基于遺傳算法的軌跡K匿名模型優(yōu)化

秦海濤

摘? 要：常用軌跡隱私保護(hù)方法的得來離不開基于虛假軌跡的匿名研究，軌跡匿名方法生成虛假軌跡的不確定性及軌跡信息與背景知識(shí)之間的關(guān)聯(lián)性，導(dǎo)致用戶的真實(shí)軌跡隱私信息極易被識(shí)別。為此，文章提出基于遺傳算法的軌跡k匿名模型優(yōu)化算法。在用戶真實(shí)軌跡的基礎(chǔ)上，采用深度學(xué)習(xí)中有監(jiān)督學(xué)習(xí)原理及冪律-對(duì)數(shù)函數(shù)解決分布函數(shù)中長尾數(shù)據(jù)問題，改進(jìn)遺傳算法中的變異操作和適應(yīng)度函數(shù)，通過改進(jìn)后的遺傳算法來優(yōu)化軌跡K匿名模型生成虛假軌跡的方法，并利用皮爾遜相關(guān)性計(jì)算軌跡相似性，調(diào)整軌跡中個(gè)體的位置，構(gòu)建具有相同用戶行為模式的k匿名軌跡集合。實(shí)驗(yàn)結(jié)果表明，該算法具有更好的適用性和隱匿性，降低了用戶隱私披露風(fēng)險(xiǎn)。

關(guān)鍵詞：軌跡匿名；軌跡k匿名；遺傳算法；虛假軌跡；用戶行為模式

中圖分類號(hào)：TP18? 文獻(xiàn)標(biāo)識(shí)碼：A? 文章編號(hào)：2096-4706（2023）15-0063-06

Anonymity Model Optimization of Trajectory K Based on Genetic Algorithm

QIN Haitao

（School of Information Engineering， Gansu Vocational and Technical College of Communications， Lanzhou? 730070， China）

Abstract： The development of commonly used trajectory privacy protection methods cannot be separated from anonymous research based on false trajectories. The uncertainty of false trajectory generated by trajectory anonymity methods and the correlation between trajectory information and background knowledge result in users' real trajectory privacy information being easily recognized. Therefore， this paper proposes a genetic algorithm-based trajectory k-anonymity model optimization algorithm. On the basis of the user's real trajectory， the principle of Supervised learning in deep learning and the power law logarithmic function are used to solve the problem of long tail data in the distribution function， the mutation operation and fitness function in the genetic algorithm are improved， and the improved genetic algorithm is used to optimize the method of generating false trajectory by the trajectory K anonymous model， and Pearson correlation is used to calculate the trajectory similarity and adjust the position of individuals in the trajectory， construct k anonymous trajectories set with the same user behavior patterns. The experimental results show that the algorithm has better applicability and concealment， reducing the risk of user privacy disclosure.

Keywords： trajectory anonymity; trajectory k anonymous; genetic algorithm; false trajectory; user behavior pattern

0? 引? 言

軌跡匿名研究是用戶隱私保護(hù)問題中的一個(gè)重要分支，涉及用戶的興趣愛好及生活習(xí)性等多個(gè)方面的內(nèi)容。一般將軌跡匿名問題描述為：通過算法生成滿足匿名需求的若干虛假軌跡，使得以真實(shí)用戶軌跡為自變量的虛假軌跡生成算法生成的虛假軌跡數(shù)目達(dá)到最優(yōu)，從而保護(hù)用戶的隱私信息[1]。一個(gè)好的軌跡匿名算法（如基于移動(dòng)終端的虛假軌跡生成方法[2]、軌跡K-匿名隱私保護(hù)方法[3-5]、基于用戶真實(shí)軌跡的虛假軌跡生成方法[6]、基于歷史軌跡預(yù)測攻擊的動(dòng)態(tài)K-匿名算法[7]等）可以提高軌跡匿名的效率，降低背景知識(shí)和同質(zhì)攻擊對(duì)軌跡匿名的影響，提高所生成虛假軌跡的有效性。軌跡匿名算法生成虛假軌跡具有以下兩個(gè)特點(diǎn)：軌跡隨機(jī)性和軌跡異常性。針對(duì)軌跡匿名的兩個(gè)特點(diǎn)本文做出如下研究：

