移動邊緣群智感知動態(tài)隱私度量模型與評價機(jī)制

趙明烽，Lei Chen，鐘洋，熊金波,3

移動邊緣群智感知動態(tài)隱私度量模型與評價機(jī)制

趙明烽1，Lei Chen2，鐘洋1，熊金波1,3

（1. 福建師范大學(xué)數(shù)學(xué)與信息學(xué)院，福建 福州 350117；2. College of Engineering and Computing, Georgia Southern University, GA, 30458；3. 福建省網(wǎng)絡(luò)安全與密碼技術(shù)重點實驗室，福建 福州 350117）

移動邊緣群智感知中，用戶執(zhí)行感知任務(wù)采集數(shù)據(jù)所包含的隱私量是動態(tài)變化且不直觀的，數(shù)據(jù)上傳亦缺乏隱私風(fēng)險預(yù)警值，提出一種動態(tài)隱私度量（DPM）模型。給出用戶參與感知任務(wù)所獲數(shù)據(jù)的結(jié)構(gòu)化表示并轉(zhuǎn)化成原始數(shù)值矩陣，引入隱私屬性偏好與時效性因素實現(xiàn)對該矩陣的權(quán)重疊加，以度量數(shù)據(jù)所含隱私的動態(tài)變化，基于權(quán)重疊加后的矩陣合理計算用戶個性化隱私閾值，并進(jìn)行差分隱私處理。在此基礎(chǔ)上，設(shè)計一種隱私度量模型評價機(jī)制。仿真結(jié)果表明，模型是有效且合理的，根據(jù)所給范例，差分隱私處理后的數(shù)據(jù)效用達(dá)到0.7，隨噪聲水平增加，隱私保護(hù)程度（PDD）可顯著提升，適應(yīng)物聯(lián)網(wǎng)移動邊緣群智感知范式。

動態(tài)隱私度量；個性化隱私閾值；差分隱私；模型評價；移動邊緣群智感知

1 引言

作為一種新穎的物聯(lián)網(wǎng)感知模式，移動邊緣群智感知（MECS）[1]借助各式各樣的智能終端[2-3]、可穿戴設(shè)備協(xié)同完成一些泛在智慧型深度社會感知任務(wù)，幫助推動現(xiàn)代城市的立體功能延伸和功能耦合，高度響應(yīng)了國家政府和產(chǎn)業(yè)界對智慧城市建設(shè)[4-5]的號召。同時，隨著第五代（5G）移動通信網(wǎng)絡(luò)[6-7]的到來和“萬物互聯(lián)”建設(shè)腳步的加快[8]，人們對移動應(yīng)用服務(wù)的需求量日益劇增，由此催生的海量移動數(shù)據(jù)包含著用戶眾多的隱私信息。數(shù)據(jù)儼然已經(jīng)滲透到各個行業(yè)和領(lǐng)域，成為重要的生產(chǎn)要素。

在實際應(yīng)用中，感知用戶在感知活動結(jié)束后需要上傳自己的感知數(shù)據(jù)來獲得相應(yīng)的報酬[9]。同時，他們面臨著隱私泄露的安全隱患。感知用戶對自身參與感知任務(wù)所產(chǎn)生數(shù)據(jù)的隱私量沒有直觀的認(rèn)知。在采用隱私保護(hù)技術(shù)隱藏某些隱私信息之后[10]，經(jīng)過處理的數(shù)據(jù)仍然會泄露隱私，例如-匿名技術(shù)無法抵抗同質(zhì)攻擊和背景知識攻擊[11]。如何確定隱私泄露的風(fēng)險界限[12]，以及數(shù)據(jù)的后續(xù)效用對任務(wù)報酬有多大影響，這些都是幫助用戶更好地管理自身隱私信息資產(chǎn)的重要因素。若不能有效地度量用戶參與感知任務(wù)的數(shù)據(jù)隱私及數(shù)據(jù)效用等[13-14]，幫助用戶進(jìn)行更加理性的感知上傳行為，將會導(dǎo)致用戶對自身隱私泄露風(fēng)險的錯誤認(rèn)知，進(jìn)而產(chǎn)生消極的任務(wù)參與態(tài)勢，導(dǎo)致應(yīng)用服務(wù)商獲得質(zhì)量低下的感知數(shù)據(jù)而無法提供優(yōu)良的移動服務(wù)，以此往復(fù)形成惡性循環(huán)。

