一種保持軌跡數(shù)據(jù)高可用性的隱式位置訪問隱私保護技術(shù)

劉向宇,劉竹豐,夏秀峰,李佳佳,宗傳玉,朱 睿

(沈陽航空航天大學(xué)，計算機學(xué)院，沈陽 110136)

隨著社交網(wǎng)絡(luò)的蓬勃發(fā)展，帶有簽到服務(wù)的社交應(yīng)用層出不窮，用戶可以在這些應(yīng)用發(fā)布自己訪問過的位置。由于簽到服務(wù)的廣泛使用，用戶的軌跡數(shù)據(jù)不斷地被大量收集。當(dāng)應(yīng)用將軌跡數(shù)據(jù)進行公開發(fā)布時，對用戶的隱私威脅也就隨即產(chǎn)生。

雖然用戶可能在某些敏感位置進行位置訪問時避免簽到，但用戶卻難以注意到隱式位置訪問隱私的泄露。如圖1(a)所示為用戶u的軌跡集合T，從t1到t5分別是u產(chǎn)生的五條軌跡。而軌跡t1以及各個位置在地圖上的方位展示在了圖1(b)中，各個位置的語義信息展示在了圖1(c)中。注意在本文中T都認(rèn)為是一個特定用戶的軌跡集合，且為了方便表示，每條軌跡都將用位置序列來表示，序列的每個元素即是用戶的簽到位置。但一條T中的軌跡可能和它對應(yīng)的實際訪問軌跡有所不同，例如，給定軌跡t3∈T，其對應(yīng)的實際訪問軌跡是A→D→G→B→C，而位置B的訪問是在軌跡t3中沒有出現(xiàn)的，這樣的存在過實際訪問卻不存在于軌跡信息中的位置訪問，稱為隱式位置訪問。假設(shè)位置B對于用戶u來說是敏感的，所以用戶拒絕了在軌跡t3中進行位置B的簽到。在本文中，一個位置被考慮為在某個特定的時間段對用戶是敏感的。

圖1 用戶u的歷史軌跡數(shù)據(jù)

為了避免隱私泄露的發(fā)生，本文將采用位置替換技術(shù)來匿名化特定軌跡從而使泄露概率下降而起到隱私保護的作用。但是使用位置替換技術(shù)還存在兩個待解決的問題：(1)位置替換后軌跡不符合用戶的行為模式。如果在位置替換后軌跡中出現(xiàn)了新的行為模式，那么攻擊者便很容易辨識出替換位置。如圖2所示，如果地點B被替換為H，那么就將會出現(xiàn)兩種新的行為模式且他們的頻度都是1，這樣就很容易被攻擊者識別出替換位置。(2)位置替換后導(dǎo)致軌跡特征丟失。如圖3所示，虛線即為軌跡t1的軌跡特征，如果地點B被替換為H，軌跡特征將會被劇烈改變。但是如果將地點B替換為G，這兩個問題都將被有效地解決。

1 相關(guān)工作

伴隨著社交應(yīng)用的使用，用戶數(shù)據(jù)不斷產(chǎn)生，通過推演技術(shù)能推測出用戶的重要個人情報，也就產(chǎn)生了數(shù)據(jù)中隱含的隱私被泄露風(fēng)險。而位置隱私保護則是隱私保護領(lǐng)域中一個重點研究方向，目前國內(nèi)外已經(jīng)提出了多種位置隱私保護技術(shù)。

圖2 位置替換后行為模式的變化

圖3 位置替換后軌跡特征的變化

第一種使用泛化與失真技術(shù)[2-5]，通過泛化技術(shù)將位置轉(zhuǎn)換為一個區(qū)域同樣可以達到保護目的。Zheng等[4]人提出一種新的隱形區(qū)域技術(shù)，由用戶位置生成隱藏區(qū)域并選擇其中的子區(qū)域來代替發(fā)出請求，能夠有效防止攻擊者通過邊信息進行攻擊。通過考慮一種半可信服務(wù)器框架將移動用戶的信息分為三個部分，再使用基于組合優(yōu)化的隱匿區(qū)域算法將用戶的位置進行隱藏[5]。

