基于聚类和深度学习的车联网轨迹隐私保护机制

摘要：

针对车联网轨迹发布中用户面临的隐私泄露问题,提出基于聚类和深度学习的轨迹隐私保护机制(PPCDL).考虑轨迹中的时间因素,通过时间戳将轨迹空间划分为多个区域,获取区域中的轨迹分布点.对每个区域进行改进稳定隶属度多峰值聚类,根据区域轨迹密度进行隐私预算矩阵的预分配.利用时间图卷积网络模型提取轨迹数据的时空特征,对隐私预算预分配矩阵进行训练和预测.根据预测结果添加相应的拉普拉斯噪声,在轨迹数据发布前进行扰动.理论分析和实验结果表明,PPCDL相较于对比机制,时间开销更少,能够更精确地预测隐私预算.利用PPCDL可以合理地在轨迹数据中添加拉普拉斯噪声,有效地提高了轨迹数据的可用性.

关键词：隐私保护、密度峰值聚类、轨迹隐私、时间图卷积网络、隐私预算

所属期刊栏目：58

分类号：TP309(计算技术、计算机技术)

资助基金：国家自然科学基金;河南省高等学校重点科研资助项目;河南理工大学博士基金资助项目;河南理工大学博士基金资助项目

在线出版日期：2023-12-21（万方平台首次上网日期，不代表论文的发表时间）

页数：共9页

页码：20-28