數(shù)據(jù)隱私度量較為復(fù)雜，因其在不同環(huán)境中都具有鮮明的敏感特征和屬性，且在任務(wù)聯(lián)動、時空變換情況下會對數(shù)據(jù)特性產(chǎn)生動態(tài)影響。目前，國內(nèi)外針對MECS網(wǎng)絡(luò)中的隱私度量方法研究主要分為3種[15]：一是利用信息熵[16]，根據(jù)隱私信息中所包含的不確定程度來度量隱私；二是基于概率統(tǒng)計的方法[17]，利用概率分布信息來推斷隱私信息的可能性，以此度量隱私泄露的風(fēng)險；三是結(jié)合集對分析理論[18]，一種將定性與定量相結(jié)合并解決確定與不確定性問題的方法。上述方法存在一定的缺陷，且考慮因素單一。例如，基于信息熵的度量本質(zhì)是對信息混亂程度的界定，在對隱私風(fēng)險泄露度量方面具有較好的效果，但在面臨MECS中多源數(shù)據(jù)類型時，不同用戶的數(shù)據(jù)分為敏感性或非敏感性，單一考慮信息混亂變化因素將無法適應(yīng)MECS范式的數(shù)據(jù)；基于概率統(tǒng)計的方法則需要掌握一定程度的事件發(fā)生概率的先驗信息，具有一定的局限性；基于結(jié)合集對分析理論的方法主要是針對兩數(shù)據(jù)集之間的關(guān)聯(lián)隱私信息的不確定性進(jìn)行度量，因此需要具有給定數(shù)據(jù)集的前提條件，對于MECS中數(shù)據(jù)的實時性等問題無法進(jìn)行有效度量。由此，基于數(shù)據(jù)結(jié)構(gòu)化、概率論及高階矩陣范數(shù)等理論，本文考慮多隱私屬性、用戶隱私偏好權(quán)重和時間等多維因素，提出一種針對MECS范式數(shù)據(jù)的動態(tài)隱私度量模型和評估機(jī)制。其主要貢獻(xiàn)總結(jié)如下。

（1）針對MECS服務(wù)中的用戶參與感知任務(wù)所產(chǎn)生數(shù)據(jù)設(shè)計一種動態(tài)隱私度量模型，分析了多隱私屬性、用戶隱私屬性偏好以及時效性等隱私度量因素，以動態(tài)度量用戶參與任務(wù)的數(shù)據(jù)隱私量，并提出一種面向用戶的個性化隱私閾值計算方式。

（2）基于拉普拉斯噪聲機(jī)制對所提模型進(jìn)行差分隱私處理，并提出一種動態(tài)隱私度量模型評價機(jī)制，從隱私量、數(shù)據(jù)效用以及隱私保護(hù)程度等方面對模型效果與性能進(jìn)行綜合評估與分析。

（3）仿真實驗結(jié)果表明，所提模型能夠有效刻畫用戶任務(wù)數(shù)據(jù)的隱私量變化，正確反映模型的數(shù)據(jù)效用和隱私保護(hù)程度之間的關(guān)系，且能證明個性化隱私閾值計算的有效性與合理性，并為用戶在上傳感知數(shù)據(jù)時提供客觀的隱私度量值和對應(yīng)的隱私泄露風(fēng)險界限，且適合MECS范式。

