智能移动设备上反思身份验证
把这个特殊的问题研究文章|开放获取
张Linhao Lijuan郑,孟崔,宁曹,Jianrui叮,Leul Yalemshet, Tsepo Nyakonda,谢泼德Musasike, ”<年代pan class="adjust-article-svg-size">移动位置隐私保护的研究基于博弈论的访问控制方法年代pan>”,无线通信和移动计算我>, 卷。2018年, 文章的ID1847890, 9 页面, 2018年。 https://doi.org/10.1155/2018/1847890
移动位置隐私保护的研究基于博弈论的访问控制方法
文摘
近年来,物联网发展迅速。和基于位置的服务(LBS)变得越来越广泛。服务提供商持有大量的用户信息。为了提高服务质量,服务供应商越来越多地使用大数据技术为用户提供更准确的服务。同时,它加剧了信息披露用户的隐私。从服务提供者的角度来看,一个移动位置隐私访问控制方法提出了基于博弈理论来解决移动位置隐私信息的访问控制问题。首先,根据位置隐私设置权重系数的影响因素,然后根据隐私访问控制阈值计算位置泄漏情况的移动位置。根据阈值不同的访客级别设置。访问控制过程中,执行访问行为的预先判断,然后是隐私信息的信息量要求访问根据权重计算的不同的信息。与阈值比较结果的访问控制策略。 The strategy set is selected based on strategy matrix of game theory and thresholds are adjusted based on the calculation returns of strategy matrix. The effectiveness and practicability of the method are verified through the security analysis.
<年代pan class="end-abs">1。介绍
近年来,物联网(物联网)发展迅速,基于物联网逐渐出现和应用程序(1]。它涉及军事、工业、农业、电网和水网络,交通、物流、节能、环保、医疗和医疗、智能家电等(2]。物联网,基于位置服务的应用程序也越来越普遍。基于位置的服务为用户提供定位服务通过确定移动设备的地理位置,这可以很容易地导致泄漏用户位置隐私。例如,一个单点实时位置将改变当用户请求一个位置服务。未经授权的访问者访问应用服务器获取用户位置信息。在获得一定数量的信息,位置隐私信息可以推断出用户的跟踪信息,导致用户位置隐私信息泄漏也会导致攻击用户(3]。大数据技术的不断发展也为企业带来了更大的发展空间4]。越来越多的基于位置服务提供商可以使数据挖掘基于现有用户数据来改善用户体验。摩根大通唐等人研究了平台通过智能交通数据传感信息处理平台和使用现有交通大数据来提高智能交通服务(5]。泄漏私人信息极大地影响用户的服务体验。解决问题的隐私信息保护物联网的应用过程是必要条件之一物联网的广泛应用6]。
用户的移动位置隐私信息分为单点位置隐私信息和轨迹隐私信息。单点位置隐私是指一个独立的位置点与私人信息。不同于单点位置隐私,跟踪主要指的是一个移动的物体的位置信息的顺序按时间顺序。轨迹隐私关注的暂时性的位置信息。移动位置隐私包含单点位置隐私和轨迹隐私,这指的是俗人,位置信息的空间性和频率特征。
提出了一种基于博弈论的移动位置隐私访问控制方法针对泄漏隐私信息的移动物联网用户的位置。它控制隐私信息访问行为根据指定位置隐私信息访问政策从服务提供者的角度。访问控制可以保证服务器进行动态响应对隐私信息非法访问行为。同时,根据公差设定,避免间接造成的移动位置和隐私信息泄漏信息的叠加。
2。研究现状
物联网位置隐私保护近年来受到越来越多的关注,和相关的研究工作取得了很多成果。它主要针对位置信息的查询和发布。相关位置隐私保护技术包括位置匿名技术,其中应用研究k-anonymous技术Samarati和斯威尼提出的是使用最广泛的7:加密技术,如安全多方计算技术,同态加密技术,假收敛节点协议和RFID隐私保护技术(8]。物联网位置隐私保护技术已经逐渐成熟,但移动位置隐私保护技术相关仍处于起步阶段。现有的方法主要是基于传统的匿名化,模糊和加密。王YJ等人提出了一个真正的基于位置隐私保护的激励机制在网络环境下移动众包系统。改进的两阶段拍卖算法基于信任程度和隐私提出了感性。微分隐私应用于基于高斯白噪声k-anonymity防止用户位置信息泄漏9]。张HT。等人提出了小说在线空间时间k-anonymity位置隐私保护方法从序列基于规则的推理攻击。它预测的目标位置隐私序列规则挖掘从大规模匿名数据集。这种方法扩展了原始序列的数据库匿名数据集。采用特定的泛化和回避原则逐渐隐藏隐私规则和抵制推理攻击(10]。也有人为隐私保护研究与其他技术。于格南k等人使用机器学习的方法来预测用户的签到的动机和量化效用的影响位置隐私保护(11]。