基于聚类和深度学习的车联网轨迹隐私保护机制

作者：申自浩; 唐雨雨; 王辉^*; 刘沛骞; 刘琨

来源：浙江大学学报(工学版), 2024, 58(01): 20-28.

DOI：10.3785/j.issn.1008-973X.2024.01.003

• 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

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.

• 出版日期2024
• 单位河南理工大学