2 相關(guān)工作

關(guān)于利用信息熵的相關(guān)隱私度量方法，Shi等[19]針對社交網(wǎng)絡(luò)服務(wù)中保護(hù)圖形格式數(shù)據(jù)的隱私方法缺少評價標(biāo)準(zhǔn)的問題，提出了一種利用復(fù)雜網(wǎng)絡(luò)中網(wǎng)絡(luò)靜態(tài)特征之一的網(wǎng)絡(luò)結(jié)構(gòu)熵進(jìn)行隱私度量的方法，且給出了隱私度量指標(biāo)（PMI）來度量圖結(jié)構(gòu)的隱私保護(hù)能力。在基于位置的服務(wù)中常常會因為位置信息暴露用戶的家庭地址、健康狀況以及購物習(xí)慣等，Shaham等[20]針對該問題，考慮了基于用戶連續(xù)位置變換而產(chǎn)生的新的邊信息，并提出了一種新的隱私度量方法——傳遞熵來研究隱私保護(hù)問題，此外，還提出了一個貪心算法來提高虛擬生成算法的傳遞熵性能。在開放和動態(tài)計算環(huán)境中，度量隱私損失和信任獲得是一個有意義的課題，針對相關(guān)現(xiàn)有工作在度量過程中沒有考慮到隱私信息與動態(tài)信任變化之間的關(guān)系，Gao等[21]提出了一種新的基于信息論的隱私度量方法，通過條件概率計算信息公開時的隱私損失熵和信任收益熵，并通過調(diào)整熵的權(quán)重，靈活地應(yīng)用于不同的應(yīng)用中，實驗結(jié)果表明該度量方法具有顯著性能，在實體之間進(jìn)行隱私信息交換時，可以減少隱私損失，獲得更多的信任。針對云數(shù)據(jù)間的關(guān)聯(lián)性問題，張宏磊等[22]引用條件熵提出了一種對云數(shù)據(jù)操作過程中的隱私信息泄露風(fēng)險的度量方法，但只考慮了在攻擊者無相關(guān)背景知識條件下的隱私度量。針對這一問題，文獻(xiàn)[23]基于條件熵、互信息等概念提出一種擁有背景知識攻擊者攻擊的隱私度量方法，并通過舉例位置隱私場景，構(gòu)建了具體的信息熵模型及隱私保護(hù)機(jī)制和攻擊者能力的度量及分析方法。針對移動服務(wù)中用戶不得不向運營商披露個人信息而構(gòu)成的隱私威脅，文獻(xiàn)[24]基于信息熵和馬爾可夫鏈建立了移動服務(wù)隱私安全風(fēng)險評估模型，給出了合理的風(fēng)險度量和評估方法。

對于基于概率統(tǒng)計的方法，馬蓉等[25]從隱私敏感屬性的角度考慮度量問題，借助公眾屬性和個性化屬性等度量指標(biāo)以及歷史數(shù)據(jù)統(tǒng)計，對時空感知數(shù)據(jù)進(jìn)行隱私度量，從而幫助選擇最佳用戶參與任務(wù)。Wang等[26]也從該角度提出了一種基于屬性的統(tǒng)計模型，可用于基于個人可識別信息的隱私暴露度量和隱私影響評估，涉及隱私屬性、隱私敏感性和屬性相關(guān)性3個重要因素。Liu等[27]則從用戶態(tài)度的角度對隱私進(jìn)行測量，基于個體的內(nèi)在和外在敏感度，提出了一種用于移動參與式感知系統(tǒng)的個性化隱私測量方法（PriMe），實驗結(jié)果表明PriMe提供了合理而準(zhǔn)確的結(jié)果，而參與者反過來也高度信任該系統(tǒng)。此外，根據(jù)隱私屬性值的概率分布，文獻(xiàn)[28-30]從基于貝葉斯概率的度量角度，提出了基于貝葉斯推理的度量隱私信息泄露的方法，通過分析和比較推測的信息與隱私信息之間的差異度來度量隱私信息泄露的風(fēng)險，兩者之間的差異度越小，隱私信息泄露風(fēng)險越大。Zhang等[31]針對現(xiàn)有位置服務(wù)隱私保護(hù)機(jī)制（LPPM）缺乏隱私度量評估的問題，提出了一種基于貝葉斯條件隱私的隱私度量模型，通過關(guān)于敵手估計誤差的條件隱私的一般定義來比較不同的基于位置服務(wù)（LBS）的隱私度量。為了改進(jìn)對車載自組織網(wǎng)絡(luò)（VANET）中暴露的隱私程度的度量，Han等[32]創(chuàng)建了一種以用戶為中心的隱私計算系統(tǒng)，依賴于事件發(fā)生的概率提出了一個風(fēng)險評估函數(shù)和一組決策權(quán)重來模擬決策意圖，并結(jié)合信息熵知識構(gòu)建了混合區(qū)自適應(yīng)動態(tài)生成機(jī)制。對于一些匿名化技術(shù)忽視用戶的信息自主權(quán)問題，Tesfay等[33]提出了一種基于組合概率數(shù)學(xué)模型和機(jī)器學(xué)習(xí)分類器的以用戶為中心的隱私風(fēng)險檢測和度量框架，使用戶能夠控制自己的數(shù)據(jù)發(fā)布。

