基于众包的群体感知隐私保护研究

In the big data scenarios, crowdsourcing is one of the means to efficiently mine and analyze the data in the technology of group awareness. It is an important problem of how to protect the privacy and data security in the crowdsourcing data. To deal with these problems, this project aims at investigating the principles and methods to protect the privacy of crowdsourcing in group awareness. At first, a reasonable security definition and the related model of privacy have been introduced through carefully considering of the crowd sourcing application of group awareness. Then, we will found the theory of private credit aggregation, private multi-type data aggregation technology and private integrity check technology for sourcing data. This project can enrich the theory of privacy preserving, and will be conducive to the wider application of crowdsourcing.

在大数据环境下，众包计算是群体感知技术中对数据进行高效挖掘和分析的手段之一。如何有效地保障众包数据的隐私安全是亟待解决的重要问题。本项目面向群体感知中的隐私性和正确性两大科学问题，重点针对群体感知中的众包应用探寻隐私保护的原理与方法。从群体感知数据的获取到分析这一整个众包应用过程中，建立隐私的安全定义与模型。在此基础之上，建立隐私保护的可信度聚合方法理论、隐私保护的大规模多类型数据聚合技术以及隐私保护的数据完整性验证技术。本项目的研究成果不仅能丰富隐私保护领域的理论，而且能够促进众包技术的进一步广泛应用。

本项目围绕基于众包的群体感知隐私保护的研究目标，设计一个全栈式的隐私保护方案。该方案采用基于同态加密的数据聚合技术、基于置换的隐私保护方法，以及分布式的隐私保护方法，使得数据聚合和隐私保护能被同时满足。在本项目中，我们所提出的基于同态加密的支持用户可信度的聚合协议可以在保护用户隐私的前提下，有效地根据用户可信度对数据进行聚合。我们提出的针对大规模海量分类数据的双层置换保护机制，支持自定义的置换概率且可以更好的对数据隐私进行保护。通过量化噪音量与隐私保护强度，我们进一步提高可信度聚合分析结果的准确性。我们对来自不同用户的数据采用不同的处理方式，在众包模型下根据可信度进行聚合分析，每个用户的可信度将会被权衡，并证明了该方法能够有效保证准确性不至于有较大的损失。本项目的方案在加密云内容分发、软件定义网络信道、移动端数据收集等多场景的隐私保护问题上都取得了优于已有工作的效果。课题组发表高水平学术论文35篇，其中CCF A类期刊9篇，CCF A类会议5篇，CCF B类会议6篇。申请专利4项，其中已授权1项。