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
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
Protecting Personalized Trajectory with Differential Privacy under Temporal Correlations
本文针对车载自组织网络中轨迹隐私泄露问题,提出个性化轨迹隐私保护机制 PTPPM,利用时间相关性确定保护位置集合并结合 Permute-and-Flip 扰动机制,在满足服务质量的同时提升隐私保护效果。
2024-01-20 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
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
Privacy in Location Based Services: Primitives Toward the Solution
基于位置的服务(LBS)是数据库系统、移动通信、互联网技术和定位系统等领域的融合技术中最有前途和创新的方向之一。虽然早在20世纪90年代中期就开始了,但直到最近,由于其商业和技术影响,LBS才受到系统深入的研究兴趣。由于LBS与用户的位置相关,可用于跟踪用户的活动,因此引起了强烈的隐私问题。为了保存用户的位置,已经引入了一些智能工程,但仍有许多挑战有待解决。本文介绍了一个调查的LBS系统考虑到本地化技术,模型和架构,保证隐私。我们还概述了可能用于保护LBS隐私的密码原语,随后是基本上与隐私问题有关的富有成效的研究方向。
2009-03-16 cs.CR
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
Optimal Geo-Indistinguishable Mechanisms for Location Privacy
我们认为地理不可侵犯性的位置隐私的方法,和权衡效用。我们表明,给定一个理想的程度的地理不可分割性,它是可以构建一个机制,最大限度地减少服务质量损失,使用线性规划技术。此外,我们表明,在一定的条件下,这种机制也提供了最佳的隐私的意义上的Shokri等人。此外,我们提出了一种方法,以减少约束的线性规划的数量从三次到二次,保持隐私的保证,而不影响显着的效用所产生的机制。这大大减少了求解线性规划所需的时间,从而大大扩大了可以计算最佳机构的位置集。
2014-08-24 cs.CR
Trading Optimality for Performance in Location Privacy
基于位置的服务(LBS)为许多人的日常活动提供了宝贵的帮助,但它们也对用户的隐私构成了严重威胁。因此,在LBS的使用过程中保护位置隐私的机制的发展越来越受到关注。目前,最流行的方法是概率的,所谓的最优方法通过使用线性优化技术实现隐私和效用之间的最优权衡。不幸的是,由于线性规划的复杂性,该方法对于大量n个位置是不可行的,因为约束是$O(n^3)$。在本文中,我们提出了一种技术,以减少$O(n^2)$的约束条件的数量,在放弃完美的最优性的代价。然而,我们表明,在实际情况下的效用损失是可以接受的,而在性能上的增益是显着的。
2017-10-16 cs.CR
Location Privacy Threats and Protections in 6G Vehicular Networks: A Comprehensive Review
该综述系统梳理6G车载网络定位技术与位置隐私威胁,分类评估用户侧、服务器侧及用户-服务器接口LPPMs,并指出效用-隐私平衡及未来攻击、无线技术与网络融合挑战。
2025-01-08 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
Road Network-Aware Personalized Trajectory Protection with Differential Privacy under Spatiotemporal Correlations
China University of Mining and Technology(中国矿业大学);Wuhan University(武汉大学)
本文提出了一种基于道路网络的个性化轨迹保护机制,结合差分隐私与地理不可区分性,通过动态分配隐私预算和Permute-and-Flip机制,在保护隐私的同时维持服务质量。
2025-11-26 cs.CR
