计算可恢复伪装：面向隐私感知的基于位置服务的通用模型
密码学与安全
2017-03-03 v2
摘要
随着先进定位技术支持的基于位置服务(LBSs)的普及，高精度个人地理数据传输急剧增加。这些敏感数据的恶意使用将威胁LBS用户隐私。尽管LBS隐私研究受到广泛关注，相关工作多集中于某些特定应用。由于LBS的高度多样性，构建一个能处理更广泛应用隐私保护的通用模型至关重要。本文提出计算可恢复伪装(CRC)模型，LBS用户可通过报告伪装位置信息来保护隐私，并能通过调整伪装信息的精度在不同应用中灵活权衡服务质量与所获隐私。特别地，我们提出一种具有形式化隐私保证的新型伪装算法，其同时考虑位置上下文与社会上下文，使用户能按两个维度可扩展地暴露伪装信息。此外，我们应用可扩展密文策略属性基加密(SCP-ABE)算法对二维可扩展伪装信息实施细粒度访问控制。通过在Android设备上的成功实现，我们证明了所提CRC模型的计算效率。
引用
@article{arxiv.1603.07711,
title = {Computationally Recoverable Camouflage: A Universal Model for Privacy-Aware Location-Based Services},
author = {Changsha Ma and Zhisheng Yan and Chang Wen Chen},
journal= {arXiv preprint arXiv:1603.07711},
year = {2017}
}
备注
The paper has been withdrawn by the author due to reorganization