人类移动性预测中的隐私感知对抗网络

随着移动设备与基于位置的服务在不同智慧城市场景与应用中的不断发展，由于地理定位数据的采集与共享，许多意外的隐私泄露已然出现。当用户地理定位数据被共享至云辅助应用时，用户重识别与其他敏感推断是主要的隐私威胁。值得注意的是，四个时空点足以唯一识别 95% 的个体，这加剧了个人信息泄露。为应对用户重识别等恶意目的，我们提出一种基于 LSTM 的带表示学习的对抗机制，以获得原始地理定位数据（即移动数据）的隐私保护特征表示以供共享。这些表示旨在以最小的效用代价（即损失）最大化降低用户重识别与完整数据重建的可能性。我们通过量化移动数据集在轨迹重建风险、用户重识别风险与移动可预测性方面的隐私–效用权衡来训练该机制。我们报告了一项探索性分析，使用户能以特定损失函数及其权重参数评估此权衡。在四个代表性移动数据集上的广泛对比结果证明了我们所提架构在移动隐私保护方面的优越性及所提隐私保护特征提取器的高效性。我们表明移动轨迹的隐私以边际移动效用的代价获得了恰当保护。结果还显示，通过探索帕累托最优设置，我们可同时提升隐私（45%）与效用（32%）。