Quantifying the Tradeoff Between Cybersecurity and Location Privacy
当涉及到基于位置的服务(LBS)时,用户隐私保护可能与用户和行程的安全性相冲突。虽然LBS提供商可以采用隐私保护机制来混淆客户数据,但车辆位置数据和轨迹的准确性对于检测异常至关重要,特别是当LBS采用机器学习方法时。本文旨在解决这一困境,通过评估位置服务的位置隐私和安全之间的权衡。特别是,我们研究了应用位置数据隐私保护技术对两个检测器性能的影响,即基于密度的空间聚类应用程序与噪声(DBSCAN)和递归神经网络(RNN)。实验结果表明,通过对位置数据应用隐私,DBSCAN比RNN对拉普拉斯噪声更敏感,尽管它们在没有隐私保护的情况下对行程数据实现了相似的检测精度。进一步的实验表明,DBSCAN是不可扩展的大型数据集包含数百万的行程,因为聚类行程需要大量的计算。另一方面,DBSCAN只需要RNN使用的不到10%的数据就可以在不进行模糊处理的情况下应用于车辆数据时实现类似的性能,这表明基于聚类的方法可以很容易地应用于小型数据集。根据研究结果,考虑到用户对隐私的需求、可用车辆行程数据的大小以及LBS应用的实时性约束,我们推荐了两种轨迹异常检测器在应用隐私保护时的使用场景。
2021-12-10 cs.CR
MeshCloak: A Map-Based Approach for Personalized Location Privacy
由于基于位置的服务(LBS)可以向攻击者泄露用户位置,因此保护移动服务中的位置隐私最近受到了重要的考虑。现有伪装方案中的问题是,当攻击者在其攻击中利用街道地图时,位置漏洞可能会暴露。虽然真实和合成轨迹都是基于真实的街道地图,但大多数以前的隐身方案都假设自由空间运动来定义用户之间的距离,从而导致隐私模型和用户运动之间的不匹配。在本文中,我们提出了MeshCloak,一种新的基于地图的个性化位置隐私模型,它完全是在基于地图的设置,并以最小的性能开销抵抗推理攻击。MeshCloak的核心思想是通过预计算距离矩阵和应用四叉树搜索,基于查询之间的相互覆盖关系快速构建稀疏约束图。MeshCloak还考虑了真实的速度配置文件和查询频率。我们通过一套精心设计的实验五个真实的地图上评估所提出的计划的效率和有效性。
2017-09-12 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
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
A Light Weight Protocol to Provide Location Privacy in Wireless Body Area networks
位置隐私是无线体域网的主要安全问题之一。窃听者可以跟踪设备通信的地点和时间。更糟糕的是,攻击者不必在物理上靠近通信设备,他可以使用具有更强天线的设备。移动终端的唯一硬件地址通常可以链接到操作该设备的用户的身份。这是对用户隐私的侵犯。用户应该决定何时显示他/她的位置,何时不显示。在本文中,我们首先对WBAN的窃听者类型进行了分类,然后提出了一种新的方案来提供位置隐私的无线体域网(WBAN)。
2011-03-16 cs.CR
Secure protocol to protect location privacy in distance calculation
一些应用程序需要计算不同人之间的距离。例如,如果我们想在流行病的情况下获得人们的密切接触者,或者当法官施加限制令时,就需要这样做。然而,定期披露位置可能会对相关方构成隐私威胁。连续的位置数据可以用来推断个人信息的所有者,如行为,宗教信仰,购买习惯,例程等,在本文中,我们表明,它是可能的计算双方之间的距离,而不透露他们的纬度和经度数据。为此,我们设计了一个安全的协议的基础上的ElGamal密码系统及其同态性质。该协议允许计算距离,同时保护位置隐私。协议的安全性和性能进行了分析。安全性分析表明,任何参与方都无法获知有关位置的任何信息。
2020-04-11 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
Albatross: a Privacy-Preserving Location Sharing System
