差分隐私轨迹数据发布

随着位置感知设备的日益普及，轨迹数据已在各种应用领域中被生成和收集。轨迹数据承载着丰富的信息，对许多数据分析任务都很有用。然而，不当发布和使用轨迹数据可能危及个人隐私。但已有研究表明，现有的基于划分的隐私模型（例如 k-匿名）所衍生的隐私保护轨迹数据发布方法，无法提供足够的隐私保护。本文受蒙特利尔地区公共交通机构蒙特利尔交通公司（STM）的数据发布场景启发，研究了在严格的差分隐私模型下发布轨迹数据的问题。我们提出了一种高效的数据依赖且满足差分隐私的净化算法，该算法适用于不同类型的轨迹数据。我们方法的效率源于通过基于底层数据构建含噪前缀树来自适应地缩小输出域。此外，作为后处理步骤，我们利用前缀树的固有约束进行约束推理，从而获得更好的效用。这是首篇介绍在差分隐私下发布大规模轨迹数据实用解决方案的论文。我们从计数查询和频繁序列模式挖掘两方面检验了净化数据的效用。在来自 STM 的真实轨迹数据上进行的大量实验表明，我们的方法保持了高实用性，并且可扩展到大型轨迹数据集。