基于移动云计算,龚y等人提出了一个框架来保护位置隐私将任务分配给移动设备时,允许移动设备资源贡献给临时移动云没有暴露的位置信息(12]。移动位置隐私涉及轨迹隐私信息。有三个主要方面对轨迹隐私保护技术:模糊性,释放压抑,除了假数据。赵p等人提出ILLIA这样解决位置注入攻击。的基础上探索用户移动性在连续磅查询的相似性,建立了一个基于信任k-anonymity方案。ILLIA这样可以抵御LIA不知道如何处理错误的位置提前,同时仍然维持高质量的服务13]。抑制方法通常用于轨迹隐私保护。Al-Hussaenik et al ., (K、C) L标准的基础上,使用了局部和全局抑制方法避免攻击者获取跟踪隐私信息(14]。假数据方法也广泛用于跟踪隐私保护。高盛等人打扰的实际轨迹数据生成错误的轨迹数据,然后添加到原始轨迹数据(15]。苏清等人提出了一个分层的基于角色的访问控制方法,位置隐私保护在移动终端和定义访问权限通过次要角色定义16]。相关研究人员介绍了博弈论对隐私保护,但这些方法仍然在深层勘探17]。此外,服务的访问控制方法信息提供者私人信息并不完美。为了提高服务质量,使用数据挖掘技术和云计算技术,但用户的隐私保护隐私数据没有控制。
博弈论不仅是现代数学的一个新分支,也是运筹学的一个重要学科。它是一种数学理论和方法研究斗争或竞争的现象18]。博弈论有很多应用在安全、隐私和无线网络。这是一个新的研究方法来解决基于博弈论的隐私保护的问题。与传统的隐私保护方法,基于博弈论的隐私保护方法描述参与者的收益和成本,模仿他们的理性选择过程通过机制设计和发展战略,并找到最好的解决方案为每个政党通过分析游戏平衡。有很多隐私保护模型基于博弈理论,提出了在继承,如提出的基于博弈论的隐私保护模型和一轩张(19]。位置隐私保护的博弈论分析基于P-destination Bidi应提出的移动社交网络和Amiya Nayak [20.]。考虑用户匿名组的相互协作和选择的游戏策略,为其他用户提供他们自己的数据,以获得所需的服务。移动位置隐私的研究方法并不完美,和点位置隐私和轨迹隐私的问题逐渐暴露,这也将成为新的研究方向基于博弈论的隐私保护模型。
3所示。基于博弈论的移动位置隐私保护方案
本文首先的特点,移动位置隐私和建立一个移动位置隐私基于博弈论的访问控制模型。它实现了动态控制和保护隐私信息通过访问控制的移动位置。
3.1。基本概念
单点定位是指敏感位置信息与频率特性所产生的个人活动。例如,那些经常出现在一个特定的位置在一个特定的时刻,如家庭位置,工作的地方。位置信息<我>D我>可以表示为<我>D=我><年代vg height="12.5794pt" id="M1" style="vertical-align:-3.29107pt" version="1.1" viewbox="-0.0498162 -9.28833 14.6382 12.5794" width="14.6382pt" xmlns="http://www.w3.org/2000/svg" xmlns:xlink="http://www.w3.org/1999/xlink">
轨迹隐私是指一系列的顺序和频繁的敏感位置信息生成的个人活动,如人在哪里,在一段时间,和活动范围是什么。跟踪信息<我>T我>可以表示成<我>T=我><年代vg height="12.5794pt" id="M3" style="vertical-align:-3.29107pt" version="1.1" viewbox="-0.0498162 -9.28833 14.6382 12.5794" width="14.6382pt" xmlns="http://www.w3.org/2000/svg" xmlns:xlink="http://www.w3.org/1999/xlink">
位置指示,id表示用户标识符,<我>t我><年代ub>我我>年代ub>显示用户位置信息的时候,<我>(x我><年代ub>我我>年代ub>y我><年代ub>我我>年代ub>)我>显示用户的二维位置信息<我>t我><年代ub>我我>年代ub>。
历史访问记录是指访问者的访问记录用户的隐私信息。
3.2。问题描述
3.2.1之上。位置隐私泄漏信息叠加造成的
位置信息本身包含丰富的时空信息,和单一位置信息没有实际价值,但信息的叠加可以集成的信息获取更有价值和具体信息。目前,由于增加了定位服务,大量的用户位置信息生成。许多企业和科研机构已获得大量的用户习惯通过相关分析结果的研究和分析大量的位置信息。许多相关的位置信息在本质上,尤其是对于个人位置信息分析,它可以很容易地暴露用户的隐私。
模型计算的最大公差隐私信息泄漏的加权时间,空间和频率的因素用户的移动位置和限制游客的数量获得私人信息。
3.2.2。位置服务器无法识别恶意访问行为和实现访问控制