第二種使用概率預(yù)測技術(shù)[6-7]。M等[6]人提出一種個性化隱私保護系統(tǒng)，針對用戶自定義的敏感上下文信息進行有針對性的過濾，這樣整個系統(tǒng)便可以抑制攻擊者所能增益到的信息，即使攻擊者了解整個系統(tǒng)且擁有上下文的時間相關(guān)性。而針對智能手機中的上下文感知應(yīng)用激增的情況，通過考慮和調(diào)整假設(shè)攻擊者的攻擊策略可以通過學(xué)習(xí)算法來獲得一種有效防御體系[7]。

第三種使用差分隱私技術(shù)[8-12]。Me等[9]人根據(jù)差分隱私的基本概念提出一種地理不可辨識性的新概念，通過對用戶位置添加雙變量的拉普拉斯函數(shù)的噪音值將其應(yīng)用到LBS服務(wù)中，最終能取得良好的隱私保障?；谶@種地理不可辨識性，MA等人將差分隱私應(yīng)用到最近鄰查詢中，通過分類機制將個體分為群組，并將質(zhì)心查詢結(jié)果返回給用戶[10]。差分隱私技術(shù)同樣可以應(yīng)用在位置推薦上，且基于空間索引的技術(shù)可以得到優(yōu)質(zhì)的推薦結(jié)果[11]。

第四種使用加密技術(shù)[13-16]。Chen等[13]人構(gòu)建了一種個性化的排名查詢協(xié)議，不同用戶使用不同密鑰加密位置信息。該協(xié)議可以以不同粒度進行查詢，同時在查詢服務(wù)中模糊化查詢結(jié)果。Maede等[14]人考慮了組內(nèi)成員尋找位置要求聚合距離最小的場景，設(shè)計了一種組內(nèi)位置隱私協(xié)議，通過匿名veto網(wǎng)絡(luò)和同態(tài)加密技術(shù)來保護所有人的位置隱私。

綜上所述，當(dāng)前位置隱私保護技術(shù)還存在以下不足：在執(zhí)行保護處理時沒有考慮到軌跡信息含有的用戶行為模式，處理后的新軌跡則很有可能不符合用戶行為模式，而產(chǎn)生這個問題的根本原因則是因為當(dāng)前沒有考慮到各個位置類別的轉(zhuǎn)移；對于發(fā)布的軌跡數(shù)據(jù)無法保證軌跡數(shù)據(jù)可用性，而通過保持軌跡特征則能有效保證數(shù)據(jù)可用性。

2 預(yù)備知識和問題定義

在本文中，每個位置li都有其對應(yīng)的位置名稱和位置類別c(li)，而用戶軌跡集合中曾出現(xiàn)的所有位置類別將組成位置類別集C，其中第i個類別被表示為C[i]。推演技術(shù)將使用到軌跡數(shù)據(jù)中的移動規(guī)則用rule表示。假設(shè)front，back和λ都是用戶曾經(jīng)過的位置，那么front→back則代表著用戶曾在一條軌跡中先后經(jīng)過front和back兩個位置。相似地，front→back?λ代表著用戶曾在一條軌跡中的先后經(jīng)過front和back的途中還經(jīng)過了λ這個位置。已知移動規(guī)則rule和軌跡集T，那么T關(guān)于rule的支持軌跡集被表示為ST,rule，它是T的子集，且其中的每條軌跡都滿足移動規(guī)則rule，它所包括的所有軌跡總數(shù)為|ST,rule|。

定義1 (隱式位置訪問)：已知用戶的某條軌跡t和t對應(yīng)的實際訪問軌跡tTURE，假設(shè)t中滿足移動規(guī)則front→back，而tTURE卻還能滿足移動規(guī)則front→back?λ，那么此時就稱軌跡t有移動規(guī)則front→back下的隱式位置訪問λ[1]。

定義2 (泄露概率)：已知對用戶敏感的位置λ和關(guān)于該用戶的軌跡集T，那么關(guān)于隱式位置訪問λ的泄露概率被表示為[1]：

(1)

公式的分子部分是關(guān)于移動規(guī)則front→back?λ的支持軌跡集ST,front→back?λ，稱為推測軌跡集。公式的分母部分是關(guān)于移動規(guī)則front→back的支持軌跡集ST,front→back，稱為條件軌跡集。此公式作為隱式位置隱私推演的基準(zhǔn)公式。推測軌跡集和條件軌跡集的集合大小，分別稱為推測軌跡的支持度和條件軌跡的支持度。該公式的求值稱為隱式位置訪問λ關(guān)于移動規(guī)則front→back的置信度。