對于集對分析理論的度量方法，文獻(xiàn)[34]基于該思想提出了一種集對分析隱私度量方法，通過對數(shù)據(jù)集之間的關(guān)聯(lián)關(guān)系進(jìn)行度量分析，考慮對相鄰數(shù)據(jù)子集的同一度、差異度和對立度特性進(jìn)行度量描述，且具體討論了數(shù)據(jù)庫隱私保護(hù)、位置隱私保護(hù)和軌跡隱私保護(hù)3種不同模式下隱私保護(hù)機(jī)制的集對分析方法實例。攻擊者可以利用大數(shù)據(jù)分析技術(shù)通過社交網(wǎng)絡(luò)發(fā)布的數(shù)據(jù)發(fā)現(xiàn)用戶的隱私，針對背景知識未定義情況下的隱私度量問題，Huang等[35]借鑒集對分析理論，提出了一種新的網(wǎng)絡(luò)環(huán)境下的隱私度量方法，將個人隱私度量的結(jié)果分為確定值和不確定參數(shù)兩部分，其中，確定值可以反映隱私暴露程度，不確定參數(shù)可以反映背景知識的變化對隱私暴露程度的影響，從而令隱私分析可以在不斷變化的背景知識中進(jìn)行動態(tài)調(diào)整。

綜上所述，目前關(guān)于隱私度量的工作比較豐富。現(xiàn)有方案主要涉及對隱私敏感屬性、用戶個性化隱私偏好、數(shù)據(jù)關(guān)聯(lián)性、時空狀態(tài)變化等度量因素和標(biāo)準(zhǔn)的考量。然而，大多數(shù)方案均考慮單一的隱私度量標(biāo)準(zhǔn)或因素，對于適應(yīng)MECS網(wǎng)絡(luò)中同時具有復(fù)雜隱私屬性特征、隱私屬性偏好、時間變化等的感知數(shù)據(jù)隱私度量方法目前還比較匱乏。因此，從多方因素出發(fā)構(gòu)建新的動態(tài)隱私度量模型對于適應(yīng)MECS范式類型的感知數(shù)據(jù)非常重要。

3 動態(tài)隱私度量模型

3.1 感知數(shù)據(jù)的結(jié)構(gòu)化表示

由于任務(wù)類型的關(guān)系，數(shù)據(jù)表中可能含有非數(shù)值型數(shù)據(jù)，為了便于后續(xù)隱私敏感度的計算，采用非負(fù)數(shù)值映射方法，將數(shù)據(jù)表轉(zhuǎn)化為數(shù)值矩陣。該映射定義如下。

定義1 非負(fù)數(shù)值映射[36]

表1 任務(wù)全周期的結(jié)構(gòu)化數(shù)據(jù)形式表示

3.2 用戶的隱私屬性偏好

定義2 隱私屬性偏好向量

3.3 隱私屬性偏好的時效性

進(jìn)一步地，考慮到用戶的隱私偏好會隨時間遷移而變化，即隱私偏好是具有時效性的。換句話說，某一用戶對某一隱私屬性的重視程度會隨著時間的增加而改變。為了度量隱私屬性偏好的時效性，這里引入隱私屬性偏好函數(shù)。

定義3 隱私屬性偏好函數(shù)

特別地，有3類隱私屬性偏好函數(shù)。

3.4 隱私度量模型

3.5 個性化隱私閾值

4 任務(wù)數(shù)據(jù)矩陣的隱私處理

差分隱私[37]作為一種基于數(shù)據(jù)失真的隱私保護(hù)技術(shù)，即通過對敏感數(shù)據(jù)添加隨機(jī)噪聲使數(shù)據(jù)結(jié)果與原始數(shù)據(jù)發(fā)生一定的偏差，其具有嚴(yán)格的數(shù)學(xué)證明，在達(dá)到隱私保護(hù)目的的同時，也保持了一定的數(shù)據(jù)效用。