请求用户的位置信息和实时位置信息是存储在服务器的位置。通过某些手段恶意访问者可以获得一定的访问权限和访问用户的位置信息记录。当收获的信息逐渐增加,私人信息的数量也在增加。服务器很难探测到这种恶意行为和及时响应措施。
上面的两个关键问题可以概括如下:
①信息叠加会引起间接移动位置隐私的泄漏。
②访问行为的识别和实时动态控制实现服务器的位置。
不同程度的阈值设置为不同的游客解决问题的动态访问控制。
本文主要关注基于博弈论为移动位置隐私保护隐私。主要研究移动位置隐私保护的特点,提出了适合移动位置隐私保护的访问控制模型使用博弈理论结合目前隐私信息保护方法。
3.3。模型结构设计
在模型中有三个部分:策略执行一部分,这一战略部署,和历史访问记录。总共有五个模块。
①请求采集模块:模块获取隐私信息的请求从一个访问者请求,然后提取关键信息的访问。
②关键信息提取模块:它集成了访客的移动位置隐私信息的请求。
③访客的历史访问记录模块的移动位置隐私信息:记录每个访客的历史移动位置隐私信息请求和提供参考阈值计算模块。
④阈值计算模块:设置隐私位置信息阈值基于博弈论的现有因素权重。模块执行加权计算基于历史记录反馈结果和反馈回的决定执行模块。
⑤决定执行模块:它执行反馈通过游戏策略。
如图所示的设计组成1。
模型的基本元素如下。
用户组:<我>用户=我><年代vg height="12.4698pt" id="M5" style="vertical-align:-3.18147pt" version="1.1" viewbox="-0.0498162 -9.28833 16.529 12.4698" width="16.529pt" xmlns="http://www.w3.org/2000/svg" xmlns:xlink="http://www.w3.org/1999/xlink">
访问者:<我>游客=我><年代vg height="12.4698pt" id="M7" style="vertical-align:-3.18147pt" version="1.1" viewbox="-0.0498162 -9.28833 15.4068 12.4698" width="15.4068pt" xmlns="http://www.w3.org/2000/svg" xmlns:xlink="http://www.w3.org/1999/xlink">
访问角色设置:<我>角色=我><年代vg height="12.4698pt" id="M9" style="vertical-align:-3.18147pt" version="1.1" viewbox="-0.0498162 -9.28833 14.4933 12.4698" width="14.4933pt" xmlns="http://www.w3.org/2000/svg" xmlns:xlink="http://www.w3.org/1999/xlink">
系统操作设置:<我>操作=我><年代vg height="12.7178pt" id="M11" style="vertical-align:-3.42947pt" version="1.1" viewbox="-0.0498162 -9.28833 22.1791 12.7178" width="22.1791pt" xmlns="http://www.w3.org/2000/svg" xmlns:xlink="http://www.w3.org/1999/xlink">
3.4。方案设计
3.4.1。因子权重设置
首先,有必要分析移动位置隐私保护的关键因素。它执行加权计算和比较时间,空间和频率。总结每个因素的权重,然后体重设置适合这个模型。根据结果,计算的信息量。是否应对位置隐私信息的访问行为决定基于计算结果的信息量。权重值的时间、空间和频率因子设置<我>w我><年代ub>t我>年代ub>,<我>w我><年代ub>年代我>年代ub>,<我>w我><年代ub>f我>年代ub>。
3.4.2。博弈论策略实施计划
计划使用非合作的博弈理论相关技术来控制游客的行为。所有游客的最近的行为将被记录和计算程度的掌握游客的隐私。服务器设置一个阈值用户的移动位置隐私信息的标准服务器控件的访问行为。此外,标准也可以被视为允许游客的最大价值把握用户的移动位置隐私信息。超过时,移动用户的位置隐私披露。
假设的加权结果访问私人信息<我>ac-R我>根据单点位置信息<我>D=我><年代vg height="12.4698pt" id="M13" style="vertical-align:-3.18147pt" version="1.1" viewbox="-0.0498162 -9.28833 16.529 12.4698" width="16.529pt" xmlns="http://www.w3.org/2000/svg" xmlns:xlink="http://www.w3.org/1999/xlink">