定義3 (類別轉(zhuǎn)移概率)：已知關(guān)于用戶u的位置類別集C，和兩個用戶訪問過的位置li和lj，它們的位置類別分別是c(li)和c(lj)，那么類別從c(li)轉(zhuǎn)移到c(lj)的類別轉(zhuǎn)移概率計算為：

(2)

其中|c(li)→c(lj)|代表著從位置類別c(li)轉(zhuǎn)移到c(lj)的轉(zhuǎn)移頻度，是指在用戶的軌跡集合中，發(fā)生過的從屬類別是c(li)的位置轉(zhuǎn)移到從屬類型是c(lj)的位置的轉(zhuǎn)移總次數(shù)，注意li和lj在軌跡中一定具有時間先后順序和連續(xù)性。同理|c(li)→C|代表著從位置類別c(li)轉(zhuǎn)移到所有類別的轉(zhuǎn)移頻度。

定義4 (特征序列與軌跡特征點)：已知軌跡t=l1→…→ln，那么其對應(yīng)的特征序列為tchar=[lc1,lc2,lc3,…,lcpar-1,lcpar]，其中c1=1,cpar=n且c1

每條軌跡都有其對應(yīng)的軌跡特征，代表了其主要的運動特征，如圖4所示，圖中的實線代表軌跡本身，而虛線則代表其對應(yīng)的軌跡特征。軌跡特征點是原軌跡中某些特定的能夠代表軌跡運動特征的點，連接軌跡特征點便形成了軌跡特征，在圖例中，lc1、lc2、lc3和lc4便是原軌跡的特征點，在圖中用空心點來表示。通過算法3中的最小描述長度優(yōu)化原則來獲得軌跡的特征序列。

圖4 軌跡及其對應(yīng)軌跡特征

定義5 (軌跡特征保持)：已知一條軌跡t，一個在t中的位置L的序號為i以及t對應(yīng)軌跡特征tchar，那么在替換位置L為L′后，稱此時有軌跡特征保持當(dāng)且僅當(dāng)新的軌跡特征tchar′等于：

(3)

問題1 (隱式位置訪問隱私安全問題)：已知特定用戶的軌跡數(shù)據(jù)集T、用戶自定義設(shè)置的敏感位置集SenLoc和泄露概率最大。允許閾值δ，通過位置替換和位置抑制兩種方法對軌跡數(shù)據(jù)集的特定軌跡進行匿名，使所有泄露概率降低到δ以下，同時使得匿名軌跡符合用戶行為模式和保持軌跡特征。

3 隱式位置訪問隱私保護

提出一種隱式位置訪問隱私保護算法(Hidden Location Visit Privacy Protection，HLVPP)，具體過程如算法1所示。算法1基本思想是針對每條泄露概率的推測軌跡和條件軌跡的構(gòu)成，對特定軌跡執(zhí)行位置替換或位置抑制來匿名化軌跡，最終使泄露概率減小到用戶允許閾值；替換位置時通過考慮用戶行為模式，使位置替換后位置類別轉(zhuǎn)移概率最大。同時關(guān)注原軌跡的軌跡特征是否改變，為提高算法的執(zhí)行效率和合理性，通過局部軌跡拓展規(guī)則來檢測軌跡特征的保持。

算法1隱式位置訪問隱私保護算法(Hidden Location Visit Privacy Protection)

輸入：特定用戶的軌跡數(shù)據(jù)集T,用戶設(shè)置的敏感位置集SenLoc,閾值δ.

輸出：匿名化后的軌跡數(shù)據(jù)集T.

1.Get the Leakage Probability Set PSet;

3.For tinST,front→back?λdo

4.Decrease_Speculation(t,λ,r);

5.frontAround = front.around(r);

6.backAround = back.around(r);

7.For t inST,front→backAround?λor frontAround→back?λdo

8.Add_Condition(t,front,back,frontAround,backAround);

9.For tinST,front→back?λdo

10.t.Suppression(λ);

11.ReturnT;

