移动社交网络中关联社交关系的位置隐私保护研究

With the prevailing of Mobile Social Networks, it is inevitable to publish both the mobile tracks and social relationships data. If the mobile tracks and social relationships data are processed respectively with existing privacy-preserving data releasing methods, the attacks to the mobile tracks cannot be prevented effectively when the attackers correlate the mobile tracks and social relationships. Therefore publishing the data both for the mobile tracks and social relationships still causes serious privacy leaking problems. Focusing on the problems, there are three aspects are proposed in this project. The first is the methods of the location inference attacks and de-anonymization attacks correlated to social relationships and mobile tracks that are two dimensional data. The impact of social relationships on privacy of mobile tracks is quantified. The second are the privacy-preserving methods for the location-based services and publishing mobile tracks offline. The impact of the social relationships on privacy of mobile tracks is involved in mobile tracks during anonymizing the mobile tracks. Therefore, the impact of social relationships on privacy of mobile tracks is decreased. Moreover, the data utility for the anonymized mobile tracks is researched in the third aspect. Therefore, the targets of preventing the mobile tracks from the location inference attack and de-anonymization attacks, and preserving the data utility for the mobile tracks will be reached. The research of this project will provide new clues for the people sharing their mobile tracks securely, pushing forward the studying of preserving the privacy and security for the data in mobile Internet, the data mining and analysis from multiple data resources.

随着移动社交网络的风靡，位置轨迹和社交关系的分享已成为必然，采用现有的隐私保护方法分别处理位置数据和社交关系数据，并不能有效阻止将位置数据与社交关系数据关联起来对位置隐私的攻击，仍然存在位置隐私泄漏的风险。本项目将研究关联社交关系数据和位置数据两个维度数据的位置推理攻击和去匿名攻击问题，量化社交关系对位置隐私的影响程度；在此基础上，研究关联社交关系数据和位置数据两个维度数据的位置服务隐私保护和离线位置数据发布的隐私保护方法，将社交关系对位置隐私的影响引入到位置数据的隐私保护中，降低社交关系对位置隐私泄露的影响；同时研究经隐私保护处理后的位置数据可用性度量方法；达到防止位置推理攻击和去匿名攻击，同时保持较好的位置数据可用性的目标。本项目的研究成果不仅有利于人们更安全地分享位置数据，而且将直接推动移动互联网、多数据源的大数据挖掘与分析中的数据安全和隐私保护方法的研究。

随着移动社交网络的风靡，位置数据与社交关系数据关联起来会对位置隐私造成严重的威胁。本项目主要研究社交关系和位置数据关联的隐私攻击和隐私保护方法。主要包括以下两个方面。(1)关联社交关系数据和位置数据两个维度数据的位置隐私攻击。提出了三种攻击方法: 时空-社交关系关联增强位置推理攻击的框架LISC、异构关联下量化位置隐私风险的框架QUAD、基于生成式对抗网络的位置与用户社交关系的推理攻击。在攻击者获得少量的背景知识(10%以下背景知识甚至无背景知识)的情况下，采用机器学习方法对隐私保护后的位置数据攻击后，都可以较为准确地获得较好的位置推理命中率，推理位置和真实位置的欧几里德距离的期望为1-2公里。研究表明，面对机器学习，现有的隐私保护技术非常有限，即使是对具有坚实的数学基础的差分隐私保护后的位置数据，也能获得较好的攻击效果。(2)在线位置隐私保护和离线位置隐私保护方法研究。提出了两种在线位置隐私保护方法：基于本地化差分隐私的社群搜索服务的隐私保护方法、基于异构关联量化隐私风险框架QUAD的虚拟位置生成的隐私保护方法QUAD-SC；提出了两种离线数据的位置隐私保护方法：降低轨迹相关性的差分隐私位置数据离线发布方法CTP、抵御时空及个体关联攻击的位置隐私保护方法。所提出的方法都优于现有的位置隐私保护方法。而且QUAD-SC在对位置扰动的过程中引入了机器学习等技术，可以一定程度上防止由于机器学习引起的位置推理攻击和去匿名攻击。可见仅依赖于数据扰动技术，难以实现对数据关联的隐私保护，在对数据进行隐私保护的过程中引入机器学习技术，可以更好地保证大数据挖掘与分析中的数据安全。通过本项目的研究，共发表论文9篇（其中SCI期刊论文7篇，EI会议论文2篇），录用SCI期刊论文1篇；申请发明专利2项，获得软件著作权1项；同时有4篇论文投稿在审。培养博士生1名，硕士生14名。