移動群智感知中基于霧節(jié)點協(xié)作的感知用戶身份隱私保護

劉慧，畢仁萬，熊金波,2，趙明烽，金彪，林劼

移動群智感知中基于霧節(jié)點協(xié)作的感知用戶身份隱私保護

劉慧1，畢仁萬1，熊金波1,2，趙明烽1，金彪1，林劼1

（1. 福建師范大學數(shù)學與信息學院，福建 福州 350117；2. 福建省網(wǎng)絡安全與密碼技術重點實驗室，福建 福州 350007）

在移動群智感知中，攻擊者可利用感知用戶間的社交關聯(lián)信息以及感知用戶身份信息與感知數(shù)據(jù)的關聯(lián)性重構感知用戶間的社交圈，進一步攻擊用戶社交團體。針對這一問題，提出一種基于霧節(jié)點協(xié)作的感知用戶身份隱私保護方案。首先，創(chuàng)建任務分配中心（TC）和數(shù)據(jù)中心（DC），并由位于終端邊緣的2個霧節(jié)點承載，分別處理感知任務的合理分配問題和感知數(shù)據(jù)的聚合計算問題；然后，通過差分隱私加噪干擾防御攻擊者獲取感知用戶間具體的社交關聯(lián)權重；最后，感知用戶使用不同的盲身份分別與TC和DC通信，防止攻擊者同時獲取感知用戶的身份信息和感知數(shù)據(jù)。安全分析表明，所提方案可以確保感知用戶在完成感知任務過程中的身份隱私信息安全。實驗結果顯示，所提方案可以有效保護感知用戶間的社交關聯(lián)信息，且具有較低的時延。

差分隱私；移動群智感知；身份隱私保護；霧節(jié)點；社交關聯(lián)關系；盲身份

1 引言

移動群智感知作為新興的數(shù)據(jù)采集手段，結合移動感知和眾包思想，以普通感知用戶作為數(shù)據(jù)采集的基本單元，通過深度分析感知用戶提交的海量異構感知數(shù)據(jù)，有效完成龐大復雜的感知任務最終服務于人類社會。智能設備的不斷豐富以及內置傳感器感知能力的不斷提升，為移動群智感知網(wǎng)絡提供了更加異構、多樣化的數(shù)據(jù)，滿足更高的感知任務需求[1-2]。近年來，群智感知技術不僅在公共設施環(huán)境[3-4]、智慧醫(yī)療[5-6]、智慧交通[7-8]等行業(yè)得到了深度應用，而且在新興的綠色制造、智能服務等領域實現(xiàn)了有價值的創(chuàng)新應用[9-10]。移動群智感知的快速發(fā)展，極大地豐富了智慧城市的應用與服務，進一步推動當代萬物互聯(lián)的發(fā)展。

在移動群智感知中，感知用戶在參與執(zhí)行任務的過程中，攻擊者可通過任務關聯(lián)或感知數(shù)據(jù)獲取感知用戶的身份信息、地理位置、社交圈等敏感信息，進一步攻擊感知用戶造成隱私信息泄露。針對這一問題，Wang等[11-12]提出一種基于分組映射的感知用戶身份隱私保護方案，通過分類算法將可信程度相同的感知用戶映射到同一隱私水平的分組中，從而隱藏感知用戶的真實ID，實現(xiàn)感知用戶的身份隱私保護。Hu等[13]提出一種基于數(shù)據(jù)分割的隱私保護方案，感知用戶將感知數(shù)據(jù)分割成份，秘密共享于個節(jié)點，并由各個節(jié)點直接上傳給感知平臺，從而有效防止攻擊者將具體的感知用戶和感知數(shù)據(jù)相結合。進一步地，Wu等[14]在文獻[13]的基礎上增加了對轉發(fā)節(jié)點的可信度評估，從社會貢獻和個性屬性兩方面評估轉發(fā)節(jié)點的可靠性，且分割數(shù)據(jù)的數(shù)量由感知用戶所遇到的可信轉發(fā)節(jié)點的個數(shù)決定，但該方案中節(jié)點的可信度評估需要較長的時延，且計算開銷和通信開銷比較大。Jin等[15-16]提出在感知平臺可信的情況下，感知用戶可用自己的真實身份直接上傳投標信息和感知數(shù)據(jù)，并使用差分隱私加噪于用戶的投標信息，防止攻擊者獲取其他用戶的投標信息后更改自己的投標信息造成投標結果的不公平；同時，感知平臺也將聚合數(shù)據(jù)結果進行加噪干擾后發(fā)布從而防御攻擊者從感知數(shù)據(jù)中推測用戶的敏感信息。然而，方案中對于感知平臺的可靠性定義過強，不適合現(xiàn)階段移動群智感知環(huán)境。