根据跟踪信息<我>T=我><年代vg height="12.4698pt" id="M16" style="vertical-align:-3.18147pt" version="1.1" viewbox="-0.0498162 -9.28833 16.529 12.4698" width="16.529pt" xmlns="http://www.w3.org/2000/svg" xmlns:xlink="http://www.w3.org/1999/xlink">
3.4.3。阈值设置方案
这个阈值主要由三个因素:时间、空间和频率。通过分析和总结每个因素的影响隐私的用户的移动位置,根据权重计算结果设置因素。计算的加权结果是战略部署模块不同的加权移动位置隐私信息。一旦访问者的隐私掌握的程度超过初始阈值,隐私信息不再是提供给游客。阈值设置为<我>ac-threshold我>。所示的阈值的计算公式<年代pan class="equation_break" id="EEq3"> 假设的值从历史访问记录中提取访问信息<我>ac-V我>。是否允许游客访问用户的移动位置的隐私信息是通过比较确定的<我>ac-threshold我>与<我>ac-V+ac-R我>。如果<我>ac-threshold我>不仅仅是<我>ac-V+ac-R我>允许访问;如果<我>ac-threshold我>小于<我>ac-V+ac-R我>,访问被拒绝。
3.4.4。动态访问控制方案
计划设置针对不同游客的不同访问权限和法官访问者是否恶意访问意图基于访问行为。那么它将恶意访问意图为单点位置隐私和轨迹隐私。这个解决方案的目的是为服务器的访问权限有不同层次的管理者和应用程序的位置隐私访问行为。
结合客人最近的历史记录和访问请求确定请求的意图和假设所请求的位置信息<年代vg height="12.4698pt" id="M20" style="vertical-align:-3.18147pt" version="1.1" viewbox="-0.0498162 -9.28833 15.4068 12.4698" width="15.4068pt" xmlns="http://www.w3.org/2000/svg" xmlns:xlink="http://www.w3.org/1999/xlink">
博弈论的策略矩阵设置如表1。系统收入分为善意获得收入<我>年代年代我n-ac我>收入和恶意访问<我>年代evil-ac我>。游客的收入是允许访问的收入<我>Fper-ac我>收入和拒绝访问<我>Fre-ac我>。
|
||||||||||||||||||||
系统首先使早期判断访问行为,通过后期执行访问控制阈值比较,然后结合先前的判断结果与访问控制执行结果。指的是战略矩阵,系统总结了收入和游客的收入;然后调整相应的系统阈值和访问者的权限通过收入汇总,使模型的访问控制更准确。当系统收入是正的,系统阈值没有调整。而不是ofwhen系统收益是负的,系统阈值调整参数如表所示2。
|
||||||||||||
4所示。安全理论分析
4.1。对手模型
有两种类型的游客类型:商誉游客和恶意的游客。
而不是访问单个用户在深度和试图让用户的身份信息,善意游客只访问位置信息与他们的需求。
恶意访问者可能试图获得更多用户的隐私信息,包括访问更多用户记录或试图获得更多位置信息相同的用户记录。
恶意的游客可以有以下功能:<年代pan class="list">(一)年代pan>身份信息以外的信息用户可以获得。年代pan>(B)年代pan>一个访问请求可以发行无论访问信息的类型。年代pan>(C)年代pan>用户部分位置隐私信息(少于系统定义的阈值)。年代pan>
4.2。因子权重分析
假设一组用户的位置信息事务组织和结论可以使用关联规则数据挖掘相关理论,结果如表所示3。
|
||||||||||||||||||||
t(假设代表时间信息<我>t我>= 21:00),<我>p我>代表位置信息,<我>f我>(假设代表频率信息<我>f我>情况下频率大于5),<我>b我>代表背景知识,<我>年代我>代表隐私泄漏(假设的情况<我>年代我>是家庭住址信息披露情况)。
根据表3,有6个交易,<我>E=我><年代vg height="12.4698pt" id="M36" style="vertical-align:-3.18147pt" version="1.1" viewbox="-0.0498162 -9.28833 17.5468 12.4698" width="17.5468pt" xmlns="http://www.w3.org/2000/svg" xmlns:xlink="http://www.w3.org/1999/xlink">
