Collection, usage and privacy of mobility data in the enterprise and public administrations
本文通过专家访谈调查企业与公共管理部门中移动性数据的收集、使用与隐私实践,分类用途、数据来源和分析任务,揭示现有隐私增强方法不符合差分隐私标准,并为后续实践导向研究提供基础。
2024-07-04 cs.CR
Rethinking the Security of DP-SGD: A Corrected Analysis of Differentially Private Machine Learning
Monash University(蒙纳士大学);University of Melbourne(墨尔本大学)
本文重新分析DP-SGD在EASGM和ASGM下的隐私保障,发现其可能弱于标准SGM保证,并通过实验证明实际隐私泄露超出报告保障。
2026-05-15 cs.CR
Privacy-preserving Publication of Mobility Data with High Utility
每天通过不同的手段收集越来越多的移动性数据,例如,移动电话运营商。这些数据有时会在应用简单的匿名化技术后发布,这可能会导致严重的隐私威胁。本文提出了一种新的解决方案,其新颖性是双重的。首先,我们介绍了一种算法,该算法旨在隐藏用户在行程中停留的地方(即兴趣点),通过沿其轨迹强制执行恒定的速度。其次,我们利用用户见面的地方来交换他们的轨迹,从而混淆攻击者。
2015-06-30 cs.CR
Privately Connecting Mobility to Infectious Diseases via Applied Cryptography
最近的研究表明,手机移动数据具有独特的潜力,可以为人类移动以及感染性疾病的传播建立准确的模型。虽然先前的研究完全依赖于移动网络运营商的订户的汇总数据来建模疾病动态,但可能优选的是仅考虑受感染个体的汇总移动数据。显然,天真地将移动电话数据与健康记录联系起来会侵犯隐私,因为这可能会跟踪感染者的移动模式,泄露有关感染者的信息,或者两者兼而有之。这项工作旨在开发一种解决方案,报告受感染个人的聚合移动电话位置数据,同时仍然保持符合隐私期望。为了实现隐私,我们使用同态加密,验证技术来自零知识证明,和差分隐私。我们的协议的开源实现可以在70分钟内处理800万用户。
2022-06-13 cs.CR
Say Something Else: Rethinking Contextual Privacy as Information Sufficiency
Carnegie Mellon University(卡内基梅隆大学);Massachusetts Institute of Technology(麻省理工学院);University of Tokyo(东京大学)
本文提出信息充分性任务,引入自由文本假名化策略,并设计对话评估协议,评估七种前沿LLM在隐私、隐蔽性和效用上的表现。
2026-04-07 cs.AI cs.CL cs.CR
Rethinking Disclosure Prevention with Pointwise Maximal Leakage
该研究基于逐点最大泄露(PML)重构披露预防,提出按秘密特征熵区分披露与隐藏的效用—隐私框架,证明可提供独立于敌手先验的推断隐私保证,并兼容差分隐私、支持灵活机制设计。
2024-10-25 cs.CR cs.IT math.IT
The Hidden Cost of Correlation: Rethinking Privacy Leakage in Local Differential Privacy
本文系统分析本地差分隐私中相关性引发的隐私泄露,揭示现有假设的不足,并提出首个面向一般近似LDP机制的CPL量化算法框架及新基准,以优化真实数据治理中的隐私-效用权衡。
2025-08-18 cs.CR cs.IT math.IT
Rethinking Privacy in Machine Learning Pipelines from an Information Flow Control Perspective
M365 Research(M365研究院);Azure Research(Azure研究院);Microsoft Security Response Center(微软安全响应中心)
本文从信息流控制视角描述机器学习系统,利用元数据定义隐私保证,对比了微调用户模型与检索增强模型,证明后者在满足严格非干扰保证下实现了最佳效用、可扩展性和灵活性。
2023-11-27 cs.CR cs.LG
Privacy-Aware Human Mobility Prediction via Adversarial Networks
Imperial College London(帝国理工学院);University of Washington(华盛顿大学)
随着各种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越来越多地发展,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。虽然这些地理定位数据可以提供对人类移动模式的丰富理解并解决各种社会研究问题,但对用户敏感信息的隐私问题限制了其利用。在本文中,我们设计并实现了一种新的基于LSTM的对抗机制与表示学习,以达到一个隐私保护的功能表示的原始地理定位数据(移动数据)的共享目的。我们量化了移动数据集在轨迹重建风险、用户重新识别风险和移动可预测性方面的效用-隐私权衡。我们提出的架构报告的帕累托前沿分析,使用户能够评估这种权衡作为一个函数的拉格朗日损失重量参数。在四个有代表性的移动数据集上的广泛比较结果表明了我们提出的架构的优越性和所提出的隐私保护特征提取器的效率。我们的研究结果表明,通过探索帕累托最优设置,我们可以同时增加隐私(45%)和效用(32%)。
