摘要：针对传统轨迹数据保护中忽略位置点携带的语义信息带来的隐私泄露问题,提出一种基于指数机制的轨迹差分隐私保护方法。针对位置空间属性及位置语义特征双重属性信息导致的隐私泄露,根据差分隐私中指数机制的特性,为位置点设计可用的打分函数后随机化输出,对轨迹进行了有效的隐私保护。该方法在保证位置隐私的同时减小数据集规模,并防止语义背景推断攻击,提高数据可用性。在真实轨迹数据集上进行实验,实验结果表明,该方法可以保证隐私强度,有效保护了用户的停留区域位置隐私,同时有效提高了数据可用性。

摘要：为了解决现有采样机制和数据混淆方法容易导致公开发布的轨迹数据可用性较低和隐私保护不足的问题,提出了一种基于差分隐私的轨迹隐私保护方案。该方案通过建立新的基于时间泛化和空间分割的高效采样模型,并利用k-means聚类算法进行抽样数据处理,同时借助差分隐私保护机制对轨迹数据进行双重扰动,有效解决了具有强大背景知识的攻击者窃取用户隐私的问题。同时,为适应轨迹数据查询范围的误差边界,设计了有效的数据发布预判机制,保证了发布的轨迹数据的精度。仿真结果表明,与现有的轨迹差分隐私保护方法相比,所提方案在处理效率、隐私保护强度和数据可用性等方面具有明显的优势。

摘要：现有基于ε-差分隐私模型的频繁模式挖掘算法存在全局敏感度过高与挖掘结果可用性较低的不足.设计一个基于事务截断的差分隐私频繁模式挖掘算法.算法首先采用基于指数机制的事务截断思想,对长事务进行截断处理,以有效降低算法的全局敏感度,并在此基础上提出基于事务截断的差分隐私频繁模式挖掘算法,而后提出可用于扩充Apriori算法候选集的最小噪声支持度标准,以进一步提升挖掘结果的可用性.实验对本文算法的频繁模式挖掘结果与同类算法进行比较分析.实验结果表明,本文算法可在满足ε-差分隐私的前提下,保证挖掘结果具有较高的可用性.

摘要：联邦学习是一种解决数据孤岛问题的方法,但随着攻击模型的不断进化,敌手可能在训练过程中注入有害参数,导致模型训练效果下降。为了增强联邦学习模型训练过程的安全性,设计了一种面向联邦学习投毒攻击的客户端筛选策略。在该策略中,利用基于差分隐私指数机制的评分函数来动态更新权重参数。首先,为每个客户端分配一致的权重参数;然后,将每一轮训练的效果作为评估标准进行量化,并将量化结果传递至所构建的更新函数中;接着,服务器根据这些更新后的权重参数,筛选出适合参与本轮训练的客户端,并对这些客户端上传的训练模型进行聚合。整个流程反复进行多轮次,最终得出一个有效可靠的训练模型。最后,通过实验验证了所提策略在面对敌手投毒攻击下的可行性。

摘要：差分隐私保护在交通轨迹数据发布领域的应用研究日益增多,如何在保证数据隐私性的同时提高发布数据集的可用性,已成为重要的研究课题。目前,在结合聚类的差分隐私保护算法中,主要是基于K-means聚类算法,但由于需要提前指定K值,因此基于K-means的方法不能很好地适应数据集的变化。提出了一种新的交通轨迹差分隐私保护数据发布方法,该方法结合AP聚类算法(Affinity Propagation Clustering Algorithm)以及豪斯多夫距离,设计指数机制对轨迹点进行聚合映射,以提高轨迹集的数据可用性。