越来越多的人通过移动设备访问社交网络服务。这一趋势促使Facebook和Google+等服务将位置作为用户交互的事实特征。与此同时,随着智能手机市场渗透率的提高,Foursquare和Shopkick等基于位置的服务也在增长。事实上,尽管人们对安全和第三方使用私人位置信息(例如,广告)。然而,服务提供商一直不愿意建立真正的私有系统,在该系统中他们不能访问位置信息。在本文中,我们描述了一个隐私保护的位置共享系统称为信天翁的体系结构和试用实现。该系统保护来自服务提供商的位置信息,并且还实现细粒度的位置共享。该系统的一个主要特点是保护个人的社会网络结构。对联系人的位置共享偏好的模式可以在不了解位置本身的情况下揭示这种结构。信天翁通过协议统一和屏蔽来保护共享偏好的位置。信天翁已经作为一个独立的解决方案实现,但该技术也可以集成到基于位置的服务中,以增强隐私。
2015-02-11 cs.CR
Prolonging the Hide-and-Seek Game: Optimal Trajectory Privacy for Location-Based Services
人的流动性是高度可预测的。人们往往只频繁地访问几个地点,并按照反映其习惯和日常生活的特定顺序在这些地点之间移动。这种可预测性必须考虑在位置隐私保护机制(LPPM)的设计,以有效地保护用户时,他们不断暴露自己的位置,以基于位置的服务(LBS)。在本文中,我们描述了一种用于创建LPPM的方法,定制用户的移动配置文件考虑到隐私和服务质量的要求。通过构造,我们的LPPM考虑了用户暴露位置之间的顺序相关性,提供了最大可能的轨迹隐私,即,用户的当前位置以及过去和预期的未来位置的隐私。此外,我们的LPPM对战略对手是最佳的,即,攻击者在知道LPPM操作和用户的移动性配置文件的情况下实施最强推理攻击。轨迹隐私的上下文中的LPPM的最优性是一个新的贡献,它是通过制定的LPPM设计问题作为一个贝叶斯Stackelberg游戏之间的用户和对手。我们的正式的方法的一个额外的好处是,LPPM的设计参数选择的优化算法。
2014-09-05 cs.CR
Revisiting a Privacy-Preserving Location-based Service Protocol using Edge Computing
基于位置的服务越来越受欢迎。寻找附近的商店,基于邻近的营销,道路上的服务援助等,是一些使用基于位置的服务的服务。在基于位置的服务中,用户身份、用户查询和位置等用户信息必须受到保护。Ma等人(INFOCOM-BigSecurity 2019)提出了一种使用某种同态加密(SHE)的隐私保护基于位置的服务。他们的协议使用边缘节点计算SHE加密的位置数据,并确定$k$ -包含在基于位置的服务器(LBS)中的最近的兴趣点,而不会向LBS泄露原始用户坐标,因此,确保用户位置的隐私。在这项工作中,我们表明,上述协议由马等。有一个严重的缺陷。特别是,我们证明了他们的安全比较协议有一个正确性问题,因为它不会导致正确的比较。此缺陷的一个主要后果是,修复此问题的直接方法将使其协议不安全。也就是说,LBS将能够在每个查询中恢复用户的实际位置。
2022-11-21 cs.CR
Privacy-Preserving Aggregate Queries for Optimal Location Selection
如今,各种服务提供商收集了大量的位置数据。这些位置数据所有者很清楚他们的用户大部分时间在哪里。其他企业也希望使用这些信息进行位置分析,例如为新分支机构找到最佳位置。然而,位置数据所有者不能与其他企业共享他们的数据,主要是出于隐私和法律方面的考虑。在本文中,我们提出了隐私保护的解决方案,其中基于位置的查询可以回答数据所有者不与其他企业共享他们的数据,而不访问敏感信息,如发送查询的企业的客户列表。我们利用一个部分同态密码系统作为所提出的协议的构建块。在半诚实威胁模型下证明了协议的安全性。我们还解释了如何实现差分隐私在建议的协议,并讨论其效用的影响。我们用真实和合成数据集评估了协议的性能,并表明所提出的解决方案是非常实用的。拟议的解决方案将促进实体之间有效共享敏感数据,并在广泛的应用程序中进行联合分析,而不会侵犯客户的隐私。
2018-01-06 cs.CR
Rethinking Location Privacy for Unknown Mobility Behaviors
文献中的位置隐私保护机制(LPPM)主要考虑用户可用于训练的数据完全表征其移动模式。因此,他们将这些信息硬连接到他们的设计中,并使用这些相同的数据来评估他们的隐私属性。在本文中,我们的目的是了解这一决定的隐私水平的影响,这些LPPM可能会提供在现实生活中,当用户的移动数据可能是不同的设计阶段使用的数据。我们的研究结果表明,在许多情况下,训练数据不能准确地捕捉用户的行为,因此,LPPM提供的隐私级别往往被高估。为了解决理论与实践之间的差距,我们建议使用白板模型进行LPPM设计。与假设已知用户行为的硬连线方法相反,白板模型从对服务提供商的查询中学习用户的行为。我们利用这种空白板的方法来开发一个新的家庭的LPPM,我们称之为剖面估计为基础的LPPM。使用真实的数据,我们经验表明,我们的建议优于最佳的国家的最先进的机制设计的零星的硬连线模型。在非零星的位置隐私的情况下,我们的方法是更好的位置隐私服务的使用是不连续的。我们希望消除使用训练数据引导机制的需要,并确保这些机制是轻量级的,易于计算,有助于促进部署系统中位置隐私保护的集成。
