位置服务中基于“时-空-社交”关联性的轨迹k匿名关键技术研究

As an important technique for trajectory privacy protection in location-based services, trajectory k-anonymity has gained wide attentions both at home and abroad. Recent research shows that the existing trajectory k-anonymity techniques ignore the potential risks of users’ trajectory privacy leakage resulted from social relationships, which brings numerous new challenges to the further development of trajectory k-anonymity theory. This project intends to break through the existing theoretical framework of trajectory k-anonymity and conducts research on the key technologies of “spatio-temporal-social” correlation based trajectory k-anonymity in location-based services. Under multi-dimensional “spatio-temporal-social” constraints, this project will start from the aspects of privacy metrics and risk evaluation, modeling user's motion patterns, and the design of trajectory k-anonymity algorithm. Thereafter, this project will explore the inherent influence of social relationships on users’ privacy leakage, uncover the internal connection of motion patterns among “spatio-temporal-social” dimensions, and obtain user’s motion pattern models under “spatio-temporal-social” constraints. On this basis, this project will then propose trajectory k-anonymous methods that can balance the trade-offs between the trajectory privacy protection level and the trajectory data utility. The research findings of this project will help facilitate the cross-cutting of multiple disciplines (such as cybersecurity, data mining, graph theory, etc.) and bring new understandings of concepts. Meanwhile, the research achievements of this project will have very realistic theoretical significance and application values in promoting the sustained and healthy development, as well as wider applications of location-based services.

作为位置服务中轨迹隐私保护的一种重要技术，轨迹k匿名得到国内外的广泛重视。近期的研究表明，现有的轨迹k匿名技术忽略了社交关系对用户轨迹隐私泄漏的潜在风险，从而给轨迹k匿名理论的进一步发展带来了诸多新的挑战。本项目拟突破现有的轨迹k匿名理论框架，研究基于“时-空-社交”关联性的轨迹k匿名关键技术。在“时-空-社交”多维约束下，拟从隐私度量及风险评估、用户运动规律建模、轨迹k匿名算法设计等方面出发，探索社交关系对用户隐私泄漏的内在影响，揭示用户在时间、空间与社交关系三个维度上运动规律的本质联系，获得具有“时-空-社交”关联性约束的用户运动规律模型，并在此基础上提出平衡轨迹隐私保护强度和轨迹数据可用性的轨迹k匿名实现方法。本项目的研究成果有助于推动多个学科（如网络安全、数据挖掘、图论等）的交叉，带来观念上的新认识；同时对促进位置服务持续健康发展和更加广泛的应用也具有十分现实的理论意义和应用价值。

为了完成社交关系对用户轨迹隐私的度量指标及“时-空-社交”多维约束下的运动规律模型，本项目从以下六个方面进行了较为深入的研究：（1）针对抵御位置依赖攻击的差分隐私算法，通过对最大移动边界和最大到达边界攻击结合位置差分隐私机制的深入推理，确定了位置差分隐私进行位置依赖攻击防御的必要条件，并提出了基于位置依赖攻击防御的必要条件安全扰动区域生成算法。（2）针对基于语义位置匹配的个性化轨迹差分隐私，提出了一种基于语义相似度的位置匹配算法，通过计算轨迹间的语义相似度的实现位置聚类和匹配。该算法为每条用户轨迹建立移动模型，根据移动模型和推土距离计算两条轨迹之间的相似度以及位置匹配结果。并在此基础上提出了最优个性化轨迹差分隐私机制，实现在最优轨迹差分隐私的基础上实现了用户位置层面的个性化保护。（3）针对基于连续时空签到的匹配，根据用户空间停留区域的密度分布特点，基于密度峰值聚类方法将用户时空位置划分为符合用户行为特征的多个停留区域，利用动态时间规整的方法计算区域之间的连续性相似度；提出了基于关联用户的位置频繁模式挖掘模型，通过获取相关联位置和潜在的签到数据以弥补当前稀疏的数据。（4）针对基于跨域自我中心网络轨迹融合的匹配，通过进一步地探索增强跨平台用户身份匹配的网络社交关系特性，提出跨域自我中心网络轨迹匹配算法，融合了用户本身以及密切相关用户的时空签到数据，同时捕获社交网络的拓扑结构，可以更好地描述用户行为的唯一性。通过将这些特征集成到一个动态超图中，利用图卷积网络学习用户的融合向量表示和相似度以识别出不同平台的匹配用户对。（5）针对基于异构超图嵌入的兴趣点推荐，提出了一种基于异构超图嵌入的兴趣点推荐方法，引入“虚拟超边”的概念，结合签到超边、好友边和虚拟超边将LBSNs构建为异构超图，在构建的超图上设计了一种针对LBSNs异构超图的图嵌入模型，通过保存LBSN超图中同种类型节点的同质性和不同类型节点的交互特性得到节点嵌入向量。（6）针对融合多层次异质信息的兴趣点推荐，通过融合用户签到的序列特性和签到影响因素的不同作用将签到建模为多个子轨迹，并定义短期和长期签到轨迹结合注意力机制来捕捉用户的稳定偏好和当前轨迹相关的短期偏好。设计了分层长短期记忆网络(LSTM)结构来指导子轨迹的学习过程，从而实现有效推荐。