定義4 拉普拉斯分布[38]

它的逆累計分布函數(shù)為

5 模型評估機(jī)制

從上述內(nèi)容可知，本文對任務(wù)感知數(shù)據(jù)進(jìn)行了結(jié)構(gòu)化表示和數(shù)值化、隱私偏好的度量和時效性的加入，且得到了動態(tài)隱私閾值的概念和求解。接下來，本文將對該模型構(gòu)建評估機(jī)制，從數(shù)據(jù)效用以及隱私保護(hù)程度等評估指標(biāo)，考慮模型的隱私度量效果與有效性。

5.1 數(shù)據(jù)效用

定義5 矩陣-范數(shù)

定義6 數(shù)據(jù)效用

5.2 隱私保護(hù)程度

6 性能分析

實驗在Intel?Core(TM) i7-1050U CPU@ 1.80 GHz，12 GB DDR4，1 TB hard disk的Windows 10硬件平臺上進(jìn)行，軟件配置主要有Python3.6、IDE PyCharm以及MATLAB R2018a。數(shù)據(jù)集采用的是共享單車用戶的移動行為數(shù)據(jù)，包括使用者性別、年齡、每次騎行的起點和目的地、開始和結(jié)束時間、起點經(jīng)緯度、目的地點經(jīng)緯度等屬性。該數(shù)據(jù)集所包含的用戶是具有高度移動特性的，且所產(chǎn)生的數(shù)據(jù)主要依賴自身攜帶設(shè)備裝載的傳感器，適用于MECS范式。

6.1 隱私量

圖1 的隱私量隨時間的變化情況

6.2 差分隱私處理

圖2 隱私保護(hù)程度與數(shù)據(jù)效用隨噪聲增加的變化情況

Figure 2 Changes in the degree of privacy protection and data utility as noise increases

6.3 隱私閾值合理性

圖3 不同用戶的動態(tài)隱私閾值和隱私保護(hù)程度關(guān)系

Figure 3 The relationship between the dynamic privacy threshold of different users and the degree of privacy protection

7 結(jié)束語

為了克服MECS范式中用戶對自身感知任務(wù)隱私的認(rèn)知不足，突破現(xiàn)有相關(guān)工作對隱私度量因素考慮較為單一性的問題，本文提出了一種面向感知任務(wù)數(shù)據(jù)的動態(tài)隱私度量模型。考慮多隱私屬性、用戶隱私屬性偏好和時效性等因素，給出了用戶個性化隱私閾值計算定義式。隨后，對所提模型設(shè)計了一種有隱私量、數(shù)據(jù)效用及隱私保護(hù)程度等多指標(biāo)的評估機(jī)制。通過大量的實驗結(jié)果和數(shù)據(jù)分析，驗證了所提動態(tài)度量模型能夠有效進(jìn)行敏感數(shù)據(jù)的隱私量度量，且客觀反映出數(shù)據(jù)隱私保護(hù)效果和數(shù)據(jù)效用的變化，解釋了個性化隱私閾值計算式的合理性，為用戶感知數(shù)據(jù)的隱私動態(tài)度量和隱私閾值個性化計算提供了方案和思路。

[1] XIONG J B, ZHAO M F, BHUIYAN M Z A, et al. An AI-enabled three-party game framework for guaranteed data privacy in mobile edge crowdsensing of IoT[J]. IEEE Transactions on Industrial Informatics, 2019: 1.

[2]XIONG J, CHEN L, BHUIYAN M Z A, et al. A secure data deletion scheme for IoT devices through key derivation encryption and data analysis[J]. Future Generation Computer Systems, 2020, 111: 741-753.

[3]YU S, WANG G, LIU X, et al. Security and privacy in the age of the smart internet of things: an overview from a networking perspective[J]. IEEE Communications Magazine, 2018, 56(9): 14-18.

