一种用于轨迹范围查询的差分隐私算法

我们提出了一种新颖的算法，用于确保对轨迹数据回答范围查询时的 $\epsilon$-差分隐私。为了保证隐私，差分隐私机制向数据或查询中添加噪声，从而给所发出的查询引入误差，并可能降低信息的效用。与现有最优方法相比，我们的方法实现了显著更低的误差，因为它是首个针对此类查询的数据与查询感知方法。在轨迹数据上私密地回答范围查询的关键挑战在于确保准确的计数。简单地将轨迹表示为点的集合而非点的\emph{序列}通常会导致高度不准确的查询答案，因为这忽略了轨迹中位置点的顺序依赖关系，即会破坏轨迹数据的一致性。此外，轨迹在城市中通常分布不均，均匀添加噪声通常会导致较差的效用。为了实现差分隐私，我们的算法根据给定的查询集自适应地向输入数据添加噪声。它首先以私密方式将数据结构划分为均匀区域，并计算每个区域的交通密度。然后，这些区域及其密度连同给定的查询集一起被用于估计轨迹在查询空间上的分布，从而针对给定查询集确保高准确度。我们使用在真实和合成数据集上的大量实证评估展示了我们算法的准确率和效率。