Geo-Graph-Indistinguishability: Location Privacy on Road Networks Based on Differential Privacy
近年来,随着基于位置的服务(LBS)的普及,人们对位置隐私的担忧日益增加。在过去的几十年里,已经提出了许多保护位置隐私的方法。特别是基于Geo-I的扰动方法,它将真实位置随机扰动为伪位置,由于继承了差分隐私的强隐私保证而受到关注。然而,Geo-I基于欧几里德平面,即使许多LBS基于道路网络(例如,乘车共享服务)。这导致了不必要的噪声,因此在道路网络上的LBS的实用性和隐私性之间的权衡不足。为了解决这个问题,我们提出了一个新的隐私概念,地理图不可侵犯性(GG-I),道路网络上的位置,以实现更好的权衡。我们提出了图指数机制(GEM),它满足GG-I。此外,我们形式化的优化问题,以找到最佳的创业板的权衡。然而,计算复杂性的一个天真的方法来找到最佳的解决方案是禁止的,所以我们提出了一个贪心算法找到一个近似的解决方案,在可接受的时间。最后,我们的实验表明,我们提出的机制优于Geo-I的机制的权衡。
2020-10-26 cs.CR
Spatial K-anonymity: A Privacy-preserving Method for COVID-19 Related Geospatial Technologies
作为COVID-19相关问题的解决方案,许多地理空间技术越来越需要考虑空间隐私问题。虽然已经推出了有效的地理空间技术,但大多数技术都为了实用而牺牲了隐私。在本文中,我们探讨空间k-匿名,隐私保护的方法,可以解决这个不必要的权衡提供最好的隐私和效用。在评估其过去在地理空间用例中的影响后,我们提出了空间k-匿名在数据共享和管理COVID-19接触追踪技术以及显示用户旅行历史的热图中的应用。然后,我们证明我们的主张通过比较空间k-匿名与其他几个空间隐私的方法,包括差分隐私,地理不可侵犯性,和手动同意基于编辑。我们的希望是提高人们对与空间隐私相关的日益增长的风险的认识,以及如何通过空间K匿名来解决这些风险。
2021-01-04 cs.CR
Geographic Differential Privacy for Mobile Crowd Coverage Maximization
对于基于位置的广告和空间众包等现实世界的移动应用程序,成功的关键是瞄准在未来一段时间内可以最大限度地覆盖某些位置的移动用户。为了找到最佳的用户组,现有的方法通常需要关于用户的移动历史的信息,这可能导致隐私泄露。在本文中,我们提出了一种方法,以最大限度地提高移动人群的未来位置覆盖下,有保证的位置隐私保护计划。在我们的方法中,用户只需要上传他们经常访问的位置之一,更重要的是,上传的位置使用地理差分隐私策略进行混淆。我们对这个问题提出了分析和实际的解决方案。在真实用户移动数据集上的实验表明,该方法在相同的隐私保护水平下,具有更高的覆盖率,显著优于现有的地理差分隐私方法.
2017-11-18 cs.CR
Bounded and Unbiased Composite Differential Privacy
针对传统差分隐私机制输出无界、现有有界方案存在偏差的问题,提出由激活函数与基函数构成的复合概率密度差分隐私机制,搭配无需重复实验的超参数优化算法,在三个基准数据集上效用优于传统Laplace和Gaussian机制。
2023-11-04 cs.CR
Geo-Indistinguishability: Differential Privacy for Location-Based Systems
基于位置的系统越来越流行,允许未知/不可信的服务器轻松收集大量关于用户位置的信息,最近开始引起严重的隐私问题。在本文中,我们研究地理不可侵犯性,一个正式的概念,隐私的基于位置的系统,保护用户的确切位置,同时允许近似的信息-通常需要获得一定的期望的服务-被释放。我们的隐私定义形式化的直观概念,保护用户的位置半径r内的隐私水平,取决于r,并对应于一个广义版本的众所周知的概念差分隐私。此外,我们提出了一种扰动技术,通过添加受控的随机噪声到用户的位置,实现地理不变性。我们证明了我们的技术在LBS应用程序的适用性。最后,我们比较了我们的机制与其他文献中。它变成我们的,我们的机制提供了最好的隐私保证,对于相同的效用,在所有那些不依赖于先验。
2014-02-20 cs.CR
Privacy risk in GeoData: A survey
本综述针对位置数据广泛收集带来的隐私风险,分析了各类地理掩码隐私保护技术,提出多维度分类体系,指出现有技术不足并给出未来研究方向,为数据保管者选择适配的隐私机制提供参考。
2024-09-13 cs.CR
Modeling and Performance Comparison of Privacy Approaches for Location Based Services
在普适计算环境中,基于位置的服务(LBS)由于其在日常生活中的实用性而越来越受到用户的欢迎。LBS是利用移动终端和智能手机用户的地理空间数据来实时的提供信息、娱乐和安全的信息服务。在这种普适计算环境中的一个关键问题是需要揭示用户的确切位置,这可能会允许对手推断出有关用户的私人信息。为了解决LBS用户的隐私问题,基于k-匿名的概念已经提出了大量的安全方法。位置k-匿名的中心思想是找到一组限制在实际用户的给定地理区域中的k-1个用户,使得这k个用户的位置彼此无法区分,从而保护用户的身份。虽然一些性能参数,如成功率,实现的隐私量被用来衡量的k-匿名方法的性能,他们做了隐含的,不切实际的假设,k-1用户是随时可用的。因此,这些方法忽略了处理用户请求的周转时间,这对于像LBS这样的实时应用程序至关重要。在这项工作中,我们使用排队论来计算用户的平均逗留时间和系统的队列长度的k-匿名方法建模。为了证明排队论可以用来模拟所有的k-匿名方法,我们考虑基于图的k-匿名方法。所提出的分析模型与实验结果进一步验证。
2017-11-14 cs.CR
User Customizable and Robust Geo-Indistinguishability for Location Privacy