2022-01-19 cs.CR cs.LG
Trajectory Recovery From Ash: User Privacy Is NOT Preserved in Aggregated Mobility Data
在过去的十年里,人类移动数据已经通过蜂窝网络和移动应用程序被广泛收集,并公开发布用于学术研究和商业目的。由于发布个人的移动记录通常会引起隐私问题,因此数据集所有者倾向于仅发布聚合的移动数据,例如在特定时间戳由蜂窝塔覆盖的用户数量,这被认为足以保护用户的隐私。然而,在本文中,我们认为,并证明,即使发布聚合的移动数据可能会导致个人的轨迹隐私泄露。我们开发了一个攻击系统,该系统能够利用人类移动的独特性和规律性,在没有任何先验知识的情况下,从聚合的移动数据中恢复个人的轨迹。通过对移动应用和蜂窝网络的两个真实数据集进行实验,我们发现该攻击系统能够在数万到数十万用户规模下恢复用户轨迹,准确率约为73%~91%,这表明此类数据集存在严重的隐私泄漏。通过对聚合移动数据的调查,我们的工作认识到发布统计数据中存在的一个新的隐私问题,呼吁学术界和工业界立即关注。
2017-02-25 cs.CR cs.CY
Rethinking Anonymity Claims in Synthetic Data Generation: A Model-Centric Privacy Attack Perspective
UCL(伦敦大学学院);SAS(SAS公司);UC Riverside(加州大学河滨分校)
本文从模型为中心的视角重新审视合成数据生成中的匿名性主张,强调需考虑生成模型能力和隐私攻击,指出合成数据技术不足以保证匿名性,并比较差分隐私与相似性隐私度量的优劣。
2026-10-02 cs.CR cs.CY cs.LG
Towards Standardized Mobility Reports with User-Level Privacy
人类流动性分析的重要性在研究和实践中都在增长,特别是在城市规划和流动性的应用中。汇总统计和可视化作为数据探索和摘要报告的组成部分发挥着至关重要的作用,后者越来越多地向市政当局等第三方发布或在公民参与的背景下发布。然而,这种探索已经对隐私构成了威胁,因为它们揭示了潜在的敏感位置信息,因此在没有进一步的隐私措施的情况下不应该共享。关于隐私方法的最新研究与其在实践中的利用之间存在着巨大的差距。因此,我们概念化的标准化的移动报告与差分隐私保证,并将其作为开源软件,使隐私保护的移动数据的关键方面的探索,在一个容易访问的方式。此外,我们使用三个相关的研究和实践的数据集来评估限制用户贡献的好处。我们的研究结果表明,即使是对用户贡献的严格限制,也只会在相对较小的范围内改变原始地理空间分布,同时显着减少通过添加噪声来实现隐私保证所引入的错误。
2022-09-19 cs.CR cs.OH
Capstone: Mobility Modeling on Smartphones to Achieve Privacy by Design
与上下文感知服务提供商共享位置跟踪具有隐私影响。位置隐私保护机制,如混淆,匿名化和加密原语,已被证明具有不切实际的效用/隐私权衡。用于增强用户隐私的另一解决方案是通过在用户的智能电话上执行传统上在服务提供商端执行的任务来最小化数据共享。尽管与不可信实体共享的数据量显著减少,但在资源受限的智能手机上执行计算要求高的服务器端任务通常是不切实际的。为此,我们提出了一个新的视角,降低计算复杂性的时空轨迹作为空时信号。降低数据维度有助于将计算任务卸载到数字信号处理器上以及使用非阻塞信号处理流水线。在专注于用户移动性建模的任务的同时,我们实现了以下结果,与现有技术的状态相比:(i)具有大于80%的精确度和召回率的移动性模型,(ii)计算复杂性降低了2.5倍,以及(iii)功耗降低了0.5倍。此外,我们的技术不依赖于用户的行为参数,通常会导致隐私泄漏和结论性偏见,在现有的技术。使用三个真实世界的移动数据集,我们证明了我们的技术解决了这些弱点,同时制定准确的用户移动模型。
2018-02-17 cs.CR cs.CY
Impact of User Privacy and Mobility on Edge Offloading
本研究探讨边缘卸载中用户隐私与移动性的影响,通过模拟不同场景揭示隐私保护、移动性与卸载性能之间的权衡。
2023-06-27 cs.CR cs.DC cs.NI
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
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
Privacy-Aware Distributed Mobility Choice Modelling over Blockchain
一个通用的分布式工具的流动性选择建模,参与者不共享个人的原始数据,而所有的计算都在本地完成。参与者使用基于区块链的智能移动数据市场(BSMD),其中所有交易都是安全和私密的。区块链中的节点可以与其他参与者进行信息交易,只要双方同意数据所有者发布的交易规则。一个案例研究的模式选择模型分布和估计BSMD。作为一个例子,参数估计问题解决了分布式版本的模拟退火。结果表明,模型参数的估计是一致的和可重复的。
2019-08-12 cs.CR econ.EM
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