綜上所述，現(xiàn)有方案一般采用數(shù)據(jù)分割和匿名的方法確保感知用戶身份隱私信息的安全，雖具有較強的身份隱私保護，但對于具體感知用戶的有效認證比較復雜，且計算開銷和能耗較大；此外，由于感知用戶與云服務器之間距離較遠，感知數(shù)據(jù)往往需要通過中間網(wǎng)絡傳輸，造成傳輸時延較大。霧計算[17]作為邊緣計算的典型范例，不僅具有一定的計算和存儲能力，同時支持很強的移動性，且位于感知終端的邊緣，數(shù)據(jù)傳輸具有極低的時延。因此，利用霧節(jié)點的計算和存儲能力為感知用戶提供更加便捷的服務，成為當前新型移動群智感知的研究熱點。Fiandrino等[18]首次將霧計算應用于群智感知系統(tǒng)，并提出一種基于社交驅動智慧城市的移動群智感知數(shù)據(jù)采集框架，并提出通過用戶與任務的距離、社交能力以及設備能耗三要素來篩選用戶，且實驗表明，與僅以空間距離作為選擇標準的策略相比，該方案成功招募用戶的平均數(shù)量提高了近20%。Sun等[19]提出基于兩層霧框架的異構數(shù)據(jù)收集方案和一種基于信任管理的數(shù)據(jù)安全查詢方案，并通過獲取用戶的外包加密地圖列表（MPL）實現(xiàn)對惡意參與者的在線跟蹤和身份檢索?；陟F計算的群智感知邊緣擴展，不僅大幅度提高了實時收集用戶數(shù)據(jù)的效率，而且大幅度提高了實時分析數(shù)據(jù)的能力，為用戶提供更加精確便捷的服務。但因為霧節(jié)點更加靠近終端用戶的邊緣，感知用戶的動態(tài)屬性信息更容易泄露，所以對于感知用戶的報酬反饋和信任管理更加嚴格。但現(xiàn)有方案對于移動群智感知邊緣擴展模型下的隱私保護研究還處于初始階段，需進一步深度研究。

本文提出一種基于霧節(jié)點協(xié)作的感知用戶身份隱私保護方案，該方案的主要貢獻如下。

1) 該方案引入位于感知終端邊緣的2個半可信霧節(jié)點，其中一個霧節(jié)點（任務分配中心TC）負責基于身份驗證的任務分配和報酬獎勵更新，另一個霧節(jié)點（數(shù)據(jù)計算中心DC）負責數(shù)據(jù)聚合計算工作，從而將感知用戶的身份ID信息與感知數(shù)據(jù)分開處理，同時提高感知數(shù)據(jù)的計算效率、減輕云端的計算負擔。

2) 設計一種社交關聯(lián)詢問模型，并對任意的詢問結果進行隨機加噪干擾從而保護感知用戶間的社交關聯(lián)信息，防止攻擊者在獲取該關聯(lián)信息后重構感知用戶間的社交關系網(wǎng)。

3) 感知用戶使用不同的盲身份完成與TC和DC的通信過程，確保感知用戶（同一身份ID）在執(zhí)行任務過程中與任務關聯(lián)的地理位置、時間、身份等敏感信息的安全性。

4) 安全分析表明，該方案可以保護感知用戶在參與任務過程中的身份隱私，實驗結果顯示該方案可以有效保護感知用戶間的社交關聯(lián)信息，進一步防御攻擊者重構感知用戶間的社交圈。

2 問題描述

本節(jié)依次介紹本文方案的系統(tǒng)模型、威脅模型以及方案概述。

2.1 系統(tǒng)模型

本文方案的移動群智感知系統(tǒng)是基于霧計算構建的系統(tǒng)模型，該系統(tǒng)主要由任務發(fā)起者、霧節(jié)點以及感知用戶組成，如圖1所示。

