顾及位置隐私保护的轨迹时空数据管理方法

Trajectory data are broadly collected and applied, which not only bring challenges to spatio-temporal data management efficiency, but result in social risks such as location privacy leakage. Therefore, efficient and safe management method of large-scale trajectory data becomes one of key bottlenecks. Taking into account the quantitative control of privacy protection and high-performance storage, this study proposes related researches on large-scale trajectory data management concerning location privacy protection, which include: 1)location privacy protection method based on differential privacy; 2)trajectory data access method for past, present and future; 3) trajectory data model concerning location privacy protection; 4) trajectory data management method based on Hadoop architecture; 5) prototype system development and experiments. This proposal aims at providing theoretical and methodological support for ubiquitous application of large-scale trajectory spatio-temporal data.

轨迹数据大规模采集和应用成为现实，不仅对时空数据管理性能带来挑战，还引发位置隐私泄露的社会风险，大规模轨迹时空数据的高效安全管理成为关键瓶颈问题之一。鉴于隐私保护量化可控和高性能存储需求，本申请提出顾及位置隐私保护的轨迹时空数据管理方法，主要研究内容包括：1）基于差分隐私的位置隐私保护方法；2）全时态的轨迹时空数据索引方法；3）顾及位置隐私保护的轨迹时空数据模型；4）基于Hadoop架构的轨迹时空数据管理方法；5）原型系统开发和应用实验。本项目的研究旨在为大规模轨迹时空数据普及应用提供有效的理论和方法支持。

轨迹数据大规模采集和应用成为现实，不仅对时空数据管理性能带来挑战，还引发位置隐私泄露的社会风险，大规模轨迹时空数据的高效安全管理成为关键瓶颈问题之一。鉴于隐私保护量化可控和高性能存储需求，项目组围绕关键技术和基础问题展开科研攻关，主要内容包括如下几点。.（一）提出一种新的轨迹数据索引方法HBSTR树，在创建效率、查询效率和支持查询类型等方面综合性能优于现有方法，支持大规模实时轨迹数据库的动态更新和高效访问。实验结果表明，在创建效率、查询效率等综合性能方面优于TB*树。.（二）提出一种结合差分隐私的位置K最近邻匿名方法，在位置隐私保护的同时保证服务质量的量化可控。基于前述轨迹数据索引快速实现K最近邻查询，并将拉普拉斯噪声参数控制在K最近邻匿名区域内，并选择聚类中心点再次生成K近邻匿名区域作为用户最终服务请求地址。实验结果证明，通过差分隐私系数控制加噪位置点相对于真实位置点的随机波动范围，且没有明显变化规律，能实现较好地保护用户位置隐私的目的。. 本项目执行期间，发表SCI、EI检索的高水平学术论文10篇，中文核心期刊论文1篇，申请发明专利1项，软件著作权1项，指导硕士学位论文5篇，较好地完成预定目标。研究成果后续可以应用于各类基于位置的互联网服务应用中。