科研之友
微信
新浪微博
Facebook
分享链接
摘要
轨迹隐私保护中使用k-means算法进行聚类时，对初始值敏感，且聚簇数目的选择具有一定的盲目性，为解决该问题并提高聚类结果的可用性，提出一种结合k-shape和差分隐私的轨迹隐私保护方案KSDP(k-shape differential privacy)．首先，对轨迹数据进行划分切割预处理，利用轨迹的时间属性和空间属性对轨迹切割划分，从而提高聚类泛化的质量．其次，使用设定的效用函数对预处理后的轨迹数据进行评判，并对过滤后数据进行聚类泛化操作．最后，在泛化后的数据中加入Laplace噪声，使其满足差分隐私保护模型，进一步保护轨迹隐私．实验仿真结果表明，与传统差分隐私k-means聚类方案对比，KSDP方案有效提高了聚类结果的可用性，并具有一定的性能优势，更好地实现了轨迹数据发布和隐私保护．
- 单位
