交通轨迹数据发布差分隐私保护算法研究

交通轨迹数据发布差分隐私保护算法研究

前面都是讲述的是一些基础知识

算法研究：
算法包含三个模块：初始化模块、噪声前缀树构建模块、轨迹数据集合成模块。

• 该论文提出的前缀树取消了每一子层的分类树，节省了隐私预算，减少了噪声的添加
• 算法的隐私预算分配机制考虑了父节点和 子节点计数值之间存在的规律，设计了逐层递增的隐私预算分配方式，提高了算法输出的净化后的轨迹序列数据集可用性
• 提出一种时空维度缩减方法，依据地点 之间的最短可达时间矩阵，在不消耗任何隐私预算的情况下，缩减了地点和时间组合 的维度，降低了维度爆炸的概率，改善了算法的运行时间

算法框架

轨迹前缀树的定义：

轨迹前缀树：

文章中的符号描述：

本文研究的轨迹中同时包含时间和地点信息，轨迹数据集具有维度大和稀疏的特点。

之前在设计噪声前缀树的时候，在树的每一子层建立分类树，消耗了大量的隐私预算，影响了输出净化的离散轨迹数据集的可用性。 分类树有助于过滤空节点，但是它会耗费不必要的隐私预算，导致前缀树节点实际获取的隐私预算很少，（隐私预算越少，添加的噪声就越大，相应的隐私保护程度也就越大）使得添加到节点技数中的噪声过大，影响算法输出结果。 – 作为改进， 本文中取消了分类树，隐私预算epsilon可以全部用于前缀树节点当中。

算法的框架流程：


隐私预算分配机制

并行机制：不同的数据集不同的查询函数。对于随机算法，整体满足max(ε) - 差分隐私
总隐私预算ε在前缀树中逐层节点进行分配，以构造满足差分隐私定义的噪声前缀树。由于每个子树中的轨迹是不相交（互不相交的数据集）的，满足了差分隐私定义的并行组合特性，所以树中同层的节点共享相同的隐私预算。


时空维度缩减方法



对比于之前的研究：为了满足ε - 差分隐私保护，在前缀树