算法1首先根據(jù)輸入?yún)?shù)執(zhí)行推演攻擊，并返回泄露概率集PSet(1行)。整個算法的外層循環(huán)中，可以分成三個子模塊——通過位置替換來減小推測軌跡集(3-4行)、通過位置替換來增加條件軌跡(5-8行)、通過位置抑制來減小推測軌跡集(9-10行)，它們的優(yōu)先度依次降低。一旦概率數(shù)值降低到用戶允許閾值δ之下，則退出子模塊所在循環(huán)，并繼續(xù)外層循環(huán)以處理下一條泄露概率。r代表著執(zhí)行位置替換時原始位置與替換位置之間允許的最大歐式距離，通過實驗證明當(dāng)r選取300米時能使尋找替換目標(biāo)時獲得最大的收益。

在第一個子模塊中，推測軌跡集中的每條軌跡會被循環(huán)遍歷，每當(dāng)成功執(zhí)行一次位置替換，推測軌跡集大小將減1。Decrease_Speculation函數(shù)的步驟如下：(i)算法2被執(zhí)行以獲得關(guān)于替換位置λ的優(yōu)先位置類別，其中包含各個位置類別以及對應(yīng)的類別轉(zhuǎn)移概率；(ii)根據(jù)優(yōu)先位置類別依次搜索屬于特定類別且距離λ小于r的位置集。最后一次搜索則無類別限制，且位置集中將去掉敏感位置；(iii)依次將(ii)步驟中返回結(jié)果作為替換位置分別執(zhí)行位置替換，并執(zhí)行算法3；(iv)如果(iii)步驟返回結(jié)果為真，那么執(zhí)行當(dāng)前的位置替換并終止函數(shù)，否則(ii)、(iii)和(iv)將重復(fù)執(zhí)行。如圖5所示，將位置B視為被替換位置，第一次搜索過程中將會搜索到所屬類別為cinema的位置G作為返回，然后再檢測若替換位置為G時是否能使軌跡特征保持。

圖5 對t_1執(zhí)行Decrease_Speculation函數(shù)

在第二個子模塊中，front.around(r)將返回距離front小于r的位置集，并將其稱為frontAround，back.around(r)與backAround同理。ST,front→backAround?λ or frontAround→back?λ代表的是類條件軌跡集，其中每條軌跡并不是條件軌跡，并且其中不會包括敏感位置λ，但通過替換其中一個位置為front或者back后就可以成為一個條件軌跡。執(zhí)行位置替換后條件軌跡集大小加1。

Add_Condition函數(shù)的步驟如下(這里只介紹此函數(shù)處理ST,front→backAround?λ軌跡集中的軌跡時的步驟，因為對另一種軌跡集ST,frontAround→back?λ的軌跡的處理步驟是完全類似的)：(i)根據(jù)backAround位置集的每個位置loc，分別替換為back后執(zhí)行算法3；(ii)如果步驟(i)返回結(jié)果為真，且當(dāng)前還沒有某個位置將可能會替換為back的記錄，則將c(back)在算法2返回的優(yōu)先位置類別集中的類別轉(zhuǎn)移概率和當(dāng)前位置loc記錄作record；(iii)如果步驟(i)返回結(jié)果為真，且已有記錄record，則在c(back)的類別轉(zhuǎn)移概率更高的情況更新record，否則不更新；(iv)在遍歷位置集的過程中，(ii)(iii)將會被重復(fù)執(zhí)行，遍歷完成后如果record存在，那么記錄的位置loc將會被替換為back。如圖6所示，在分別將E和I替換為C后，將執(zhí)行算法3判斷二者是否都能使軌跡特征保持。

圖6 對t_4執(zhí)行Add_Condition函數(shù)

在第三個子模塊中，Suppression函數(shù)將會對一條推測軌跡中的敏感位置執(zhí)行位置抑制操作，執(zhí)行后，推測軌跡將會退化為一個條件軌跡。此時，推測軌跡集大小減1，條件軌跡集大小不變。如圖7所示，t2作為一條推測軌跡，其中的敏感位置B將會被刪除，所以t2將不再是一條推測軌跡。

圖7 對t2執(zhí)行Suppression函數(shù)

HLVPP算法中將使用到子算法——位置類別優(yōu)先級算法，具體過程如算法2所示。算法2基本思想是通過建立概率轉(zhuǎn)移矩陣返回替換位置的可能類別及其對應(yīng)的類別轉(zhuǎn)移概率，返回結(jié)果作為替換位置選擇策略。

算法2位置類別優(yōu)先級算法

輸入：軌跡數(shù)據(jù)集T,位置類別集C,被替換位置L.

輸出：數(shù)組Category-Priority.

