基于位置隐私保护模糊查询方法.docVIP

基于位置隐私保护模糊查询方法 　　摘要：随着基于位置的服务（location-based services，简称LBS）的广泛应用，个人位置信息的保护越来越受到人们关注。在LBS服务中，常常会遇到“谁附近有什么资源”的问题，“谁”代表实体位置，“什么”代表服务请求。在“谁附近有什么”的信息查询服务过程中，如何在保护“谁”的基础上提供相对可靠的服务，将是本文的研究重点。针对这一问题，用模糊集来实现对“谁”的保护，并针对模糊集，提出一种基于位置隐私保护的模糊查询方法，在模糊位置信息的基础上提供相对可靠的服务，并在一定程度上实现了位置隐私保护和位置服务质量之间的平衡。最后，通过相关实验来评估该方法的性能。 关键词：模糊集； 位置隐私保护； 模糊查询； 服务质量 中图分类号：TP393 文献标识码：A文章编号：2095-2163（2013）06-0021-04 0引言 近年来，基于位置的服务（location-based services，简称LBS[1]）不断发展，用以实现物联网中的实时、快速、可扩展的物体位置搜索。但是，由于用户在使用LBS服务时，需要向LBS服务器提供自身的位置信息，而LBS服务器又不是绝对可靠的，有可能将收集的用户位置信息泄露给攻击者，所以在使用LBS服务的同时，服务泄露或非法使用用户位置信息的情况也接踵而来，基于位置的服务给用户的位置隐私带来了极大的威胁。 在LBS服务中，主要有三大目标：你在哪里（空间信息）、你和谁在一起（社会信息）、谁附近有什么资源（信息查询）。本文主要解决“谁附近有什么资源”的问题，首先要明确两个参数：“谁”和“什么”，“谁”代表实体位置，“什么”代表服务请求。 在“谁附近有什么”的信息查询服务过程中，如何在保护“谁”的基础上提供相对可靠的服务，将是本文的研究重点。针对这一问题，本文提出一种基于位置隐私保护的模糊查询方法，在模糊位置信息的基础上提供相对可靠的服务，并于一定程度上实现了位置隐私保护和位置服务质量之间的平衡。 1位置隐私保护服务结构 由于LBS服务器是不可信任的，因此需要在用户和LBS服务器之间添加一个可信任的模糊服务器，该模糊服务器在用户和LBS服务器之间可起到防火墙的作用。由用户、模糊服务器和LBS服务器所组成的位置隐私保护服务结构[2]如图1所示。 该结构中模糊服务器工作如下： （1）收集用户发送来的位置服务请求信息，将这些信息存储在服务器中； （2）对用户发送过来的位置服务请求信息中的真实位置信息进行模糊，用空间模糊集进行代替，从而保护实体位置信息，最后将模糊过后的位置服务请求发送给第三方的LBS提供商的位置服务器； （3）对第三方LBS提供商的位置服务器发回的基于模糊集的服务应答结果集进行接收，并根据用户需求对应答结果集进行过滤，找到相对合理的应答结果，再将此结果发送给用户。 根据位置隐私保护服务结构的要求，首先需要对用户真实位置信息进行模糊。本文采用已有的k-匿名技术[3]来构造实体模糊集，以达到模糊效果。 k-匿名通过概括和隐匿技术[4]，发布精度较低的数据，使得每条记录至少与数据表中其他k-1条记录具有完全相同的标识属性值，从而减少链接攻击所导致的隐私泄露。k-匿名技术可以保证每一个体的敏感属性隐藏在规模为k的群体中，这样，个体能够得到确认的几率将不会超过1/k。目前的k-匿名技术主要是利用两种方法来实现匿名：泛化[5]和隐匿技术。本文采用Datafly泛化算法[6]，根据k-匿名的要求，计算得到每个属性出现的概率，然后对不满足要求的属性做泛化处理，直到该属性满足 k-匿名的要求为止，从而得到规模为k的模糊集。 3基于位置隐私保护的模糊查询方法 利用K-匿名算法构造完实体位置模糊集之后，LBS服务器需要针对整个模糊集来提供“附近有什么”的查询服务，而如何在模糊集基础上提供尽可能良好的服务即成为问题关键。针对这一问题，本文提出一种基于位置隐私保护的模糊查询方法—FCM方法，该方法可以嵌入到LBS服务器当中，通过计算模糊集到附近服务请求点的最短路径长度来提供相对可靠的查询服务，使得在保护实体真实位置的同时，又提供了较为良好的服务。 FCM计算方法是针对模糊集进行计算的，传统Dijkstra算法[7]是针对点进行计算，与其有相似之处，所以本文FCM计算方法借鉴了传统的Dijkstra算法，但是由于Dijkstra算法以起点为中心向外层层扩展，需要遍历计算所有节点，过于繁琐。在实际应用当中，面对大量节点，使用Dijkstra算法查找最短路径时需耗费大量的时间进行数据的比较，搜索速度较慢，效率较低，FCM计算方法对此进行了改进，以降低搜索复杂程度。 由于FCM需要