群智感知车联网中面向位置隐私保护的任务分配策略研究

Vehicle-based crowdsensing, utilizing collaborative intelligence of vehicles, which has the advantages of higher sensing accuracy and wider sensing range, has broad prospects in intelligent transportation. However, crowdsening-based task allocation for vehicles brings the risk of location privacy leakage, which limits the application and development of vehicle-based crowdsensing. Thus, this project studies the location privacy preserving based task allocation for vehicle-based crowdsensing, with the goal of effective task allocation. First, in terms of personalized privacy preserving requirements of vehicles, deeply exploring the impact of perturbed locations on task allocation, this project will propose a novel task allocation strategy based on personalized location privacy preserving. Second, by analyzing spatiotemporal data privacy preserving mechanism, this project will design a dynamic task allocation strategy under location privacy preserving. Third, this project will propose context-aware and location privacy preserving-based real time task allocation strategy, in terms of different context and privacy preserving requirements. It is expected to provide theoretical support for vehicle-based crowdsensing through the research of this project. Finally, we will build an experimental simulation platform to verify the effectiveness of the scheme and provide technical support for the realization of intelligent transportation.

群智感知车联网利用车辆的群智协作，具有感知精度更高和感知范围更广的优势，在智慧交通领域具有广阔的应用前景。然而，在对车辆进行任务分配时，带来了车辆位置隐私泄露的风险，限制了群智感知车联网的应用和发展。为此，本项目拟以群智感知车联网中有效的任务分配为目标，研究面向位置隐私保护的任务分配策略。首先，针对车辆个性化隐私保护需求，深入探究扰动位置对任务分配的影响，提出基于个性化位置隐私保护的任务分配策略；其次，通过分析时间相关的位置隐私保护需求，提出基于时空数据隐私保护的动态任务分配策略；最后，深入探索车辆所处情境的多维性和隐私保护需求的差异性，提出情境感知和隐私保护协同优化的实时任务分配策略。预期通过本项目的研究，为群智感知车联网提供理论支持，同时搭建实验仿真平台验证方案的有效性，为实现智慧交通提供技术支撑。

在群智感知车联网中，由于任务分配的动态性以及位置隐私保护的复杂性，如何充分利用车辆有限的计算、存储与通信资源进行任务分配，同时满足隐私保护需求是一个很大的挑战。为此，本课题提出了任务分配与隐私保护协同优化的策略，保证了用户隐私的同时兼顾任务分配的质量。主要的研究工作如下：1）群智感知车联网中位置隐私保护与服务质量协同优化的任务分配策略。考虑到传统的任务分配策略，难以同时满足对服务质量和位置隐私保护的需求，通过引入差分隐私技术对位置隐私进行保护，并利用优化算法，实现服务质量与位置隐私保护的协同优化。通过设计高效的求解算法，实现更有效的任务分配策略；2）基于强化学习的在线车辆任务分配算法。通过对群智感知车联网中的任务分配进行分析发现，任务分配策略与不确定的网络环境以及车辆用户的任务执行开销均相关。为此，利用在线学习算法，设计了基于强化学习的在线车辆选择算法，能够适应动态的环境，同时保证任务质量；3）认知车联网中安全增强的内容缓存机制。由于在车联网中，车辆的高移动性、用户请求内容的隐私性以及路侧单元等设备资源的有限性，导致了传统的内容缓存机制很难直接应用。针对此问题，提出了安全增强的内容缓存机制，不仅能够保证用户请求服务内容的质量，而且保护了用户隐私。项目在IEEE TITS、IEEE Network、IEEE COMPSAC等国际期刊和会议总共发表3篇论文，申请中国专利2项，完成了项目的预期目标。