m叉平均树的差分隐私位置隐私保护方法

摘要 近年来位置感知设备和云计算服务引发了基于位置应用的广泛发展,由此引发了对位置隐私问题的高度关注.差分隐私的位置保护方法应用在连续查询环境时,噪声叠加会导致查询精度下降.针对这个问题本文在Hilbert曲线构建的k-匿名集基础上,提出了基于m叉平均树的差分隐私保护方法,该方法保证隐私保护强度的同时降低连续查询的数据噪声.利用m叉平均树结构拆分匿名集数据以增强数据效用,并通过严密推导得出具有较小误差上界的拉普拉斯隐私预算分配策略.通过实验验证,该方法在较大的范围内有较小的误差,算法运行效率高于同类提高查询精度的差分隐私算法