Paper reading:Authenticating Top-k Queries in Location-based Services with Confidentiality

 

Authenticating Top-k Queries in Location-based Services with Confidentiality

 

 

 读后总述：这篇论文主要针对LBS的应用涉及到的 验证，隐私，这个两个问题给出一个解决方案。用到了加密技术，和空间数据索引技术。

 

   问题描述

智能手机已经非常非常流行了（今年2015年，10年后肯定不再是smart phone）。 LBS相关商业业务一片繁荣（prosperity），各种团购，各种外卖，各种附近的。。。。

从简单的例子引出问题。

例1：我用美团在新街口，查询3公里范围内所有的饭馆。结果由距离升序排序。（或者综合客户评分值）

例2：我用QQ查询附近的好友，可以限定是male ，female。

问题A：例1中，我用手机发送请求，如果网络中间有人篡改（tampered）了返回的数据怎么办。篡改人的目的很简单，将返回的数据中的那些商家，“赞助”过他们的，对他们有利的留下来，并且提高排名。那些没有交“赞助”费的直接从数据中删掉。--现实的社会。

问题A：例2中，如果查找附近的好友，直接返回具体的坐标，显然是不合理的。具体位置信息是隐私信息。如果位置信息被用于非法目的，比如蹲点打劫，那后果也是非常严重的。

 

 

 

现有工作

问题A：解决方法是在发送查询结果的同时，返回一个验证信息。（Verification Object）VO。返回的数据从 Query results 变成 Query results + Verification Object

 

   现有的生成 VO 的方法。

  

<a> 签名链  要对所有的节点进行签名，计算量和VO的数据都比较大。

<b>  h(d) ：one way function  是d的摘要的单向函数，只要传输root 节点作为VO就可以了。

 

 

 

主要贡献

1、开创新（this is the first work that address privacy-preserving top-k query authentication）

2、两种保护隐私的比较方法 PPB，PLB

3、两种查询空间数据索引的方法 R-Tree，Power Diagram indexes

 

 

 

 

数学化问题描述

Without loss of generality, we model a d-dimensional dataset D in an integer-domain space. For ease of presentation, we assume each object pi ∈ D is a pair ⟨λ,ω⟩, where λ is pi’s location vector and ω is its non-spatial score. The results of a top-k query Q = ⟨q, k⟩ (where q is the query point) are R = {r1,r2,··· ,rk},1 where ri is the id of the ith ranked object in D with respect to the following ranking function (known as Euclidean scoring function [1]):

           rank(ri, q) = ∥ri.λ − q.λ||2 + ri.ω2,

 

 

            定义：每一个空间数据集D，每个数据pi∈D，pi定义为⟨λ,ω⟩，λ为是坐标向量，可以是二维，也可以是三维等。ω是当前数据的一个分值。 在实际的应用中可能有其他的数据，这个是最简的模型。 查询结果R，R = {r1,r2,··· ,rk} 。q为查询点。

定义rank为

            rank(ri, q) = ∥ri.λ − q.λ||2 + ri.ω2,

右边前面一项为 q与ri 之间的欧氏距离。后面一项是ri的分值。

 

问题转化为4个约束条件。

 

1，None of the locations, scores, and ids of the result objects in R are tampered with; 


2，None of the locations, scores, and ids of the result objects in R are tampered with;   --1，2满足数据真实性问题


3，∀ri ∈ R, rank(ri, q) ≤ rank(rk, q);3 


4，∀ri ∈ D − R, rank(ri, q) ≥ rank(rk, q).  –3，4满足top-k的要求

 

工作1: 为了解决3，4，在不用知道R中具体的location和score 也能比较rank大小

工作2：为了解决2，4 ，因为D-R的数据集非常大，所以不可能全部遍历他们，需要建立索引机制。

 

 

 

 

 

工作1 privacy-preservation

这里和计算机安全相关。是同态加密算法Paillier的应用。主要思想是，你可以用我的数据进行一些处理，但是你并不知道我的数据是什么[1]。

 

带入到这篇论文，就是可以比较rank的大小，但是不知道location是多少，score是多少。

论文中进行了一些数学推导。Paillier对加法同态。

 

这样就达到了隐私保护的目的。

 

 

文中提到了Semantic security 一个相对于Perfect secrecy的概念。

[WIKI]Semantic security implies that any information revealed cannot be feasibly extracted

  Perfect secrecy means that the cipher text reveals no information at all about the plaintext

 

      文中提到，如果用户发出连续的请求，而用户的位置在刻意地改变。那么用户根据每次返回的结果，发现某些结果总在这个区域中，就间接地知道了location。通过范围框的方法解决。

 

 

图来自于[1] figure 10

 

 

每一个pi有一个sphere，至少包含到两个点的距离。Callded “privacy sphere”半径阀值为γ。

当有一个新的查询q来的时候，加入q到pi 中，重新计算的sphere，如果有的sphere小于阀值γ （可以唯一确定目标），则服务器拒绝这次的请求。

 

 

 

工作2 AUTHENTICATING TOP-K QUERIES WITH- OUT COMPROMISING PRIVACY  不暴露隐私的前提下进行验证top-k查询

 

R-Tree （1984，还没出生的年代）介绍[2]

 

主要理解 bounded box 。可以是 2维，3维，n维的box。

加入数据原则 添加到FI 后，FI的面积增加最小。添加一个点，那个bounded box的面积增加最小，也就是最点靠近那个bounded box。理解合理。

其他平衡，分拆，具体算法参考[2]论文。

 

 

 

 

图来自[3]

 

 

二维表示 （可以是经纬度2维数据）

 

 

图来自[3]

 

三维表示 （x,y,score 三维数据）

 

图来自[1] figure5

四维：已经画不出来了。只可概念上想象,数学上存在。

 

 

 

 

 

通过R-Tree 只要查询比较小的一部分数据，就可以解决4个约束中的2，4.两项

 

 

 

 

进一步工作

            文中的数学模型是最简模型，需要根据实际应用场景，具体化。

    LBS的距离衡量，不是空间的欧氏距离，而是实际的多少米，多少公里。需要改进。

 

 

读后总结

           国内的微信，美团，饿了么，大众点评，后台的隐私保护，和查询验证的具体算法不知道具体是什么，应该有相应的实现，没有的话就是随意暴露用户隐私，容易被他人利用。这篇论文具有工程应用价值。

 

 

 

 

引用

[1] Q. Chen, H. Hu, and J. Xu. "Authenticating Top-k Queries in Location-based Services with Confidentiality."Proceedings of the VLDB Endowment (PVLDB '14), Hangzhou, China, September 2014.

[2] http://blog.csdn.net/yuanchuanghhhh/article/details/6786825

[3] RTree – A dynamic index structure for spatial searching, SIGMOD (1984)

 

转载于:https://www.cnblogs.com/pureTec/p/4525597.html