1）根據(jù)軌跡匿名算法生成虛假軌跡的隨機(jī)性以及虛假軌跡與背景知識(shí)的關(guān)聯(lián)性，提出通過遺傳算法將特定區(qū)域內(nèi)的用戶真實(shí)軌跡信息生成虛假軌跡。

2）為確保真實(shí)軌跡在虛假軌跡中的隱匿性以及避免生成的虛假軌跡中異常點(diǎn)、敏感位置點(diǎn)、重合點(diǎn)的出現(xiàn)，通過改進(jìn)遺傳算法中的變異操作和適應(yīng)度函數(shù)來調(diào)整虛假軌跡中的位置點(diǎn)。

3）為進(jìn)一步提高遺傳算法生成的虛假軌跡的有效性，提出基于遺傳算法的用戶行為模式構(gòu)建方法。

1? 相關(guān)技術(shù)

1.1? 軌跡k匿名

軌跡k匿名可以生成滿足匿名需求的若干虛假軌跡，以保護(hù)真實(shí)軌跡不被識(shí)別出來。與傳統(tǒng)軌跡匿名相比，軌跡k匿名[3-5，8，9]僅考慮位置之間的關(guān)聯(lián)性，能夠防御針對(duì)單個(gè)位置的攻擊，但是虛假軌跡的生成總是存在一定的隨機(jī)性，通過背景知識(shí)與軌跡之間的關(guān)聯(lián)性，依然可以剔除部分不合理的虛假軌跡，影響隱私保護(hù)的效果。

1.2? 遺傳算法

遺傳算法是模擬自然界生物遺傳進(jìn)化過程，基于適者生存思想搜索最優(yōu)解的算法[10]。算法維護(hù)一個(gè)代表問題潛在解的群體，對(duì)于群體的進(jìn)化，算法引入了類似自然進(jìn)化中選擇、交叉以及變異等算子。遺傳算法搜索全局最優(yōu)解的過程是一個(gè)不斷迭代的過程，每一次迭代相當(dāng)于生物進(jìn)化中的一次循環(huán)，直至滿足算法的終止條件。

2? 基于遺傳算法的軌跡匿名

標(biāo)準(zhǔn)軌跡匿名算法生成的虛假軌跡存在隨機(jī)性，攻擊者通過背景知識(shí)與軌跡信息之間的關(guān)聯(lián)性可以迅速地將部分不符合要求的虛假軌跡剔除出來，導(dǎo)致軌跡匿名失敗。針對(duì)軌跡匿名中出現(xiàn)的問題，本文遺傳算法流程如下：

1）將匿名用戶和其他用戶的軌跡位置點(diǎn)進(jìn)行編碼和用戶ID標(biāo)記，以位置點(diǎn)為基因，隨機(jī)生成初始種群。

2）計(jì)算基因的適應(yīng)度函數(shù)值。

3）通過選擇算子選擇群體中滿足適應(yīng)度函數(shù)的父代基因，形成子代基因，將不滿足適應(yīng)度函數(shù)的父代基因進(jìn)行交叉標(biāo)記。

4）將有交叉標(biāo)記的父代基因進(jìn)行兩點(diǎn)交叉操作，生成子代基因，通過步驟2）和3）選擇滿足適應(yīng)度函數(shù)的子代基因，以半徑R的最大選擇區(qū)域取代子代基因。

5）根據(jù)步驟4）選出群體中與匿名用戶軌跡位置點(diǎn)重合或相似度較高的基因位置點(diǎn)進(jìn)行變異操作。

6）重復(fù)步驟3）、4）和5），直至滿足匿名條件，從位置點(diǎn)集合中選出具有同一用戶ID標(biāo)記的基因，生成染色體個(gè)體，每個(gè)個(gè)體對(duì)應(yīng)一條軌跡，由此生成滿足條件的軌跡k匿名集合。