由现有系统生成的用于确保位置隐私的位置混淆功能是单一的,并且不允许用户定制其混淆范围。这可能导致用户被映射到不期望的位置(例如,阴暗的街区)到位置请求服务。修改由用户侧的集中式服务器生成的混淆函数可能导致隐私性差,因为原始函数对这种更新不鲁棒。用户本身可能会发现理解模糊机制中涉及的参数很有挑战性(例如,位置表示的混淆范围和粒度),因此难以在隐私、实用性和定制之间设置现实的折衷。在本文中,我们提出了一个新的框架称为,CORGI,即,CustOmizable鲁棒的地理不可侵犯性,它生成的位置模糊功能对用户自定义是鲁棒的,同时基于地理不可侵犯性范式提供强大的隐私保证。CORGI利用给定区域的树表示来帮助用户指定他们的隐私和定制要求。CORGI的服务器端将这些需求作为输入,并生成一个模糊函数,该函数满足Geo-Incredibility需求,并且对用户端的定制具有鲁棒性。混淆函数被返回给用户,用户然后可以选择更新混淆函数(例如,混淆范围、位置表示的粒度)。在真实数据集上的实验结果表明,CORGI可以有效地产生混淆矩阵,更强大的用户定制。
2022-10-01 cs.CR
A Privacy-Preserving, Accountable and Spam-Resilient Geo-Marketplace
具有丰富功能的移动设备可以沿着用户轨迹记录视频、交通参数或空气质量读数。虽然这些数据可能很有价值,但用户很少因收集这些数据而获得奖励。新兴的数字市场允许所有者向感兴趣的买家宣传他们的数据。我们专注于地理市场,买家根据地理标签搜索数据。这些市场带来了重大挑战。首先,如果所有者上传带有暴露的地理标签的数据,他们将面临严重的隐私风险。其次,所有者必须对广告数据负责,并且不得允许随后更改地理标签。第三,这样的系统可能容易受到密集的垃圾邮件活动的影响,其中不诚实的所有者用虚假广告淹没系统。我们提出了一个地理市场,解决所有这些问题。我们采用可搜索加密、数字承诺和区块链来保护所有者的位置隐私,同时纳入问责制和垃圾邮件弹性机制。我们实现了一个原型,两种替代设计,获得不同的信任假设和性能之间的权衡。我们在真实位置数据上的实验表明,可以实现上述设计目标,具有实用的性能和合理的财务开销。
2019-09-30 cs.CR
Personalized 3D Spatiotemporal Trajectory Privacy Protection with Differential and Distortion Geo-Perturbation
China University of Mining and Technology(中国矿业大学);Hefei University of Technology(合肥工业大学);University of Padua(帕多瓦大学);Peking University(北京大学);University of Houston(休斯顿大学);Kyung Hee University(庆熙大学)
针对3D时空轨迹中攻击者利用时空相关性和高度信息导致隐私泄露的问题,提出3DSTPM机制,结合3D地理不可区分性和失真隐私,通过窗口自适应隐私预算分配和PF扰动,平衡隐私保护与服务质量。
2026-06-09 cs.CR
Smooth Sensitivity for Geo-Privacy
本文将差分隐私的平滑敏感度框架推广至 Geo-Privacy,支持按实例难度定制噪声,并给出一般度量下的定义、机制与计算流程,通过阈值函数和高斯核密度估计验证其效用。
2024-05-10 cs.CR
Privacy Protection of Automotive Location Data Based on Format-Preserving Encryption of Geographical Coordinates
针对汽车位置数据共享中的隐私泄露风险,提出基于地理坐标格式保留加密的高精度隐私保护机制,通过密钥映射降低精度损失,实验显示解密恢复精度达100%。
2025-10-23 cs.CR
Geo-MOEA: A Multi-Objective Evolutionary Algorithm with Geo-obfuscation for Mobile Crowdsourcing Workers
移动互联网和共享经济的快速发展带来了空间众包的繁荣。SC应用根据任务请求者和外包工人(如滴滴、美团和Uber)上报的位置信息分配各种任务。然而,SC服务器通常不值得信赖,并且暴露用户的位置会引起隐私问题。在本文中,我们设计了一个框架称为Geo-MOEA(多目标进化算法与地理混淆),以保护在移动网络环境中的工作人员参与SC平台的位置隐私。我们提出了一种自适应的区域化混淆方法与推理误差界的基础上的地理不可侵犯性(一个强的概念,差分隐私),这是适合于大规模的位置数据和任务分配的情况下。这使得每个工作者能够报告利用个性化推断误差阈值自适应地生成的伪位置。此外,作为一种流行的计算智能方法,MOEA被引入到SC服务可用性和隐私保护之间的权衡优化,同时确保理论上的最一般的条件下保护位置集更大的搜索空间。最后,在两个公共数据集上的实验结果表明,我们的Geo-MOEA方法在保证差分和地理失真位置隐私的同时,实现了高达20%的服务质量损失减少。
2022-11-17 cs.CR
GPM: The Gaussian Pancake Mechanism for Planting Undetectable Backdoors in Differential Privacy
Cheriton School of Computer Science, University of Waterloo(滑铁卢大学切里顿计算机科学学院)
本文提出GPM机制,该机制在计算上与常用高斯机制不可区分,但具有更弱的统计差分隐私保证,从而实现新的隐蔽后门攻击,强调了对差分隐私实现的透明和严格验证的重要性。
2026-03-15 cs.CR cs.DB
Is Geo-Indistinguishability What You Are Looking for?