圖1 系統(tǒng)模型

任務發(fā)起者：作為感知任務的請求者，主要負責將任務具體要求以及可支付報酬上傳給霧節(jié)點（TC），并與另一個霧節(jié)點（DC）完成感知數(shù)據(jù)的安全交易。任務發(fā)起者根據(jù)所得的感知數(shù)據(jù)進一步進行訓練和挖掘，最終服務于人類社會。

霧節(jié)點：是位于云服務器邊緣具有計算和存儲能力的智能服務器，在本文方案模型中，2個霧節(jié)點是半可信的，即它們是誠實而好奇的[20]。2個霧節(jié)點會好奇所收集數(shù)據(jù)的內容，但不會篡改數(shù)據(jù)更不會相互勾結。作為任務發(fā)起者和感知用戶的中介，主要負責任務分配和數(shù)據(jù)的計算與交易，并由2個半可信霧節(jié)點承載。其中，一個霧節(jié)點稱為基于身份驗證的任務分配中心（TC），主要負責用戶身份注冊、收集任務、分配任務、收集競標、篩選用戶以及聲譽報酬獎勵的更新與分配。另一個霧節(jié)點稱為數(shù)據(jù)處理中心（DC），主要負責收集用戶的感知數(shù)據(jù)以及數(shù)據(jù)的分析計算，并返回相應的反饋結果?；诎踩Ｃ軈f(xié)議的約束，兩霧節(jié)點之間不能相互通信勾結，確保TC與DC其中有一方受到攻擊時，敵手不能從獲取的片段信息中進一步推測用戶的敏感信息。相比于在云端專門設置兩個服務器分別處理TC和DC，霧節(jié)點之間的分離狀態(tài)更適合此系統(tǒng)模型。

感知用戶：作為感知數(shù)據(jù)的來源，主要負責感知數(shù)據(jù)的收集與上傳。感知用戶通過各種智能設備收集與感知任務相關的數(shù)據(jù)，感知數(shù)據(jù)經(jīng)過合適的隱私保護機制（確保數(shù)據(jù)實用性與隱私保護之間的平衡）處理后上傳給DC，最終通過DC反饋的數(shù)據(jù)質量貢獻獲得相應的報酬補償或者進行相應的懲罰。

2.2 威脅模型

本文系統(tǒng)模型是基于霧計算的移動群智感知邊緣擴展模型。在該系統(tǒng)中，攻擊者可能是系統(tǒng)外的某個功能實體，也可能是參與感知任務的用戶、任務發(fā)起者。由于霧計算是云計算的邊緣拓展，更加靠近感知用戶，所以感知用戶在參與執(zhí)行任務過程中，用戶的位置、時間、情境等動態(tài)屬性信息更加容易泄露。首先，一個惡意的任務發(fā)起者，可以向TC申請在特定范圍且只有少數(shù)感知用戶參與的感知任務，從而發(fā)起任務關聯(lián)攻擊[21]，一旦TC發(fā)布此類感知任務，感知用戶只要參與執(zhí)行任務，任務發(fā)起者就會獲取用戶的動態(tài)敏感屬性信息，進一步分析挖掘用戶的感知設備類型、愛好習慣等敏感信息；其次，感知用戶之間頻繁的通信交互以及長時間相似的行為特征，形成一個比較穩(wěn)定的社交關聯(lián)關系圈，一旦被攻擊者獲取，就會造成一個社交團體的隱私泄露，此外，攻擊者可利用感知數(shù)據(jù)與感知用戶身份信息的關聯(lián)性進行信道監(jiān)聽感知用戶，進一步挖掘感知用戶更加深層次的隱私信息，造成嚴重的隱私泄露；最后，惡意感知用戶通過女巫標識的多個ID參與感知任務，通過提交相似數(shù)據(jù)獲取較多的報酬獎勵，從而發(fā)起女巫攻擊[22]。

2.3 方案概述

3 方案構造

本節(jié)首先定義了感知用戶間的社交關聯(lián)關系，并通過差分隱私加噪干擾防御攻擊者獲取感知用戶間的社交關聯(lián)信息；然后介紹了從任務分配到聚合數(shù)據(jù)的發(fā)布過程中，感知用戶和任務發(fā)起者與霧節(jié)點TC和DC的有效通信過程。圖2表示3個實體之間的通信過程，其中，重要符號描述如表1所示。