2.1? 模型建立

2.1.1? 變異區(qū)間

標(biāo)準(zhǔn)遺傳算法的變異操作是采取隨機(jī)數(shù)的方法來設(shè)置個(gè)體基因的變異位置[8]。為避免變異操作生成不符合現(xiàn)實(shí)環(huán)境的個(gè)體基因、異常點(diǎn)、敏感位置點(diǎn)以及與匿名用戶重合的軌跡點(diǎn)，本文根據(jù)自監(jiān)督變異函數(shù)[9]通過遺傳算法對(duì)生成的虛假軌跡進(jìn)行改進(jìn)，生成變異區(qū)間。自監(jiān)督變異函數(shù)基于深度學(xué)習(xí)中的有監(jiān)督學(xué)習(xí)原理，通過讀取的用戶匿名模式，設(shè)定個(gè)體中基因變異的區(qū)間位置以及區(qū)間內(nèi)各個(gè)位置變異的概率，將傳統(tǒng)的隨機(jī)變異位置設(shè)定為一個(gè)變異區(qū)間，根據(jù)遺傳算法中的選擇算子和適應(yīng)度計(jì)算函數(shù)選擇滿足匿名條件的基因。自監(jiān)督變異函數(shù)如式（1）所示：

其中，x表示種群中的個(gè)體基因，μ表示基因在種群中的適應(yīng)度值，α表示基因產(chǎn)生基因變異的概率，f （x）表示基因種群的平均適應(yīng)度。

為了選擇滿足變異區(qū)間的子代個(gè)體基因，給出變異子代基因選擇條件：

F（X）≥f（x）（2）

F（X）

滿足式（2）條件，則由子代個(gè)體基因直接繼承；否則以半徑R的最大隱匿區(qū)域覆蓋基因（位置點(diǎn)），采用遺傳算法選擇區(qū)域內(nèi)滿足匿名條件的基因來代替子代基因。

2.1.2? 適應(yīng)度函數(shù)

傳統(tǒng)軌跡匿名算法生成的虛假軌跡一定程度上會(huì)出現(xiàn)一些長尾數(shù)據(jù)[11]，這些長尾數(shù)據(jù)中可能會(huì)包含用戶的敏感位置、與真實(shí)軌跡極為相似的位置以及重合位置，攻擊程序通過已掌握的背景知識(shí)可以迅速地從這些長尾數(shù)據(jù)中讀出用戶的一些隱私信息甚至能夠識(shí)別出用戶的真實(shí)軌跡，從而泄露用戶的隱私信息。

基于遺傳算法生成軌跡具有的表現(xiàn)型是虛假軌跡的最優(yōu)表現(xiàn)形式[1]。為提高遺傳算法生成虛假軌跡的有效性，避免傳統(tǒng)軌跡匿名算法生成虛假軌跡的隨機(jī)性，本文結(jié)合冪律標(biāo)定函數(shù)和對(duì)數(shù)標(biāo)定函數(shù)[12，13]，構(gòu)造冪律-對(duì)數(shù)函數(shù)進(jìn)行適應(yīng)度計(jì)算：

1）根據(jù)冪律標(biāo)定函數(shù)計(jì)算種群中個(gè)體基因適應(yīng)度：

基于冪律標(biāo)定函數(shù)解決分布函數(shù)中長尾數(shù)值的原理，將軌跡集合中的個(gè)體基因進(jìn)行冪律數(shù)值分布。式（4）中，a表示染色體適應(yīng)度，f （x）表示種群平均適應(yīng)度值，Dx表示個(gè)體基因適應(yīng)度值，C表示軌跡信息中一個(gè)基因重復(fù)出現(xiàn)的次數(shù)，δ為表示個(gè)體基因變異概率。當(dāng)a＞1時(shí)，表示當(dāng)前選中軌跡中每個(gè)基因的適應(yīng)度均滿足軌跡匿名所需的適應(yīng)度，a＜1時(shí)，則表示當(dāng)前選中的軌跡中存在長尾數(shù)據(jù)。