2019-05-23 cs.CR
L-SRR: Local Differential Privacy for Location-Based Services with Staircase Randomized Response
基于位置的服务(LBS)已经得到了显著的发展,并广泛部署在移动设备中。众所周知,LBS应用程序可能会收集敏感位置,从而导致严重的隐私问题。强隐私模型“局部差分隐私"(LDP)最近已经被部署在许多不同的应用中(例如,Google RAPPOR、iOS和Microsoft Telemetry),但由于现有LDP机制的低实用性,对LBS应用程序无效。为了解决这样的缺陷,我们提出了第一个LDP框架的各种基于位置的服务(即“L-SRR”),私人收集和分析用户的位置与高效用。具体来说,我们设计了一种新的随机化机制“阶梯随机响应”(SRR),并扩展了经验估计,以显着提高SRR在不同LBS应用中的效用(例如,业务密度估计和k-最近邻)。我们在四个真实的LBS数据集上进行了广泛的实验,并与实际应用中的其他LDP方案进行了比较。实验结果表明,L-SRR明显优于它们。
2022-09-29 cs.CR
On the Importance of Location Privacy for Users of Location Based Applications
人们在使用基于位置的服务应用程序时是否关心他们的位置隐私?本文旨在通过调查来回答这个问题和其他几个假设,并回顾隐私保护技术。我们的研究结果表明,隐私确实是用户选择基于位置的应用程序的一个影响因素。
2019-11-05 cs.CR cs.DB
Facility Location Problem under Local Differential Privacy without Super-set Assumption
本文针对局部差分隐私下的设施选址问题,提出一种无需超集假设的LDP算法,实现常数近似比,并在实验中优于直接方法。
2025-06-18 cs.CR
A Framework for Managing Multifaceted Privacy Leakage While Optimizing Utility in Continuous LBS Interactions
本文提出一个全面的LBS隐私管理框架,引入位置、轨迹和POI隐私概念,建立联系并进行下界分析,通过Plannar Isotopic Mechanism实例化,有效量化隐私泄露并优化效用。
2024-09-20 cs.CR
Modelling imperfect knowledge via location semantics for realistic privacy risks estimation in trajectory data
车辆和人员的移动模式为车队优化和交通流分析等基于位置的服务提供了强大的数据源。基于位置的服务提供商必须平衡他们从轨迹数据中提取的价值与保护这些轨迹背后的个人隐私。实现这一目标需要准确衡量实用性和隐私的价值。目前的度量方法假设对手具有完全的知识,从而高估了隐私风险。为了解决这个问题,我们引入了一个模型的对手与不完善的知识的目标。该模型是基于等价区域,具有语义意义的时空区域,例如目标的家,其大小和准确性决定了对手的技能。然后,我们推导出标准的隐私度量的k-匿名性,l-多样性和t-封闭性的等价区域的定义。这些指标可以在任何数据集上计算,无论是否应用了匿名化以及应用了何种匿名化。这项工作对于所有作为轨迹数据处理器的服务提供商都具有高度相关性,这些服务提供商希望管理隐私风险并优化其服务的隐私与效用权衡。
2021-12-07 cs.CR
What Does The Crowd Say About You? Evaluating Aggregation-based Location Privacy
