赵书鹏

（广东工业大学计算机学院，广州510006）

0 引言

随着物联网技术的飞速发展，越来越多的设备能够收集和分析用户个人的移动信息，并为用户提供定位、导航、兴趣点推荐等服务。导航应用程序可以根据用户当前的位置和目的地为其规划最快的移动路线，交通摄像头可以识别车辆车牌等特征信息并跟踪其位置。通过与第三方公司合作进行数据分析，企业和政府可以将这些信息应用到各种交通场景中。

但是，上述设备收集的位置信息可能包含个人隐私。例如，带有全球定位系统（GPS）的智能手机可能会记录敏感位置，例如家庭和工作地点。这些信息一旦泄露，个人的生命财产安全可能受到威胁。目前，数据的收集方往往只采用传统的k匿名、空间位置掩盖等方法来保护隐私数据。然而，这些方法都不能抵抗背景知识和再识别攻击。例如，攻击者可以通过一个人的性别、家庭和工作位置来识别出他的所有轨迹位置信息。因此，对于轨迹数据的发布，只采用传统的匿名方法是不够的。

差分隐私[1]是由Dwork于2006年提出的一种严格定义的隐私保护模型，能够概率地对查询或分析结果添加噪声，保护数据库中单条记录不被泄露。因其能够量化评估结果，在交通轨迹数据发布领域受到越来越多的关注。由于轨迹信息通常是二维甚至高维的，直接添加噪声容易使数据误差过大[2]，因此研究人员通常会先对高维轨迹进行泛化操作。常用的泛化方法一般为采用网格模型或树形结构进行映射。……