HRNet: Differentially Private Hierarchical and Multi-Resolution Network for Human Mobility Data Synthesization
Kyoto University(京都大学);Emory University(埃默里大学);Tokyo Institute of Technology(东京工业大学);Osaka Seikei University(大阪成蹊大学)
针对人类移动数据合成中的隐私问题,本文提出差分隐私分层多分辨率网络HRNet,通过分层编码、多任务学习和私有预训练,在真实数据集上显著提升了效用-隐私权衡。
2024-07-20 cs.CR cs.LG
Where have you been? A Study of Privacy Risk for Point-of-Interest Recommendation
University of California, Los Angeles(加利福尼亚大学洛杉矶分校);Rutgers University(罗格斯大学);Florida State University(佛罗里达州立大学);Meta
本文针对兴趣点推荐模型设计了一套包含数据提取和成员推断攻击的隐私攻击套件,通过真实数据集实验揭示了当前模型的隐私泄露风险,并评估了防御措施。
2024-07-05 cs.CR cs.LG
Context-Aware Metric Differential Privacy for Vehicle Trajectory Data
University of North Texas(北德克萨斯大学)
提出上下文感知度量差分隐私(C-mDP)框架,通过将上下文依赖融入隐私和效用模型,并利用条件独立性简化线性规划,在相同隐私预算下提升车辆轨迹数据的效用。
2026-05-25 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
CrossLink: Breaking Location Privacy by Linking Device Identifiers Across Protocols
CISPA Helmholtz Center for Information Security(CISPA赫尔姆霍兹信息安全中心);Saarland University(萨尔兰州立大学)
CrossLink提出跨协议标识符链接算法,利用不同步轮换漏洞,在噪声环境下实现83%轨迹重建,证明位置隐私需跨协议联合分析。
2026-09-10 cs.CR
Generating synthetic mobility data for a realistic population with RNNs to improve utility and privacy
MIT Media Lab(麻省理工学院媒体实验室)
从移动设备收集的位置数据代表了个人和社会层面的移动行为。这些数据具有重要的应用,从交通规划到流行病建模。然而,必须克服问题才能最好地服务于这些用例:数据通常代表有限的人口样本,数据的使用会危及隐私。为了解决这些问题,我们提出并评估了一个使用深度递归神经网络(RNN)生成合成移动性数据的系统,该网络是在真实位置数据上训练的。该系统将人口分布作为输入,并为相应的合成人口生成移动轨迹。相关的生成方法还没有解决在较长时间段内捕获个人移动行为的模式和可变性的挑战,同时还平衡现实数据的生成与隐私。我们的系统利用RNN生成复杂和新颖序列的能力,同时保留来自训练数据的模式。此外,该模型还引入了随机性,用于在个人层面上校准合成数据和真实数据之间的变化。这是为了捕捉人类移动性的变化,并保护用户隐私。来自超过22,700台移动设备的基于位置的服务(LBS)数据用于效用和隐私指标的实验评估。我们显示生成的移动性数据保留了真实数据的特征,同时在个体水平上与真实数据不同,并且这种变化量与真实数据内的变化相匹配。
2022-01-04 cs.CR cs.CY cs.LG
walk2friends: Inferring Social Links from Mobility Profiles
定位技术的发展已经导致可用的移动性数据量的增加。在给人们的生活带来诸多便利的同时,这样的可获得性也引发了人们对隐私的严重担忧。在本文中,我们集中在一个最敏感信息,可以推断出从移动数据,即社会关系。我们提出了一种新的社会关系推理攻击,依赖于一个先进的特征学习技术,自动总结用户的移动功能。与现有的方法相比,我们的攻击能够预测任何两个人的社会关系,它不需要对手有任何先验知识的现有的社会关系。这些优势大大增加了我们攻击的适用性和隐私评估的范围。在一个大型数据集上进行的大量实验表明,我们的推理攻击是有效的,并实现了13%至20%的最佳国家的最先进的计划之间的改进。我们提出了三种防御机制-隐藏,替换和泛化-并评估其有效性,以减轻移动数据共享带来的社会联系隐私风险。我们的实验结果表明,隐藏和替换机制优于泛化。此外,隐藏和替换实现了效用和隐私之间的可比权衡,前者保留更好的效用,后者提供更好的隐私。
2017-09-05 cs.CR cs.SI
Ensuring Privacy in Location-Based Services: A Model-based Approach
