基于深度学习的位置隐私攻击

摘 要 随着位置服务的不断发展，位置隐私保护已成为隐私保护研究的一个热点.当前已经提出了一系列位置隐私保护方案，这些隐私保护方案大多是基于空间扰动技术来实现的.然而，现有的位置隐私保护研究存在2方面的问题：首先大部分位置隐私保护方案在进行空间扰动时，未考虑用户轨迹点间复杂的关联关系，这样的位置隐私保护方案通常会低估脱敏轨迹的破解风险；其次，脱敏轨迹的破解风险缺乏量化的度量，尽管差分隐私在这一方面做了相当的努力，然而复杂关联关系的存在使得该模型未必能够客观地描述隐私保护的程度.如果不能量化脱敏轨迹的破解风险，也就不能对隐私保护方案建立一个定量的评估指标.因此，首先利用具有关联关系的位置信息，分别设计了利用简单关联关系的Markov攻击算法和利用复杂关联关系的深度神经网络攻击算法，对脱敏轨迹进行了攻击；其次对脱敏轨迹的破解风险进行量化，建立了一个定量的评估方案，用于评估攻击算法对隐私保护方案的威胁程度；最后将这2类攻击算法对Geo-Indistinguishability隐私保护方案进行了攻击，并对攻击效果进行了评估，结果表明Geo-Indistinguishability隐私保护方案抵御了Markov攻击算法的攻击，但未能抵御深度神经网络攻击算法的攻击.

关键词 位置隐私；位置隐私攻击；深度学习；隐私风险评估