自2013年提出以来,地理不可侵犯性已被巩固为位置隐私的正式概念,并在此基础上产生了丰富的文献。大多数后续工作的一个问题是,他们盲目地依赖于地理不可侵犯性来提供位置隐私,而忽略了这种隐私保证的数值解释。在本文中,我们提供了另一种表述的地理不可侵犯性作为一个对手的错误,并用它来表明,隐私与~可以获得的效用权衡并不像文献所暗示的那样吸引人。我们还表明,虽然地理不可分割性保证了对手的错误的下限,这是在实现比其他噪声生成机制的平均误差方面的性能较差的成本,并使暴露的混淆位置是无用的从服务质量的角度来看的可能性。
2017-09-19 cs.CR
Time-Efficient Locally Relevant Geo-Location Privacy Protection
针对现有线性规划地理混淆方法决策变量爆炸、实用性不足的问题,提出LR-Geo机制,通过限定局部相关计算范围、本地计算系数上传、结合指数混淆机制与Benders分解,在保证隐私的同时提升效率与效用。
2024-12-14 cs.CR
Systematic Evaluation of Geolocation Privacy Mechanisms
本文提出了一个系统性评估框架,通过组合LPPMs、攻击和指标研究不同使用场景对位置隐私保护机制有效性的影响,发现机制的选择高度依赖于应用场景。
2023-09-12 cs.CR
Constructing elastic distinguishability metrics for location privacy
随着手持设备的日益普及,基于位置的应用程序和服务可以获得准确和实时的位置信息,这对其用户提出了严重的隐私问题。最近引入的地理不可侵犯性的概念试图通过将众所周知的差分隐私的概念适应于基于位置的系统的领域来解决这个问题。虽然地理不可分割性呈现出各种吸引人的方面,但它存在以统一的方式处理空间的问题,在地图上的每个地方都添加了相同数量的噪音。在本文中,我们提出了一种新的弹性可伸缩性度量,扭曲的几何距离,捕捉不同程度的密度的每个区域。因此,所获得的机制适应噪声的水平,同时实现相同程度的隐私无处不在。我们还展示了这样一个弹性指标可以很容易地将“地理围栏”的概念,通常用于保护用户的高度经常性的位置,如他的家或工作。我们进行了广泛的评估,我们的技术建立一个弹性的度量巴黎的大都市区,使用语义信息从OpenStreetMap数据库。我们比较所得到的机制对平面拉普拉斯机制满足标准的地理不可分割性,使用两个真实世界的数据集从Gowalla和基于位置的社交网络。结果表明,弹性机制很好地适应了每个区域的语义,当我们离开市中心时,调整了噪音,从而提供了更好的整体隐私。
2015-05-21 cs.CR
PrivLoc: Preventing Location Tracking in Geofencing Services
基于位置的服务越来越多地用于我们的日常活动。然而,在目前的服务中,用户必须放弃他们的位置隐私,以获得服务。文献的特点是大量的贡献,旨在提高用户的隐私,基于位置的服务。这些贡献中的大多数使用空间和/或时间伪装来混淆用户的位置,以提供k-匿名性。尽管这样的方案确实可以加强用户的位置隐私,但是它们经常降低服务质量并且不一定防止对用户移动的可能跟踪(即,方向、轨迹、速度)。随着地理围栏应用的兴起,对移动的跟踪变得更加明显,因为在这些设置中,服务提供商不仅请求用户的单个位置,而且需要用户的移动矢量来确定用户是否已经进入/退出感兴趣的地理围栏。在本文中,我们提出了一种新的解决方案,PrivLoc,它使隐私保护外包的地理围栏和基于位置的服务到云,而不会泄露任何有意义的信息的位置,轨迹和速度的用户。值得注意的是,PrivLoc能够利用现有地理围栏服务或空间数据库的功能,实现移动矢量与任何感兴趣的多边形的高效和隐私保护交叉。我们分析了PrivLoc的安全和隐私条款,并通过实现来评估我们的方案的性能。我们的研究结果表明,PrivLoc引入的性能开销在很大程度上可以容忍在现实的部署设置。
2014-04-18 cs.CR
Plausible Deniability for Privacy-Preserving Data Synthesis
UIUC(伊利诺伊大学厄巴纳-香槟分校);Cornell Tech(康奈尔科技学院)
发布完整的数据记录是数据隐私中最具挑战性的问题之一。一方面,许多流行的技术,如数据去识别是有问题的,因为它们依赖于对手的背景知识。另一方面,严格的方法,如指数机制的差分隐私通常是计算上不切实际的用于释放高维数据或不能保持高效用的原始数据,由于其广泛的数据扰动。本文提出了一个标准,称为似是而非的可否认性,提供了一个正式的隐私保证,特别是释放敏感数据集:输出记录可以被释放,只有当一定数量的输入记录是不可区分的,隐私参数。这个概念不依赖于对手的背景知识。此外,它可以有效地通过隐私测试进行检查。我们提出的机制来生成合成数据集与输入数据和相同的格式具有相似的统计特性。我们从理论和实验两方面研究了这种技术。一个关键的理论结果表明,合理的可否认性机制产生不同的私人合成数据与适当的随机化。我们证明了这种生成技术在大型数据集上的效率;它被证明可以保留原始数据在各种统计分析和机器学习措施方面的效用。
2017-08-26 cs.CR cs.DB cs.LG
Protecting Vehicle Location Privacy with Contextually-Driven Synthetic Location Generation
本文提出VehiTrack威胁模型揭示Geo-Ind在道路与交通上下文下的车辆位置隐私漏洞,并设计TransProtect地理混淆方法,将混淆限制于真实车辆移动模式,显著提升抗推理攻击能力。
2024-09-14 cs.CR
Optimizing noise level for perturbing geo-location data