根据数据挖掘相关知识,<我>支持我><年代ub>x, y我>年代ub>=<我>N我><年代ub>E (x, y)我>年代ub>/ N我><年代ub>E我>年代ub>,<我>信心我><年代ub>x, y我>年代ub>=<我>N我><年代ub>E (x, y)我>年代ub>/<我>N我><年代ub>E (x)我>年代ub>N我><年代ub>E (x, y)我>年代ub>代表事务包含事件的数量<我>x我>和<我>y我>,<我>N我><年代ub>E (x)我>年代ub>包含事件代表了交易的数量<我>x我>。可以获得的东西如下:<年代pan class="list">规则<我>t我>- - - - - - ><我>年代我>,<我>支持我><年代ub>t, s年代ub>= 5/6,<我>信心我><年代ub>t, s年代ub>= 1。年代pan>规则<我>p我>- - - - - - ><我>年代我>,<年代vg height="13.288pt" id="M40" style="vertical-align:-5.47418pt" version="1.1" viewbox="-0.0498162 -7.81382 54.4393 13.288" width="54.4393pt" xmlns="http://www.w3.org/2000/svg" xmlns:xlink="http://www.w3.org/1999/xlink">
时间因素的比例<我>w我><年代ub>t我>年代ub>=<我>支持我><年代ub>t, s我>年代ub>/<我>(支持我><年代ub>t, s我>年代ub>+<我>支持我><年代ub>t, s我>年代ub>+<我>支持我><年代ub>t, s我>年代ub>)我>=0.357。同样,权重系数<我>w我><年代ub>t我>年代ub>= 0.357,<我>w我><年代ub>p我>年代ub>= 0.286,<我>w我><年代ub>f我>年代ub>= 0.357。
从上面的分析和计算结果,可以看出,时间,地点,和频率因素占不同比例的位置隐私信息。也就是说,信息的敏感性是不同的。这个方案的方法可以区分不同影响因素的权重数值位置隐私信息和表达它们的形式。
4.3。访问假设分析
4.3.1。之前访问行为的判断
首先,当访客访问的私人信息,访问控制系统首先检索历史访问记录和猜测的访问行为是否合法的隐私单点或根据历史轨迹隐私访问。如果没有历史访问记录,系统将认为它是默认访问点位置隐私。根据角色组<我>角色=我><年代vg height="12.4698pt" id="M41" style="vertical-align:-3.18147pt" version="1.1" viewbox="-0.0498162 -9.28833 14.4933 12.4698" width="14.4933pt" xmlns="http://www.w3.org/2000/svg" xmlns:xlink="http://www.w3.org/1999/xlink">
阈值设置为不同的游客。单点定位数据包含三十记录和跟踪数据每天24次。据的分析测试,单点位置隐私披露超过5记录,用户的敏感信息被认为是泄露;当跟踪数据披露超过5块,用户的隐私信息被认为是泄露。阈值设置表如表所示4。
|
|||||||||||||||||||||
4.3.2。同行的游客访问
假设A和B是一级游客的游客。A和B访问相同的单点移动用户的隐私信息。查询信息<年代vg height="12.4698pt" id="M43" style="vertical-align:-3.18147pt" version="1.1" viewbox="-0.0498162 -9.28833 17.4528 12.4698" width="17.4528pt" xmlns="http://www.w3.org/2000/svg" xmlns:xlink="http://www.w3.org/1999/xlink">
根据(1我们可以得到以下。<年代pan class="equation_break" id="eq4"> 第一级访问者的访问单点隐私阈值<我>ac-threshold我><年代ub>1我>年代ub>是0.654。根据<我>ac-threshold我><年代ub>1我>年代ub>被超过<我>ac-V(一)我>+<我>ac-R我><年代ub>点我>年代ub>(一)我>,<我>ac-threshold我><年代ub>1我>年代ub>小于<我>ac-V(B)我>+<我>ac-R我><年代ub>点我>年代ub>(B)我>。访问者的隐私信息访问请求时可以回答参观者B的隐私信息访问请求被拒绝。
4.3.3。游客访问的不同层次
