基于前缀树和马尔可夫过程的差分隐私轨迹合成：DPTraj-PM
密码学与安全
2024-04-23 v1
摘要
GPS 启用设备的日益增长产生了大量轨迹数据。这些数据为我们提供了理解个体和人群运动的关键见解，惠及从交通规划到流行病建模的广泛应用领域。然而，不当的轨迹数据释放增加了对个人隐私的担忧。以往的尝试要么缺乏强大的隐私保证，要么未能保留原始数据的足够基本特征。本文提出 DPTraj-PM 方法，在差分隐私框架下合成轨迹数据集，同时确保高数据效用。基于假设个体的轨迹主要由初始轨迹段(表征起点和初始方向)及下一个位置点决定，DPTraj-PM 将原始轨迹离散化为相邻细胞，并通过组合前缀树结构和 m 阶马尔可夫过程对其建模。在加入差分隐私噪声后，DPTraj-PM 从噪声模型生成合成数据集，以支持更广泛的数据挖掘和建模任务。DPTraj-PM 生成的轨迹不仅保留了个体运动行为的模式和变异性，还保护了个人隐私。在两个真实数据集上的实验表明，DPTraj-PM 在数据效用方面显著优于现有技术。我们的代码已公开于 https://github.com/wnn5/DP-PrefixTreeMarkov。
引用
@article{arxiv.2404.14106,
title = {DPTraj-PM: Differentially Private Trajectory Synthesis Using Prefix Tree and Markov Process},
author = {Nana Wang and Mohan Kankanhalli},
journal= {arXiv preprint arXiv:2404.14106},
year = {2024}
}