优化扰动地理位置数据的噪声水平

随着智能手机数量的巨大增长，应用商店充斥着需要地理位置访问权限的应用程序，以便通过个性化为用户提供更好的服务。无论频率如何，向这些第三方应用程序透露用户位置都是一种严重的隐私泄露，可能导致不良的社会后果。为了防止源自地理位置数据的推断攻击，文献中已提出了多种位置混淆技术。然而，这些技术均未提供隐私保证的客观度量。已有部分工作以地理不可区分性 (geo-indistinguishability) 的形式定义了地理位置数据的差分隐私，并提供 $\epsilon$ 隐私保证。这些技术未利用用户关于兴趣点 (PoIs) 的任何先验背景信息，而是应用拉普拉斯噪声来扰动所有位置坐标。直观上，如果在考虑关于 PoIs 的一些先验信息后推导噪声分布，此类机制的效用可以得到改善。在本文中，我们将差分隐私的标准定义应用于地理位置数据。我们利用第一性原理对各种隐私和效用约束、关于 PoIs 的可用先验背景信息（PoIs 位置在一维平面上的分布）以及不同类型应用程序所需的输入粒度进行建模，以在操作系统层面生成一种更准确且效用最大化的地理位置数据差分隐私算法。我们针对特定类别的应用程序和一些特定场景对此进行了调查。这也将帮助我们验证在拥有此类先验信息时，拉普拉斯噪声是否仍是最优的扰动方式。