation data report and privacy calculation method the specific steps include:
  • the user obtains the user's original real data by locating the location of the sanitation point and judging the garbage volume level of the sanitation point;
  • the server receives data uploaded by users and performs statistics and denoising processing on the data
  • the server aggregates and calculates the data after the denoising process to obtain the real garbage volume level of each location, which constitutes the urban sanitation distribution map.
  • the privacy processing parameters are calculated:
  • r represents the number of position reports, and its calculation formula is:
  • p represents the probability of selecting the real location, and its calculation formula is:
  • f represents the bit flip probability, and its calculation formula is:
  • the user obtains the original real data of the user by locating the location of the sanitation point and determining the garbage volume level of the sanitation point, the user locates the location of the sanitation point through the mobile smart device carried, and obtains the sanitation point through the location mapping table.
  • the location mapping table is obtained by the server for the location number of each sanitation point in advance.
  • the user obtains the level of the garbage volume of the sanitation point.
  • the number and the level of garbage are the user's original real data ⁇ i,level>.
  • the user performs localized differential privacy processing locally, and the processing steps are:
  • the specific processing method is:
  • the position set is the union of the real position i and any selected r-1 positions in the position set except i, expressed as:
  • the function getRandomElements(A,b) means to return the result of randomly selecting b elements from the set A;
  • the position set is the union of r positions arbitrarily selected from the position set except i, expressed as:
  • This processing method can ensure that the user's location data meets ⁇ 1 -differential privacy.
  • the location set L obtained after the localized differential privacy processing localized differential privacy processing is performed on the garbage volume level data, and in the step of calculating the user’s upload result set R, if the user’s real location i is included in In L, the corresponding item of the real garbage amount is the real garbage amount level level i .
  • Use h hash functions to map the garbage volume level level i or level' t to a Bloom filter of length l to obtain a vector S t of length l;
  • This processing method ensures that the user's garbage volume level perception data meets ⁇ 2 -differential privacy.
  • the statistics and denoising processing method are:
  • V ⁇ i L i
  • Z represents the user upload data
  • F represents the total number of sanitation points
  • p represents the actual location selection probability
  • r represents the number of location reports
  • N represents the number of users
  • the server For each upload location i, the server filters out all the report pair data sets Di at the location i . Assuming a total of N i D i of data items, the number of transactions reported as E i, the noise is reported as the number N i -E i, of the amount of waste every level data set statistics as follows S 'i: Calculated per a "1" the total number of X i [j], X i [j] represents a j-th bit of the i-th position, 0 ⁇ j ⁇ l, consisting of a vector X i, X i represents the position number i is received Each digit that arrives is a count of "1";
  • Sources of X i consists of four parts, as shown in Table 1.
  • the data generation and processing process Since there is a certain error in the frequency estimation in step 1, the data generation and processing process also has a certain randomness, and the value calculated by Z i also has a certain error. Therefore, a certain analysis method is required to obtain the real garbage volume level at position i.
  • the real garbage volume level of each location can be calculated, thereby obtaining the urban garbage volume distribution map.
  • the present invention has the following beneficial effects:
  • the present invention greatly saves the deployment cost of hardware facilities, the communication overhead of network connection and the human resources of equipment operation and maintenance, and fully saves social resources;
  • the present invention does not rely on a trusted third-party server, and the data is completely processed by the user on the mobile terminal, which more thoroughly guarantees the user's data privacy and security;
  • the present invention increases the speed while maintaining the security of the scheme.
  • Figure 1 is a flowchart of a localized differential privacy urban sanitation data report and privacy calculation method.
  • Figure 2 is a structural diagram of a localized differential privacy urban sanitation data report and privacy calculation method.
  • Fig. 3 is a sample diagram of random disturbance of the garbage volume level in the embodiment of the present invention.
  • Figures 1 and 2 are respectively a flowchart and structure diagram of a localized differential privacy urban sanitation data report and privacy calculation method. The specific steps of the method include:
  • the user obtains the user's original real data by locating the location of the sanitation point and judging the garbage volume level of the sanitation point;
  • the server receives data uploaded by users and performs statistics and denoising processing on the data
  • the server aggregates and calculates the data after the denoising process to obtain the real garbage volume level of each location, which constitutes the urban sanitation distribution map.
  • the total number of sanitation points in a certain area of the city is 50
  • the level of garbage volume has 3 levels, namely High, Middle, and Low.
  • the false positive rate of the bloom filter is 0.1
  • the optimal bloom filter length is calculated
  • the number of hash functions is Privacy processing parameters
  • a perceiving user passes a sanitation point, he needs to report the amount of garbage at the sanitation point: first locate the current sanitation point location through the GPS sensor of the mobile device, and then match the sanitation point through the location-number table set in advance If the number of the sanitation point is 12, the user sets the corresponding garbage volume level by observing the amount of garbage. If it is determined that the actual garbage volume level of the sanitation point is Middle, the data ⁇ 12, Middle> is the perception Real perception data of participating users.
  • the corresponding vectors are respectively ⁇ High:1000001001000, Middle:0100000000011, Low:1000001000001 ⁇ .
  • Each of the corresponding garbage volume levels in the set passes the generated random number and parameters after the Bloom filter Comparing, less than 0.58 remains unchanged, greater than 0.58 to flip, the final uploaded collection is:
  • garbage volume level data of each location is filtered out and analyzed separately. For example, all garbage volume level items with location "1" are expressed in the form:
  • the garbage volume level corresponding to the maximum value in the vector A is the estimated real garbage volume level at the location.
  • the garbage volume levels of all locations can be obtained sequentially through the above process, so as to obtain the garbage volume level distribution map in this area of the city.

