群智感知系统中面向数据发布的本地隐私保护机制研究

Crowdsensing systems are the key infrastructure of IoTs and Big data acquisition, and sensing data publishing plays a crucial role in building data-driven smart cities. However, non-transparency of privacy guarantee in distributed sensing networks, and sparsity of highly correlated sensing data, makes it difficult to achieve both privacy reliability and data utility in the publication of sensing data. By integrating the characteristics of distributed sensing networks and sensing data correlations, this research investigates locally privacy-preserving mechanisms for data publishing in crowdsensing systems. Firstly, this research studies the spatially correlated sensing data publication with local privacy, to ensure its high utility. Secondly, this research studies the temporal sensing data publication with local privacy, to ensure the consensus of distributed data streams. Thirdly, this research studies the high-dimensional sensing data publication with local privacy, to ensure the scalability for high-dimensional data. Finally, the research group will build the simulation experiment platform, through which the privacy reliability and data utility can be analyzed and evaluated to further improve the performance of designed mechanisms. This research will help us to enhance the privacy protection for crowdsensing systems from the edge, thus boosting the development of applicable crowdsensing systems in big data era.

群智感知系统是物联网和大数据获取的核心技术，感知数据的发布对构建数据驱动的智慧城市起关键作用。群智感知系统分布式结构的不透明及感知数据中时空属性维度关联造成的稀疏性，同时影响着感知数据发布过程的隐私安全和数据效用性。本研究从感知网络分布式结构特性和感知数据时空属性维度关联特性两个方面组合分析，并研究面向感知数据发布的本地隐私保护机制。首先，拟设计本地隐私保护的空间关联感知数据发布机制，以保证对空间数据的高效发布；其次，拟设计本地隐私保护的时序感知数据流发布机制，以保证分布式时序数据流的一致性实时发布；然后，拟设计本地隐私保护的高维感知数据发布机制，以保证高维感知数据发布的可扩展性；最后，将搭建仿真实验平台，对所设计机制的安全性和效用性进行分析与评价。面向时空属性维度关联的感知数据发布中的本地隐私保护研究，有助于从边缘端增强群智感知系统的隐私安全弹性，促进大数据时代实用化群智感知系统的建设。

群智感知系统能够跨时空地感知真实物理世界，而对群智感知数据发布则可以帮助人们直观地获得群体信息。然而，群智感知数据的直接发布可能会造成严重的隐私泄露风险。进一步，在开放式的群智感知系统中，感知用户的隐私信任缺失，如何在用户端本地保证用户隐私可控已成为一个关键需求。因此，本项目面向群智感知数据发布中的隐私保护需求，对存在复杂关联的各类感知数据，包括空间关联、时间关联和异质属性关联的高维数据本地隐私保护机制展开研究。首先，分析明确了先验知识、数据相关性和隐私损失之间的关系并提出了先验差分隐私理论和相关机制，指导精准高效的隐私保护机制设计。然后，面向空间关联的感知数据收集和发布，提出了一种基于压缩感知的本地差分隐私保护机制，实现群智感知用户本地隐私保护和群智感知网络负载均衡。其次，面向时序动态的感知数据收集和发布，提出了多种基于时间相关性开采的隐私保护机制，尤其是基于用户采样分组的本地隐私差分机制，实现群智感知系统通信高效的实时隐私保护发布。再次，面向异质属性高维的感知数据收集和发布，分别提出了基于Copula函数和贝叶斯网络的高维感知数据本地隐私建模方法，实现了高维群智感知数据高效和高可用的隐私保护发布。最后，面向复杂群智数据分析模型的训练和发布，提出了结合内在隐私和噪声机制的隐私保护机器学习模型训练方法，实现基于本地差分隐私保护数据的复杂模型构建和数据分析。综上所述，本项目以群智感知数据本地隐私保护为核心，系统地研究了多个复杂场景下感知数据隐私保护所面临的问题，提出一系列具有高效性和高可用的本地化差分隐私保护发布方法，验证了项目申请书中提出的结合分布式本地隐私框架和开采感知数据复杂多样相关性的隐私保护理论的可行性和有效性，为群智感知数据发布和本地隐私保护机制的研究开辟了新的方向、提供了新的思路和方法，为群智感知系统隐私保护机制奠定了坚实的理论基础。