平衡隐私、效用与公平性：面向车联网交通管理系统的全方位方法

基于位置的车联网交通管理面临着在保护敏感地理数据方面的重大挑战，同时又需要维持对交通管理的实用性以及跨区域的公平性。现有最先进的解决方案往往难以满足对链路攻击和人口统计偏见所需的保护水平，导致隐私泄露和数据分析中的不公平。本文提出一种新型算法，旨在解决车联网交通管理系统中隐私、效用与公平性之间的平衡问题。在此语境下，效用意味着提供可靠且有意义的交通信息，而公平性则确保所有地区和个体在数据使用和决策中得到公平对待。我们采用差分隐私技术，通过集成查询式数据访问、迭代洗牌和校准噪声注入来增强数据安全性，确保敏感地理数据受到保护。我们通过实现拉普拉斯机制来确保符合 epsilon 差分隐私标准。我们在挪威的车联网位置数据上实现了该算法，证明其能够为交通管理和城市规划保持数据效用，同时确保所有地理区域在代表性上公平，既不被高估也不被低估。此外，我们基于该模型绘制了挪威的热力图，展示了该模型在各城市之间对交通状况的私有化和公平表示。该算法为车联网交通提供了隐私保护。