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Security & Cryptography (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Operations Research (AREA)
  • Probability & Statistics with Applications (AREA)
  • Evolutionary Biology (AREA)
  • Algebra (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种本地化差分隐私城市环卫数据报告和隐私计算方法，具体步骤包括：设置位置隐私参数及垃圾量等级隐私参数，计算隐私处理参数；用户通过定位环卫点位置及判定环卫点垃圾量等级数，得到用户的原始真实数据；对位置及垃圾量等级数据分别进行本地化差分隐私处理并上传到服务器；服务器接收用户上传数据并对数据进行统计及去噪处理；服务器对经过去噪处理后的数据进行聚合计算，得到各个位置的真实垃圾量等级，构成城市环卫分布图。本发明在达到在保护所有数据收集者位置和数据隐私的前提下，能够实现基于移动群体感知的城市环卫动态分布的目标。

Description

一种本地化差分隐私城市环卫数据报告和隐私计算方法 技术领域
本发明涉及信息安全隐私保护领域，尤其涉及一种本地化差分隐私城市环卫数据报告和隐私计算方法。
背景技术
随着传感器精度的不断提升以及移动智能设备的普及，以智能手机为代表的移动设备能随时随地地感知人和周边的环境信息，使人们可以及时地获取其所处环境的状况，更好地为人们及社会提供所需的服务，促进移动群体感知领域不断向前发展。移动群体感知为人们提供了一种新的感知世界的方式，能够使任何人都能通过移动终端执行感知任务参与到感知过程，并为人们提供各种服务。
移动群体的应用中，感知参与用户的隐私能否得到保证是关系用户是否愿意参与感知任务的关键因素。传统加密方式存在计算开销大、基于匿名化的各种隐私保护方法不能抵抗背景知识攻击等不足之处，中心化差分隐私方法需要基于第三方数据收集者诚实可信，但是不会窃取或泄露用户的敏感信息的假设在实际应用中并不现实。而本地化差分隐私技术在继承中心化差分隐私技术定量化定义隐私攻击的基础上，将隐私保护的处理过程让每个用户独立完成，能够实现更彻底的隐私保护。
随机响应技术是本地化差分隐私保护技术的主流扰动机制，随机响应需要的样本数据量巨大，在大部分的移动群体感知场景当中，参与用户的数据量非常有限，因此如何将随机响应技术应用在中小样本移动群体感知场景有待进一步的研究。
发明内容
本发明的目的在于克服现有技术的不足，提供一种基于随机响应实现的本地化差分隐私城市环卫数据报告和隐私计算方法。本发明在移动群体感知领域应用随机响应技术进行报告收集，对隐私数据进行聚合计算分析，得到隐私属性的联合分布，实现了对城市环卫分布的监控。
本发明的目的能够通过以下技术方案实现：
一种本地化差分隐私城市环卫数据报告和隐私计算方法，具体步骤包括：
设置位置隐私参数及垃圾量等级隐私参数，计算隐私处理参数；
用户通过定位环卫点位置及判定环卫点垃圾量等级数，得到用户的原始真实数据；
对位置及垃圾量等级数据分别进行本地化差分隐私处理并上传到服务器；
服务器接收用户上传数据并对数据进行统计及去噪处理；
服务器对经过去噪处理后的数据进行聚合计算，得到各个位置的真实垃圾量等级，构成城市环卫分布图。
具体地，所述设置位置隐私参数及垃圾量等级隐私参数，计算隐私处理参数的步骤中，设定位置隐私保护参数∈ 1和垃圾量等级隐私参数∈ 2，并将参数公布给每个用户。
通过布隆过滤器假阳率k，感知值集合M计算布隆过滤器长度l和哈希函数个数h，计算公式为：
Figure PCTCN2020070657-appb-000001
Figure PCTCN2020070657-appb-000002
根据隐私参数∈ 1、∈ 2、环卫点总数F及哈希函数个数h，计算隐私处理参数：
r表示位置报告数，其计算公式为：
Figure PCTCN2020070657-appb-000003
p表示真实位置选中概率，其计算公式为：
Figure PCTCN2020070657-appb-000004
f表示位翻转概率，其计算公式为：
Figure PCTCN2020070657-appb-000005
具体地，所述用户通过定位环卫点位置及判定环卫点垃圾量等级数，得到用户的原始真实数据的步骤中，用户通过携带的移动智能设备定位环卫点位置，并通过位置映射表得到该环卫点的编号i。所述位置映射表由服务器提前为每个环卫点的位置编号得到。用户通过自行判定，得到环卫点垃圾量的等级数level，编号和垃圾等级数即为用户的原始真实数据<i,level>。
具体地，所述对位置及垃圾量等级数据分别进行本地化差分隐私处理的步骤中，用户在本地进行本地化差分隐私处理，处理步骤为：
初始化位置集合
Figure PCTCN2020070657-appb-000006
和上传结果集合
Figure PCTCN2020070657-appb-000007
生成一个(0,1)之间的随机数rand，结合隐私处理参数，对位置数据进行本地化差分隐私处理，使其满足位置隐私保护参数∈ 1；
