6G车载元宇宙中的跨现实位置隐私保护：一种LLM增强的混合生成扩散模型方法

6G赋能的车辆元宇宙的出现，使自动驾驶车辆（AV）能够通过空天地海一体化网络在物理空间和虚拟空间中运行。AV可以在边缘服务器上部署由大型AI模型驱动的AI代理作为个性化助手，以支持智能驾驶决策并增强车载体验。然而，这种跨现实交互可能导致严重的隐私风险，因为攻击者可以通过关联AV在现实中请求LBS时报告的位置与其对应AI代理在虚拟中部署的边缘服务器位置来推断AV轨迹。为应对这一挑战，我们设计了一个基于混合动作的跨现实位置隐私保护框架，包括现实中的连续位置扰动和虚拟中的离散隐私感知AI代理迁移。在该框架中，我们提出了一种新的隐私度量，称为跨现实位置熵，以有效量化AV的隐私水平。基于此度量，我们构建了一个优化问题来优化混合动作，重点实现位置保护、服务延迟降低和服务质量维护之间的平衡。为解决这个复杂的混合整数问题，我们开发了一种新颖的LLM增强型混合扩散近端策略优化（LHDPPO）算法，该算法集成了LLM驱动的信息性奖励设计以增强环境理解，并结合了基于双生成扩散模型的策略探索以处理高维动作空间，从而能够可靠地确定最优混合动作。在真实世界数据集上的大量实验表明，所提出的框架在6G赋能的车辆元宇宙场景中，有效减轻了AV的跨现实位置隐私泄露，同时保持了强大的用户沉浸感。