面向位置大数据的差分隐私保护研究

通信技术和数据挖掘技术的发展,使隐私数据保护面临巨大挑战。为解决位置大数据服务的恶意访问泄露个人敏感信息问题,提出一种新的防止基于背景知识攻击的差分隐私保护模型。首先对位置大数据进行预处理,将位置数据和非位置数据分开,然后运用差分隐私机制分别添加噪声,对扰动后的数据匿名重组后发布。实验结果表明,该方法能有效减少攻击者获取相关敏感数据,保护了用户位置隐私安全。     

基于噪声匿名组的LBS位置隐私保护算法

现有LBS位置隐私保护以K匿名为主要思想。为解决其对攻击者背景知识估计不足而无法构造完全有效的隐私保护模型问题,引入差分隐私将位置信息作为差异特性实体,构造出新的MBG算法。算法结合现有相关系统的定位算法,以用户自组织网络为基础,在构造匿名组时,通过设置距离参数以过滤不符合Geo-indistinguish ability的用户,从而达到提升用户隐私保护目的。实验证明在保证用户服务质量的前提下,该算法提升了用户隐私保护效果。     

位置隐私保护技术的发展研究

移动通信和移动定位技术的快速发展给人们带来诸多便利,人们能够快速、精确地获得自己所在的位置,但用户位置隐私遭到侵害的概率也越来越大,关于位置隐私的保护也变得越来越重要。在基于位置的服务中,服务的质量和用户的隐私是一对矛盾体,如何在保护用户位置隐私的前提下更好地为用户提供服务是研究的重点。从身份匿名、数据混淆、轨迹隐私保护3个方面介绍了位置隐私的保护。     

基于MDF-Nearest算法的轨迹隐私保护方法

传统轨迹匿名方法在匿名集生成时没有考虑用户多种特征属性,在信息攻击下无法有效保护真实位置;在轨迹形成方面因没有将余弦角度和轨迹间距离作为形成的依据,导致某些虚假轨迹无法有效保护真实轨迹。为改善以上问题,构建一种依据用户多重特征信息构建的匿名集以保证匿名有效性;采用协作用户的真实轨迹并计算相似性,从而生成虚假轨迹相似性高的MDF-Nearest算法。实验结果表明,该方法随着k值的变大与生成轨迹数量的增多,隐私保护效果逐渐改进;与传统k匿名方法相比,该算法时间开销降低41.7%,而隐私保护程度可提高至97.1%。因此该方法能以较低的时间开销,提供质量可靠的位置服务,保护用户信息。     

多用户位置共享隐私保护框架研究

针对多用户位置共享场景下的隐私保护问题,基于区域混淆发布的用户位置隐私保护方法无法解决多用户汇合问题,而基于位置概率的精确假位置混淆发布方法执行效率较低,因此提出多用户位置共享隐私保护框架以解决该难题。对于不共享位置的用户,以及与好友距离较远时共享位置的用户,采用k-时空匿名思想将位置发布成安全区域;对与好友距离小于阈值的共享位置用户,根据位置点概率发布思想及类HMM模型,将安全区域发布切换成假位置点发布;当两用户过于接近时,将其视为一个用户并将假位置点发布重新切换成安全区域发布。通过将两种位置发布方法的响应时间进行对比,得出结论：该框架能高效地对多用户位置共享下的用户位置进行隐私保护。     

基于K-匿名的隐私保护算法研究

随着数据共享的出现与发展,如何合理地保护隐私数据,同时又保证数据的可用性,成为当今信息安全领域面临的重大挑战．K-匿名是数据发布隐私保护的一种重要方法,它能够有效防止链接攻击所造成的隐私泄露问题．本文阐述了K-匿名模型的基本思想,给出了模型的概念描述,给出了一些典型的实现算法,并对隐私保护的未来研究方向进行了展望．     