3.1 社交關聯(lián)分類及保護機制

圖2 感知用戶參與執(zhí)行任務流程

由于感知用戶間頻繁的通信交流以及長期的行為特征信息會形成相對穩(wěn)定的社交關系圈。攻

表1 重要符號描述

攻擊者可利用感知用戶的行為特征信息或身份屬性信息獲取以該感知用戶為中心的社交圈，攻擊其他感知用戶甚至是整個社交圈的所有感知用戶。感知用戶間的社交關系網(wǎng)如圖3所示。

圖3 感知用戶間的社交關系網(wǎng)

3.1.1 感知用戶間的社交關聯(lián)關系分類

熟悉用戶：每個感知用戶都有相對穩(wěn)定的社交圈，如朋友、親人、同事等，這些感知用戶往往會進行頻繁的通信交互，稱這些用戶為熟悉用戶。熟悉感知用戶之間的社交關聯(lián)權重可以通過歷史行為特征信息獲取。

由于KL-散度不具有對稱性，本文采用基于KL-散度變形的JS-散度計算。

3.1.2 社交關聯(lián)信息的加噪保護

3.2 任務分配

3.3 感知數(shù)據(jù)處理

3.4 聲譽更新與報酬獎勵分配

3.5 數(shù)據(jù)聚合結果的發(fā)布

4 方案安全性分析

5 實驗分析

本節(jié)對本文所提方案進行仿真實驗，通過仿真結果來評估方案性能，并與CAPP方案[14]進行對比分析。兩種方案中感知用戶均使用盲身份參與任務，使用數(shù)據(jù)質量評估感知用戶貢獻；不同的是，在CAPP中，數(shù)據(jù)進行分割上傳，同時對轉發(fā)節(jié)點進行可信度評估，而本文方案中使用不同的盲身份分別與DC和TC進行通信，實驗采用C++實現(xiàn)，在INTEL I7-6500U、3.1 GHz處理器、4 GB內存的Windows 10平臺上運行，具體仿真參數(shù)如表2所示。

表2 實驗仿真參數(shù)

由圖4可以看出，感知用戶間的社交關聯(lián)權重越大，用戶間相似程度越高，互信息熵也越大，造成的隱私泄露程度越大。這是因為感知用戶間的社交關聯(lián)權重越大，說明感知用戶間進行頻繁的通信或者行為特征信息的相似度極高。一旦攻擊者獲取感知用戶間的社交關聯(lián)權重，攻擊者就會根據(jù)某一感知用戶的行為軌跡信息推測與其相關的其他感知用戶的敏感信息，造成其隱私信息的泄露。

圖5 差分隱私預算對數(shù)據(jù)質量的影響

由圖6可以看出，雖然CAPP和本文方案都將用戶身份驗證和數(shù)據(jù)聚合分開處理，感知用戶都是使用盲身份參與執(zhí)行任務，但本文方案的時延不會隨著該系統(tǒng)中不誠實用戶的比例增加而大幅度增加。因為本文方案不存在對其他感知用戶的可信度評估，每個感知用戶獨立上傳自己的感知數(shù)據(jù)與反饋信息，且本文方案的TC和DC采用位于終端邊緣的霧節(jié)點來承載，不僅減輕云端的能耗負擔，而且支持很強的移動性。

圖6 兩種方案的平均時延對比

6 結束語

移動群智感知作為新興發(fā)展的物聯(lián)感知模式，通過收集和分析海量多維異構數(shù)據(jù)，解決大規(guī)模復雜社會任務的需求問題。然而，感知用戶間的社交關聯(lián)以及感知數(shù)據(jù)和感知用戶身份關聯(lián)造成用戶隱私的泄露，使感知用戶的參與積極性不高，影響感知平臺最終的數(shù)據(jù)聚合結果。因此，本文提出一種基于霧節(jié)點協(xié)作的感知用戶身份隱私保護方案，創(chuàng)建TC和DC分別處理基于身份驗證的任務分配問題和數(shù)據(jù)計算問題，并采用位于終端邊緣的2個半可信霧節(jié)點承載；此外，感知用戶使用不同的盲身份分別與TC和DC進行通信，從而有效防御感知用戶在執(zhí)行任務過程中，其身份、地理位置、時間等動態(tài)屬性信息的泄露。仿真實驗結果表明，所提方案的可行性和有效性。但是，感知用戶在參與執(zhí)行感知任務的過程中，其隱私信息會有或多或少的泄露，因此，合適的隱私度量和隱私泄露補償是未來的重點研究方向。

[1] CHRISTIN D. Privacy in mobile participatory sensing: current trends and future challenges[J]. Journal of Systems and Software, 2016, 116: 57-68.