随着智能手机数量的大幅增加,应用程序商店已经被需要地理位置访问的应用程序所淹没,以便通过个性化为用户提供更好的服务。向这些第三方应用程序透露用户的位置,无论频率如何,都是严重的隐私侵犯,可能会产生不愉快的社会后果。为了防止来自地理位置数据的推断攻击,文献中已经提出了许多位置混淆技术。然而,它们都没有提供任何客观的隐私保障措施。已经做了一些工作来定义差分隐私的地理位置数据的形式与l隐私保证的地理不可否认性。这些技术不利用关于用户的兴趣点(POI)的任何先前背景信息,并且应用拉普拉斯噪声来扰动所有位置坐标。直觉上,如果在考虑关于PoIs的一些先验信息之后导出噪声分布,则可以提高这种机制的效用。在本文中,我们将差分隐私的标准定义应用于地理位置数据。我们使用第一原则来模拟各种隐私和实用程序的约束,现有的背景信息有关的PoIs(PoI的位置在1D平面中的分布)和粒度的输入所需的不同类型的应用程序,以产生一个更准确的和效用最大化的差异隐私算法的地理位置数据在操作系统级别。我们针对特定类别的应用程序和某些特定场景进行了调查。这也将有助于我们验证当我们有这样的先验信息时,拉普拉斯噪声是否仍然是最优扰动。
2017-05-05 cs.CR
Privacy-preserving Travel Time Prediction with Uncertainty Using GPS Trace Data
GPS技术和移动设备的快速发展导致了位置数据的大量积累,为个人和社会带来了可观的好处。这些数据的主要用途之一是旅行时间预测,这是GPS导航设备和应用程序提供的典型服务。与此同时,个人位置数据的不断收集和分析也带来了前所未有的隐私威胁。我们利用地理不可侵犯性的概念,差分隐私的位置隐私设置的扩展,并提出了一个程序,隐私保护的旅行时间预测,而不收集实际的个人GPS跟踪数据。我们提出了新的概念来研究基于地理不可感知性的消毒对GPS轨迹有用性的影响,并为隐私保护旅行时间预测提供分析和实验效用分析。我们还提出了新的指标来衡量对手的错误,从收集的消毒数据学习个人GPS轨迹。我们的实验结果表明,所提出的程序提供了旅行时间预测与令人满意的准确性在合理的小隐私成本。
2021-05-07 cs.CR
Differentially Private Location Privacy in Practice
随着手持设备(例如,智能手机、平板电脑)的广泛采用,大量基于位置的服务(也称为LBS)已经蓬勃发展,为移动用户提供移动中的实时和上下文信息。考虑到用户提供的位置信息量,这些服务能够跟踪用户,无论他们去哪里,并了解有关他们的敏感信息(例如,他们的兴趣点,包括家庭,工作,经常访问的宗教或政治场所)。在过去的几年中,已经提出了许多解决方案来保护用户的位置信息,同时仍然允许他们享受地理定位服务。其中最强大的解决方案是那些将流行的差分隐私概念应用于位置隐私(例如地理不可侵犯性)的解决方案,承诺在有限的准确性损失的情况下提供强大的理论隐私保证。虽然这些理论上的保证很有吸引力,但最终用户或从业者可能很难评估它们在野外的有效性。在本文中,我们进行了一个实际的研究,使用真实的移动轨迹来自两个不同的数据集,以评估地理不可感知性,以保护用户的兴趣点(POI)的能力。我们发现,一个好奇的LBS收集移动用户发送的模糊位置信息仍然能够推断出大多数用户的兴趣点与合理的地理和语义精度。此精度取决于地理不可分辨性应用的模糊程度。然而,后者也对移动设备上产生的开销产生影响,从而导致隐私与开销的权衡。最后,我们在我们的研究中表明,POI构成了移动用户的准标识符,使用地理不可混淆性混淆它们是不够的,因为攻击者能够重新识别至少63%的用户,尽管有很高的混淆程度。
2014-10-28 cs.CR
Strict Optimality of Frequency and Distribution Estimation Under Local Differential Privacy
Google(谷歌)
本文在局部差分隐私下证明了频率和分布估计的严格最优性,通过线性估计器和优化支持大小达到L2损失下界,并在渐近情况下达到L1下界,同时提出通信成本低至log₂((d(d-1))/2+1)位的最优估计器。
2026-03-22 cs.CR cs.IT math.IT
Spatial Privacy Pricing: The Interplay between Privacy, Utility and Price in Geo-Marketplaces
University of Southern California(南加州大学);Microsoft Research AI(微软研究院人工智能)
地理市场允许用户为他们的位置数据付费。关心隐私的用户可能希望对准确定位他们位置的数据收取更多费用,但可能对更模糊的数据收取更少费用。买家更愿意将数据成本降至最低,但可能不得不花费更多来获得必要的准确性。我们将隐私、效用和价格之间的这种相互作用称为\emph{spatial privacy pricing}。我们形式化的问题,数学与买方决定是否要打开一个餐厅,通过购买位置数据,以确定潜在的客户数量是否足以打开一个示例问题。这个问题被表达为一个顺序决策问题,其中买方首先做出一系列关于购买哪些数据的决定,并最终决定是否开设餐厅。我们提出了两种算法来解决这个问题,包括实验表明,它们的性能优于基线。
2020-09-04 cs.AI cs.CR
The Laplace Mechanism has optimal utility for differential privacy over continuous queries