面向社交关系的位置隐私保护模型研究

针对移动社交网络中用户通过社交平台分享位置信息时存在可信社交关系和不可信陌生人的攻击等问题,提出了一种面向社交关系的位置隐私保护模型。该模型通过对社交关系进行分类和对位置隐私进行分级,让不同级别的用户看到不同精度的位置信息,从而实现对位置的隐私保护。其中,对社交关系的分类包括对用户的好友类别按亲密度分级和对陌生人类别按信任模型计算值分级。相较于L intimacy模型,该模型具有较低的时间复杂度和隐私泄漏率,且能有效保护用户位置隐私。     

一种基于K-匿名的隐私保护模型

本文针对现有K-匿名过程中没有充分考虑敏感属性的隐私保护度问题,提出一种基于敏感属性隐私保护度分组的(p,α)-Sensitive K-匿名隐私保护模型.该解决方案不仅能有效地保护高敏感性的隐私信息,降低了隐私泄漏的风险,还能减少数据匿名化处理所带来的信息损失,提高了数据的质量.     

一种改进的k-匿名隐私保护方法

隐私保护已经成为数据挖掘中的一个重要问题。K-匿名化是数据发布环境下保护数据隐私的一种重要方法。但是该模型无法实现保护数据集中的敏感关系。基于以上的研究,提出一种改进的k-匿名技术来实现对敏感信息和敏感关系的保护。实验表明该方法具有更好的隐私性和高效性。     

LBS中位置隐私保护研究

基于位置的服务（Location-Based Service,LBS）作为一种新的服务方式在为用户提供便利的同时,也存在位置隐私风险。首先对近几年国内外在保护LBS中位置隐私方面取得的主要成果进行回顾,然后对目前主要的保护隐私机制,即策略方法、伪码法、区域混淆法和假位置干扰法进行分析,最后指出这些方法的局限性以及未来LBS中位置隐私保护的发展方向。     

基于移动趋势的轨迹隐私保护研究综述

移动设备的普及为基于位置的服务应用带来新的发展机遇,但在使用LBS时造成的轨迹隐私泄露问题成为LBS普及的隐患.轨迹泛化法是一种轨迹隐私保护技术,在保护轨迹隐私的同时还可提高服务质量.基于组的轨迹隐私保护技术特点,对不考虑移动趋势的轨迹泛化法进行分析,总结基于移动趋势的轨迹隐私保护方法并对未来研究方向进行展望.     

一种改进的基于差分隐私的k-means聚类算法

聚类分析是数据挖掘和机器学习的一个重要分支,应用范围广,但在聚类分析过程中大量敏感信息的泄露对用户构成威胁。因此,在聚类分析过程中实现隐私保护至关重要。传统基于差分隐私（DP）的k-means聚类算法由于存在盲目选择初始中心点、对异常点敏感度较高等问题,导致在保护数据隐私时,出现聚类可用性较低的情况。针对该问题提出一种改进的基于差分隐私保护的（IDP）k-means聚类算法以提高聚类可用性,并进行理论分析和对比实验。理论分析表明,该算法满足ε-差分隐私;仿真实验结果表明,在同一隐私预算下,k-means算法改进后在聚类可用性上优于其它差分隐私k-means聚类算法,在同一数据集与同一隐私参数下,改进k-means算法在数据可用性方面比传统算法提高了将近5个百分点。     

车载自组织网中的位置隐私综述

车载自组织网作为一种新的研究领域越来越受到关注。车载自组织网在提高交通系统安全性、有效性和便利性的同时,也带来了位置隐私的风险。回顾近几年国内外在保护车载自组织网中位置隐私方面取得的主要研究成果,然后对隐私保护的主要方法进行介绍并分析其特点,最后指出这些方法的局限性以及车载自组织网中隐私保护的发展方向。     