2）根據(jù)對(duì)數(shù)標(biāo)定函數(shù)擬合不滿足種群適應(yīng)度的個(gè)體基因：

根據(jù)冪律分布產(chǎn)生的長尾數(shù)據(jù)，通過自監(jiān)督變異函數(shù)改變其個(gè)體基因分布，利用對(duì)數(shù)標(biāo)定函數(shù)擬合出符合軌跡匿名的位置點(diǎn)。式（5）主要用來縮小目標(biāo)數(shù)值之間的差異，擬合不滿足種群適應(yīng)度的基因。a表示通過式（4）得到的軌跡中基因的冪律分布值，b表示軌跡中個(gè)體基因的適應(yīng)度值由初始值i到n的最大變動(dòng)范圍。

依據(jù)冪律-對(duì)數(shù)適應(yīng)度函數(shù)計(jì)算個(gè)體基因適應(yīng)度準(zhǔn)則，將不滿足匿名條件的基因重復(fù)進(jìn)行選擇、交叉、變異操作，經(jīng)過遺傳算法操作的軌跡種群逐漸會(huì)出現(xiàn)一定的表現(xiàn)型。

3）基于遺傳算法的用戶行為模式構(gòu)建。

文獻(xiàn)[6]認(rèn)為用戶行為模式通過分析用戶真實(shí)軌跡信息的軌跡模式，使得生成的虛假軌跡與真實(shí)軌跡具有相似的模式，在保證與用戶真實(shí)軌跡相似性的同時(shí)應(yīng)對(duì)背景信息的攻擊。本文利用皮爾遜相關(guān)性[14]計(jì)算特定區(qū)域內(nèi)每條軌跡與真實(shí)軌跡的相似性，根據(jù)遺傳算法搜索局部最優(yōu)解的特性，選擇與用戶真實(shí)軌跡相似性高的其他軌跡，基于遺傳算法的生物進(jìn)化原理改變其他軌跡中的部分位置點(diǎn)，使得虛假軌跡與真實(shí)軌跡具有相似的運(yùn)動(dòng)模式，生成代替真實(shí)軌跡的虛假軌跡，進(jìn)一步提高軌跡匿名的有效性。

用戶行為模式數(shù)學(xué)模型如式（6）所示：

其中，F(xiàn)（X ）表示基于位置點(diǎn)集合X的用戶行為模式所生成的虛假軌跡，i表示軌跡中的起始位置，n表示軌跡中的終止位置，W a表示匿名用戶a的行為模式，W b表示其他用戶的行為模式，∫a表示匿名用戶a的個(gè)體適應(yīng)度，δa / δb表示對(duì)用戶b進(jìn)行用戶行為模式重建，使得用戶b與匿名用戶a具有相同的用戶行為模式。

2.2? 算法概述

基于遺傳算法的軌跡匿名包含以下兩個(gè)部分：

1）虛假軌跡生成。采用適應(yīng)度函數(shù)對(duì)軌跡集合中的個(gè)體基因進(jìn)行冪律分布，針對(duì)不滿足種群適應(yīng)度的個(gè)體基因，通過自監(jiān)督變異函數(shù)改變其位置分布，利用對(duì)數(shù)標(biāo)定函數(shù)和遺傳算法中的交叉、選擇、變異操作擬合出符合匿名條件的虛假軌跡。

2）用戶行為模式構(gòu)建。選擇虛假軌跡集合中具有與真實(shí)軌跡相似閾值的虛假軌跡，通過遺傳算法對(duì)不滿足閾值的軌跡進(jìn)行選擇、交叉和變異等操作改變其位置點(diǎn)，生成滿足匿名條件的虛假軌跡來代替真實(shí)軌跡，提高遺傳算法生成虛假軌跡的有效性，降低虛假軌跡與背景知識(shí)之間的關(guān)聯(lián)性。

