人群透露了关于你的什么？基于聚合的位置隐私评估

关于人们移动及所访问位置的信息使得越来越多的移动分析应用成为可能，例如在城市规划与交通规划背景下。在此场景中，实体通常不收集或共享原始数据，而是使用聚合作为隐私保护机制，旨在隐藏个体用户的位置轨迹。此外，为限制从聚合中泄露信息，它们可以扰动聚合的输入或其输出，以确保这些满足差分隐私。本文着手评估发布聚合位置时间序列对贡献于聚合的个体之隐私的影响。我们引入了一个框架，使我们能够推理对抗试图预测用户位置或恢复其移动模式的隐私攻击。我们将这些攻击形式化为推断问题，并讨论了几种基于攻击者可能访问的信息来建模其先验知识的策略。然后我们利用该框架量化源自聚合位置数据的隐私损失，无论有无差分隐私保护，使用了两个真实世界移动数据集。我们发现聚合确实会泄露关于个体精确位置与移动轮廓的信息。观察的密度以及时序起着重要作用，例如高峰时段规律模式比零星移动受到更好保护。最后，我们的评估显示，输出与输入扰动提供极少的额外保护，除非它们引入大量噪声最终破坏数据的效用。