你能跑，却藏不住：利用高程剖面通过轨迹预测突破位置隐私
密码学与安全
2019-10-22 v1 社会与信息网络
摘要
智能手机和可穿戴设备的广泛使用促进了许多有用应用的发展。例如，借助配备全球定位系统（GPS）的智能和可穿戴设备，许多应用可以收集、处理和共享丰富的元数据，如地理定位、轨迹、高程和时间。例如，Strava 和 Runkeeper 等健身应用利用信息进行活动追踪，近来人气暴涨。这些追踪器拥有自己的网络平台，并允许用户在此类平台甚至其他社交网络平台上分享活动。为了在允许分享的同时保护用户隐私，这些平台允许用户披露部分信息，例如活动的高程剖面，据称这不会泄露位置轨迹。在本工作中，我们考察了公开可用的高程剖面能在多大程度上被用于预测用户的位置轨迹。为应对该问题，我们设计了三种威胁场景，可据此预测城市、 borough（ borough 为行政区）、甚至一条路线。这些威胁场景定义了攻击者发起预测攻击时可获得的信息量。在确定高程剖面的简单特征（如频谱特征）不足之后，我们设计了受自然语言处理（NLP）启发的类文本表示和受计算机视觉启发的类图像表示，并将手头问题转化为文本和图像分类问题。我们同时使用传统机器学习和基于深度学习的技术，取得了 59.59% 至 95.83% 的预测成功率。这些发现令人警觉，并凸显出分享如高程剖面等信息可能带来显著的隐私风险。
引用
@article{arxiv.1910.09041,
title = {You Can Run, But You Cannot Hide: Using Elevation Profiles to Breach Location Privacy through Trajectory Prediction},
author = {Ülkü Meteriz and Necip Fazıl Yıldıran and Aziz Mohaisen},
journal= {arXiv preprint arXiv:1910.09041},
year = {2019}
}