差分隐私在从聚合数据库发布统计查询时保护个人数据:对查询结果应用“混淆”机制使发布的信息不那么具体,但不可避免地也降低了其效用。然而,已经表明,对于离散数据(例如,计数查询),强制的隐私程度和对效用损失的合理解释,几何混淆机制是最佳的:它损失尽可能少的效用。然而,对于连续查询结果(例如实数),最优性结果并不成立。我们在这里的贡献是表明,最优性是通过使用拉普拉斯机制的混淆。所涉及的技术装置包括Ghosh等人早期的离散结果,最近的工作抽象渠道和他们的几何表示为超分布,和分布之间的距离由Kantorovich-Rubinstein定理提供的双重解释。
2021-07-26 cs.CR
Concentrated Geo-Privacy
本文提出集中式地理隐私(CGP)作为几何数据的隐私概念,具备机制简单、高维低噪声和高级组合等优势,并设计了身份查询、k近邻和凸包的隐私保护机制。
2023-09-08 cs.CG cs.CR cs.DS
Metric geometry of the privacy-utility tradeoff
本文利用度量隐私和度量几何,提出用“熵尺度”刻画最优隐私-精度权衡,并通过多种度量空间示例验证该框架的适用性。
2024-05-01 cs.CR cs.DS math.PR
Utility-Preserving Privacy Mechanisms for Counting Queries
差分隐私(DP)和局部差分隐私(LPD)是保护数据汇集中的敏感信息的框架。两者都是基于混淆。在DP中,噪声被添加到对数据集的查询结果中,而在LPD中,噪声在被收集之前被直接添加到单个记录上。LPD相对于DP的主要优点是它不需要假设可信第三方。主要缺点是隐私和实用性之间的权衡通常比DP中更差,并且通常要从本地净化的数据中检索合理的良好统计数据,需要收集大量的统计数据。在本文中,我们专注于估计计数查询的问题,从收集嘈杂的答案,我们提出了一个变种的LDP的基础上添加几何噪声。我们的主要结果是,几何噪声具有更好的统计效用比其他LPD机制从文献中。
2019-06-28 cs.CR
On (The Lack Of) Location Privacy in Crowdsourcing Applications
众包使应用程序开发人员能够以低成本从大型和多样化的数据集中受益。具体地,移动众包(MCS)利用用户的设备作为传感器来执行地理定位的数据汇集。收集地理定位数据会给用户带来严重的隐私问题。然而,尽管有大量关于位置隐私保护机制(LPPM)的研究机构,MCS开发人员对数据汇集或发布实施很少或根本没有保护。为了理解这种不匹配,我们研究了现有LPPM在两个移动众包项目的公开数据上的表现。我们的研究结果表明,完善的防御要么不适用,要么在MCS设置提供很少的保护。此外,它们对应用程序的效用的影响比文献中预见的要大得多。这是因为考虑到基于位置的服务(LBS)而设计的现有LPPM针对基于用户位置的效用函数进行了优化,而MCS效用函数取决于值(例如,测量)与这些位置相关联。最后,我们概述了可能的研究途径,以促进新的位置隐私解决方案,适合MCS的需求,使越来越多的这样的应用程序不会危及用户的隐私的发展。
2019-06-05 cs.CR
The Long Road to Computational Location Privacy: A Survey
持续连接的智能手机和平板电脑的广泛采用开发了移动应用程序的使用,其中许多使用位置来提供地理定位服务。这些服务为用户提供了新的前景:早上获得工作方向,中午在餐馆登记入住,晚上查看第二天的天气,都可以从任何嵌入GPS芯片的移动终端上进行。在这些基于位置的应用程序中,用户的位置被发送到服务器,服务器使用它们来提供上下文和个性化的答案。然而,没有什么能阻止后者收集、分析并可能分享所收集的信息,这为许多隐私威胁打开了大门。事实上,移动数据可以揭示有关用户的敏感信息,其中包括一个人的家庭、工作地点甚至宗教和政治偏好。出于这个原因,许多隐私保护机制已经提出了这些最后几年,以提高位置隐私,同时使用地理定位服务。本文调查和组织在这方面的贡献,从经典的积木的隐私威胁和位置隐私保护机制的最新发展。我们将在线和离线用例之间的保护机制进行了划分,并根据其算法的性质将其分为六类。此外,本文调查的评估指标,用于评估保护机制的隐私,效用和性能。最后,开放的挑战和新的方向,以解决计算位置隐私的问题,指出和讨论。
2018-10-08 cs.CR
Location Privacy in Conservation
学术期刊日益增长的公共性质,以及目前分享科学研究原始数据的最佳实践,对于了解一个物种及其保护工作具有深远的价值。另一方面,有关濒危物种的公共空间数据可能很容易被野生动物犯罪分子滥用。在本文中,我们将讨论如何地理不可侵犯性,一个正式的概念,基于位置的系统的隐私,可以用来添加噪音,同时允许量化的空间数据,这样的权衡。
2019-07-16 cs.CR
Privacy in geo-social networks: proximity notification with untrusted service providers and curious buddies
新兴的地理社交网络的一个主要特征是当用户的一个朋友(也称为好友)碰巧在地理上接近用户时通知用户的能力。这种邻近服务通常由网络本身或由第三方服务提供商(SP)使用从用户获取的位置数据来提供。本文对邻近服务中位置隐私问题的现有解决方案进行了严格的理论和实验分析。这对于不信任SP来处理其位置数据并且只想以一般化的形式向参与伙伴发布其位置信息的用户来说是严重的问题。本文提出了两个新的协议,提供完全隐私的SP,和可控隐私的伙伴。协议的分析和实验分析考虑到隐私,服务精度,计算和通信成本,显示出新协议的优越性相比,出现在文献中。所提出的协议也进行了测试,在一个完整的系统实现的邻近服务。
2010-11-06 cs.CR cs.DB
Machine Learning with Membership Privacy using Adversarial Regularization
