聚合移动网络中的差分隐私：隐私与效用的平衡

位置数据被持续从用户处收集以理解其移动模式。发布用户轨迹可能危及用户隐私。因此，通常做法是发布聚合位置数据集。然而，私人信息仍可能从位置轨迹的聚合版本中推断出来。差分隐私（DP）无论背景知识如何均保护查询输出免受推断攻击。本文提出一种基于差分隐私的隐私模型，保护用户起点与终点不被从聚合移动数据集中推断。这是通过向用户起点与终点GPS点注入平面拉普拉斯噪声实现的。随后含噪GPS点经链路匹配算法转换为链路表示。最终，链路轨迹形成聚合移动网络。注入噪声水平使用稀疏向量机制选取。该DP选择机制考虑了位置的链路密度与局部链路的功能类别。相较于包括k-匿名方法在内的不同基线模型，我们的基于差分隐私的聚合模型所提供的查询响应在聚合统计上接近原始数据，在网络与轨迹层级上相对基线最大偏差为9%（以网络长度计）。