根据本地化差分隐私处理后得到的位置集合L，对垃圾量等级数据进行本地化差分隐私处理，计算用户的上传结果集R。
更进一步地，所述生成一个(0,1)之间的随机数rand，结合隐私处理参 数，对位置数据进行本地化差分隐私处理的步骤中，具体处理方法为：
对随机数rand及真实位置选中概率p的大小关系进行判断：
如果随机数rand小于p，则位置集合为真实位置i与除去i之外的位置集合中任意选择r-1个位置的并集，表示为：
L＝{i}∪getRandomElements(F\{i},r-1)
其中，函数getRandomElements(A,b)表示返回从集合A中随机选择b个元素的结果；
如果随机数rand大于p，则位置集合为除去i之外的位置集合中任意选择r个位置的并集，表示为：
L＝getRandomElements(F,r)
综上，随机数rand与真实位置选中概率p的大小判断关系的表示方式为：
Figure PCTCN2020070657-appb-000008
此处理方法能够保证用户的位置数据满足∈ 1-差分隐私。
更进一步地，所述根据本地化差分隐私处理后得到的位置集合L，对垃圾量等级数据进行本地化差分隐私处理，计算用户的上传结果集R的步骤中，如果用户的真实位置i包含在L中，真实位置垃圾量的对应项为真实垃圾量等级level i。此时对于位置集合L中的其他位置元素t，其垃圾量等级对应项则在垃圾量等级值集合中等概率随机选择一个等级level′ t，随后对每一个垃圾量等级进行处理，具体处理方法为：
采用h个哈希函数将垃圾量等级level i或level′ t映射到长度为l的布隆过滤器，得到一个长度为l的向量S t；
对于S t中的每一位S t[j]，运行一个随机数生成函数得到一个(0,1)之间的 随机数q，如果q＜1-f/2，第j位保持不变，如果q＞1-f/2，对第j位进行翻转，即原始值为0时，翻转为1；原始值为1时，翻转为0；得到S t′；
综上，对垃圾量等级数据进行处理的表示方式为：
Figure PCTCN2020070657-appb-000009
此处理方式保证用户的垃圾量等级感知数据满足∈ 2-差分隐私。
将每个位置i和对应的处理过后的垃圾等级值S′ i组合成对(i,S′ i)，加入到上传结果集合R，得到最后的上传结果集合R。
具体地，所述服务器接收用户上传数据并对数据进行统计及去噪处理的步骤中，所述统计及去噪处理方法为：
混合所有用户的上传数据Z，提取上传报告中所有的位置数据，计算每个位置的真实报告个数E i，计算公式为：
q＝(r-p)/(F-1)
E i＝w i
L i＝w i/(pE i+q(rN-E i))
V＝∑ iL i
E i＝E i(pL i+q(V-L i)
E i＝E i/r
其中，Z表示用户上传数据，F表示环卫点总数，p表示真实位置选择概率，r表示位置报告数，N表示用户数量，w i表示Z中包含位置i的个数，i＝1,…,F；
每个上传位置i，服务器筛选出所有位置i的报告对数据集合D i。假设D i总共有N i条数据项，真实报告个数为E i，则噪声报告个数为N i-E i，对垃圾 量等级数据集合S′ i的每一位做如下统计：计算每一位为“1”的总数X i[j]，X i[j]表示第i个位置的第j位，0≤j＜l，组成一个向量X i，X i表示编号为i的位置收到的每一位为“1”的计数；
X i的来源由四部分组成，如表1所示。
表1
Figure PCTCN2020070657-appb-000010
在真实数据集中，假设原始垃圾量等级经过布隆过滤器后，总共有Z i个“1”，其有(1-f/2)的概率保持为“1”，E i-Z i个“0”，其有f/2的概率翻转为“1”；同理，假设噪声数据的原始垃圾量等级经过布隆过滤器后共有U i个“1”，其有(1-f/2)的概率保持为“1”；N i-E i-U i个“0”，共有f/2的概率翻转为“1”。
因此下列等式成立：
Figure PCTCN2020070657-appb-000011
由于加入的噪声呈均匀分布，上式中的U i能够通过计算得到，因此，上式可推导得：
Figure PCTCN2020070657-appb-000012
由此求得原始真实的垃圾量等级在各个位上的“1”的个数组成的向量Z i。
由于步骤1的频率估计存在一定的误差，数据生成和处理过程也有一 定的随机性，Z i计算的值也存在一定的误差，因此需要一定的分析方法来得到位置i的真实垃圾量等级。
具体地，所述服务器对经过去噪处理后的数据进行聚合计算，得到各个位置的真实垃圾量等级，构成城市环卫分布图步骤中，将垃圾量等级的所有w个候选值通过布隆过滤器的h个哈希函数处理后，组成一个w·l的矩阵作为特征矩阵Q，经过去噪处理得到的所有Z i[j](0≤j＜l)组成长度为l的向量Z i，求解线性回归问题Z i＝A·Q，向量A(1·w)中最大值所对应位置的垃圾量等级即为位置i的真实垃圾量等级。
通过上述步骤能够计算出每个位置的真实垃圾量等级，从而得到城市垃圾量分布图。
本发明相较于现有技术，具有以下的有益效果：
1.本发明相较于基于物联网技术的智能垃圾桶，大大节省了硬件设施的部署成本、网络连接的通信开销和设备运维的人力资源，充分节约了社会资源；
2.本发明不依赖可信的第三方服务器，数据完全由用户在移动端处理，更彻底地保证了用户的数据隐私安全；
