一种管理连续 LBS 交互中多维隐私泄露并优化数据效用的框架

位置服务 (LBS) 中的隐私问题因移动设备的普及以及位置数据在各类应用中的日益集成，日益受到高度重视。本文对 LBS 隐私泄露的理解与管理作出了 several 项新颖贡献。我们的工作提供了更为全面的框架，用于跨越位置基于交互不同维度的隐私关注。具体而言，我们引入 $(\epsilon, \delta)$-位置隐私、$(\epsilon, \delta, \theta)$-轨迹隐私以及 $(\epsilon, \delta, \theta)$-兴趣点 (POI) 隐私，这些概念为在持续与 LBS 交互时，对位置、轨迹和兴趣点 (POI) 关联的隐私风险提供了更精细的量化机制。此外，我们在基本概念之间建立了根本性的联系，促进了 LBS 隐私保护的整体方法。我们还提出了下界分析，以评估所提出隐私保护机制的数值效用，洞察了隐私保护与数据效用之间的权衡。最后，我们通过 Plannar Isotopic Mechanism 实例化该框架，展示其在确保最优效用并在各维度上量化隐私泄露的同时，实际应用的可行性。所提供的评估结果全面揭示了本框架在捕捉位置、轨迹和兴趣点上的隐私损失，同时实现了确保精度的量化能力。