University of Massachusetts Amherst(马萨诸塞大学阿默斯特分校);National University of Singapore(新加坡国立大学)
机器学习模型会泄露关于它们所训练的数据集的信息。攻击者可以构建一个算法来跟踪模型训练数据集的各个成员。作为基本的推理攻击,他的目标是区分模型训练集的数据点和来自同一分布的任何其他数据点。这被称为跟踪(也称为成员推断)攻击。在本文中,我们专注于对黑盒模型的攻击,其中对手只能观察模型的输出,但不能观察其参数。这是互联网中机器学习作为服务的当前设置。我们引入了一种隐私机制来训练可证明实现成员隐私的机器学习模型:该模型对其训练数据的预测与其对来自同一分布的其他数据点的预测无法区分。我们设计了一个策略机制,隐私机制预计成员推理攻击。目标是训练一个模型,使其不仅具有最小的预测误差(高实用性),而且是针对其相应的最强推理攻击(高隐私性)的最鲁棒模型。我们将其形式化为一个最小-最大博弈优化问题,并设计了一个对抗性训练算法,该算法最大限度地减少了模型的分类损失以及对模型的成员推理攻击的最大收益。这种策略,保证了成员隐私(作为预测不可篡改性),也作为一个强正则化器,并显着推广了模型。我们使用不同的基准数据集在深度神经网络上评估我们的隐私机制。我们表明,我们的最小-最大策略可以减轻成员推断攻击的风险(接近随机猜测),在分类错误方面的成本可以忽略不计。
2018-07-16 cs.CR cs.LG stat.ML
Privacy through Fake yet Semantically Real Traces
通过生成虚假信息来伪装数据是用于保护数据隐私的众所周知的混淆技术。在本文中,我们重点关注一种非常敏感且日益暴露的数据类型:位置数据。有两种主要的情况下,假轨迹对保护位置隐私具有极大的价值:发布位置轨迹的数据集,以及使用基于位置的服务。尽管在保护(位置)数据隐私方面取得了进展,但没有定量方法来评估合成跟踪的真实性,以及它在每个场景中提供了多少实用性和隐私。此外,显然缺乏生成保护隐私的虚假痕迹的方法。在本文中,我们填补了这一空白,并提出了第一个统计指标和模型来生成虚假的位置轨迹,这样既保留了数据的实用性,又保护了用户的隐私。我们建立在这样一个事实的基础上,即尽管人们在地理上访问不同的位置,但他们在语义上具有非常相似的移动模式,例如,他们在活动之间的过渡模式(例如,工作、开车、呆在家里)也是一样的。我们定义了一个统计指标,并提出了一种算法,自动发现隐藏的语义相似性的位置从一袋真正的位置轨迹作为种子,而不需要任何初始的语义注释。我们保证虚假跟踪在地理上与其种子不同,因此它们不会泄露敏感的位置信息。我们还保护贡献者种子跟踪免受成员攻击。将伪造的轨迹与移动用户的轨迹交织是一种突出的位置隐私防御机制。我们定量地显示了我们的方法在保护本地化推理攻击,同时保留共享/发布痕迹的效用的有效性。
2015-05-27 cs.CR
CCTV-Exposure: An open-source system for measuring user's privacy exposure to mapped CCTV cameras based on geo-location (Extended Version)
在这项工作中,我们提出了闭路电视曝光-第一个闭路电视感知解决方案,以评估潜在的隐私暴露闭路电视(CCTV)摄像机。其目标是开发一个工具集,从隐私的角度量化人类暴露于闭路电视摄像机。我们的新方法是轨迹分析的个人,再加上地理位置映射的闭路电视摄像机的数据库注释最小但足够的元信息。为此,CCTV曝光模型的基础上,全球定位系统(GPS)跟踪应用于估计个人隐私暴露在不同的情况下。目前的调查提供了一个应用实例和验证的建模方法。在这项工作中开发和实施的方法和工具集提供曝光事件的时间序列和位置序列,从而使曝光与个人活动和摄像机的关联成为可能,并提供了个人的曝光CCTV摄像机的高时空分辨率的主要统计数据。
2022-07-02 cs.CR cs.CV
Eat the Cake and Have It Too: Privacy Preserving Location Aggregates in Geosocial Networks
地理社交网络是以用户和企业的位置为中心的在线社交网络。为有针对性的广告提供投入,分析社交网络用户成为重要的收入来源。它对个人信息的自然依赖在用户隐私与企业和地理社会网络提供商的参与激励之间引入了权衡。在本文中,我们介绍了位置为中心的配置文件(LCP),聚集在一个给定的位置存在的用户的配置文件。我们介绍PROFILR,一套机制,构造LCP在一个私人和正确的方式。我们介绍iSafe,一个新颖的,上下文感知的公共安全应用程序建立在PROFILR。我们的Android和浏览器插件实现表明PROFILR是高效的:即使在强正确性保证下,端到端开销也很小。
2013-04-12 cs.CR cs.SI
EPSpatial: Achieving Efficient and Private Statistical Analytics of Geospatial Data
本文提出EPSpatial方案,结合空间分布式点函数与格雷码区域划分,实现地理空间数据的高效、准确且隐私保护的统计分析,并设计高效位置更新算法,较现有方案降低至少50%的计算与通信开销。
2025-06-05 cs.CR
On the Anonymization of Differentially Private Location Obfuscation
本文对比平面 Laplacian 机制与最优地理不可区分性机制,提出渐近匿名性概念,证明后者能以更少用户删除实现 k-匿名并具有更高效用。
2018-07-23 cs.CR cs.DB cs.IT
Channel Chart Location Privacy Based on Geo-Indistinguishability