3.本发明在保证了聚合准确性的同时，大大减少了用户参与人数的最低限额，是现实可行的方案；
4.本发明在提升速度同时保持了方案的安全性。
附图说明
图1是一种本地化差分隐私城市环卫数据报告和隐私计算方法的流程图。
图2是一种本地化差分隐私城市环卫数据报告和隐私计算方法的结构 示意图。
图3是本发明实施例中垃圾量等级随机扰动的样例图。
具体实施方式
下面结合实施例及附图对本发明作进一步详细的描述，但本发明的实施方式不限于此。
实施例
如图1、2所示分别为一种本地化差分隐私城市环卫数据报告和隐私计算方法的流程图及结构图，所述方法的具体步骤包括：
设置位置隐私参数及垃圾量等级隐私参数，计算隐私处理参数；
用户通过定位环卫点位置及判定环卫点垃圾量等级数，得到用户的原始真实数据；
对位置及垃圾量等级数据分别进行本地化差分隐私处理并上传到服务器；
服务器接收用户上传数据并对数据进行统计及去噪处理；
服务器对经过去噪处理后的数据进行聚合计算，得到各个位置的真实垃圾量等级，构成城市环卫分布图。
在本实施例中，假设城市某区域环卫点个数总共为50个，垃圾量的等级有3个等级，分别为High、Middle和Low，设置位置的隐私参数为∈ 1＝1.6，垃圾量等级的隐私参数∈ 2＝1.9，布隆过滤器假阳率为0.1，则计算得到最优布隆过滤器长度
Figure PCTCN2020070657-appb-000013
哈希函数个数为
Figure PCTCN2020070657-appb-000014
隐私处理参数
Figure PCTCN2020070657-appb-000015
Figure PCTCN2020070657-appb-000016
假设一个感知用户经过一个环卫点时，要对该环卫点的垃圾量进行报告：首先通过移动设备的GPS传感器对当前环卫点位置进行定位，然后通过提前设置的位置-编号表匹配到该环卫点的编号，如该环卫点的编号为12，用户通过对垃圾量的观察给定相应的垃圾量等级，如判定该环卫点的真实垃圾量等级为Middle，数据<12，Middle>即为该感知参与用户的真实感知数据。
根据上述计算的参数，用户在本地运行一个随机数生成函数生成一个随机数rand＝0.67，由于0.67＞0.486，该用户的位置集合为从集合{1,2,…11,13…,50}中随机选择8个位置作为上传位置，由于真实感知位置不在位置集合中，所以所有8个位置对应的垃圾量等级都从垃圾量等级集合中随机抽取决定。假设经过8次随机化选择后得到的数据集合为：{＜1,Middle＞,＜5,High＞,＜9,Low＞,＜14,Middle＞,＜21,Low＞,＜23,High＞,＜36,Low＞,＜41,Middle＞}。
假设垃圾量等级经过布隆过滤器后得到对应的向量分别为{High:1000001001000,Middle:0100000000011,Low:1000001000001}。集合中对应的各个垃圾量等级经过布隆过滤器后的每一位通过生成的随机数和参数
Figure PCTCN2020070657-appb-000017
比较，小于0.58保持不变，大于0.58进行翻转，得到最终上传的集合为：
{＜1,0101010011011＞,＜5,1011100100110＞,＜9,0111000101011＞,＜14,1101000101011＞,＜21,1010111101010＞,＜23,0110101101010＞,＜36,1101010100111＞,＜41,0011011011010＞}
垃圾量等级随机扰动的样例图如图3所示。
当服务器接收到所有感知用户的上传值后，对所有的位置项进行概率 统计，能大致估计每个位置真实的报告个数，如服务器总共收到2000个用户发来的数据，其中位置数据共有2000×8＝16000个，估计出真实位置为“1”的用户数为50个，实际收到的所有报告中包含位置为“1”的用户数为300个，由此推断所有为“1”的数据项中大约有250个数据项是噪声位置数据，噪声位置数据项的垃圾量等级是随机均匀选取的，由此可估算出每个垃圾量等级的噪声数据大约有250/3个，记为Noise＝(noise)·3。
将垃圾量等级对应的原始布隆过滤器的值组合成一个矩阵Q，表示为：
Figure PCTCN2020070657-appb-000018
将每一个位置的垃圾量等级数据筛选出来单独分析，如所有位置为“1”的垃圾量等级项，表示形式为：
第0位 第1位 … 第l位
1 0 1 0
… … … …
0 1 1 0
以列为单位进行求和，得到一个长度为l的向量(sum 1,…,sum l)，记为X，根据方案中计算得到的噪声估计量，计算每个噪声等级原始为“1”的个数向量U，U＝Noise·A，根据统计计算的真实估计值、噪声值和计算公式，计算各个位原始为“1”的个数，为长度为l的向量Z。
求解线性回归方程问题Z＝A·Q，向量A中最大值对应的垃圾量等级即为该位置的估计真实垃圾量等级。
所有位置的垃圾量等级能够通过上述过程依次求出，从而得到城市该区域的垃圾量等级分布图。
上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受上述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。