假设游客C是一个一级访客,访客D是一个二级游客。他们访问相同的轨迹移动用户的隐私信息,查询信息<年代vg height="12.5794pt" id="M46" style="vertical-align:-3.29107pt" version="1.1" viewbox="-0.0498162 -9.28833 17.1422 12.5794" width="17.1422pt" xmlns="http://www.w3.org/2000/svg" xmlns:xlink="http://www.w3.org/1999/xlink">
根据公式(2我们可以得到以下。<年代pan class="equation_break" id="eq5"> 一级访问者的访问轨迹隐私的价值阈值<我>ac-threshold我><年代ub>1我>年代ub>的值是0.764,第二级访问者的访问阈值<我>ac-threshold我><年代ub>2我>年代ub>是0.955;然后根据情况,<我>ac-threshold我><年代ub>1我>年代ub>不仅仅是<我>ac-V(C)我>+<我>ac-R我><年代ub>跟踪我>年代ub>(C)我>和<我>ac-threshold我><年代ub>2我>年代ub>小于<我>ac-V(D)我>+<我>ac-R我><年代ub>跟踪我>年代ub>(D)我>。游客C的隐私信息访问请求时可以回答游客D的隐私信息访问请求被拒绝。
从上面的计算和分析,我们可以看到,同样的访问请求同行的游客,访问控制模型可以根据不同的历史访问记录做出不同的决定。相同的nonpeer游客访问请求的访问控制模型也可以做出一个更合适的判断基于历史访问记录。没有固定限制游客的访问行为,但仍能获得位置隐私信息的保护。和信息熵理论侧重于信息的信息量的计算。在访问控制应用这个理论很容易导致失踪的单一访问的信息。这个模型设定的系统预先判断方法可以弥补这个缺陷,以及作为参考条件的游戏策略矩阵,它还可以帮助调整访问控制模型。
5。游戏的策略分析
5.1。阈值调整
系统的调整参数<我>年代年代我n-ac我>=<我>年代evil-ac我>=0.1。
<年代vg height="11.5564pt" id="M49" style="vertical-align:-2.26807pt" version="1.1" viewbox="-0.0498162 -9.28833 15.3928 11.5564" width="15.3928pt" xmlns="http://www.w3.org/2000/svg" xmlns:xlink="http://www.w3.org/1999/xlink">
<年代vg height="11.5564pt" id="M53" style="vertical-align:-2.26807pt" version="1.1" viewbox="-0.0498162 -9.28833 15.3928 11.5564" width="15.3928pt" xmlns="http://www.w3.org/2000/svg" xmlns:xlink="http://www.w3.org/1999/xlink">
5.2。博弈论分析
当访问者进行恶意访问,访问者分为的增益<我>Fre-ac我>和<我>-Fre-ac我>根据系统是否允许访问。与此同时,系统的收益分成<我>-Sevil-ac我>和0。相反,当访问者进行友好访问,增加游客分为<我>Fper-ac我>和0而获得的系统分为<我>年代年代我n-ac我>和<我>-Ssin-ac我>根据系统是否允许访问。这是一场不完整的信息。
假设的概率访客执行良好的访问<我>x我>和一个恶意的访问<我>1- x我>。假设系统可以准确地识别访问者的访问意图,系统还允许访问的概率<我>x我>,拒绝访问的概率<我>1- x我>。系统和访问策略的组合<我>年代我><年代ub>1我>年代ub>= (P G)我><年代ub>2我>年代ub>= (P, E)我><年代ub>3我>年代ub>= (R, G)我><年代ub>4我>年代ub>= (R, E)我>。游客的收入值<我>收入我>所示<年代pan class="equation_break" id="EEq4"> Incomek (S我><年代ub>k我>年代ub>)我>获得在选择吗<我>年代我><年代ub>k我>年代ub>策略;<我>p我><年代ub>f我>年代ub>选择的概率是<我>k我>策略。根据上述假设,(9)如下:<年代pan class="equation_break" id="EEq5"> Incomef (G)我>访客时收入的期望值使良好的访问;<年代pan class="equation_break" id="EEq6"> Incomef (E)我>是收入的期望值当访客访问恶意;<年代pan class="equation_break" id="EEq7"> 收入(P)我>是收入的期望值时,系统采用一个允许访问策略;<年代pan class="equation_break" id="EEq8"> 收入(右)我>是收入的期望值时,系统采用拒绝访问政策。
