Geo-MOEA:一种面向移动众包工人的带地理混淆多目标进化算法
密码学与安全
2022-11-18 v3
摘要
移动互联网与共享经济的快速发展带来了空间众包(SC)的繁荣。SC应用依据任务请求者与外包工人(如滴滴、美团和Uber)上报的位置信息分配各类任务。然而,SC服务器常不可信,且用户位置暴露引发隐私担忧。本文设计了一种称为Geo-MOEA(带地理混淆的多目标进化算法)的框架,以保护移动网络环境下SC平台上参与工人的位置隐私。我们提出一种基于地理不可区分性(差分隐私的强概念)且具有推断误差界的自适应区域化混淆方法,适用于大规模位置数据与任务分配场景。这使得每位工人可上报一个依据个性化推断误差阈值自适应生成的伪位置。此外,作为一种流行的计算智能方法,MOEA被引入以在理论上确保更大搜索空间下保护位置集的最一般条件的同时,优化SC服务可用性与隐私保护间的权衡。最后,在两个公开数据集上的实验结果表明,我们的Geo-MOEA方法在保证差分与地理失真位置隐私的同时,将服务质量损失降低了至多20%。
引用
@article{arxiv.2201.11300,
title = {Geo-MOEA: A Multi-Objective Evolutionary Algorithm with Geo-obfuscation for Mobile Crowdsourcing Workers},
author = {Shun Zhang and Tao Zhang and Zhili Chen and N. Xiong},
journal= {arXiv preprint arXiv:2201.11300},
year = {2022}
}
备注
14 pages, 13 figures