Claims (8)

  1. 一种本地化差分隐私城市环卫数据报告和隐私计算方法，其特征在于，具体步骤包括：
    设置位置隐私参数及垃圾量等级隐私参数，计算隐私处理参数；
    用户通过定位环卫点位置及判定环卫点垃圾量等级数，得到用户的原始真实数据；
    对位置及垃圾量等级数据分别进行本地化差分隐私处理并上传到服务器；
    服务器接收用户上传数据并对数据进行统计及去噪处理；
    服务器对经过去噪处理后的数据进行聚合计算，得到各个位置的真实垃圾量等级，构成城市环卫分布图。
  2. 根据权利要求1所述的一种本地化差分隐私城市环卫数据报告和隐私计算方法，其特征在于，所述设置位置隐私参数及垃圾量等级隐私参数步骤中，设定位置隐私保护参数∈ 1和垃圾量等级隐私参数∈ 2，将参数公布给每个用户；
    通过布隆过滤器假阳率k，感知值集合M计算布隆过滤器长度l和哈希函数个数h，计算公式为：
    Figure PCTCN2020070657-appb-100001
    Figure PCTCN2020070657-appb-100002
    根据隐私参数∈ 1、∈ 2、环卫点总数F及哈希函数个数h，计算隐私处理参数，计算公式为：
    Figure PCTCN2020070657-appb-100003
    Figure PCTCN2020070657-appb-100004
    Figure PCTCN2020070657-appb-100005
    其中，r表示位置报告数，p表示真实位置选中概率，f表示位翻转概率。
  3. 根据权利要求1所述的一种本地化差分隐私城市环卫数据报告和隐私计算方法，其特征在于，所述用户通过定位环卫点位置及判定环卫点垃圾量等级数，得到用户的原始真实数据的步骤中，用户通过携带的移动智能设备定位环卫点位置，并通过映射表得到该环卫点的编号i；用户通过自行判定，环卫点垃圾量的等级数level，编号和垃圾等级数即为用户的原始真实数据<i,level>。
  4. 根据权利要求1所述的一种本地化差分隐私城市环卫数据报告和隐私计算方法，其特征在于，所述对位置及垃圾量等级数据分别进行本地化差分隐私处理的步骤中，用户在本地进行本地化差分隐私处理，处理步骤为：
    初始化位置集合
    Figure PCTCN2020070657-appb-100006
    和上传结果集合
    Figure PCTCN2020070657-appb-100007
    生成一个(0,1)之间的随机数rand，结合隐私处理参数，对位置数据进行本地化差分隐私处理，使其满足位置隐私保护参数∈ 1；
    根据本地化差分隐私处理后得到的位置集合L，对垃圾量等级数据进行本地化差分隐私处理，计算用户的上传结果集R。
  5. 根据权利要求4所述的一种本地化差分隐私城市环卫数据报告和隐私计算方法，其特征在于，所述生成一个(0,1)之间的随机数rand，结合隐私处理参数，对位置数据进行本地化差分隐私处理的步骤中，具体处理方法为：
    对随机数rand及真实位置选中概率p的大小关系进行判断：
    如果随机数rand小于p，则位置集合为真实位置i与除去i之外的位置集合中任意选择r-1个位置的并集，表示为：
    L＝{i}∪getRandomElements(F\{i},r-1)
    其中，函数getRandomElements(A,b)表示返回从集合A中随机选择b个元素的结果；
    如果随机数rand大于p，则位置集合为除去i之外的位置集合中任意选择r个位置的并集，表示为：
    L＝getRandomElements(F,r)
    综上表示为：
    Figure PCTCN2020070657-appb-100008
