论文总字数：26163字

摘 要

随着移动设备的普及、计算机网络以及定位技术的发展，越来越多的用户已经离不开基于位置服务的应用。例如打车、导航、交友、运动等应用软件都是基于用户的位置提供服务的。但是，与此同时，机器学习以及大数据分析的蓬勃发展，使得攻击者能够从大量的用户的位置信息中，分析推断到用户的家庭住址、健康状况、出行路线等，这极大的增加了用户位置隐私泄漏的危险。

但是，既然机器学习会提高隐私泄漏的风险，相反我们也能够通过机器学习，来提高我们对于隐私保护的能力。受生成式对抗网络(GANs)启发，本文提出了一种基于生成式对抗网络的位置隐私保护算法，即建立两个网络—生成网络G，代表保护者，尝试将用户的真实位置进行模糊，产生最佳的保护机制；鉴别网络D，代表攻击者，尝试从已有的信息中推断用户的真实位置。

本文首先阐述了与此相关的理论基础，包括位置隐私保护技术以及生成对抗网络技术。接着，本文从模型搭建的基本思想、架构出发，详细论述了如何量化效用、量化隐私以及G与D如何进行博弈的策略。然后，本文介绍了网络实现的具体细节，包括网络的损失函数、评估指标以及收敛性。最后，本文将训练得到的模型，即位置隐私保护机制，在合成数据上进行实现，将其结果与拉普拉斯机制进行对比，并取得了令人满意的成绩。

关键词：位置隐私保护；生成对抗网络；机器学习

Research on Privacy Protection Mechanism in Location-based Services

Abstract

With the popularity of mobile devices, the development of computer networks and positioning technology, more and more users have been inseparable from the application of location-based services. For example, taxi, navigation, dating, sports and other application software are based on the user's location to provide services. However, at the same time, the vigorous development of machine learning and big data analysis has enabled attackers to analyze and infer from a large number of user location information to the user's home address, health status, travel route, etc., which greatly increased Risk of privacy leakage of user's location.

However, since machine learning can bring us danger, on the contrary, we can also use machine learning to improve our ability to protect privacy. Inspired by GANs, this paper proposes a location privacy protection algorithm based on adversarial neural networks—the establishment of two networks: generating network G, representing the protector, trying to blur the user ’s real location to produce the best protection mechanism; identifying the network D, on behalf of the attacker, tries to infer the user's location from the existing information.

First of all, this article describes the theoretical basis related to this, including location privacy protection technology and generative adversarial network technology. Then, starting from the basic idea and architecture of model building, this article discusses in detail how to quantify utility, quantify privacy, and the strategy of G and D playing games. Then, this article introduces the specific details of the network implementation, including the network's loss function, evaluation indicators, and convergence. Finally, in this paper, the trained model, namely the location privacy protection mechanism, is implemented on the synthetic data, and the results are compared with the Laplace mechanism, and satisfactory results are achieved.

Keywords: Location privacy protection; Generating adversarial networks

目 录

摘 要 I

Abstract II

目 录 III

第一章 绪 论 1

1.1 研究背景 1

1.2 研究动机 1

1.3 研究现状 2

1.4 论文组织结构 3

第二章 相关技术 5

2.1 位置隐私保护 5

2.1.1 服务框架 5

2.1.2 事件定义 7

2.1.3 保护机制 7

2.1.4 度量指标 8

2.1.5 保护方法 9

2.2 生成对抗网络 11

2.2.1 基本架构 11

2.2.2 模型举例 12

2.2.3 模型优势 13

2.3 本章总结 13

第三章 生成对抗网络的构建 15

3.1 框架设计 15

3.1.1 基本思想 15

3.1.2 具体架构 16

3.1.3 算法流程 16

3.2 模型设定 17

3.2.1 基本设定 17

3.2.2 量化效用 18

3.2.3 量化隐私 18

3.2.4 博弈策略 18

3.2.5 评判标准 19

3.3算法设计 19

3.3.1 实用性 19

3.3.2 隐私性 20

3.3.3 评估指标 20

3.3.4 收敛性 21

3.4 本章总结 22

第四章 实验设计与性能评估 23

4.1实验设计 23

4.1.1 数据集 23

4.1.2 对照机制 24

4.1.3 评估指标 24

4.2 实验一 25

4.3 实验二 27

第五章 总结与展望 30

5.1 本文优势 30

5.1.1 灵活性 30

5.1.2 适用性 30

5.1.3 健壮性 30

5.2 后续研究 31

参考文献 32

致 谢 35

第一章 绪 论

1.1 研究背景

随着互联网技术、定位技术的发展以及移动设备的普及，人们的生活变得越来越信息化、智能化。用户可以通过基于位置服务(Location Based Service LBS)的应用，随时随地的获取自身的位置，以此获得相应的服务来满足自己的需要。例如(1)提供出行导航服务的腾讯地图，高德地图以及嘀嘀打车等软件；(2)满足生活需要智能推荐附近餐饮住宿等兴趣点的美团、大众点评以及支付宝口碑等软件；(3)提供社交网络服务有微信、陌陌以及QQ等软件；(4)提供运动检测服务的KEEP、咕咚运动等软件。人们的生活已经逐渐离不开LBS应用，也愿意提供其信息来交换改进的服务。虽然LBS应用给我的生活带来了许多的便利，但与此同时用户在使用LBS应用的同时也面临着位置隐私泄露的危险。尤其是在大数据蓬勃发展的今天，服务商和攻击者能够通过大数据分析用户的兴趣点(Point Of Interest POI)并推断出用户更多的隐私。例如(1)通过分析用户位置的更新轨迹，可以推断出用户的出行路线以及生活习惯等；(2)通过分析用户的具体的所在位置，可以推断出用户的宗教信仰、健康状况以及家庭情况等；(3)通过分析用户的位置停留的密集程度，可以推断出用户的家庭住址、公司地址等。无疑，这些隐私的泄露极有可能给用户带来难以估计的损失，因此对于位置隐私的保护机制的设计已经成为亟需解决的实际问题。

1.2 研究动机

大数据是现代经济的命脉，因此各类服务商热衷于对用户信息的获取，方便他们进一步提升自己的竞争力。另一方面，用户通常也愿意提供数据来交换优质的服务。但是，随着大数据的发展，人们对隐私泄漏的担忧也越来越大。每天使用移动设备和社交媒体等软件可能会泄露用户大量详细且准确的位置信息，这些信息的泄漏可能会给用户带来无法预计的损失。而无疑，机器学习的兴起及其对大数据强大的分析能力，进一步加剧了隐私泄漏的威胁。

请支付后下载全文，论文总字数：26163字