1 绪论 1
1.1 LBS的基本概念 1
1.2 LBS的隐私问题 3
1.3 LBS隐私保护方法 4
1.3.1 标识隐私保护 5
1.3.2 基于位置的重标识攻击 6
1.3.3 基于位置重标识攻击的防护 8
2 基于时空K-匿名的隐私保护 12
2.1 时空K-匿名的基本原理 12
2.2 时空K-匿名的系统架构 13
2.3 快照查询的时空K-匿名 15
2.4 连续查询的时空K-匿名 22
2.5 基于内容关联的隐私攻击与防护 22
2.5.1 同质性攻击 23
2.5.2 同质性攻击的防护 24
2.5.3 异质性攻击 25
2.6 基于空间关联的隐私攻击与防护 26
2.6.1 快照查询的攻击 27
2.6.2 快照查询攻击的防护 30
2.6.3 连续查询的攻击 35
2.6.4 连续查询攻击的防护 35
2.7 问题分析 36
3 匿名集时空关联规则的概率化挖掘 38
3.1 相关概念 38
3.1.1 时空关联模式 38
3.1.2 时空关联规则 41
3.2 基本定义 42
3.3 算法实现 44
3.4 实例分析 45
3.5 问题分析 49
4 基于匿名集序列规则转移概率矩阵的多步推理 52
4.1 马尔可夫链 52
4.2 数据归一化处理 53
4.3 n步转移概率矩阵 55
4.4 概略n步预测 57
4.5 精确n步预测 60
4.6 推理攻击 67
4.7 问题分析 71
5 动态感知敏感序列规则的在线匿名方法 73
5.1 对等防护策略的系统架构 73
5.2 离线挖掘、在线应用的动态防护模式 75
5.3 方法设计 76
5.4 算法设计 78
5.5 实例分析 79
6 实验结果与分析 82
6.1 实验数据的模拟 82
6.1.1 数据预处理 83
6.1.2 时空网格 85
6.1.3 序列匿名集 87
6.2 序列规则挖掘实验及结果分析 90
6.2.1 相同K值不同批次的序列规则 91
6.2.2 同一过程不同K值的序列规则 94
6.3 多步预测实验及结果分析 98
6.3.1 相同批次相同K值的预测准确率 99
6.3.2 相同K值不同批次的预测准确率 100
6.3.3 同一过程不同K值的预测准确率 102
6.4 动态感知匿名实验及结果分析 103
6.4.1 相同K值不同批次的增量匿名 103
6.4.2 同一过程不同K值的增量匿名 108
7 结论与展望 115
7.1 结论 115
7.2 展望 116
参考文献 118