1.MN×N,CountNare created;

2.For eachtinTDo

3.Ift.length>= 2

4. Fori←1 tot.length -1 Do

5.Countc(t[i]).index++;

6.Mc(t[i]).index,c(t[i+1]).index++;

7.Get_Probability();

8.Fori←1 toNDo

9.prob=MprevIndex,i×Mi,nextIndex;

10.Category-Priority.add(Category[i] ,prob);

11.Category-Priority.DeleteZero_Sort();

12.Return Category-Priority;

算法2中N為C的大小，概率轉(zhuǎn)移矩陣MN×N和轉(zhuǎn)移計數(shù)器CountN被初始化(1行)，每個元素都為0。遍歷軌跡集中的每條軌跡，根據(jù)軌跡中的每次轉(zhuǎn)移對矩陣和計數(shù)器進行加1操作(2-6行)。Get_Probability函數(shù)將概率轉(zhuǎn)移矩陣元素Mi,j除以Counti得到的數(shù)值賦值給Mi,j(7行)，這樣矩陣的每個元素就代表著C[i]到C[j]的類別轉(zhuǎn)移概率。prevIndex代表L之前經(jīng)過prev位置的類別在C中的索引，nextIndex代表L之后經(jīng)過next位置的類別在C中的索引。prob將計算出替換位置可能類別的聯(lián)乘類別轉(zhuǎn)移概率。DeleteZero_Sort函數(shù)將刪除數(shù)組中概率為零的位置類別，然后從大到小進行排序(11行)。如圖8所示，將t1中的B當(dāng)作被替換位置，那么優(yōu)先搜索類別為cinema的替換位置，以圖1軌跡數(shù)據(jù)執(zhí)行本算法，得到各個類別轉(zhuǎn)移概率：從restaurant轉(zhuǎn)移到cinema的概率為0.33，從cinema轉(zhuǎn)移到convenience的概率為0.5，再根據(jù)以上數(shù)據(jù)得到從restaurant轉(zhuǎn)移到cinema再到convenience的聯(lián)乘概率為0.33。

圖8 t1中B的替換位置的類別優(yōu)先級

HLVPP算法中也將使用到子算法——檢測軌跡特征保持算法，具體過程如算法3所示。算法3基本思想是通過最小描述長度(minimum description length，簡稱MDL)優(yōu)化的概念獲得位置替換前后的軌跡特征序列，從而檢測軌跡特征是否能夠保持。MDL由兩組件構(gòu)成[17]:L(H)和L(D|H)，其中H代表某種假設(shè)，而D代表數(shù)據(jù)。而MDL優(yōu)先則是指得到一個最好的假設(shè)H來解釋D，使得L(H)和L(D|H)的總數(shù)據(jù)量最小。文獻[18]中使用了MDL規(guī)則得到軌跡的特征序列，其中L(H)對應(yīng)軌跡的一種特定軌跡特征的長度，L(D|H)則代表軌跡與軌跡特征之間的總差異量。

算法3檢測軌跡特征保持算法

輸入：特定軌跡t,被替換位置L,替換位置L′.

輸出：布爾值true或者false.

1.i=t.index(L);

2.range,ChaSe,indexPairs=Part_Traj_Char(t,i);

3.t[i]=L′;

4.indexPairs.Delete_About(i);

5.NewChaSe,MDLCost =Get_ChaSe(t,range,indexPairs);

6.ReturnCheck_Preservation (ChaSe,NewChaSe);

算法3首先獲得了L在軌跡t中的索引i(1行)。Part_Traj_Char函數(shù)將通過局部軌跡拓展原則來計算替換位置周圍局部軌跡的特征序列，返回的range為局部軌跡索引范圍，ChaSe為對應(yīng)特征序列，indexPairs的每個元素存儲一個索引對形如(j,k)以及從t[j]到t[k]的部分軌跡的MDL消耗(2行)。執(zhí)行位置替換后(3行)，將indexPairs中索引范圍包括了i的索引對進行剔除(4行)，在第5行執(zhí)行Get_ChaSe函數(shù)，將計算range范圍內(nèi)的t的局部軌跡在最小描述長度優(yōu)化規(guī)則下求得的軌跡特征序列。Check_Preservation函數(shù)將檢測位置替換后能否保持軌跡特征，如果符合則返回true，否則返回false。圖9展示了局部軌跡拓展方法，以當(dāng)前隱式位置訪問為中心往軌跡的兩端進行延伸，每次拓展后進行計算，當(dāng)對應(yīng)的MDL消耗除以拓展次數(shù)的數(shù)值大于上一次拓展，或者已經(jīng)到達軌跡兩端時，拓展停止。

