کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
4944450 1437994 2017 30 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
Achieving differential privacy of trajectory data publishing in participatory sensing
ترجمه فارسی عنوان
دستیابی به حریم خصوصی دیفرانسیل انتشار داده های مسیریابی در سنجش مشارکتی
کلمات کلیدی
ترجمه چکیده
داده های مسیریابی در سنجش مشارکتی اهمیت زیادی برای استقرار و پیشرفت برنامه های مختلف مانند نظارت بر ترافیک، تجزیه و تحلیل بازاریابی و برنامه ریزی شهری دارد. با این حال، انتشار داده های مسیر بدون استفاده مناسب، تهدید جدی برای حریم خصوصی کاربران است. کارهای موجود نمیتوانند به طور کامل به حفظ حریم خصوصی متفاوتی دست پیدا کنند، زیرا آنها از صداهای تصادفی و بدون محدودیت استفاده می کنند که حریم خصوصی کاربران را نابود می کند و از کاربرد داده های مسیر آزاد شده جلوگیری می کند. علاوه بر این، روش ادغام مسیر مسیریابی باید مسیرهایی را از داده های ورودی حذف کند. برای حل هر دو مشکل، ما یک الگوریتم جدید انتشار داده های خطی متفاوت با الگوریتم نویز تولید محدود و یک الگوریتم تلفیقی مسیر پیشنهاد می دهیم. تجزیه و تحلیل تئوری و نتایج تجربی نشان می دهد که از دست دادن حریم خصوصی ما حداقل 69٪ کمتر است. متوسط ​​مسیرهای ادغام زمان 50٪ کمتر از کار موجود است.
موضوعات مرتبط
مهندسی و علوم پایه مهندسی کامپیوتر هوش مصنوعی
چکیده انگلیسی
Trajectory data in participatory sensing is of great importance to the deployment and advancement of several applications, like traffic monitoring, marketing analysis, and urban planning. However, releasing trajectory data without proper sanitation poses serious threats to users' privacy. Existing work cannot achieve differential privacy perfectly because they use random and unbounded noises, which will leak users' privacy and violate the utility of the released trajectory data. Besides, existing trajectory merging method has to remove some trajectories from the input dataset. To solve both problems, we propose a novel differentially private trajectory data publishing algorithm with a bounded noise generation algorithm and a trajectory merging algorithm. Theoretical analysis and experimental results show that the privacy loss of our scheme is at least 69% less; the average trajectories merging time is 50% less than existing work.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Information Sciences - Volumes 400–401, August 2017, Pages 1-13
نویسندگان
, , , ,