关于人们的移动和他们访问的位置的信息使得越来越多的移动分析应用成为可能,例如,在城市和交通规划的背景下,在这种设置中,实体通常使用聚合作为隐私保护机制,目的是隐藏个体用户的位置轨迹,而不是收集或共享原始数据。此外,为了限制来自聚合的信息泄漏,它们可以干扰聚合的输入或输出,以确保这些是差异私有的。在本文中,我们将评估的影响,释放聚合位置的时间序列的个人贡献的聚合的隐私。我们引入了一个框架,使我们能够对试图预测用户的位置或恢复其移动模式的对手的隐私的原因。我们将这些攻击形式化为推理问题,并讨论了几种策略来模拟对手的先验知识的基础上,她可能会获得的信息。然后,我们使用的框架来量化的隐私损失所产生的聚合位置数据,有和没有保护的差分隐私,使用两个真实世界的移动数据集。我们发现,聚集泄漏个人的准时位置和移动配置文件的信息。观测的密度以及时间安排起着重要的作用,例如,在繁忙时间有规律的出入境较零星的出入境为佳。最后,我们的评估表明,输出和输入扰动几乎没有提供额外的保护,除非它们引入大量的噪声,最终破坏数据的效用。
2017-06-10 cs.CR
Resilient Privacy Protection for Location-Based Services through Decentralization
基于位置的服务(LBS)提供了有价值的服务,为移动用户提供了方便的功能。然而,通过对LBS的每个查询所公开的位置和其他信息侵蚀了用户隐私。这是一个值得关注的问题,特别是因为LBS提供商可能诚实但好奇,收集查询和跟踪用户的行踪,并推断敏感的用户数据。这激发了LBS的集中式和分散式位置隐私保护方案:匿名化和模糊化LBS查询,以不披露确切信息,同时仍然获得有用的响应。分散式方案克服了集中式方案的缺点,消除了匿名者,并增强了用户对敏感信息的控制。然而,一个不安全的去中心化系统可能会造成严重的风险,而不仅仅是私人信息泄露。更重要的是,攻击一个设计不当的去中心化LBS隐私保护方案可能是一个有效且低成本的侵犯用户隐私的步骤。我们正是解决这个问题,提出了移动数据共享系统的安全增强。我们保护用户隐私,同时保留用户活动的问责制,利用主流加密技术的匿名身份验证。我们表明,我们的计划可以部署在一个静态的汽车测试平台的实施的实验评估的基础上,与现成的设备。
2020-01-22 cs.CR
Computationally Recoverable Camouflage: A Universal Model for Privacy-Aware Location-Based Services
随着先进定位技术支持的基于位置的服务(LBS)的普及,高精度个人地理数据的传输急剧增加。恶意使用这些敏感数据将威胁LBS用户的隐私。虽然LBS中的隐私研究受到了广泛的关注,但相关的工作大多集中在一些特定的应用。由于LBS的高度多样性,建立一个能够处理更广泛应用的隐私保护的通用模型至关重要。在本文中,我们提出了一个计算可恢复伪装(CRC)模型,LBS用户可以通过报告伪装的位置信息来保护隐私,并能够灵活地利用服务质量和实现的隐私在不同的应用程序之间通过调整伪装信息的精度。特别是,我们提出了一种新的伪装算法与正式的隐私保证,同时考虑位置上下文和社会背景,使LBS用户可扩展地暴露伪装信息的两个维度。此外,我们应用可扩展密文策略基于属性的加密(SCP-ABE)算法,以加强对二维可扩展伪装信息的细粒度访问控制。通过在Android设备上的成功实现,我们已经证明了所提出的CRC模型的计算效率。
2017-03-01 cs.CR
Hide and Seek -- Preserving Location Privacy and Utility in the Remote Identification of Unmanned Aerial Vehicles
由于商用无人机经常未经授权访问机场和炼油厂等关键基础设施(CI),美国联邦航空电子管理局(FAA)最近发布了一项新规范,即RemoteID。上述规则要求所有无人机(UAV)必须无线广播有关其身份和位置的信息,以便立即进行入侵归属。然而,执行这样的规则对无人机操作员造成了严重的担忧,特别是在位置隐私和跟踪威胁方面,仅举几例。事实上,通过简单地窃听无线信道,对手可以知道UAV的精确位置并对其进行跟踪,以及获得关于UAV的路径源和目的地的敏感信息。在本文中,我们研究了位置隐私和数据效用之间的权衡,可以提供给无人机时,通过差分隐私技术混淆广播的位置。利用地理不可侵犯性(Geo-Ind)的概念,已经通过了基于位置的服务(LBS)的背景下,我们表明,它是可能的,以提高无人机的隐私,而不阻止CI运营商及时检测未经授权的入侵。特别是,我们的实验表明,当无人机的位置被混淆时,平均距离为1.959公里,精心设计的无人机检测系统可以检测到97.9%的入侵,平均检测延迟为303.97毫秒。UAV必须在这种增强的位置隐私与不可忽略的误报概率之间进行权衡,即,被探测到入侵,但实际上并没有入侵禁飞区。无人机和CI运营商可以通过FAA的帮助解决这种模糊的情况,因为后者是唯一可以揭示无人机实际位置的机构。