近年来,配备有GPS和通信芯片的移动设备的普及已经导致基于位置的服务(LBS)的日益增长的使用,其中用户基于他的当前位置接收服务。然而,用户的位置的披露,可以引起严重的关注,用户的隐私一般,特别是位置隐私,这导致了各种位置隐私保护机制的发展,旨在提高位置隐私,同时使用LBS应用程序。在本文中,我们提出了一个马尔可夫决策过程(MDP)的用户移动性模式和效用的LBS建模,并受概率的当前状态不透明符号的启发,我们引入了一个新的位置隐私度量,即$ε-$隐私,量化对手的信念超过用户的当前位置。我们利用这个动态模型来设计一个LPPM,同时它确保服务的效用被充分利用,独立于对手的先验知识的用户,它可以保证用户指定的隐私级别可以实现一个无限的时间范围。整体隐私保护框架,包括用户移动模型的建设作为一个MDP,和建议的LPPM的设计,展示和验证与现实世界的实验数据。
2020-02-24 cs.CR
Privacy-Friendly Mobility Analytics using Aggregate Location Data
University College London(伦敦大学学院)
位置数据对于研究通勤模式和中断以及预测实时交通量非常有用。然而,与此同时,用户位置的细粒度收集引起了严重的隐私问题,因为这可能泄露关于用户的敏感信息,诸如生活方式、政治和宗教倾向、或甚至身份。在本文中,我们研究了在聚合位置信息上进行众包移动性分析的可行性:用户定期报告他们的位置,使用隐私保护聚合协议,以便服务器只能恢复聚合-即,在给定的时间,有多少用户而不是哪些用户在一个区域中。我们的实验与现实世界的流动性数据集从伦敦交通局和旧金山出租车网络,并提出了一种新的方法,基于时间序列建模,是面向预测交通量的兴趣区域,并检测移动异常。在存在异常的情况下,我们还通过为我们的模型提供来自相关区域的额外信息来增强交通量预测。最后,我们提出并评估了一个移动应用程序原型,称为移动数据捐赠者(MDD),在计算,通信和能源开销方面,展示了我们的技术在现实世界中的可部署性。
2016-10-09 cs.CR cs.CY cs.LG
Trust but Verify: Cryptographic Data Privacy for Mobility Management
大数据时代通过海量数据集带来了对用户行为更丰富的理解,这可以帮助组织优化其服务质量。在交通研究的背景下,移动数据可以为市政当局(MA)提供有关如何运营,监管或改善交通网络的见解。然而,移动性数据可能包含关于终端用户的敏感信息和移动性提供商(MP)的商业秘密。由于这种数据隐私问题,议员们可能不愿意将他们的数据集贡献给千年评估。利用密码学的思想,我们提出了一个MA和MP之间的交互式协议,其中MA从移动数据中获得见解,而MP不必透露其商业秘密或用户的敏感数据。这通过两个步骤来完成:提交步骤和计算步骤。在第一步中,使用Merkle承诺和聚合流量测量来生成加密承诺。在第二步中,MP从数据中提取见解并将其发送给MA。利用承诺和零知识证明,MA可以证明从MP接收的信息是准确的,而不需要直接检查移动性数据。我们还提出了一个差分私有版本的协议,是适合大型查询制度。该协议是可验证的MA和MP在这个意义上,从一方的不诚实可以检测到的其他。该协议可以很容易地扩展到更一般的设置与多个MP通过安全的多方计算。
2021-11-15 cs.CR cs.SI
Releasing Large-Scale Human Mobility Histograms with Differential Privacy
本文针对谷歌环境洞察探索者发布人类出行聚合统计数据的隐私需求,提出一种结合联邦分析与差分隐私的新机制,在约ε≈2的DP保证下满足严格误差约束,显著优于基线方法,并适用于group-by-sum类工作负载。
2024-07-03 cs.CR cs.DB
Analysing Fairness of Privacy-Utility Mobility Models
Imperial College London(伦敦帝国理工学院);University of Washington(华盛顿大学)
本文定义了一组基于轨迹结构相似性和熵的人类移动性公平性指标,并据此评估两个基于GAN和表示学习的隐私保护模型,发现它们在群体公平上达标但违反个人公平性,揭示了重识别任务与个人公平性之间的张力。
2023-04-10 cs.AI cs.CR cs.CY
Differentially Private Aggregated Mobility Data Publication Using Moving Characteristics
随着智能手机和定位应用的快速发展,位置隐私越来越受到人们的关注。直觉上,人们普遍认为,可以通过发布聚合的移动数据来保护位置隐私,例如某个时间某个区域中的用户数量。然而,最近的一次攻击表明,这些聚合的移动数据可以用来恢复个人轨迹。在本文中,我们首先提出了两个不同的私人基本方案的聚合移动数据发布,即直接扰动和阈值扰动,保护用户的位置隐私,特别是抵抗轨迹恢复攻击。然后,研究了移动用户的移动特性,根据移动用户的移动特性,将两种基本方案结合起来,设计了一种改进方案--静态混合扰动方案。由于静态混合扰动只适用于静态数据,这是完全可用的发布前,我们进一步调整静态混合扰动相结合的线性回归,并产生另一种改进方案称为动态混合扰动。动态混合扰动也适用于动态数据,动态数据在发布期间动态生成。隐私分析表明,所提出的方案实现了差分隐私。在模拟数据集和真实数据集上的大量实验表明,所有提出的方案都能很好地抵抗轨迹恢复攻击,改进方案的性能明显优于基本方案。
2019-08-10 cs.CR cs.DB
Time Distortion Anonymization for the Publication of Mobility Data with High Utility