ENSEA, CY Cergy Paris University(巴黎塞吉-蓬图瓦兹大学);CNRS(法国国家科学研究中心);Pontifical Catholic University of Rio de Janeiro (PUC-Rio)(里约热内卢天主教大学);York University(约克大学);Barkhausen Institut gGmbH(巴伐利亚研究所)
针对信道制图中的位置隐私问题,提出基于马氏范数平面拉普拉斯机制的图表位置不可区分性框架,在保护隐私的同时保持信道图拓扑结构。
2026-06-02 cs.CR cs.IT math.IT
Local Distribution Obfuscation via Probability Coupling
AIST(产业技术综合研究所)
本研究提出局部分布混淆通用模型,将分布隐私推广至散度形式,证明f-散度隐私下噪声需与推土机距离成正比,还提出耦合机制,利用辅助信息在保障隐私的同时优化数据效用。
2019-09-30 cs.CR cs.DB cs.IT
Local Obfuscation Mechanisms for Hiding Probability Distributions
本文提出分布隐私概念以衡量本地混淆机制对输入概率分布的隐藏能力,并设计通过添加随机虚拟数据改善隐私与效用权衡的 tupling mechanism,实验证明其在位置服务属性保护中优于常用本地机制。
2019-08-06 cs.CR cs.DB cs.IT
GeoCloak: An Agentic Framework for Semantics-Preserving Geolocation Privacy via Peripheral Clue Manipulation
The Hong Kong University of Science and Technology (Guangzhou)(香港科技大学(广州));The Hong Kong University of Science and Technology(香港科技大学);CISPA Helmholtz Center for Information Security(CISPA赫尔姆霍兹信息安全中心)
GeoCloak是一种智能体框架,通过分析图像识别地理位置相关外围线索,结合语义编辑与对抗扰动,在抑制LVLMs的位置推断准确率的同时,保留图像实用性,实现语义保留的地理位置隐私保护。
2026-10-14 cs.AI cs.CR cs.CV
Performance Evaluation of Differential Privacy Mechanisms in Blockchain based Smart Metering
差分隐私的概念是在不可信环境中保护数据库隐私的一个重要概念。后来,研究人员提出了几种差分隐私的变体,以在某些其他场景中保护隐私,例如实时网络物理系统。自那时起,差分隐私被严格地应用到其他一些有隐私保护需求的领域。其中一个领域是基于分布式区块链的智能计量,其中智能电表作为区块链节点将其实时数据发送到电网公用事业数据库进行实时报告。这些数据还用于执行统计任务,例如负荷预测、需求响应计算等。然而,如果任何入侵者访问这些数据,则可能泄露智能电表用户的隐私。在这种情况下,可以使用差分隐私来保护该数据的隐私。在本章中,我们对基于区块链的智能计量场景中的四种差分隐私变体(拉普拉斯,高斯,均匀和几何)进行了比较。我们测试这些变种的智能计量数据,并通过改变不同的参数进行性能评估。实验结果表明,在低隐私预算($\varepsilon$)和低读取敏感度值($δ$),这些隐私保护机制提供了高的隐私通过添加大量的噪声。然而,在这四个隐私保护参数中,几何参数更适合于保护高峰值,拉普拉斯机制更适合于保护($\varepsilon$ = 0.01)的低峰值。
2020-07-19 cs.CR cs.NI
On the Geometry of Differential Privacy
我们认为,在设置中,用户要求$d$线性查询$f\colon\Rn\to\Re$非自适应的噪声复杂度的差异私人机制。这里,数据库由$\Rn$中的向量表示,并且数据库之间的接近度以$\ell_1$度量来测量。我们表明,噪声的复杂性是由两个几何参数与查询集。我们使用这种连接,以提供严格的上限和下限的噪声复杂性的任何$d \leq n$。我们表明,对于$d$随机线性查询的灵敏度~1,它是必要的和充分的,以实现$ε$ -差分隐私添加$\ell_2$ -错误$Θ(\min\{d\sqrt{d}/ε,d\sqrt{\log (n/d)}/ε\})$。假设真理的深猜想从凸几何,被称为超平面猜想,我们可以将我们的结果扩展到任意的线性查询,几乎匹配的上限和下限。我们的边界转换为每个答案的错误$O(\min\{d/ε,\sqrt{d\log(n/d)}/ε\})$。最好的上界(拉普拉斯机制)给出了每个答案的$O(\min\{d/\eps,\sqrt{n}/ε\})$的界,而最知名的下界是$Ω(\sqrt{d}/ε)$。相比之下,我们的下限是强大的,足以将差分隐私的概念从近似差分隐私的概念,其中$O(\sqrt{d}/ε)$的上限可以实现。
2009-11-09 cs.CC cs.CR cs.DS
Privacy, Robustness, and Fairness Trade-offs in Federated Intrusion Detection: Geometric Indistinguishability at the Aggregation Interface
Bangladesh University of Business and Technology (BUBT)(孟加拉国商业与技术大学(BUBT));Jagannath University(贾格纳特大学);University of New South Wales (UNSW)(新南威尔士大学(UNSW))