2022-05-27 cs.CR
Provable Privacy Guarantee for Individual Identities and Locations in Large-Scale Contact Tracing
本文提出大规模接触追踪系统PREVENT,通过秘密共享架构与私有空间划分树结合,在保护个体位置隐私的同时支持百万级位置实时查询,且性能开销可忽略。
2024-09-18 cs.CR
SLAP: Secure Location-proof and Anonymous Privacy-preserving Spectrum Access
University of South Florida(南佛罗里达大学)
针对频谱接入系统(SAS)存在的隐私泄露、位置欺骗及DoS攻击问题,提出SLAP框架,通过自适应双场景位置验证和时间锁谜题抗DoS方法,保障位置隐私与匿名性,经安全证明和性能评估优于现有方案。
2025-06-12 cs.CR
Measuring Privacy Loss in Distributed Spatio-Temporal Data
针对分布式位置应用中差分隐私的反直觉特征,提出一种针对知情对手位置重构攻击的替代隐私损失度量,实验证明其更符合个人隐私侵犯的直觉。
2024-02-18 cs.CR
When and where do you want to hide? Recommendation of location privacy preferences with local differential privacy
近年来,相当精确地获得位置信息已经变得容易。但此类信息的获取存在个人身份识别、敏感信息泄露等风险,需要保护位置信息的隐私。为此,人们应该知道他们的位置隐私偏好,即他/她是否可以在每个地点和时间发布位置信息。然而,每个用户做出这样的决定并不容易,并且每次设置隐私偏好是麻烦的。因此,我们提出了一种方法来推荐位置隐私偏好的决策。与现有方法相比,该方法利用矩阵分解提高了推荐的准确率,并利用局部差分隐私严格保护隐私,而现有方法没有实现形式化的隐私保护。此外,我们还找到了一个位置隐私偏好的最佳粒度,即如何表达位置隐私保护中的信息。为了评估和验证我们的方法的实用性,我们已经整合了两个现有的数据集,以创建一个丰富的用户数量方面的信息。从使用该数据集的评估结果中,我们证实了我们的方法可以准确地预测位置隐私偏好,并且它提供了一种合适的方法来定义位置隐私偏好。
2019-04-24 cs.CR cs.DB
PGLP: Customizable and Rigorous Location Privacy through Policy Graph
位置隐私在文献中得到了广泛的研究。然而,现有的位置隐私模型要么是不严格的或不可定制的,这限制了在许多现实世界的应用程序中的隐私和实用性之间的权衡。为了解决这个问题,我们提出了一个新的位置隐私概念,称为PGLP,即,\textit{Policy Graph based Location Privacy},提供丰富的界面,以发布具有可定制和严格隐私保证的私人位置。首先,我们通过扩展差分隐私设计了PGLP的隐私度量。具体来说,我们正式用户的位置隐私要求使用\textit{location policy graph},这是表达和可定制的。其次,我们研究如何满足任意给定的位置策略图下的对抗知识。我们发现,位置策略图可能并不总是可行的,可能会遭受\textit{location exposure}时,攻击者知道用户的移动模式。我们提出了有效的方法来检测位置暴露和修复策略图的最佳效用。第三,我们设计了一个私有位置跟踪释放框架,该框架通过可定制和严格的位置隐私来检测位置暴露、策略图修复和私有轨迹释放。最后,我们在真实世界的数据集上进行实验,以验证隐私效用权衡的有效性和所提出的算法的效率。
2020-07-15 cs.CR cs.CY
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
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
Resilient Collaborative Privacy for Location-Based Services