每天都有越来越多的移动数据通过不同的方式收集,例如移动应用程序或人群感知活动。这些数据有时会在应用简单的匿名化技术(例如,将标识符而不是用户的名称),这可能导致对参与用户的隐私的严重威胁。文献包含更复杂的匿名化技术,通常基于向空间数据添加噪声。然而,这些技术或者在所添加的噪声太少的情况下损害隐私,或者在所添加的噪声太强的情况下损害数据的效用。我们在本文中调查的另一种解决方案,它建立在时间失真,而不是空间失真。具体而言,我们的贡献在于(1)引入时间失真的概念来匿名化移动数据集(2)Promesse,实现这一概念的保护机制(3)Promesse的实际研究相比,两个代表性的空间失真机制,即等待我,强制执行k-匿名,和地理不可侵犯性,强制执行差分隐私。我们实际上使用三个现实生活中的数据集来评估我们的机制。我们的研究结果表明,时间失真减少了可以被对手检索到的兴趣点的数量到3%以下,而引入的空间误差几乎为零,范围查询结果的失真平均保持在13%以下。
2015-07-02 cs.CR
On the security and privacy of LLMs in Mobility
University of Padova(帕多瓦大学);Örebro University(厄勒布鲁大学);Fondazione Bruno Kessler(布鲁诺·凯斯勒基金会)
本文综述了移动出行中LLM的应用与安全挑战,发现研究集中于GPT和Llama模型及交通应用,但忽视安全、隐私和可靠性,且AI法案合规性差,强调需安全设计。
2026-09-23 cs.AI cs.CR
A Predictive Differentially-Private Mechanism for Mobility Traces
随着支持GPS的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,这为其数百万用户带来了严重的隐私问题。为了解决这些问题,最近引入了地理不可侵犯性的概念,将众所周知的差分隐私概念适用于基于位置的系统领域。一个基于拉普拉斯的混淆机制,满足这种隐私的概念工作良好的情况下,零星的使用,但是,在重复使用,独立应用噪声导致快速丢失的隐私,由于在跟踪位置之间的相关性。在本文中,我们表明,在跟踪的相关性,实际上可以利用的预测功能,试图猜测新的位置的基础上,以前报告的位置。所提出的机制使用私有测试来测试预测位置的质量;在成功的情况下,报告预测,否则用新的噪声来净化位置。如果在输入跟踪中存在相当大的相关性,则与预算节省相比,测试的额外成本很小,从而导致更有效的机制。我们评估了用户在城市中移动时访问基于位置的服务的情况下的机制。使用一个简单的预测函数和两个预算支出策略,优化效用或预算消费率,我们表明,预测机制可以提供实质性的改善,独立应用的噪声。
2014-06-16 cs.CR
Privacy-Preserving Vehicle Assignment for Mobility-on-Demand Systems
University of Pennsylvania(宾夕法尼亚大学)
城市交通正在被按需移动(MoD)系统所改变。MoD系统的目标之一是为乘客提供个性化的运输服务。这一过程由一个集中的运营商促进,该运营商根据位置数据协调车辆分配给各个乘客。然而,目前的方法假设乘客和车辆的准确定位信息是容易获得的。这种假设引起了隐私问题。在这项工作中,我们通过提出一种保护乘客下车位置的方法来解决这个问题(即,旅行目的地)。形式上,我们解决了一个批量分配问题,该问题将车辆从模糊的原点位置路由到乘客位置(因为原点位置对应于先前的下车位置),使得平均等待时间最小化。我们的主要贡献有两方面。首先,我们形式化的概念,隐私的连续车辆到乘客分配在国防部系统,并集成了一个隐私机制,提供正式的保证。其次,我们提出了一个可扩展的算法,利用多余的(空闲)车辆在系统中,结合多次迭代的匈牙利算法分配冗余数量的车辆给一个单一的乘客。因此,我们能够减少隐私机制引起的性能恶化。我们评估我们的方法在一个真实的,大规模的数据集,包括超过1100万辆出租车(指定车辆的可用性和乘客的要求),记录在一个月的时间,在纽约曼哈顿地区。我们的工作表明,隐私可以集成到国防部系统,而不会导致显着的性能损失,而且,这种损失可以进一步减少部署额外的(冗余)车辆到车队的成本。
2017-03-14 cs.CR cs.RO
There goes Wally: Anonymously sharing your location gives you away
利用当前技术,许多实体可以访问不同时空粒度级别的用户移动性轨迹。与此同时,用户经常通过不同的方式透露他们的位置,包括地理标记的社交媒体帖子和移动应用程序的使用。这种泄露通常与假名或假身份绑定,以保护个人隐私。在这项工作中,我们研究如何大规模的移动跟踪可以去匿名匿名的位置泄漏。通过挖掘全国范围内数千万用户的移动轨迹,我们的目标是了解需要多少位置泄漏才能唯一匹配一个轨迹,时空混淆如何降低匹配质量,以及泄漏的位置流行度和时间如何影响去匿名化。我们还研究了那些匿名泄漏更容易识别的个人的流动性特征。最后,通过将我们的匹配方法扩展到完整的痕迹,我们展示了大规模的人类流动性是多么的独特。我们的定量结果对用户痕迹的隐私有影响,并可作为未来移动数据管理和发布政策的指导方针。
2018-11-15 cs.CR
Analyzing privacy-aware mobility behavior using the evolution of spatio-temporal entropy
University of Lausanne(洛桑大学)