[4]QI L, HU C, ZHANG X, et al. Privacy-aware data fusion and prediction with spatial-temporal context for smart city industrial environment[J]. IEEE Transactions on Industrial Informatics, 2020: 1.

[5]胡宇翔, 伊鵬, 孫鵬浩, 等. 全維可定義的多模態(tài)智慧網(wǎng)絡(luò)體系研究[J]. 通信學(xué)報, 2019, 40(8): 1-12.

HU Y X, YI P, SUN P H, e al. Research on the full-dimensional defined polymorphic smart network[J]. Journal on Communications, 2019, 40(8): 1-12.

[6]LUO C, JI J, WANG Q, et al. Channel state information prediction for 5G wireless communications: a deep learning approach[J]. IEEE Transactions on Network Science and Engineering, 2020, 7(1): 227-236.

[7]喬康, 游偉, 王領(lǐng)偉, 等. 基于區(qū)塊鏈的5G 物聯(lián)網(wǎng)數(shù)據(jù)共享方案[J]. 網(wǎng)絡(luò)與信息安全學(xué)報, 2020, 6(4): 45-55.

QIAO K, YOU W, WANG L W, et al. Data sharing scheme for 5G IoT based on blockchain[J]. Chinese Journal of Network and Information Security, 2020, 6(4): 45-55.

[8]AL-GARADI M A, MOHAMED A, AL-ALI A, et al. A survey of machine and deep learning methodsfor internet of things (IoT) security[J]. IEEE Communications Surveys & Tutorials, 2020, 22(3): 1646-1685.

[9]熊金波, 馬蓉, 牛犇, 等. 移動群智感知中基于用戶聯(lián)盟匹配的隱私保護(hù)激勵機(jī)制[J]. 計算機(jī)研究與發(fā)展, 2018, 55(7): 1359.

XIONG J B, MA R, NIU B, et al. Privacy protection incentive mechanism based on user-Union matching in mobile crowdsensing[J]. Journal of Computer Research and Development, 2018, 55(7): 1359-1370.

[10]ZHANG Y, WANG P, HUANG H, et al. Privacy-assured FogCS: chaotic compressive sensing for secure industrial big image data processing in fog computing[J]. IEEE Transactions on Industrial Informatics, 2020.

[11]LIU C, TIAN Y, XIONG J, et al. Towards attack and defense views to-Anonymous using information theory approach[J]. IEEE Access, 2019, 7: 156025-156032.

[12]AL-ASMARI H A, SALEH M S. A conceptual framework for measuring personal privacy risks in facebook online social network[C]//International Conference on Computer and Information Sciences (ICCIS). 2019: 1-6.

[13]ZHAO Y, WAGNER I. On the strength of privacy metrics for vehicular communication[J]. IEEE Transactions on Mobile Computing, 2018, 18(2): 390-403.

[14]WAGNER I, ECKHOFF D. Technical privacy metrics: a systematic survey[J]. ACM Computing Surveys (CSUR), 2018, 51(3): 1-38.

[15]熊金波, 王敏燊, 田有亮, 等. 面向云數(shù)據(jù)的隱私度量研究進(jìn)展[J].軟件學(xué)報, 2018, 29(7): 1963-1980.

XIONG J B, WANG M S, TIAN Y L, et al. Research progress on privacy measurement for cloud data[J]. Journal of Software, 2018, 29(7): 1963-1980.

[16]HUANG Z, YANG L, JIANG W. Uncertainty measurement with belief entropy on the interference effect in the quantum-like Bayesian networks[J]. Applied Mathematics and Computation, 2019, 347: 417-428.

[17]SONG H, LUO T, LI J. Common criterion of privacy metrics and parameters analysis based on error probability for randomized response[J]. IEEE Access, 2019, 7: 16964-16978.

[18]YAN F, XU K. A set pair analysis based layer of protection analysis and its application in quantitative risk assessment[J]. Journal of Loss Prevention in the Process Industries, 2018, 55: 313-319.

[19]SHI W, HU J, YAN J, et al. A privacy measurement method using network structure entropy[C]//Proceedings of the International Conference on Networking and Network Applications (NaNA). 2017: 147-151.

