[发明专利]基于深度强化学习的三维空间LBS中位置隐私保护方法

说明书

本发明提出一种基于深度强化学习的三维空间LBS中位置隐私保护方法，涉及位置服务和信息安全领域。将三维空间进行分块，然后利用深度卷积神经网络捕获位置服务过程中的环境信息，动态选择位置扰动策略；结合迁移学习技术，利用相似环境下的三维位置扰动经验初始化神经网络参数，利用三维拉普拉斯加噪机制对用户真实位置进行扰动，从而使攻击者无法获得用户的真实三维地址，对确定的扰动后的扰动位置进行经验回收，将前后系统状态、扰动策略和对扰动的评价结果作为经验存储进经验池，不断优化用户的位置保护策略。该方法提高了用户敏感位置数据隐私安全，提高了三维空间位置服务系统下的用户位置隐私安全性能以及用户的服务质量。

技术领域

本发明涉及一种三维空间LBS中位置隐私保护方法，尤其涉及一种位置服务和信息安全领域中使用的基于深度强化学习的三维空间LBS中位置隐私保护方法。

背景技术

定位技术与通信技术的快速发展推动了LBS在三维空间中的广泛应用。至2025年，全球LBS市场规模预计将达到187.4亿美元。然而，LBS在提供服务便利的同时，用户位置隐私也面临诸多威胁([1]J.Valentino-DeVries,N.Singer,MH.Keller,and A.Krolik.Yourapps know where you were last night,and they’re not keeping it secret.NewYork Times,2018-12-10)。美国Sense Network公司每天处理超过40亿条位置数据，能够提取用户生活习惯、年龄、收入等属性信息。如果此类信息泄露，将会严重威胁用户的隐私安全。

近年来，国内外研究者十分关注位置服务中的位置隐私泄露问题，但是大多位置隐私保护研究忽略了对三维空间中位置高度信息的保护。然而，位置高度信息的暴露会增加用户敏感信息泄露的风险。例如，一个高层医院的不同楼层代表不同疾病的诊断科室，如果用户的楼层信息被泄露，他/她的病情也会被暴露在攻击者面前。目前大多位置隐私保护方案如([2]M.Andrés,N.Bordenabe,K.Chatzikokolakis,and C.Palamidessi,Geo-indistinguishability:Differential privacy for location-based systems[C].ACMConference Computer and Communications Security(CCS),2013:901-914])大都侧重二维空间位置隐私保护，未考虑对用户位置高度信息的保护，缺乏对三维空间位置隐私保护的严格度量和隐私保证。

同时，目前的位置隐私保护机制如K-匿名等，依赖于可信的第三方LBS服务器，一旦LBS服务器瘫痪或者被攻击，则难以保护用户位置隐私。论文([3]李维皓，曹进，李晖，基于位置服务隐私自关联的隐私保护方案[J].通信学报，2019，40(5):57-66)研究在用户端本地实现的位置隐私保护机制，真实位置只有用户本身知晓，可有效避免对可信、安全LBS服务器的依赖，保护用户的位置隐私。因此，我们基于差分隐私的思想，研究三维地理不可区分性，对位置的X，Y和Z坐标同时进行扰动，保护用户在三维空间中的位置隐私安全。