XML信息共享中隐私保护技术研究

随着计算机处理能力、存储技术以及网络技术的迅速发展,信息电子化程度得到了极大的提高,这也使得XML信息共享更加广泛地深入到人们的生产和生活的方方面面．但是,随之产生的隐私泄露现象屡见不鲜,所以,如何保护XML隐私数据和防止敏感信息泄露成为当前面临的巨大挑战．而信息共享中隐私保护研究的目标就是在保护数据隐私的同时又不影响数据应用．本文对隐私保护领域已有的研究成果进行了总结,对各类隐私保护技术的基本原理、特点进行了阐述,并介绍了各类技术的典型应用．在对已有技术深入对比分析基础上,指出了隐私保护技术的未来发展方向．     

支持关键词隐私保护的密文共享系统

云环境中,安全事件的频繁发生加剧了用户对个人爱好、阅读行为模式等隐私安全的担心,引发了用户对云服务的信任危机。为解决用户提交搜索关键字时隐私易泄露问题,提出一个支持关键词隐私保护的密文共享系统（KPP-CSS）。该系统在支持访问结构隐私保护的基础上,基于双线性映射理论,在DBDH困难性假设下,可进一步隐藏用户查询密文时提交的搜索关键词,实现更完全的隐私安全保护。性能分析与仿真结果表明,该系统安全可行。     

基于RFID标签隐私查询策略

为了能有效保证射频识别(RFID)系统中用户的隐私和数据安全,运用分布式RFID询问应答认证协议,Elgamal密码系统、认证机制和可验证门限秘密共享等协议对标签数据认证查询.该策略不仅查询可靠,还具有保护被查询对象和查询结果隐私安全等特点.通过其安全性能分析和效率分析,说明了本协议具有高效的性能和良好的安全性、可靠性.     

基于属性分区的（αi，k）-p隐私保护算法

针对（αi,k）—匿名算法使用有损链接思想无法对用户身份进行保护的问题,引入属性分区置换概念,提出基于属性分区的（αi,k）-p匿名算法,对桶中QI属性采取分区、置换的方式保护用户身份信息。在人口真实数据集21 956条数据上对两种算法进行敏感值保护和会员身份保护有效性对比实验。结果表明,敏感值泄露概率最高时只刚好超过0.05,接近传统方法的1/4;在会员身份保护方面,FOR值在0.7以上。相对于（αi,k）—匿名算法,该算法能更好地保护敏感值信息和会员身份信息。     

阻止谷歌偷窥隐私

从今年三月开始,谷歌将实行新的隐私保护政策,谷歌记录用户使用习惯就会变得合法。这其中可能就包括位置、兴趣、年龄等信息,那么如何避免谷歌对隐私的偷窥呢？最简单的方法就是关闭谷歌中的搜索历史功能。     

信息技术时代教学空间的隐私风险

教学空间虽然不是私人空间,但也有隐私诉求。确立、尊重和维护教学空间隐私权是保护师生尊严、维护教学自由、促进师生卓越成长和保障教学组织正常运行的需要。在信息技术时代,教学空间的隐私信息很容易被采集和传播,也更容易被再利用,从而造成不可预料的隐私侵权。甚至,“告知与许可”的法律方式和匿名化的技术处理都无法有效降低教学空间隐私风险。在信息技术时代,完全消除教学空间的隐私风险,几乎不太可能,但可以尽可能降低教学空间的隐私风险。为此,我们需要重塑我们的隐私伦理观,重构科技伦理,立法确立教学空间隐私权,明确学校和家长的责任,加强师生隐私保护教育。     

基于差分隐私的RDPk-means聚类方法

为解决k-means聚类算法在聚类过程中隐私泄露风险,在满足ε－差分隐私保护前提下,提出一种隐私保护的RDPk-means聚类方法。该方法与传统随机选取初始点方式不同,采取基于网格密度的方式选取初始聚类中心,并在UCI数据集中进行有效性验证。采用543条数据生成2个聚类簇和19 020条数据生成3个聚类簇分别进行实验。结果表明,该聚类方法在不同的数据规模和维数情况下可以很好地保护数据隐私,能保证聚类结果的可用性。