基于位置的服务(LBS)提供有价值的服务,为用户提供方便的功能。但是,通过每个请求披露的信息会损害用户隐私。这对于诚实但好奇的LBS服务器来说尤其令人担忧,它们可以通过收集请求来跟踪用户并推断出额外的敏感用户数据。这是LBS的集中式和分散式位置隐私保护方案的动机:匿名化和模糊化LBS查询以不披露确切信息,同时仍然获得有用的响应。分散式方案克服了集中式方案的缺点,消除了匿名者,增强了用户对敏感信息的控制。然而,一个不安全的去中心化系统可能会带来比隐私泄露更严重的安全威胁。我们正是解决这个问题,提出了移动数据共享系统的安全增强。我们保护用户隐私,同时保留用户活动的问责制,利用主流加密技术的匿名身份验证。我们的设计利用了为大规模移动系统提出的架构,同时它对LBS服务器的更改最小,因为它可以与LBS服务器并行部署。这进一步推动了我们的设计的采用,以满足隐私敏感用户的需求。我们提供了安全和隐私问题和对策的分析,以及基本协议操作的性能评估显示我们的设计的实用性。
2020-01-21 cs.CR
TraCS: Trajectory Collection in Continuous Space under Local Differential Privacy
Rochester Institute of Technology(罗切斯特理工学院)
TraCS在局部差分隐私下提出连续空间轨迹收集方法,通过扰动方向、距离或坐标提升隐私与效用保障。
2026-03-01 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
Protecting Locations with Differential Privacy under Temporal Correlations
随着GPS设备和基于位置的应用程序的快速发展,对位置隐私的担忧经常出现。虽然空间变换技术,如位置扰动或泛化已被广泛研究,大多数技术依赖于语法隐私模型没有严格的隐私保证。它们中的许多只考虑静态场景或在单个时间戳处扰动位置,而不考虑移动用户位置的时间相关性,因此容易受到各种推断攻击。虽然差分隐私已经被接受为隐私保护的标准,但是在基于位置的应用中应用差分隐私提出了新的挑战,因为保护需要针对单个用户即时地实施,并且需要结合用户位置之间的时间相关性。在本文中,我们提出了一个系统的解决方案,以保护位置隐私,严格的隐私保证。首先,我们提出了一个新的定义,“$δ$ -位置集”为基础的差分隐私,占在位置数据的时间相关性。其次,我们证明了著名的$\ell_1$ -范数敏感性不能捕捉多维空间中的几何敏感性,并提出了一个新的概念,敏感性壳,基于该概念,差分隐私的误差是有界的。第三,为了获得最佳效用,我们提出了一个平面各向同性机制(PIM)的位置扰动,这是第一个机制实现的差分隐私的下限。在真实数据集上的实验也表明,PIM在数据效用上明显优于基线方法。
2015-11-04 cs.CR cs.DB
PrivAR: Client-Side Privacy Framework for Real-Time Location-Based Augmented Reality
Rochester Institute of Technology(罗切斯特理工学院);University of Colorado Denver(科罗拉多大学丹佛分校)
研究针对实时基于位置的增强现实应用的隐私保护问题,提出PrivAR客户端隐私框架,引入平面阶梯机制和带中间值的平面阶梯机制,经理论分析、多数据集评估及原型验证,有效提升AR QoS并增强隐私保护,降低更新开销。
2026-07-22 cs.CR
Privacy-Preserving and Secure Spectrum Sharing for Database-Driven Cognitive Radio Networks
University of South Florida(南佛罗里达大学);Bellini College of Artificial Intelligence, Cybersecurity and Computing(贝利尼人工智能、网络安全与计算学院);Zurich University of Applied Sciences (ZHAW)(苏黎世应用科学大学);Department of Informatics, University of Zurich (UZH)(苏黎世大学信息学系)
本文提出SLAPX框架,通过可委托匿名凭证和可验证延迟函数,实现数据库驱动认知无线电网络中的隐私保护频谱共享和安全防御。
2026-03-02 cs.CR
Mitigating Location Privacy Attacks on Mobile Devices using Dynamic App Sandboxing
