[发明专利]一种面向隐私保护的基于联邦分析的班车定制方法

说明书

本发明提供了一种面向隐私保护的基于联邦分析的班车定制方法。该方法包括服务器确定所有准入的用户设备需要划分的聚类数，每个聚类代表一个班车站点，将各个聚类中心点的位置信息下发到各个用户设备；各个用户设备比较其与各个聚类中心点之间的距离，选择距离最小的聚类中心点对应的聚类作为自己所属的聚类；各个用户设备在本地对其位置数据进行隐私处理后发送给服务器；服务器将接收到的所有用户设备的位置数据进行联邦聚合，更新各个聚类中心点的位置信息。本发明面向隐私保护的基于联邦分析的班车定制方法在数据隐私保护的情况下，进行联邦聚类，分析得到正确的班车站点，便于实施并且精度较高，方便用户的快捷舒适的出行。

技术领域

本发明涉及计算机应用技术领域，尤其涉及一种面向隐私保护的基于联邦分析的班车定制方法。

背景技术

随着城市化的发展，人们对交通出行的舒适度要求越来越高，使得机动车的数量激增，这也导致了交通拥堵的现象频繁发生，给城市的交通带来了很大压力，尤其是早晚高峰期。公共交通的拥挤和长时间的等候已经无法满足快捷舒适的出行需求。

智慧园区的飞速发展使得很多人共同在一个园区内工作，因此考虑面向工作人员的智慧出行场景。对于园区工作人员来说，他们分布在不同的小区，但是工作地相同。他们面临着公交车拥挤、等待时间长和深夜打车难等问题。因此如果能通过采集用户的数据，在通过人工智能技术进行分析，为其定制班车服务，提供更好的出行建议，可以为用户提供更安全、方便、舒适的服务。

在定制智慧班车的场景下，需要合理安排班车站点位置，以满足不同位置的用户的出行可行性。因此，在该场景下，可以利用聚类算法确定站点位置。K-means聚类算法由于简单、聚类速度快，得到了广泛应用。该算法采用数据点与中心点之间的距离作为评价指标，并对聚类中心点不断更新，最终找到最合适的中心点位置。

然而，在使用K-means聚类方法确定班车站点时，用户需要将家庭住址等敏感信息上传到服务器，以便找到更为准确的站点位置。这将使得用户的位置信息被公开，造成敏感信息的泄露，故定制班车服务在为用户提供便利的同时也带来了隐私泄露的风险。

因此，设计一种既能够保护用户位置隐私数据不泄露同时又为用户提供定制班车、规划路线服务的方法，有着现实的需求。

现有技术中的针对隐私保护的K-means聚类方法，主要分为以下几种：

基于K-means的差分隐私保护聚类方法：设置隐私预算，计算噪声，计算每个聚类的数据点的总和、点的数量，然后对其添加计算后的噪声。在K-means聚类算法的迭代过程中，通过自适应的隐私预算分配，既在数据失真的基础上保护了数据隐私，又保证了数据的可用性。

基于分布式纵向K-means聚类方法：采用了去中心化的分布式模式，选择其中一个客户端作为发起方节点，生成Paillier公私钥，并将公钥分发给其他参与方，之后初始化聚类中心点，每个参与方在本地计算样本点到聚类中心的距离，然后将自己的距离与上一个节点传过来的欧式距离之和相加，直到N个参与方全部计算完毕，并将其发送给发起方，进行聚类中心更新。重复直到相邻两次的聚类中心的距离在合理范围内或者达到了指定的迭代次数。

具有隐私保护的可验证多方K-means联邦学习方法：在该方案中，每个用户将各自的数据加密上传到云服务器，云服务器随机挑选初始聚类中心，利用安全乘法协议和安全距离计算协议计算数据和初始聚心的欧几里得距离的平方；云服务器利用安全位分解协议和安全比较协议进行距离比较，并对数据进行划分；各用户利用秘密共享协议更新聚类中心，加密后上传到云服务器；云服务器计算新的聚类中心和原聚类中心的距离，如果小于阈值，则结束聚类操作，否则更新聚类中心进行下一次迭代。

现有技术中的基于隐私保护的K-means聚类方法的班车定制方法的缺点为：(1)现有技术方案没有涉及到客户端准入的过程。