分析用户的移动性行为对于创建或改进现有服务是非常有用的。为了研究主要使用用户的重要位置的用户的移动性行为,已经进行了若干研究工作。然而,这些现有的分析是非常侵入性的,因为它们需要用户经常访问的地方的知识,从而使得识别它们相当容易。因此,在本文中,我们提出了一个隐私感知的方法来分析用户的移动行为。我们首先提出了一个新的度量的基础上著名的香农熵,称为时空熵,量化的移动性水平的用户在一个时间窗口。然后,我们计算一个序列的时空熵的位置历史的用户表示用户的运动节奏。其次,我们提出了如何研究几组额外的变量对用户的时空熵的演变的影响,如时空,人口和交通变量的平均值。为此,我们使用广义加性模型(GAM)。结果表明,时空熵和GAM是理解单个用户或一组用户移动行为的理想组合。我们还评估了一个全球GAM的预测精度相比,个人GAM和个人自回归综合移动平均(ARIMA)模型。这些最后的结果强调了全局GAM通过检查平均绝对误差(MAE)给出了更准确的时空熵预测。此外,这项研究工作开辟了各种思路,例如预测用户的人口统计数据或通过使用用户的运动节奏特征创建个性化的移动预测模型。
2019-07-05 cs.CR cs.LG stat.ML
Differentially Private Multivariate Time Series Forecasting of Aggregated Human Mobility With Deep Learning: Input or Gradient Perturbation?
Inria(法国国家信息与自动化研究所);École Polytechnique (IPP)(巴黎综合理工学院(巴黎理工学院));Femto-ST Institute(弗朗什-孔泰电子、力学、热学与光学科学技术研究所);Univ. Bourg. Franche-Comté(勃艮第-弗朗什-孔泰大学);UBFC(勃艮第-弗朗什-孔泰大学联盟);CNRS(法国国家科学研究中心);Orange Applications For Business(Orange商业应用公司);Orange Labs.(奥兰治实验室);Antonine University Hadat-Baabda(哈达特-巴卜达安东尼大学);National University of Singapore(新加坡国立大学)
本文研究的问题,预测多变量聚集的人的流动性,同时保护有关个人的隐私。差分隐私是一种最先进的形式化概念,在训练深度学习模型时,已在两个不同且独立的步骤中用作隐私保证。一方面,我们考虑了\textit{gradient perturbation},它使用差分隐私随机梯度下降算法来保证每个时间序列样本在学习阶段的隐私性。另一方面,我们考虑了\textit{input perturbation},它在应用任何学习之前在序列的每个样本中添加了差分隐私保证。我们比较了四种最先进的递归神经网络:长短期记忆,门控递归单元,以及它们的双向架构,即,Bidirectional-LSTM和Bidirectional-GRU我们使用真实世界的多变量移动数据集进行了广泛的实验,该数据集与本文一起公开发表。如结果所示,在梯度或输入扰动下训练的差异私有深度学习模型实现了与非私有深度学习模型几乎相同的性能,性能损失在$0.57\%$到$2.8\%$之间变化。本文的贡献对于参与城市规划和决策的人员具有重要意义,通过差异化私人深度学习模型为人类流动性多变量预测问题提供了解决方案。
2022-06-03 cs.CR cs.LG
The Impact of Privacy and Security Attitudes and Concerns of Travellers on Their Willingness to Use Mobility-as-a-Service Systems
本研究通过在线调查和回归分析发现,出行者的个人数据隐私安全态度对其使用MaaS系统的意愿无显著影响,而他们对网站的信任度及听闻数据被滥用的频率则具有显著影响。
2024-02-17 cs.CR cs.CY
On the Data Fight Between Cities and Mobility Providers
电动滑板车正在改变人们的出行习惯。为了监督滑板车的使用,洛杉矶交通部提出了一项规范,要求滑板车公司提供滑板车使用的详细数据。在这篇文章中,我们首先认为洛杉矶。的使用新规范的数据请求是没有保证的,因为已经存在的规范可以满足提议的用例。其次,我们表明,即使是现有的规范,要求公司发布停放的滑板车的实时数据,也会使使用滑板车的个人的隐私处于危险之中。然后,我们提出了一种算法,在发布停放的滑板车数据时,可以实现正式的隐私和实用性保证,使城市当局能够满足他们的用例,同时保护乘客的隐私。
2020-04-20 cs.CR cs.CY
Rethinking Membership Inference Attacks Against Transfer Learning
Nanyang Technological University(南洋理工大学);Wuhan University(武汉大学);Northeastern University(东北大学);City University of Hong Kong(香港城市大学);Swinburne University of Technology(斯威本科技大学)
本文提出一种针对迁移学习的成员推断攻击新方法,通过分析学生模型与影子模型隐藏层差异,在白盒访问下推断教师模型训练数据,揭示迁移学习中的隐私风险。
2025-01-20 cs.CR cs.LG
Investigating Vulnerabilities of GPS Trip Data to Trajectory-User Linking Attacks
针对移除用户标识符的GPS行程数据集,提出新型轨迹-用户关联攻击以重建标识符,通过两个真实数据集验证即使移除标识符重新识别风险仍显著,截断机制无效,且频繁访问小众地点的用户更易被识别。
2025-02-12 cs.CR
Is Homomorphic Encryption Feasible for Smart Mobility?