我们提出了一个系统,称为矩阵,开发保护隐私的移动终端用户从位置推断和传感器侧信道攻击的设计,实施和评估。MATRIX为用户提供了对位置和传感器的控制和可见性(例如,加速度计和陀螺仪)通过移动应用程序访问。它实现了一个PrivoScope服务,可以审计设备上应用程序的所有位置和传感器访问,并生成实时通知和图形以可视化这些访问;以及一个合成位置服务,使用户能够向他们认为有用但不信任其私人信息的应用程序提供模糊或合成的位置轨迹或传感器跟踪。这些服务的设计目的是可扩展且易于用户使用,从而向他们隐藏所有潜在的复杂性。MATRIX还实现了一个位置提供程序组件,该组件通过使用来自Google Maps Directions API的历史数据整合交通信息,并使用来自用户驾驶实验的统计信息整合加速度,为用户生成真实的隐私保护合成身份和轨迹。通过使用随机线性规划建模/求解用户调度和使用二次规划建模/求解用户驾驶行为来生成随机交通模式。我们使用用户研究、流行的位置驱动应用程序和机器学习技术对MATRIX进行了广泛的评估,并证明它可移植到全球大多数Android设备上,可靠,开销低,生成的合成轨迹难以与对手的真实移动轨迹区分开来。
2018-08-13 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
Watch Nearby! Privacy Analysis of the People Nearby Service of Telegram
本文通过全球位置伪造测量逆向分析了Telegram“附近的人”服务的距离算法,发现其实际定位误差在128至400米之间,远低于官方宣称的500米,揭示了显著的位置隐私风险。
2023-10-20 cs.CR
Software-Defined Location Privacy Protection for Vehicular Networks
虽然联网汽车的采用率正在增长,但安全和隐私问题仍然是社会提出的主要障碍。这些问题要求汽车制造商和标准化组织提出方便的隐私保护解决方案。其中一个主要的解决方案是使用假名改变策略(PCS)。然而,ETSI最近发布了一份技术报告,强调缺乏标准化和有效的PCS [1]。这种令人担忧的情况要求在保护最终用户隐私的方式上进行创新性转变。软件定义网络(SDN)正在成为以动态方式管理网络的关键5G使能器。支持SDN的无线网络正在开辟新的可编程和高度灵活的隐私感知解决方案。我们利用这种模式,提出了一个创新的软件定义的位置隐私架构的车辆网络。所提出的体系结构是上下文感知的,可编程的,可扩展的,并能够包括所有现有的和未来的体系结构变化的战略。为了证明我们的架构的优点,我们考虑一个案例研究,涉及四个动态变化的策略,我们部署在我们的架构,并与他们的静态实现比较。我们还详细介绍了SDN控制器如何根据上下文在策略之间动态切换。
2020-01-24 cs.CR
P4QS: A Peer to Peer Privacy Preserving Query Service for Location-Based Mobile Applications
基于位置的服务提供了网络世界和物理世界的有趣组合。但是,它们也可能威胁到用户的隐私。现有的隐私保护协议需要可信节点,存在严重的安全和计算瓶颈。提出了一种基于对等网络结构的分布式匿名协议。每个移动节点负责匿名化特定区域。移动节点在匿名查询中进行协作,而不需要访问关于彼此的任何信息。在提议的协议中,每个请求将与随机选择的票一起发送。服务器生成的加密响应基于此票证的哈希值通过网络发送到特定的移动节点(称为代理节点)。用户将查询代理以获得响应。消息的所有部分都是加密的,除了匿名器和代理所需的字段。这将保护P2P网络上的数据包交换。实验结果表明,该协议能够有效地实现位置服务中的用户隐私保护。
2016-06-08 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
Location Trace Privacy Under Conditional Priors
UC San Diego(加州大学圣迭戈分校)
当多个位置在短时间内被揭示时,向基于位置的服务的用户提供有意义的隐私是特别具有挑战性的。这主要是由于点之间可以预期的巨大程度的依赖性。我们提出了一个基于Rényi分歧的隐私框架,用于约束条件依赖数据的预期隐私损失。此外,我们展示了一个算法,实现这种隐私高斯过程条件先验。这个框架既说明了为什么条件依赖数据是如此具有挑战性的保护,并提供了一个策略,保护隐私在一个固定的半径内的敏感位置在用户的踪迹。
2021-02-23 cs.AI 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