  6. 根据权利要求4所述的一种本地化差分隐私城市环卫数据报告和隐私计算方法，其特征在于，所述根据本地化差分隐私处理后得到的位置集合L，对垃圾量等级数据进行本地化差分隐私处理，计算用户的上传结果集R的步骤中，如果用户的真实位置i包含在L中，真实位置垃圾量的对应项为真实垃圾量等级level i；此时对于位置集合L中的其他位置元素t，其垃圾量等级对应项则在垃圾量等级值集合中等概率随机选择一个等级level′ t，随后对每一个垃圾量等级进行处理，具体处理方法为：
    采用h个哈希函数将垃圾量等级level i或level′ t映射到长度为l的布隆过滤器，得到一个长度为l的向量S t；
    对于S t中的每一位S t[j]，运行一个随机数生成函数得到一个(0,1)之间的随机数q，如果q＜1-f/2，第j位保持不变，如果q＞1-f/2，对第j位进行翻转，即原始值为0时，翻转为1，原始值为1时，翻转为0，得到S t′；
    综上表示为：
    Figure PCTCN2020070657-appb-100009
    将每个位置i和对应的处理过后的垃圾等级值S′ i组合成对(i,S′ i)，加入到上传结果集合R，得到最后的上传结果集合R。
  7. 根据权利要求1所述的一种本地化差分隐私城市环卫数据报告和隐私计算方法，其特征在于，所述服务器接收用户上传数据并对数据进行统计及去噪处理步骤中，统计及去噪处理方法为：
    混合所有用户的上传数据Z，提取上传报告中所有的位置数据，估计每 个位置的真实报告个数E i；
    对于每个上传位置i，服务器筛选出所有位置i的报告对数据集合D i；
    假设D i总共有N i条数据项，真实报告个数为E i，则噪声报告个数为N i-E i，对垃圾量等级数据集合S′ i的每一位做如下统计：计算每一位为“1”的总数X i[j]，X i[j]表示第i个位置的第j位，0≤j＜l，组成一个向量X i，X i表示编号为i的位置收到的每一位为“1”的计数；
    在真实数据集中，假设原始垃圾量等级经过布隆过滤器后，总共有Z i个“1”，其有(1-f/2)的概率保持为“1”，E i-Z i个“0”，其有f/2的概率翻转为“1”；同理，假设噪声数据的原始垃圾量等级经过布隆过滤器后共有U i个“1”，其有(1-f/2)的概率保持为“1”；N i-E i-U i个“0”，共有f/2的概率翻转为“1”；
    因此下列等式成立：
    Figure PCTCN2020070657-appb-100010
    由于加入的噪声呈均匀分布，上式中的U i能够通过计算得到，因此，上式推导得：
    Figure PCTCN2020070657-appb-100011
    由此求得原始真实的垃圾量等级在各个位上的“1”的个数组成的向量Z i。
  8. 根据权利要求1所述的一种本地化差分隐私城市环卫数据报告和隐私计算方法，其特征在于，所述服务器对经过去噪处理后的数据进行聚合计算，得到各个位置的真实垃圾量等级，构成城市环卫分布图步骤中，将垃圾量等级的所有w个候选值通过布隆过滤器的h个哈希函数处理后，组成一个w·l的矩阵作为特征矩阵Q，经过去噪处理得到的所有Z i[j]，，组成长度为l的向量Z i，求解线性回归问题Z i＝A·Q，向量A(1·w)中最大值所对应位置的垃圾量等级即为位置i的真实垃圾量等级。
PCT/CN2020/070657 2019-03-01 2020-01-07 一种本地化差分隐私城市环卫数据报告和隐私计算方法 Ceased WO2020177484A1 (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN201910156339.3 2019-03-01
CN201910156339.3A CN110022531B (zh) 2019-03-01 2019-03-01 一种本地化差分隐私城市垃圾数据报告和隐私计算方法