本文挑战了联邦入侵检测中隐私、鲁棒性等属性可独立组合的假设,发现隐私与鲁棒聚合的结合会降低稀有攻击检测性能,提出应将三者作为整体研究。
2026-09-04 cs.AI cs.CR cs.LG
GEO-Detective: Unveiling Location Privacy Risks in Images with LLM Agents
CISPA Helmholtz Center for Information Security(CISPA赫尔姆霍茨信息安全中心);Xi’an Jiaotong University(西安交通大学)
GEO-Detective利用LLM代理进行图像地理定位推断,通过自适应策略和专用工具提升定位精度并降低隐私风险。
2025-11-27 cs.AI cs.CR cs.CV
Doxing via the Lens: Revealing Location-related Privacy Leakage on Multi-modal Large Reasoning Models
University of Georgia(佐治亚大学);University of Wisconsin–Madison(威斯康星大学麦迪逊分校);John Hopkins University(约翰·霍普金斯大学);University of Southern California(南加州大学);University of Maryland, College Park(马里兰大学学院市分校)
本文研究了多模态大推理模型中的位置隐私泄露问题,提出DoxBench和GeoMiner框架,揭示模型在推断地理位置信息上的能力及隐私风险。
2026-03-03 cs.AI cs.CR
Privacy Without Losing Place: A Paradigm for Private Retrieval in Spatial RAGs
The City University of New York(纽约城市大学);Northern Michigan University(北密歇根大学);Sangmyung University(商硕大学)
本文提出PAS机制,通过相对锚编码实现用户位置隐私保护,在保持检索性能的同时提供粗粒隐私保障,且大语言模型能补偿空间检索的不完美。
2026-05-06 cs.CR cs.LG
trasgoDP: An Open Source Framework for Releasing Noised Tabular Microdata under Local Differential Privacy
Instituto de Física de Cantabria (IFCA), CSIC-UC(坎塔布里亚物理研究所 (IFCA),西班牙国家研究委员会-坎塔布里亚大学)
trasgoDP是开源Python框架,用于在局部差分隐私下发布表格微数据等。它能探索隐私-效用权衡,实现多种机制和度量,为评估相关数据发布方法提供可重现的开源基线。
2026-07-27 cs.CR cs.DB
Privacy-Aware Adversarial Network in Human Mobility Prediction
Imperial College London(伦敦帝国理工学院);University of Washington(华盛顿大学)
随着移动设备和基于位置的服务在不同的智慧城市场景和应用中的日益发展,由于地理定位的数据汇集和共享,出现了许多意想不到的隐私泄露。当地理定位数据与云辅助应用程序共享时,用户重新识别和其他敏感推断是主要的隐私威胁。值得注意的是,4个时空点足以唯一识别95%的个体,这加剧了个人信息泄露。为了解决诸如用户重新识别之类的恶意目的,我们提出了一种基于LSTM的对抗机制,该机制具有表示学习以获得原始地理定位数据的隐私保护特征表示(即,移动性数据)用于共享目的。这些表示旨在以最小的效用预算(即,损失)。我们训练的机制,通过量化隐私效用权衡的移动数据集的轨迹重建风险,用户重新识别风险,和移动的可预测性。我们报告了一个探索性的分析,使用户能够评估这种权衡与特定的损失函数及其权重参数。四个代表性的移动数据集上的广泛的比较结果表明,我们提出的架构在移动隐私保护和建议的隐私保护功能提取器的效率的优越性。我们表明,隐私的流动性痕迹达到体面的保护边际流动性效用的成本。我们的研究结果还表明,通过探索帕累托最优设置,我们可以同时提高隐私(45%)和效用(32%)。
2022-08-09 cs.CR cs.CY cs.LG
TADP-RME: A Trust-Adaptive Differential Privacy Framework for Enhancing Reliability of Data-Driven Systems
Indian Statistical Institute Kolkata(印度统计研究所加尔各答分校);Army Institute of Management(陆军管理学院)
本文提出TADP-RME框架,通过引入逆信任分数和反向流形嵌入技术,改进隐私-效用权衡,提升对抗环境下的系统可靠性。
2026-04-09 cs.AI cs.CR cs.LG
Conformal-DP: A Density-Aware Mechanism for Differential Privacy over Riemannian Manifolds via Conformal Transformation
University of Pittsburgh(匹兹堡大学)
本文提出 Conformal-DP 机制,通过 conformal 变换在黎曼流形上实现密度感知的差分隐私,改进隐私-效用权衡。
2026-11-04 cs.CR math.DG stat.OT