[20]SHAHAM S, DING M, LIU B, et al. Transition-entropy: a novel metric for privacy preservation in location-based services[C]//IEEE Conference on Computer Communications Workshops (INFOCOM WKSHPS). 2019: 1-6.

[21]GAO F, HE J, PENG S, et al. A quantifying metric for privacy protection based on Information theory[C]//Proceedings of the 2010 Third International Symposium on Intelligent Information Technology and Security Informatics. 2010: 216-220.

[22]張宏磊, 史玉良, 張世棟, 等. 一種基于分塊混淆的動態(tài)數(shù)據(jù)隱私保護(hù)機(jī)制[J]. 計算機(jī)研究與發(fā)展, 2016, 53(11): 2454-2464.

ZHANG H L, SHI Y L, ZHANG S D, et al. A privacy protection mechanism for dynamic data based on partition-confusion[J]. Journal of Computer Research and Development, 2016, 53(11): 2454-2464.

[23]彭長根, 丁紅發(fā), 朱義杰, 等. 隱私保護(hù)的信息熵模型及其度量方法[J]. 軟件學(xué)報, 2016, 27(8): 1891-1903.

PENG C G, DING H F, ZHU Y J, et al. Information entropy models and privacy metrics methods for privacy protection[J]. Journal of software, 2016, 27(8): 1891-1903.

[24]ZHANG T, ZHAO K, YANG M, et al. Research on privacy security risk assessment method of mobile commerce based on information entropy and markov[J]. Wireless Communications and Mobile Computing, 2020, 2: 1-11.

[25]馬蓉, 陳秀華, 劉慧, 等. 移動群智感知中用戶隱私度量與隱私保護(hù)研究[J]. 信息網(wǎng)絡(luò)安全, 2018,18(8): 64-72.

MA R, CHEN X H, LIU H, et al. Research on user privacy measurement and privacy protection in mobile crowdsensing[J]. Netinfo Security, 2018,18(8): 64-72.

[26]WANG Y, LIU J. An attribtue-based statistic model for privacy impact assessment[C]// Proceedings of the 2016 International Conference on Collaboration Technologies and Systems (CTS). 2016: 619-621.

[27]LIU R, CAO J, VANSYCKEL S, et al. PriMe: human-centric privacy measurement based on user preferences towards data sharing in mobile participatory sensing systems[C]//Proceedings of the 2016 IEEE International Conference on Pervasive Computing and Communications (PerCom). 2016: 1-8.

[28]YAMAOKA Y, ITOH K. K-presence-secrecy: practical privacy model as extension of-anonymity[J]. IEICE Transactions on Information and Systems, 2017, 100(4): 730-740.

[29]GKOUNTOUNA O, TERROVITIS M. Anonymizing collections of tree-structured data[J]. IEEE Transactions on Knowledge and Data Engineering, 2015, 27(8): 2034-2048.

[30]LI X Y, ZHANG C, JUNG T, et al. Graph-based privacy-preserving data publication[C]// Proceedings of the 35th Annual IEEE International Conference on Computer Communications. 2016: 1-9.

[31]ZHANG X, GUI X, TIAN F, et al. Privacy quantification model based on the Bayes conditional risk in location-based services[J]. Tsinghua Science and Technology, 2014, 19(5): 452-462.

[32]HAN X, TIAN D, DUAN X, et al. Optimized anonymity updating in VANET based on information and privacy joint metrics[C]//Proceedings of the 8th ACM Symposium on Design and Analysis of Intelligent Vehicular Networks and Applications. 2018: 63-69.

[33]TESFAY W B, SERNA-OLVERA J. Towards user-centered privacy risk detection and quantification framework[C]//Proceedings of the International Conference on New Technologies, Mobility and Security (NTMS). 2016: 1-5.

[34]晏燕, 郝曉弘, 王萬軍. 一種隱私保護(hù)度量的集對分析方法[J]. 武漢大學(xué)學(xué)報（工學(xué)版）, 2015, 48(6): 883-890.

YAO Y, HAO X H, WANG W J. A set pair analysis method for privacy metric[J]. Engineering Journal of Wuhan University, 2015, 48(6): 883-890.

