[发明专利]一种基于深度学习的轨迹数据去匿名方法

说明书

本发明公开了一种基于深度学习的轨迹数据去匿名方法，首先在预设的划分精度下，空间被划分为多个近似网格形状的子空间；然后将轨迹数据分为两组，一组是已知用户轨迹，另一组是匿名用户轨迹，将两组轨迹拆分成轨迹段，映射到网格数据中，从而得到所述轨迹对应的一组网格标识序列；其次将前一步所述的一组网格标识序列输入到改进的DenseNet模型中，已知用户轨迹作为训练集，匿名用户轨迹作为测试集；最后通过模型对轨迹的分类，将匿名数据与已知用户数据集中的数据对应，找到匿名用户轨迹数据对应的真实用户信息。本发明实现了隐私轨迹数据的去匿名化，以验证此类攻击的有效性，从而揭示匿名轨迹数据的隐私风险。

技术领域

本发明属于计算机大数据处理技术领域，涉及一种轨迹数据去匿名方法，具体为一种基于深度学习的轨迹数据去匿名方法。

背景技术

移动终端和定位技术的发展，使得随时随地获取移动对象的精确位置成为可能。移动轨迹中通常包含丰富的时空信息，通过合理的挖掘和分析可获得有价值的信息。互联网服务提供商(ISP)越来越多地收集匿名用户移动轨迹，详细的位置跟踪包含关于个人用户的敏感信息(例如家庭和工作地点，个人习惯)，恶意攻击者可根据非法获取的移动轨迹推测出用户个人隐私信息，如生活周期或敏感位置，甚至可能严重威胁到参与者的人身和财产安全。

为了保护移动对象轨迹隐私，轨迹数据集发布前常使用假名对轨迹进行匿名化处理，假名用户的匿名轨迹仍面临隐私泄露风险。基于对轨迹数据分析的需要，阻止这些信息的访问是不现实的，同时也无法完全保证数据访问者的合法性。因此，提出移动轨迹数据的去匿名攻击方法是有意义的，以验证此类攻击的有效性，从而揭示匿名轨迹数据的隐私风险，来探寻更有效的匿名化处理方法。

近年来，研究者们在位置或轨迹隐私保护及其去匿名化方法等方面的研究已取得了一些进展。然而现有的研究基于真实数据集上的研究不够，且过于依赖特征工程与分类规则的发现，通常是需要人工干预的，更忽略了时间属性对于分类结果的影响。

发明内容

为了解决上述技术问题，本发明采用对轨迹分类算法的优化，提供了一种基于深度学习的轨迹数据去匿名方法，实现了对匿名轨迹数据的隐私风险研究。

本发明所采用的技术方案是：1.一种基于深度学习的轨迹数据去匿名方法，其特征在于，包括以下步骤：

步骤1：在预设的划分精度下，将轨迹数据空间划分为若干个网格形状的子空间；

步骤2：对于真实世界的轨迹数据集，将轨迹数据分为两组，一组是已知用户轨迹数据，另一组是匿名用户轨迹数据，将两组轨迹数据拆分成轨迹段，映射到网格数据中，从而得到所述轨迹数据对应的一组网格标识序列；

步骤3：将步骤2中得到的一组网格标识序列输入到改进的DenseNet模型中，已知用户轨迹数据作为训练集，匿名用户轨迹数据作为测试集；对训练集经过若干次迭代、训练，得到训练好的模型；

步骤4：将训练好的模型运用于匿名用户轨迹段数据，通过模型对轨迹的分类，将匿名数据与已知用户数据集中的数据对应，找到匿名用户轨迹数据对应的真实用户信息，从而达到轨迹数据去匿名效果。

作为优选，步骤1中，网格形状的子空间大小设定为grid_width＝16，grid_height＝16。

作为优选，步骤2的具体实现包括以下步骤：

步骤2.1：将轨迹数据用四元组表示为(mmsi，lat，lon，ti)，其中mmsi表示移动目标、lon表示地理坐标经度、lat表示地理坐标维度、ti表示记录时间，作为网格数据映射的输入；

步骤2.2：将轨迹数据按不同用户拆分为若干个轨迹段，记录轨迹段中轨迹点的个数，取得每一个当前轨迹段最大纬度、最小纬度、最大经度和最小经度；

步骤2.3：利用记录的最大最小纬度按照以下公式将轨迹映射到网格数据中；