Publications (1)

Publication Number Publication Date
WO2020177484A1 true WO2020177484A1 (zh) 2020-09-10

Family

ID=67189149

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/CN2020/070657 Ceased WO2020177484A1 (zh) 2019-03-01 2020-01-07 一种本地化差分隐私城市环卫数据报告和隐私计算方法

Country Status (2)

Country Link
CN (1) CN110022531B (zh)
WO (1) WO2020177484A1 (zh)

Families Citing this family (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110022531B (zh) * 2019-03-01 2021-01-19 华南理工大学 一种本地化差分隐私城市垃圾数据报告和隐私计算方法
CN110569286B (zh) * 2019-09-11 2021-07-27 哈尔滨工业大学（威海） 基于本地差分隐私的活动时序轨迹挖掘的方法
CN112995076B (zh) * 2019-12-17 2022-09-27 国家电网有限公司大数据中心 一种离散数据频率估计方法、用户端、数据中心及系统
CN111144888B (zh) * 2019-12-24 2022-08-02 安徽大学 一种差分隐私保护的移动群智感知任务分配方法
CN111563272B (zh) * 2020-04-30 2021-11-09 支付宝实验室(新加坡)有限公司 信息统计方法及装置
WO2021262155A1 (en) * 2020-06-23 2021-12-30 Google Llc Differentially private frequency deduplication
CN113206831B (zh) * 2021-03-31 2023-02-14 南京邮电大学 一种面向边缘计算的数据采集隐私保护方法
CN114553516B (zh) * 2022-02-18 2024-07-09 支付宝(杭州)信息技术有限公司 一种数据的处理方法、装置及设备

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107871087A (zh) * 2017-11-08 2018-04-03 广西师范大学 分布式环境下高维数据发布的个性化差分隐私保护方法
US20180173894A1 (en) * 2016-12-21 2018-06-21 Sap Se Differential privacy and outlier detection within a non-interactive model
CN108256000A (zh) * 2017-12-29 2018-07-06 武汉大学 一种基于局部聚类的个性化差分隐私推荐方法
CN109299436A (zh) * 2018-09-17 2019-02-01 北京邮电大学 一种满足本地差分隐私的偏好排序数据收集方法
CN110022531A (zh) * 2019-03-01 2019-07-16 华南理工大学 一种本地化差分隐私城市垃圾数据报告和隐私计算方法

