面向隐私保护的司机-乘客匹配机制研究

摘要

随着互联网产业的蓬勃发展以及移动智能终端的普及，越来越多的移动智能应用潜移默化地影响着我们的日常生活习惯。随着人工智能，大数据的应用，赋予了移动智能应用更加优越的性能，使移动智能应用可以覆盖更多的行业及应用场景。其中以滴滴出行为代表的顺风车应用平台的广泛使用逐渐颠覆了出租车行业的传统格局。针对乘客路径规划不合理，司机面临的特定时间段空座率高等问题，采用大数据、云计算等方法进行司机-乘客的推荐，在提高匹配效率的同时合理规划行程路线，提高用户乘车体验。　　对于中小型顺风车应用服务提供商而言，租用如阿里云，AmazonEC2等第三方云服务器来存放用户数据可以带来更多的便利以及经济利润。但并不能保证第三方云服务不会对用户的隐私数据进行收集与分析。并且，如果第三方云服务发生数据泄露，用户的地理位置信息面临着极大的隐私泄露风险。在顺风车应用实际场景中顺风车应用服务提供商不仅要为用户提供轨迹匹配服务，同时为了用户的安全与提供良好的用户体验。应该在已经完成轨迹匹配的基础上对待选司机集合进行偏好特征匹配，而用户的偏好特征同样也包含着十分重要的用户隐私信息。　　针对上述问题，本文所提出了面向隐私保护的司机-乘客匹配机制，完成了司机与乘客用户在密文域上的轨迹匹配并筛选出符合乘客用户偏好特征的司机，从而保护司机和乘客的隐私。本文的主要工作如下：　　①针对司机与乘客在密文域上的轨迹匹配问题，本文首先系统地阐述了LBS隐私保护的现状以及与最近邻搜索相关的理论基础，设计实现了一种司机-乘客匹配机制设计。　　②针对顺风车应用场景中所存在的用户隐私安全问题，本文在司机-乘客匹配机制的基础上，结合局部敏感哈希算法设计了PTM机制与PFAM机制，实现了面向隐私保护的司机-乘客匹配机制。　　③本文采用滴滴出行发布的成都二环区域车辆轨迹数据作为实验数据集，对系统性能进行验证。结果表明本文所提出的面向隐私保护的司机-乘客匹配机制可以在保证用户隐私安全的情况下进行密文域的用户偏好特征匹配并保持较为优越的性能。

目录

1 绪论

1.1 研究背景与意义

1.2 LBS 隐私保护国内外研究现状

1.2.1 基于数据失真的位置隐私保护方法

1.2.2 基于抑制发布的位置隐私保护方法

1.2.3基于数据加密的地理位置隐私保护方法

1.3本文主要研究内容

1.4 论文组织结构

2 相关理论概述

2.1.1最近邻搜索的相关概念

2.1.2最近邻搜索的相关算法

2.2.1局部敏感哈希算法相关概念

2.2.2 局部敏感哈希算法原理

2.2.3 局部敏感哈希相关流程介绍

2.3.1 布隆过滤器的相关概念

2.3.2 布隆过滤器的实现原理

2.4.1 MD5哈希算法

2.4.2 AES 同态加密算法

2.5 本章小结

3 明文域的司机-乘客匹配机制

3.1明文域的司机-乘客匹配机制框架

3.2司机-乘客轨迹匹配机制

3.3 司机-乘客偏好匹配机制

3.4 本章小结

4 面向隐私保护的司机-乘客匹配机制

4.1 顺风车应用场景中用户隐私安全问题

4.2 面向隐私保护的顺风车匹配机制框架

4.3 PTM匹配机制

4.4 PFAM偏好匹配机制

4.5 本章小结

5 实验结果与分析

5.1 实验背景设置

5.1.1实验环境及实验数据集说明

5.1.2实验参数设置

5.2实验性能及分析

5.2.1 PTM机制性能及分析

5.2.2 PFAM机制性能及分析

5.3.1 PTM机制安全性分析

5.3.2 PFAM机制安全性分析

5.4本章小结

6 总结与展望

6.1 全文总结

6.2 不足与展望

参考文献

附录

A. 作者在攻读学位期间参与的科研项目

B. 学位论文数据集

致谢