量化网络安全与位置隐私之间的权衡
密码学与安全
2021-12-14 v2
摘要
在基于位置的服务（LBS）中，用户隐私保护可能与用户及行程的安全性相冲突。尽管 LBS 提供商可采用隐私保护机制来模糊化客户数据，但车辆位置数据与轨迹的准确性对于异常检测至关重要，尤其是在 LBS 采用机器学习方法时。本文旨在通过评估 LBS 中位置隐私与安全性之间的权衡来解决这一困境。具体而言，我们研究了应用位置数据隐私保护技术对两种检测器性能的影响，即基于密度的带噪声空间聚类应用（DBSCAN）和循环神经网络（RNN）。实验结果表明，通过对位置数据施加隐私保护，DBSCAN 对 Laplace 噪声比 RNN 更敏感，尽管它们在无隐私保护的行程数据上达到了相似的检测精度。进一步的实验揭示，由于聚类行程所需的大量计算，DBSCAN 无法扩展到包含数百万条行程的大规模数据集。另一方面，在应用于无模糊化的车辆数据时，DBSCAN 仅需 RNN 所用数据量不到 10% 即可达到相似性能，表明基于聚类的方法可轻松应用于小数据集。基于上述结果，我们通过考虑客户对隐私的需求、可用车辆行程数据的大小以及 LBS 应用的实时约束，给出了在应用隐私保护时两类轨迹异常检测器的使用场景建议。
引用
@article{arxiv.2105.01262,
title = {Quantifying the Tradeoff Between Cybersecurity and Location Privacy},
author = {Dajiang Suo and M. Elena Renda and Jinhua Zhao},
journal= {arXiv preprint arXiv:2105.01262},
year = {2021}
}
备注
1st revision for T-ITS