本文利用SEAL实现并测量智慧出行中的三类FHE分布式计算,证明当前FHE可在约100毫秒、低于3微美分开销下保护事务隐私。
2023-06-07 cs.CR cs.PF
Privacy-preserving classifiers recognize shared mobility behaviours from WiFi network imperfect data
Polytechnique Montréal(蒙特利尔高等理工学院)
本研究利用蒙特利尔理工大学Eduroam WiFi网络的连接日志,在不涉及设备追踪、不处理数据噪声与丢失的隐私保护前提下,通过基础统计预处理和Bagged Trees分类器,实现了课间休息和下课移动行为的高准确率识别,验证了非完美WiFi数据识别共享移动模式的可行性。
2018-10-24 cs.CR cs.LG eess.SP
Cooperative Location Privacy in Vehicular Networks: Why Simple Mix-zones are not Enough
车载通信可以提供车辆及其所在位置的丰富信息。假名身份验证在增强用户隐私的同时保护通信。为了增强位置隐私,提出了加密混合区,以促进车辆隐蔽地过渡到新的短暂凭证。(句法和语义)假名链接(攻击)的弹性高度依赖于混合区的几何形状,移动模式,车辆密度和到达率。我们引入了一个跟踪算法,用于连接密码保护的混合区之前和之后的同义词。我们的实验结果表明,窃听者,利用标准化的车辆通信信息和道路布局,可以成功地连接73%的非高峰时段和62%的高峰时段后,车辆改变他们的混合区的缩略词。为了减轻这种推理攻击,我们提出了一种新的合作混合区计划,提高用户的隐私,无论车辆的移动模式,车辆密度和到达率的混合区。一个子集的车辆,称为中继车辆,被选择来负责模拟不存在的车辆。这些车辆合作传播诱饵交通,而不影响安全关键操作:50%的车辆作为中继车辆,链接的可能性(整个间隔)从68%下降到18%。平均而言,这在路边单元(RSU)上施加了每秒28 ms的额外计算开销,并且在(中继)车辆侧施加了每秒4.67 ms的额外计算开销;它还通过(中继)车辆引入了1.46 KB/秒的额外通信开销,并且通过RSU引入了45 KB/秒的额外通信开销以用于诱饵流量的传播。因此,以低计算和通信开销为代价增强了用户隐私。
2020-12-11 cs.CR
Breaking Data Silos: Towards Open and Scalable Mobility Foundation Models via Generative Continual Learning
Center for Urban Science and Computation(城市科学与计算中心);Tsinghua University(清华大学)
MoveGCL通过生成持续学习实现开放和可扩展的移动基础模型,解决数据孤岛问题,实现跨机构协作与隐私保护。
2025-12-29 cs.CR cs.LG
Adaptive Location Privacy with ALP
随着基于位置的服务(LBS)每天收集的移动数据量的增加,用户面临着一系列新的威胁,这些威胁与过度共享其位置信息有关。为了解决这个问题,在过去的几年中,已经提出了几个位置隐私保护机制(LPPM)。然而,这些机制中的每一个都带有不同的配置参数,这些参数对提供给用户的隐私保证和受保护数据的最终效用都有直接影响。在这种情况下,非专家系统设计者可能难以选择要使用的适当配置。此外,这些机制通常是一次性配置的,这导致每个受保护信息的配置都相同。然而,并非所有用户都具有相同的行为,甚至单个用户的行为也可能随着时间的推移而改变。为了解决这个问题,我们在本文中提出了ALP,一个新的框架,使动态配置的LPPM。ALP可以用于两种场景:(1)离线,其中ALP使系统设计者能够选择并自动调整最合适的LPPM以用于保护给定数据集;(2)在线,其中ALP使人群感测应用的用户能够通过自动调整现有LPPM来保护她的地理定位数据的连续批次,以满足一组隐私和效用目标。我们用两个现实生活中的移动数据集和两个最先进的LPPM来评估ALP。我们的实验表明,ALP发现的自适应LPPM配置在隐私和实用性方面优于一组静态配置手动固定的系统设计师。
2016-09-23 cs.CR
Privacy in trajectory micro-data publishing : a survey
