边缘计算差分私有位置隐私保护研究

发布时间：2023-05-07 14:50

　　室内定位作为LBS应用的关键基础,已成为人们日常生活中不可或缺的重要服务之一。然而,随着入网智能设备数量的爆炸性增长,将所有数据都传输到云端进行处理分析,会造成巨大的网络负载和计算开销,室内定位的实时性和准确性需求面临着重要挑战。而且,用于进行室内定位的无线信号信息往往隐含着用户的位置信息、行为习惯、消费水平等众多隐私信息。如何在保证用户隐私的情况下提供高质量、强实时和轻量级的室内定位服务成为当前的研究热点。针对不同边缘计算应用环境下室内定位过程存在的位置隐私担忧和定位模型安全问题进行研究。主要工作如下:(1)针对单信号室内定位存在的隐私安全问题,提出一种面向普适边缘计算环境,差分私有的室内定位隐私保护方法,该方法将完整的Wi-Fi指纹数据上传至云端前进行拆分隔离、隐私保护和结果聚合,最后在云端进行可信的定位模型训练。实验结果表明,该方法可以在提供-差分隐私保护的同时将定位模型精度损失控制在8.9%。(2)针对多源信号融合室内定位存在的隐私安全问题,提出一种边缘计算下自适应指纹融合室内定位隐私保护方法。该方法基于多层边缘网络的隐私保护架构,通过分配多级隐私预算,将差分隐私扩展到半监督的...

【文章页数】：77 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
1 绪论
    1.1 研究背景和意义
    1.2 国内外研究现状
        1.2.1 云计算下位置隐私保护方法研究
        1.2.2 边缘计算下位置隐私保护方法研究
        1.2.3 室内定位隐私保护方法研究
    1.3 课题研究内容
    1.4 论文组织结构
2 相关工作和技术
    2.1 边缘计算概述
        2.1.1 基础概念
        2.1.2 应用范例
        2.1.3 安全威胁
    2.2 差分隐私概述
        2.2.1 基础概念
        2.2.2 基本定义
        2.2.3 组合性质
    2.3 本章小结
3 面向普适环境的室内定位隐私保护方法
    3.1 引言
    3.2 面向普适环境的室内定位隐私保护方法
        3.2.1 基于ELM的室内定位
        3.2.2 模型架构
        3.2.3 核心算法
    3.3 安全性分析
    3.4 实验结果及分析
        3.4.1 数据集
        3.4.2 定位效果评估标准
        3.4.3 结果和分析
    3.5 本章小结
4 自适应指纹融合室内定位隐私保护方法
    4.1 引言
    4.2 自适应指纹融合室内定位隐私保护方法
        4.2.1 基于FSELM的融合半监督室内定位
        4.2.2 模型架构
        4.2.3 核心算法
    4.3 安全性分析
    4.4 实验结果及分析
        4.4.1 数据集
        4.4.2 定位效果评估标准
        4.4.3 结果和分析
    4.5 本章小结
5 基于联邦学习的室内定位隐私保护方法
    5.1 引言
    5.2 基于联邦学习的室内定位隐私保护方法
        5.2.1 联邦学习
        5.2.2 模型架构
        5.2.3 核心算法
    5.3 安全性分析
    5.4 实验结果及分析
        5.4.1 数据集
        5.4.2 实现细节
        5.4.3 结果和分析
    5.5 本章小结
6 总结与展望
    6.1 本文主要工作
    6.2 未来工作展望
致谢
参考文献
攻读学位期间的研究成果



本文编号：3810780