[2] RESTUCCIA F, GHOSH N, BHATTACHARJEE S, et al. Quality of information in mobile crowd sensing: survey and research challenges[J]. ACM Transactions on Sensor Networks, 2017, 13(4): 34-43.

[3] XIONG J, MA R, CHEN L, et al. Achieving incentive, security, and scalable privacy protection in mobile crowd sensing services[J]. Wireless Communications and Mobile Computing, 2018: 1-12.

[4] NIE J, LUO J, XIONG Z, et al. A stackelberg game approach toward socially-aware incentive mechanisms for mobile crowd sensing[J]. IEEE Transactions on Wireless Communications, 2019, 18(2): 724-738.

[5] LIU J, CAO H, LI Q, et al. A large-scale concurrent data anonymous batch verification scheme for mobile healthcare crowd sensing[J]. IEEE Internet of Things Journal, 2019, 6(2): 1321-1330.

[6] LUO E, BHUIYAN M, WANG G, et al. Privacy protector: privacy-protected patient data collection in IoT-based healthcare systems[J]. IEEE Communications Magazine, 2018, 56(2): 163-168.

[7] NI J, ZHANG K, XIA Q, et al. Enabling strong privacy preservation and accurate task allocation for mobile crowd sensing[J]. IEEE Transactions on Mobile Computing, 2019, 99: 1.

[8] MA R, XIONG J, LIN M, et al. Privacy protection-oriented mobile crowd sensing analysis based on game theory[C]//2017 IEEE Trustcom/BigDataSE/ICESS. 2017: 990-995..

[9] 馬蓉, 陳秀華, 劉慧, 等. 移動群智感知中用戶隱私度量與隱私保護研究[J]. 信息網(wǎng)絡安全, 2018(8): 64-72.

MA R, CHEN X, LIU H, et al. Research about user privacy measurement and privacy protection in mobile crowd sensing[J]. Information Network Security, 2018(8): 64-72.

[10] 房衛(wèi)東, 張武雄, 單聯(lián)海, 等. 無線傳感器網(wǎng)絡用戶認證協(xié)議研究進展[J]. 網(wǎng)絡與信息安全學報, 2017, 3(1): 1-12.

FANG W D, ZHANG W X, SHAN L H, et al. Research progress on user authentication protocol for wireless sensor networks [J]. Journal of Network and Information Security, 2017, 3(1): 1-12.

[11] WANG X O, CHENG W, MOHAPATRA P, et al. Enabling reputation and trust in privacy preserving mobile sensing[J]. IEEE Trans. Mobile Comput, 2014, 13(12): 2777-2790.

[12] WANG X O, CHENG W, MOHAPATRA P, et al. ART sense: anonymous reputatation and trust in participatory sensing[C]//2013 the INFOCPM. 2013: 2517-2525.

[13] HU L, SHAHABI C. Privacy assurance in mobile sensing network: go beyond trusted servers[C]//The Per Com Workshops. 2010: 613-619.

[14] WU D, FAN L, ZHANG C, et al. Dynamical credibility assessment of privacy-preserving strategy for opportunistic mobile crowd sensing[J]. IEEE Access, 2018, 6: 37430-37443.

[15] JIN H, SU L, XIAO H, et al. INCEPTION: incentivizing privacy-preserving data aggregation for mobile crowd sensing systems[C]//2016 17th ACM International Symposium on Mobile Ad Hoc Networking and Computing. 2016: 341-350

[16] JIN H, SU L, DING B, et al. Enabling privacy-preserving incentives for mobile crowd sensing systems[C]//2016 IEEE 36th International Conference on Distributed Computing Systems (ICDCS). 2016: 344-353.

[17] DASTJERDI A V, BUYYA R. Fog computing: helping the internet of things realize its potential[J]. Computer, 2016, 49(8): 112-116.

[18] FIANDRINO C, ANJOMSHOA F, KANTARCI B, et al. Sociability-driven framework for data acquisition in mobile crowd sensing over fog computing platforms for smart cities[J]. IEEE Transactions on Sustainable Computing, 2017, 2(4): 345-358.

[19] SUN G, SUN S, SUN J, et al. Security and privacy preservation in fog-based crowd sensing on the internet of vehicles[J]. Journal of Network and Computer Applications, 2019, 134: 89-99.

