针对未知移动行为的重新思考位置隐私
密码学与安全
2019-05-24 v2
摘要
文献中的位置隐私保护机制(LPPMs)大多认为可用于训练的用户数据完整地刻画了其移动模式。因此，它们在设计中固化了这一信息，并用这些相同的数据评估其隐私属性。在本文中，我们旨在理解这一决策在这些LPPMs在现实生活中可能提供的隐私水平上的影响，即当用户移动数据可能不同于设计阶段所用数据时。我们的结果表明，在许多情况下，训练数据并不能准确捕捉用户行为，因此LPPM所提供的隐私水平常被高估。为弥合理论与实践的这一差距，我们提出在LPPM设计中使用空白模型(blank-slate models)。与假设已知用户行为的固化方法不同，空白模型从对服务提供商的查询中学习用户行为。我们利用这一空白方法开发了一类新的LPPMs，称之为基于轮廓估计的LPPMs(Profile Estimation-Based LPPMs)。使用真实数据，我们经实证表明，我们的方案优于基于偶发性固化模型设计的的最优最先进(state-of-the-art)机制。在非偶发性位置隐私场景中，仅当位置隐私服务的使用不是连续时，我们的方法才更优。我们希望，消除用训练数据引导机制的需求，并确保机制轻量且易于计算，有助于促进位置隐私保护在已部署系统中的集成。
引用
@article{arxiv.1809.04415,
title = {Rethinking Location Privacy for Unknown Mobility Behaviors},
author = {Simon Oya and Carmela Troncoso and Fernando Pérez-González},
journal= {arXiv preprint arXiv:1809.04415},
year = {2019}
}