实验室核心成员章静教授于2023年5月在SCI一区期刊Future Generation Computer Systems发表题为"Hasse sensitivity level: A sensitivity-aware trajectory privacy-enhanced framework with Reinforcement Learning"的论文。

论文简介：

基于位置的服务(LBS)随时间产生大量轨迹数据，这些数据会被共享用于进一步的智能服务。由于LBS的普遍性和开放性，用户的轨迹可能被攻击者收集和干扰。现有的解决方案无法同时考虑轨迹数据的隐私性和可用性。为了实现隐私性和可用性之间的平衡，本文设计了基于哈斯图敏感性差分隐私和强化学习（HDS-DPRL）的模型。该模型的第一个模块使用改进的K-Means聚类来减少冗余的位置坐标点。第二个模块包括一个基于哈斯图的敏感位置计算算法，用于存储轨迹和构建基于位置点访问频率的部分排序关系以计算敏感位置。第三个模块采用强化学习来计算最优的拉普拉斯边界，并向存储敏感位置的哈斯图添加有界拉普拉斯噪声来实现差分隐私。在合成数据集和真实世界数据集上的广泛实验表明，HDS-DPRL与现有解决方案相比具有更优越的性能，同时提供了可用性和隐私性。因此，HDS-DPRL可以应用于轨迹的隐私增强应用。

相关图片：