[20] YANG M, ZHU T, LIU B, et al. Machine learning differential privacy with multifunctional aggregation in a fog computing architecture[J]. IEEE Access, 2018, 6: 17119-17129.

[21] LU J, CAI Z, WANG X, et al. An edge correlation based differentially private network data release method[J]. Security and Communication Networks, 2017, (2): 1-14.

[22] 曾菊儒, 陳紅, 彭輝, 等. 參與式感知隱私保護技術[J]. 計算機學報, 2016, 39 (3): 595-614.

ZENG J R, CHEN H, PENG H, et al. Participatory awareness privacy protection technology[J].Chinese Journal of Computers, 2016, 39(3): 595-614.

[23] ZHOU T, CAI Z, WU K, et al. FIDC: a framework for improving data credibility in mobile crowd sensing[J]. Computer Networks, 2017, 120: 157-169.

[24] DWORK C. Differential privacy[C]//The 33rd International Colloquium on Automata, Language and Programming. 2006: 1-12.

[25] KE H, FU A, YU S, et al.AQ-DP: anew differential privacy scheme based on quasi-Identifier classifying in big data[C]//. 2018: 1-6.

Fog-aided identity privacy protection scheme for sensing users in mobile crowdsensing

LIU Hui1, BI Renwan1, XIONG Jinbo1,2, ZHAO Mingfeng1, JIN Biao1, LIN Jie1

1. College of Mathematics and Informatics, Fujian Normal University, Fuzhou 350117, China 2. Fujian Provincial Key Laboratory of Network Security and Cryptology, Fuzhou 350007, China

In mobile crowd sensing(MCS), attackers can reconstruct the social circle among sensing users, who use the social association information among sensing users and the correlation between the sensing user’s identity and sensing data to further attack a social alliance. In order to tackle this issue, a fog-aided identity privacy protection scheme is proposed. Firstly, two fog nodes are introduced which located at the edge of the sensing terminal. The one is task allocation center (TC) for handling the reasonable allocation of sensing tasks, and the other is data center (DC) for calculating sensing data. Furthermore, differential privacy is employed for preventing attackers from acquiring the specific social association weight of sensing users. Finally, in order to prevent attackers from obtaining the sensing users' identity information and sensing data at the same time, sensing users use different blind identities to communicate with TC and DC. Security analysis indicates that the proposed scheme can ensure the security of identity privacy information of sensing users in the process of completing sensing tasks. Experimental results show that the proposed scheme can protect the social association information between sensing users, and has a low delay.

differential privacy, mobile crowd sensing, identity privacy protection, fog node, social association information, blind identity

s:The National Natural Science Foundation of China (No.61872088, No.61872090), The Natural Science Foundation of Fujian Province (No.2019J01276), Key Lab of Information Network Security, Ministry of Public Security (No.C18602)

TP393

A

10.11959/j.issn.2096?109x.2019056

劉慧（1994?），女，山西呂梁人，福建師范大學碩士生，主要研究方向為隱私保護技術。

畢仁萬（1996?），男，湖南常德人，福建師范大學碩士生，主要研究方向為隱私度量、隱私保護。

熊金波（1981?），男，湖南益陽人，博士，福建師范大學副教授，主要研究方向為物聯(lián)網(wǎng)數(shù)據(jù)安全、隱私保護技術。

趙明烽（1996?），男，江蘇張家港人，福建師范大學碩士生，主要研究方向為云數(shù)據(jù)安全與隱私保護。

金彪（1985?），男，安徽六安人，福建師范大學講師，主要研究方向為信息地理。

林劼（1972?），男，福建三明人，博士，福建師范大學副教授，主要研究方向為生物信息學、序列分析與算法。

論文引用格式：劉慧, 畢仁萬, 熊金波, 等. 移動群智感知中基于霧節(jié)點協(xié)作的感知用戶身份隱私保護[J]. 網(wǎng)絡與信息安全學報, 2019, 5(6): 75-84.

LIU H, BI R W, XIONG J B, et al. Fog-aided identity privacy protection scheme for sensing users in mobile crowd sensing[J]. Chinese Journal of Network and Information Security, 2019, 5(6): 75-84.

2019?05?20；

2019?08?09

熊金波，jinbo810@163.com

國家自然科學基金資助項目（No.61872088,61872090）；福建省自然科學基金資助項目（No.2019J01276）；信息網(wǎng)絡安全公安部重點實驗室開放課題資助項目（No.C18602）