位置服务中用户轨迹隐私度量的研究

摘要

由于位置服务的特点在于，用户在享受服务之前必须首先提供自己的位置信息，导致用户的位置隐私很容易受到威胁。轨迹隐私是一种特殊的位置隐私，一旦用户的轨迹隐私泄漏，那么他的更多个人隐私信息将会受到更大的威胁。各种轨迹隐私保护方法固然能在一定程度上起到保护的作用，但运用于实际中时难免仍旧泄漏隐私。因此，需要建立建立一套比较有效的轨迹隐私度量机制，用于评估轨迹隐私保护技术以及该技术可能存在的用户隐私泄漏率。
　　 本文针对一种流行的用户轨迹隐私保护方案—Silent Cascade，提出一种新的融入攻击者背景知识的轨迹隐私度量方法。该度量方法将用户运动轨迹用带权无向图描述，用不确定性来刻画轨迹隐私度量，将用户轨迹隐私量化为进入混合区域前后用户假名之间的可联系性，从信息熵的角度计算用户的轨迹隐私水平。已有文献指出，当攻击者拥有新的背景知识时，任何一种隐私保护方法都会受到隐私威胁。因此，通过对攻击者所拥有的背景知识作出三种不同级别的假设，将攻击者的背景知识分级融入到度量方法中，隐私度量的结果由对背景知识的假设和相应的轨迹隐私水平值组成，并提出使用条件概率表达攻击者背景知识，以及通过关联规则和(KUL(Ki+，Ki-），KL(Ki+，Ki-)）联系规则的方法来量化对背景知识的假设。
　　 模拟实验结果表明，此度量方法为移动用户和轨迹隐私保护方法的设计者提供了一个有价值的工具，能够准确地评估当攻击者具有可变背景知识情况下用户的轨迹隐私水平。当攻击者没有任何背景知识时，用户隐私没有暴露，而随着恶意攻击者所拥有的背景知识的增多，用户轨迹隐私水平降低，隐私泄漏越严重。同时，本度量方法中对攻击者背景知识进行描述的方法，能够有效地量化攻击者拥有的背景知识，使得用户在享受服务时，能对假设的攻击者背景知识下自身的轨迹隐私水平都有一个直观的感受和数字化的认识。