我们调查了关于轨迹微观数据隐私的文献,即,关于个人流动性的时空信息,由于新兴的信息和通信技术,收集这些信息变得越来越简单和频繁。我们审查的重点是隐私保护数据发布(PPDP),即,公布轨迹微观数据数据库,保护受监测个人的隐私。我们分类并介绍了针对轨迹微数据的攻击文献,以及迄今为止为保护数据库免受此类攻击而提出的解决方案。本文作为一个关键主题的介绍性阅读,在一个越来越意识到与数字服务相关的隐私风险的时代,并提供了对开放问题和未来研究方向的见解。
2020-05-13 cs.CR
Reconsidering utility: unveiling the limitations of synthetic mobility data generation algorithms in real-life scenarios
本文评估了五种合成移动数据生成算法在真实场景中的效用,发现现有模型在地图匹配、行程长度和交通流建模等方面存在明显不足,难以实现高效用与高灵活性的承诺。
2024-07-03 cs.CR
Measuring Membership Privacy on Aggregate Location Time-Series
虽然位置数据对于各种应用程序都非常有价值,但披露它会对个人隐私造成严重威胁。为了限制这种担忧,组织通常向分析师提供聚合时间序列,其指示,例如,某个时间间隔内有多少人在某个地点,而不是原始的个人痕迹。在本文中,我们进行了测量研究,以了解成员推断攻击(MIA)的聚合位置时间序列,其中一个对手试图推断是否一个特定的用户有助于聚合。我们发现,贡献的数据量,以及用户的移动模式的规律性和特殊性,在攻击的成功发挥了至关重要的作用。我们实验了广泛的防御的基础上推广,隐藏和扰动,并评估他们的能力,以挫败攻击相对于效用损失,他们介绍了各种移动性分析任务。我们的研究结果表明,一些防御失败的全面,而其他工作的特定任务的聚合位置时间序列。例如,抑制小计数可以用于热点排名、预测流量的数据概括、热点发现和地图推理,而采样在数据集稀疏时对于位置标记和异常检测是有效的。差异隐私技术仅在非常特定的设置中提供合理的准确性,例如,发现热点并预测其流量,在使用较弱的隐私概念(如人群混合隐私)时更是如此。总的来说,我们的测量结果表明,不存在一个独特的通用防御,可以保留任意应用程序的分析的效用,并提供有用的见解有关的消毒聚合位置时间序列的披露。
2020-04-27 cs.CR
De-AntiFake: Rethinking the Protective Perturbations Against Voice Cloning Attacks
University of Science and Technology of China(中国科学技术大学)
本文提出一种两阶段净化方法,旨在提升对抗语音克隆攻击的防御效果,通过净化扰动语音并利用音素指导进行优化,实验表明其优于现有方法。
2025-07-03 cs.AI cs.CR cs.LG
CATS: Conditional Adversarial Trajectory Synthesis for Privacy-Preserving Trajectory Data Publication Using Deep Learning Approaches
University of Wisconsin-Madison(威斯康星大学麦迪逊分校);Columbia University(哥伦比亚大学)
CATS框架通过K-匿名分布约束、条件对抗训练、注意力上下文学习和二分图匹配,生成高质量隐私保护轨迹数据,并在9万条GPS轨迹上验证了其在隐私、时空特征和下游效用上的优势。
2023-09-20 cs.AI cs.CR cs.LG
Real-Time Trajectory Synthesis with Local Differential Privacy
针对现有轨迹流隐私发布方法忽略时空上下文、效用不足的问题,提出基于LDP的实时轨迹合成框架RetraSyn,通过隐私提取移动模式实现高效用合成,在多数据集上验证了其优越性与通用性。
2024-04-17 cs.CR cs.DB
Technical Case Study of Privacy-Enhancing Technologies (PETs) for Public Health
Mastercard;Harvard University(哈佛大学);OpenDP;Javeriana University(贾维里亚大学);Sloan Foundation(斯隆基金会)
本文通过技术案例研究展示如何利用差分隐私技术生成隐私保护的合成财务交易数据,结合公共卫生和移动性数据,开发六个可重用工具,提升流行病学决策能力。
2026-03-13 cs.AI cs.CR