[35]HUANG W Q, XIA J F, YU M, et al. Personal privacy metric based on public social network data[J]. JPhCS, 2018, 1087(3): 032007.

[36]HE W, ZENG Y, LI G. A novel structural reliability analysis method via improved maximum entropy method based on nonlinear mapping and sparse grid numerical integration[J]. Mechanical Systems and Signal Processing, 2019, 133: 106247.

[37] HASSAN M U, REHMANI M H, CHEN J. Differential privacy techniques for cyber physical systems: a survey[J]. IEEE Communications Surveys & Tutorials, 2019, 22(1): 746-789.

[38]HE J, CAI L, GUAN X. Differential private noise adding mechanism and its application on consensus algorithm[J]. IEEE Transa- ctions on Signal Processing, 2020, 68: 4069-4082.

Dynamic privacy measurement model and evaluation system for mobile edge crowdsensing

ZHAO Mingfeng1，LEI Chen2，ZHONG Yang1，XIONG Jinbo1,3

1. College of Mathematics and Informatics, Fujian Normal University, Fuzhou 350117, China 2. College of Engineering and Computing, Georgia Southern University, GA 30458, USA 3. Fujian Provincial Key Laboratory of Network Security and Cryptology, Fuzhou 350117, China

To tackle the problems of users not having intuitive cognition of the dynamic privacy changes contained in their sensing data in mobile edge crowdsensing (MECS) and lack of personalized privacy risk warning values in the data uploading stage, a dynamic privacy measurement (DPM) model was proposed. A structured representation of data obtained by a user participating in a sensing task was introduced and was transformed it into a numerical matrix. Then privacy attribute preference and timeliness were presented to quantify the dynamic privacy changes of data. With this, personalized privacy thresholds of users based on the numerical matrix were reasonably calculated. Finally, differential privacy processing was performed on the numerical matrix, and a model evaluation system was designed for the proposed model. The simulation results show that the DPM model was effective and practical. According to the given example, a data utility of approximately 0.7 can be achieved, and the degree of privacy protection can be significantly improved as the noise level increases, adapting to the MECS of IoT.

dynamic privacy measurement, personalized privacy threshold, differential privacy, model evaluation, mobile edge crowdsensing

TP309.2

A

10.11959/j.issn.2096?109x.2021016

2020?09?16；

2020?12?14

熊金波，jbxiong@fjnu.edu.cn

國家自然科學(xué)基金（61872088, U1905211, 61872090）；福建省自然科學(xué)基金（2019J01276）；貴州省公共大數(shù)據(jù)重點實驗室開放課題（2019BDKFJJ004）

The National Natural Science Foundation of China (61872088, U1905211, 61872090), The Natural Science Foundation of Fujian Province, China (2019J01276), The Guizhou Provincial Key Laboratory of Public Big Data Research Fund (2019BDKFJJ004)

趙明烽，Lei Chen，鐘洋, 等. 移動邊緣群智感知動態(tài)隱私度量模型與評價機(jī)制[J]. 網(wǎng)絡(luò)與信息安全學(xué)報, 2021, 7(1): 157-166.

ZHAO M F, LEI C, ZHONG Y, et al. Dynamic privacy measurement model and evaluation system for mobile edge crowdsensing [J]. Chinese Journal of Network and Information Security, 2021, 7(1): 157-166.

趙明烽（1996?），男，江蘇張家港人，福建師范大學(xué)碩士生，主要研究方向為移動數(shù)據(jù)安全和隱私保護(hù)。

Lei Chen（1978? ），男，陜西西安人，美國佐治亞州南方大學(xué)副教授，主要研究方向為網(wǎng)絡(luò)安全、信息安全、云計算與大數(shù)據(jù)安全等。

鐘洋（1995?），男，湖南湘西人，福建師范大學(xué)碩士生，主要研究方向為安全深度學(xué)習(xí)。

熊金波（1981? ），男，湖南益陽人，福建師范大學(xué)教授、博士生導(dǎo)師，主要研究方向為網(wǎng)聯(lián)自動駕駛車輛的安全與隱私、物聯(lián)網(wǎng)安全、大數(shù)據(jù)安全、隱私保護(hù)。