<我>Informef (G)我>><我>Incomef (E)我>可以由(9)和(10)。也就是说,不管善意的概率访问者的访问,访问者的善意访问行为将有一个更大的预期总比恶意访问返回值。因此,游客应选择善意访问,因为他们希望自己的利益最大化。
为了确保正常的系统位置访问服务,系统应该尽其所能满足游客的访问需求,确保隐私信息不显示,它应该满足以下:<我>收入(P)我>大于<我>收入(右)我>。它显示为<年代pan class="equation_break" id="EEq9"> 当<我>x我>更值1,富勒条件成立于(13)。也就是说,当访问者采取善意访问行为,系统的利润期望也往往是最大的。
从这一点,可以得出结论,善意访问行为被游客和访问所允许的系统可以被看作是纳什均衡策略。在这一点上,双方都能得到最大的好处。
在前两部分的分析,我们可以看到,这个模型设定的博弈论策略矩阵可以调整阈值参数时系统的策略是不正常的,所以,系统可以做出更合适的判断。这使得模型的访问控制更好的位置隐私信息,确保动态的访问控制。同时,考虑第一种情况,本文认为不能每次调整阈值,以避免被恶意访问者增加阈值,降低了系统访问控制条件。它确保系统的稳定性。
6。比较分析
大多数现有的移动位置隐私保护方法发布和查询操作的位置信息,但这些方法仍然不能充分保护用户的位置隐私信息。例如,(K、C) L隐私标准及其改进方法主要是为了保护隐私信息位置轨迹跟踪攻击位置。持续的匿名性及其相关改进方法主要是保护隐私的轨迹重建攻击。方法提出了控制信息的数量被正常访问游客和攻击者使用的标准信息体积,所以攻击者只能获得有限的私人信息和跟踪和重构攻击的难度增加。
现有的移动位置隐私保护方法有自己的优点,但是,随着大数据的发展环境中,他们也有很多缺点。例如,匿名私人数据是有效的,但不能避免隐私泄漏引起的多个数据源的联合重建攻击。同时,新兴技术有很多隐私保护方法。例如,位置隐私保护的发展模式和任务分配策略提出了ad hoc网络的移动云计算在12]。真实的激励机制,以保护位置隐私移动众包系统提出了文献[9]。和位置服务提供商有很多用户的隐私信息。一些服务提供商使用现有的数据进行数据挖掘。然而,他们并没有进行更全面的访问控制私有数据,导致内部数据访问泄漏泄漏或外部攻击。本文提出的方法主要是针对访问控制数据在上面两种类型的隐私泄漏,并介绍了博弈论的策略矩阵。它可以补充现有的移动位置隐私保护方法从一个位置服务提供者的角度来看,提高位置隐私保护和数据利用的有效性。
与基于P-destination位置隐私保护的博弈分析提出了文献[20.],博弈论应用于国防战略游戏攻击者和系统之间的系统效益最大化。基于博弈论的位置隐私保护方法提出了文献[16)用博弈论来体现用户合作行为的概率。本文提出的方案不仅考虑政策的执行和对游客行为的预测,但也注重控制游客的数量的信息掌握和方案的适应性。博弈论策略矩阵参与本文采用访问控制参数的调整,更有利于动态、准确、可行的实现访问控制策略。所以方案更加安全。因为这种方法不确定和控制共谋攻击,它可以抵抗共谋攻击,因为它简单限制游客的数量的信息。
在表5我们比较和总结三个方面:位置隐私影响因素,访问操作和调整机制。
7所示。结束语
本文提供了一种新的访问控制方法单一访问点位置隐私访问和轨迹隐私在移动位置和实现动态访问控制设置访客访问隐私信息的水平和阈值。安全分析后,该方法具有一定的实用性和科学性。
数据可用性
使用的数据来支持本研究的结果包括在本文中。
信息披露
早期版本的这项研究提出了2018年国家会议论文:国际会议交流和计算系统。
的利益冲突
作者宣称没有利益冲突。
确认
这项研究部分由河北教育部门(QN2015231 QN2017132),北京重点实验室智能交通的安全和隐私,北京交通大学,高等教育教学改革研究和实践河北教育部门(没有。2016 gjjg112),石家庄Tiedao大学博士科研基础(Z991015137)和河北省自然科学基金(没有。F2017210161,不。F2018210109)。
引用
- j·考尔和k·考尔IoT-based自动化员工绩效的模糊方法appraisa,”<我>电脑的材料和连续我>,53卷,不。1,24-38,2015页。<年代pan class="reflinks">视图:谷歌学术搜索
- m .郭s . b .张x·d·李,“物联网位置隐私保护技术研究”,<我>中国电脑Systemspp杂志》上我>,没有。9日,第1965 - 1961页,2017年。<年代pan class="reflinks">视图:谷歌学术搜索
- 陈m .荣x H, H . Liu”对用户隐私的研究已被称作移动群体感知测量和隐私保护,”<我>Netinfo安全我>,没有。8,1671 - 1122年,2018页。<年代pan class="reflinks">视图:谷歌学术搜索