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104133903B (zh) * 2014-08-04 2017-05-17 华中科技大学 一种基于隐私保护的数据索引方法
US10885467B2 (en) * 2016-04-28 2021-01-05 Qualcomm Incorporated Differentially private iteratively reweighted least squares
CN107247909B (zh) * 2017-06-09 2020-05-05 南京大学 一种在位置信息服务中保护多个位置的差分隐私方法
CN107659444A (zh) * 2017-09-25 2018-02-02 深圳大学 隐私保护协同Web服务质量的差分隐私预测系统及方法
CN108234493B (zh) * 2018-01-03 2020-06-09 武汉大学 不可信服务器下隐私保护的时空众包统计数据发布方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180173894A1 (en) * 2016-12-21 2018-06-21 Sap Se Differential privacy and outlier detection within a non-interactive model
CN107871087A (zh) * 2017-11-08 2018-04-03 广西师范大学 分布式环境下高维数据发布的个性化差分隐私保护方法
CN108256000A (zh) * 2017-12-29 2018-07-06 武汉大学 一种基于局部聚类的个性化差分隐私推荐方法
CN109299436A (zh) * 2018-09-17 2019-02-01 北京邮电大学 一种满足本地差分隐私的偏好排序数据收集方法
CN110022531A (zh) * 2019-03-01 2019-07-16 华南理工大学 一种本地化差分隐私城市垃圾数据报告和隐私计算方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
高志强等 (GAO, ZHIQIANG ET AL.): "本地差分隐私保护及其应用 (Local Differential Privacy Protection and Its Applications)", 计算机工程与科学 (COMPUTER ENGINEERING & SCIENCE), 30 June 2018 (2018-06-30), pages 1029 - 1036, XP55732014, DOI: 20200321133712A *
高志强等 (GAO, ZHIQIANG ET AL.): "满足本地差分隐私的位置数据采集方案 (Collection Scheme of Location Data based on Local Differential Privacy)", 清华大学学报 (自然科学版) (JOURNAL OF TSINGHUA UNIVERSITY (SCIENCE AND TECHNOLOGY)), 31 January 2019 (2019-01-31), pages 23 - 27, XP55732010, DOI: 20200321133612X *

Also Published As

Publication number Publication date
CN110022531A (zh) 2019-07-16
CN110022531B (zh) 2021-01-19

Similar Documents

Publication Publication Date Title
WO2020177484A1 (zh) 一种本地化差分隐私城市环卫数据报告和隐私计算方法
Kim et al. Blockchain-based node-aware dynamic weighting methods for improving federated learning performance
Wang et al. When mobile crowdsensing meets privacy
CN112787809B (zh) 一种高效的群智感知数据流隐私保护真值发现方法
CN111931242A (zh) 一种数据共享方法以及应用其的计算机设备及可读存储介质
CN111093191B (zh) 基于差分隐私的群智感知位置数据发布方法
Liu et al. Invisible hand: A privacy preserving mobile crowd sensing framework based on economic models
Wang et al. Bilateral privacy-preserving worker selection in spatial crowdsourcing
CN114491623A (zh) 一种基于区块链的异步联邦学习方法及系统
CN112420187A (zh) 一种基于迁移联邦学习的医疗疾病分析方法
CN108600271A (zh) 一种信任状态评估的隐私保护方法
CN114385376A (zh) 一种异构数据下边缘侧联邦学习的客户端选择方法
Wang et al. Trustworthy and efficient crowdsensed data trading on sharding blockchain
CN111861139A (zh) 商户推荐方法、装置及计算机设备
Feng Application of edge computing and blockchain in smart agriculture system
Zhu et al. RPPS-TDC: Reputation and privacy-preserving services based truth data collection for blockchain-enabled crowdsensing
CN109840714B (zh) 地理不可区分保护下的基于数据质量的签到激励机制方法
CN117932686B (zh) 基于激励机制的元宇宙中联邦学习隐私保护方法和系统、介质
CN105956925A (zh) 一种基于传播网络的重要用户发现方法及装置
CN114036581A (zh) 基于神经网络模型的隐私计算方法
CN119545333A (zh) 一种基于本地差分隐私的车辆位置隐私保护方法及系统
CN109922227B (zh) 一种可逆元胞自动机图像加密的相似性度量方法
Zhang et al. Fed-STWave: A Privacy-Preserving Federated Taxi Demand Prediction Model
Amintoosi et al. Trust assessment in social participatory networks
Zhang et al. Personalized Differential Privacy Federated Learning Model for Internet of Vehicles

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 20765937

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 20765937

Country of ref document: EP

Kind code of ref document: A1

122 Ep: pct application non-entry in european phase

Ref document number: 20765937

Country of ref document: EP

Kind code of ref document: A1

32PN Ep: public notification in the ep bulletin as address of the adressee cannot be established

Free format text: NOTING OF LOSS OF RIGHTS PURSUANT TO RULE 112(1) EPC (EPO FORM 1205A DATED 21/01/2021)