高效的局部相关地理位置隐私保护

地理混淆是一种位置隐私保护机制（LPPM），使移动用户能够与服务器共享混淆后的位置，而非其准确位置。该方法可在服务器端发生数据泄露时保护用户位置隐私，因为混淆过程是不可逆的。为减少数据混淆造成的效用损失，线性规划（LP）被广泛使用，但可能导致决策变量的多项式爆炸，使其在大规模地理混淆应用中难以实用。在本文中，我们提出了一种新的 LPPM，称为 Locally Relevant Geo-obfuscation（LR-Geo），通过 LP 在时间上更高效地优化地理混淆。这通过将每个用户的地理混淆计算局限于其实际位置的局部相关（LR）位置来实现。鉴于 LR 位置可能透露用户实际位置的风险，我们使用户能够在本地计算 LP 系数，而仅将其上传到服务器，而非上传 LR 位置。服务器 then 根据接收到的系数求解 LP 问题。此外，我们通过引入指数混淆机制来细化 LP 框架，以保证跨多个用户的混淆分布不可区分。基于 LP 公式的约束结构，我们应用 Benders 分解进一步提高计算效率。我们的理论分析确认，尽管地理混淆是为每个用户独立计算的，但仍以高概率满足跨多个用户的地理不可区分约束。最后，基于真实世界数据集的实验结果表明，LR-Geo 在计算时间、数据效用和隐私保护方面均优于现有的地理混淆方法。