基于位置密度与距离特征的差分隐私推理攻击研究

发布时间：2021-05-19 01:32

　　随着信息技术的发展,各种各样基于位置的移动设备与服务广泛普及,使得包含了个人信息的移动数据呈爆炸式增长。一方面,这些移动数据可以用作商业研究,为用户提供更准确的服务;另一方面,原始的移动数据不仅包含大量个人属性,还可从中挖掘用户出行轨迹、社交关系,存在隐私泄露的风险。现有的隐私保护方法中差分隐私被广泛使用,但是对其进行推理攻击的研究却很少。通过对差分隐私进行推理攻击,发现其存在的隐私泄露场景,对未来差分隐私保护方法的完善具有现实意义。针对差分隐私存在的强独立性假设,以及经差分隐私处理后的数据依然能在一定扰动范围内保留用户的位置分布特征这两个问题,先给出扰动后的“真实数据”和“虚假数据”的定义。通过给定一个阈值,当扰动后位置到原始位置的距离在该阈值内,其大概率保留着原始轨迹的特征规律,则对应记录为真实数据,否则为虚假数据。基于这个概念设计了一个推理差分隐私的攻击场景,假设攻击者拥有部分真实数据作背景知识,并且利用背景知识来达到区分真假数据的目的。由此提出了一套针对差分隐私的推理攻击方法（DPIA-LDDF,Differential privacy inference attack bas... 

【文章来源】：华中科技大学湖北省 211工程院校 985工程院校 教育部直属院校

【文章页数】：71 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
1 绪论
    1.1 课题背景
    1.2 国内外研究现状
    1.3 现有研究存在的问题及分析
    1.4 课题主要研究工作
2 差分隐私的推理攻击方法DPIA-LDDF
    2.1 攻击场景的构造
    2.2 攻击方案的总体框架
    2.3 数据位置特征的提取方法
    2.4 基于决策树的集成算法
    2.5 本章小结
3 差分隐私攻击方法DPIA-LDDF的实现
    3.1 DPIA-LDDF攻击算法
    3.2 界定真假数据的阈值S的指定算法
    3.3 数据位置特征提取算法
    3.4 基于决策树的集成算法
    3.5 本章小结
4 实验与结果分析
    4.1 数据集与实验环境
    4.2 攻击效果的衡量指标
    4.3 推理攻击实验
    4.4 随机猜测对比实验
    4.5 实验结论
    4.6 本章小结
5 总结与展望
    5.1 全文总结
    5.2 全文展望
致谢
参考文献



本文编号：3194855