4 實驗

本文對提出的隱式位置訪問隱私保護算法的有效性進行評估。在實驗過程中，選取兩個真實數(shù)據(jù)集Brightkite和Gowalla進行實驗和分析。

4.1 實驗設(shè)置

Brightkite和Gowalla是來自斯坦福大學(xué)公開的兩個軌跡數(shù)據(jù)集，其中包括了用戶的簽到位置信息。在實驗前，對兩個數(shù)據(jù)集都進行了預(yù)處理，剔除掉美國加州地區(qū)以外的信息，表1為實驗數(shù)據(jù)集的統(tǒng)計信息。

圖9 在軌跡t1上的局部軌跡拓展

表1 實驗數(shù)據(jù)集統(tǒng)計信息

實驗軟硬件環(huán)境如下：

(1)硬件環(huán)境:Intel Core i5 3.20GHz,4GB DRAM內(nèi)存.

(2) 操作系統(tǒng)平臺:Microsoft Windows 10.

(3) 編程環(huán)境:Python 3.6,Spyder 3.2.6.

4.2 實驗結(jié)果分析

為了進行對比，本文將文獻[19]中的位置替換算法進行了實現(xiàn)，記作BP。在實驗中為每個用戶分配隨機的敏感位置集，并將用戶允許的最大泄露概率設(shè)為0.5，通過推演泄露概率算法獲所有可能的泄露概率，然后再從中挑選1000個泄露概率。根據(jù)每個用戶關(guān)聯(lián)的所有泄露概率，分別執(zhí)行本文算法后將使所有泄露概率數(shù)值均小于閾值，即用戶的隱式位置訪問隱私得到了保護。

本文采用以下三個標(biāo)準(zhǔn)衡量保護結(jié)果。

(3) 運行時間：算法處理運行的總時間。

優(yōu)先類別概率結(jié)果如圖10所示，在兩個數(shù)據(jù)集上，HLVPP算法的優(yōu)先類別概率都要遠高于BP算法，這是由于BP算法中簡單地挑選替換位置的規(guī)則而替換位置根本沒有考慮到用戶行為模式，HLVPP算法則優(yōu)先搜索屬于優(yōu)先類別的位置候選集。其中HLVPP算法的優(yōu)先類別概率基本穩(wěn)定在90%，而BP算法則在31%左右上下浮動。從兩個數(shù)據(jù)集上的比較來看，Gowalla數(shù)據(jù)集要略高于Brightkite數(shù)據(jù)集，這是因為在Gowalla數(shù)據(jù)集中的位置分布密度要略高于Brightkite數(shù)據(jù)集。

圖10 優(yōu)先類別概率

特征保持概率結(jié)果如圖11所示，在兩個數(shù)據(jù)集上，HLVPP算法的特征保持概率都要遠高于BP算法。這是由于BP算法只是從離原始位置一定范圍內(nèi)隨機選擇替換位置，這樣會使得替換位置大概率不滿足軌跡特征的保持條件，而HLVPP算法每個替換位置都經(jīng)過了特征保持的檢驗。其中HLVPP算法的特征保持概率基本穩(wěn)定在91%，而BP算法也是在46%左右穩(wěn)定。

圖11 特征保持概率

運行時間結(jié)果如圖12所示，HLVPP算法在兩個數(shù)據(jù)集的表現(xiàn)都比較穩(wěn)定，平均運行時間為198ms；而BP算法由于需要執(zhí)行的計算較少，所以平均運行時間為23ms。

圖12 運行時間

5 結(jié)論

本文針對隱式位置訪問隱私保護問題進行研究，提出了一種隱式位置訪問隱私保護算法(HLVPP算法)，通過位置替換與位置抑制技術(shù)針對性地對特定軌跡進行匿名化處理。通過位置類別優(yōu)先級算法和檢測軌跡特征保持算法使得匿名軌跡能夠符合用戶行為模式且保持軌跡特征?；谡鎸嵻壽E數(shù)據(jù)集進行實驗，結(jié)果表明HLVPP算法能夠有效保護隱式位置訪問隱私免受推演攻擊，同時保持軌跡數(shù)據(jù)高可用性。