基于深度强化学习的隐私感知位置共享
信息论
2019-10-07 v2 密码学与安全
math.IT
摘要
基于位置的服务（LBSs）已广泛流行。尽管有其效用，这些服务引发了隐私担忧，因为它们需要与不可信的第三方共享位置信息。在这项工作中，我们研究位置共享机制中的隐私-效用权衡。现有方法主要聚焦于共享单个位置的隐私或短视的位置轨迹隐私；它们均未考虑过去与当前位置之间的时间相关性。尽管这些方法保护了当前时刻的隐私，但由于攻击者可以利用轨迹中的时间相关性，它们可能在轨迹层面泄露大量信息。我们提出了一种信息论意义上最优的、考虑时间相关性的隐私保护位置发布机制。我们通过用户真实位置轨迹与发布位置轨迹之间的互信息来度量隐私泄露。为处理依赖于历史的互信息最小化，我们将该问题重新表述为马尔可夫决策过程（MDP），并使用异步 actor-critic 深度强化学习（RL）求解。
引用
@article{arxiv.1907.07606,
title = {Privacy-Aware Location Sharing with Deep Reinforcement Learning},
author = {Ecenaz Erdemir and Pier Luigi Dragotti and Deniz Gunduz},
journal= {arXiv preprint arXiv:1907.07606},
year = {2019}
}
备注
Accepted to IEEE Workshop on Information Forensics and Security (WIFS 2019)