2024Behavioral-Semantic Privacy Protection for Continual Social Mobility in Mobile-Internet Services

首先Qiu博士的这篇论文是在21年发表的，23年还有一篇新的文章也是在这篇文章的基础上进行技术革新得到的，但是两篇文章中都有提到了深层语义树的概念且围绕着这一概念做出的许多改进。

对比21年文章，这篇论文提出了一种后验行为语义隐私保护解决方案BSPri，在使用了深层语义树的基础上，该篇论文还提出了状态换分的思想，以及通过后验概率与先验概率的比值作为隐私泄露的风险评价，由此来优化假位置点的选择。

首先表示语义属性之间的逻辑关联，并提出类似的语义聚类和排序方法。然后，形式化用户社交移动随机过程来表征攻击者对发布轨迹的观察所产生的隐私风险，并定义基于观察的后验隐私认证标准以进一步过滤匿名语义。最后，生成具有类似匿名语义的合成轨迹，减少被攻击者识别的风险。

首先针对之前的深层语义树在这里可以参考之前的论文阅读2021IOT Mobile Semantic-aware Trajectory for Personalized Location Privacy Preservation-CSDN博客文章浏览阅读343次，点赞11次，收藏8次。在根节点之下的节点是通过停留时间特征对停留点进行聚类而得到的，而在根节点之上的节点则是通过对聚类结果进行向上的语义概括而得到的，反映了更一般的语义类别。这篇文章提出了一个移动语义感知隐私模型MSP，通过构建分层语义树，在此基础上可以根据生成的分层语义树进行隐私敏感度的评估，同时根据已生成的个人的分层语义树可以合成具有语义感知的合成轨迹。距离根节点越近的节点具有更广泛的语义属性。适应性隐私保护机制：通过迭代执行的过程，将当前停留点映射到适当的叶节点，并将位置的隐私敏感性映射到语义树中的层数，以概括移动语义。https://blog.csdn.net/qq_58576289/article/details/136517671在得到了深层语义树后，为了能够更进一步考虑用户的语义信息，BSPri提出了一个量化隐私泄露风险的指标，δ-Privacy，即：

其中P−(s)和P+(s|z)分别指z发布前后语义s出现的先验概率和后验概率。 s表示实际的用户行为语义。

而在连续的移动社交场景中（用户多次参与应用程序（t≥1））：

在文献中，这里的状态是通过了一种基于用户行为以及移动时间的结合，将用户换分为不同的状态，后验概率更多的是考虑当前用户状态所对应产生的移动转移概率，先验概率则是用户整体的一个转移，这种转移对于时间片的考虑较少，两者的结合形成的比值就是量化的隐私泄露风险。

生成假位置的方法中，仍然是参考上一篇论文的的思想，但是，在发布前，还会经过δ-Privacy的辅助以及修正，进一步减少了用户假轨迹被识别的风险，降低了攻击者的攻击收益。