隐私受限无线网络中空间溯源的学习研究

在涉及多跳通信的车联网（V2X）网络中，路侧单元（RSUs）通常旨在收集参与车辆的位置信息，以提供安全和网络诊断功能。虽然车辆通常使用全球定位系统（GPS）进行导航，但出于隐私考虑，它们可能不愿与路侧单元共享其精确的GPS坐标。因此，为共同满足路侧单元的高定位要求以及车辆的隐私需求，我们提出了一种新颖的空间溯源框架，其中每辆车在转发数据包时使用布隆过滤器嵌入其部分位置信息。在此框架中，路侧单元和车辆约定将覆盖区域划分为多个更小的区域，以便车辆可以通过布隆过滤器嵌入其所在区域的标识。鉴于布隆过滤器的概率性质，我们推导了溯源恢复中错误率的解析表达式，然后提出了一个优化问题来选择底层参数。通过广泛的仿真结果，我们表明我们的方法在学习空间溯源方面提供了近乎最优的布隆过滤器参数。我们还讨论了通信开销、车辆空间隐私与溯源恢复错误率之间的一些有趣权衡。