[发明专利]基于改进四叉树的差分隐私保护方法

说明书

本发明适用于差分隐私保护技术领域，提供了一种基于改进四叉树的差分隐私保护方法，包括如下步骤：S1、对原始数据进行初始化分割，建立完整的满四叉树，将所有的位置数据存储于相应四叉树节点中；S2、基于相邻两层分配的隐私预算比值q_m，将给定的总隐私预算ε分配给树的每一层，再根据每层分配到的隐私预算ε_i，将Laplace噪声Lap(Δf/ε_i)添加到四叉树节点中；S3、若噪声四叉树满足ε‑差分隐私，在该噪声四叉树上进行范围计数查询。采用改进的四叉树来管理位置数据，利用均匀精度分配方式分配差分隐私预算，使其确保每层的查询精度相同，将满足差分隐私的噪声添加到四叉树的节点中，可以提高查询结果精度和运行效率。

技术领域

本发明属于差分隐私保护技术领域，提供了一种基于改进四叉树的差分隐私保护方法。

背景技术

移动互联时代，基于位置服务随GPS导航、Wi-Fi等智能设备广泛应用得到迅猛发展，产生了大量的位置数据。利用范围计数查询对这些数据进行分析，可以从中提取许多有价值的信息，帮助政府和企业做出明智的决定。例如：查询某个区域某个时刻的移动对象个数，预测交通拥堵或智能控制交通信号灯；查询商场候选地址区域内的人口密度和人口数量，以人流量确定商场选址；查询公共场所的人群密度，监测公共场所中的人群安全，以提前做预警和防范措施等。然而，查询信息的公开存在隐私泄露的风险。具有背景知识的对手可以从公开的位置信息中掌握某用户的家庭住址、社交关系和兴趣爱好等隐私信息，不正确的公开位置信息还会给用户带来不可预测的灾难。因此，本文主要关注位置数据的范围计数查询隐私保护，支持范围计数查询，同时保护个人隐私。

目前大多数研究使用匿名模型来保护位置隐私，利用混淆的位置代替真实位置进行信息查询。但是，匿名隐私保护模型需要对攻击者掌握的背景知识进行假设，以采取不同的防御策略，如k-anontmity、l-diversity和t-Closeness等。攻击者可以通过不同领域获得特定的背景知识，利用它来威胁个人隐私，且掌握背景知识越多，攻击能力越强。一旦攻击者掌握的背景知识增加，采取的策略必须发生重大变化。因此，基于匿名模型的传统方法只能解决背景知识已知的攻击，不能针对背景知识未知的攻击。

发明内容

本发明实施例提供了一种基于改进四叉树的差分隐私保护方法，旨在解决匿名模型的传统方法只能解决背景知识已知的攻击，不能针对背景知识未知的攻击。

为了实现上述目的，本发明提供了一种基于改进四叉树的差分隐私保护方法，该方法包括如下步骤：

S1、对原始数据进行初始化分割，建立完整的满四叉树，将所有的位置数据存储于相应四叉树节点中；

S2、基于相邻两层分配的隐私预算比值q_m，将给定的总隐私预算ε分配给树的每一层，再根据每层分配到的隐私预算ε_i，将Laplace噪声Lap(Δf/ε_i)添加到四叉树节点中；

S3、若添加噪声后的四叉树满足ε-差分隐私，在该噪声四叉树上进行范围计数查询。

进一步的，位置数据在四叉树节点中的存储方法具体如下：

S11、检测当前位置数据是否跨越至少两个节点；

S12、若检测结果为是，则将所述位置数据放入跨越节点的父节点中；

S13、若检测结果为否，则从根节点开始向下遍历，查找完全包含所述位置数据的最小矩形中，将位置数据放入最小矩形对应的节点。

进一步的，相邻两层分配的隐私预算比值q_m的获取方法具体包括如下步骤：

S21、定义总隐私预算ε及四叉树的深度h；