- c·r·吴、大肠Zapevalova和y w·陈,“时间优化的多个知识转移在大数据环境中,“<我>电脑的材料和连续我>,54卷,不。3、269 - 285年,2015页。<年代pan class="reflinks">视图:谷歌学术搜索
- j . P唐l·李,“大数据传感信息处理平台,智能交通,“<我>应用力学材料我>卷,667年,第327 - 324页,2014年。<年代pan class="reflinks">视图:出版商的网站|年代pan>谷歌学术搜索
- h . t .气<我>位置基于位置服务的隐私保护我>西安电子科技大学,2014。<年代pan class="reflinks">
- p . Samarati和l·斯威尼<我>保护隐私披露信息:k-Anonymity及其执行通过泛化和抑制我>,1998年。<年代pan class="reflinks">
- c .阴j . Xi, r .太阳,j .王”位置隐私保护基于微分隐私在工业物联网、大数据战略”<我>IEEE工业信息我>,14卷,不。8,3628 - 3636年,2018页。<年代pan class="reflinks">视图:出版商的网站|年代pan>谷歌学术搜索
- y, z Cai, x, y,和g .阴”真实的激励机制与位置移动众包系统,保护隐私”<我>计算机网络我>卷。135年,32-43,2018页。<年代pan class="reflinks">视图:出版商的网站|年代pan>谷歌学术搜索
- z h, c . Wu Chen和朱y, z . Liu”小说在线时空k-anonymity位置隐私保护方法从序列基于规则的推理攻击,”<我>《公共科学图书馆•综合》我>,12卷,不。8,2017。<年代pan class="reflinks">视图:谷歌学术搜索
- k .于格南Bilogrevic, j·s·马查多et al .,”一个预测模型对用户隐私保护机制的动机和实用意义地点“签到”,“<我>IEEE移动计算我>,17卷,不。4、760 - 774年,2018页。<年代pan class="reflinks">视图:出版商的网站|年代pan>谷歌学术搜索
- y锣,c·张,方y, j .太阳,“保护位置隐私在临时移动云计算任务分配,”<我>IEEE新兴主题计算我>》第六卷,没有。1,第121 - 110页,2018。<年代pan class="reflinks">视图:出版商的网站|年代pan>谷歌学术搜索
- p .赵j·李,曾庆红f . et al .,“ILLIA这样:启用k-Anonymity-based隐私保护对位置注入攻击在连续磅查询,”<我>IEEE物联网我>,5卷,不。2、1033 - 1042年,2018页。<年代pan class="reflinks">视图:谷歌学术搜索
- k . Al-Hussaeni b . c . m . Fung和w·k·张,“保护隐私轨迹流出版,”<我>数据与知识工程我>卷,94年,第109 - 89页,2014年。<年代pan class="reflinks">视图:出版商的网站|年代pan>谷歌学术搜索
- 美国高,j . Ma w·史,g .詹和c的太阳,“TrPF:参与式感知的轨迹保护隐私框架,“<我>IEEE取证和安全信息我>,8卷,不。6,874 - 887年,2013页。<年代pan class="reflinks">视图:出版商的网站|年代pan>谷歌学术搜索
- 问:苏和y Z李”,基于访问控制、隐私保护方法的研究”<我>延边大学学报我>,42卷,不。1,第74 - 69页,2016。<年代pan class="reflinks">视图:谷歌学术搜索
- d·d·周、w·w·李和y .问:太阳,“调查基于博弈论的隐私保护,”<我>《中国计算机系统我>,36卷,不。12日,第2700 - 2696页,2015年。<年代pan class="reflinks">视图:谷歌学术搜索
- s . k .张和y . d .张<我>现代博弈论在经济和数学的方法我>,东北财经大学出版社,2016年。<年代pan class="reflinks">
- 张x y, j . s .他赵,n . f .朱,“基于博弈论的隐私保护模型”,<我>中国电脑杂志我>,39卷,不。3、615 - 627年,2016页。<年代pan class="reflinks">视图:谷歌学术搜索|年代pan>MathSciNet
- 应b和A . Nayak”位置在移动社交网络隐私保护基于p-destination:博弈论分析,”<我>学报2017年IEEE会议上可靠和安全的计算我>台湾,页243 - 250年,2017年8月。<年代pan class="reflinks">视图:谷歌学术搜索
版权
版权©2018 Lijuan郑等。这是一个开放的分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。