2.2.1? 虛假軌跡生成算法

算法1：虛假軌跡生成算法

輸入：軌跡信息集合F

輸出：通過遺傳算法生成的軌跡匿名集合E

1）WHILE F！=NULL

2）{通過遺傳算法對(duì)F的位置點(diǎn)進(jìn)行編碼形成初始種群Fi

3）對(duì)Fi中的基因計(jì)算適應(yīng)度值

4）IF（Fi中的基因適應(yīng)度值滿足種群適應(yīng)度值）

5）遺傳給子代個(gè)體

6）? ? ELSE

7）進(jìn)行選擇、交叉、變異操作，生成子代個(gè)體基因Fi1

8）? ? ? IF（Fi1的適應(yīng)度值滿足種群適應(yīng)度值）

9）Fi1遺傳給子代個(gè)體

10）? ? ?ELSE

11）以Fi1為圓心，以隱匿區(qū)域R為半徑，通過遺傳算法選擇區(qū)域內(nèi)個(gè)體基因代替Fi1

12）i++; }

13）通過遺傳算法生成虛假軌跡

14）PUT E

2.2.2? 用戶行為模式構(gòu)建

算法2：用戶行為模式構(gòu)建

輸入：算法1生成的虛假軌跡集合E

輸出：具有相同用戶行為模式的虛假軌跡集合V

1）WHILEE！=NULL

2）{讀取真實(shí)用戶軌跡中的每一個(gè)位置點(diǎn)

3）FOR（Ei to En）

4）{利用皮爾遜相關(guān)性計(jì)算每條軌跡與真實(shí)軌跡的相似性

5）IF（相似性滿足閾值）

6）V=V+1

7）ELSE

8）通過遺傳算法進(jìn)行位置變換，生成滿足閾值條件的虛假軌跡}

9）i++

10）}

11）PUTV

在算法1中，算法遍歷所有軌跡生成虛假軌跡，對(duì)于虛假軌跡集合中的每條軌跡信息，算法需要計(jì)算虛假軌跡與真實(shí)軌跡之間的相似性，保證所生成軌跡K匿名集合中的每一條虛假軌跡都可以代替真實(shí)軌跡，降低軌跡隱私泄露的風(fēng)險(xiǎn)。同時(shí)考慮虛假軌跡信息與背景知識(shí)之間的關(guān)聯(lián)性，為保證生成虛假軌跡的有效性，要求匿名集內(nèi)的軌跡具有同一行為模式，與傳統(tǒng)軌跡k匿名相比，算法可以有效抵制軌跡相似性攻擊，增強(qiáng)隱私保護(hù)。

3? 實(shí)驗(yàn)驗(yàn)證與分析

3.1? 實(shí)驗(yàn)參數(shù)設(shè)置

實(shí)驗(yàn)采用的用戶軌跡由Thomas Brinkhoffs生成器模擬生成。本文選取50 km×50 km區(qū)域內(nèi)1 000個(gè)時(shí)間片內(nèi)的16 400條軌跡構(gòu)成實(shí)驗(yàn)數(shù)據(jù)集。如表1所示為實(shí)驗(yàn)數(shù)據(jù)集參數(shù)。

實(shí)驗(yàn)環(huán)境為Intel i5（3.4 GHz），4 GB內(nèi)存，Windows 64操作系統(tǒng)，算法由eclipse 8.1和MATLAB 2016a編寫。

3.2? 實(shí)驗(yàn)結(jié)果與分析

為驗(yàn)證本文算法的有效性和高效性，從以下幾方面進(jìn)行驗(yàn)證：

1）用戶隱私保護(hù)度對(duì)比。

2）隱匿區(qū)域與背景知識(shí)之間的關(guān)聯(lián)性對(duì)用戶隱私信息泄露的概率。參與比較的方法包括：基于用戶真實(shí)軌跡的虛假軌跡生成方法[6]、軌跡替換法[15]及隨機(jī)行走方法[16]。

3.2.1? 用戶隱私保護(hù)度對(duì)比

為評(píng)估不同算法生成的虛假軌跡對(duì)用戶隱私保護(hù)的影響，本文根據(jù)文獻(xiàn)[17]提出的LBS隱私保護(hù)度量標(biāo)準(zhǔn)，引入軌跡信息熵指標(biāo)，分析不同算法生成虛假軌跡的有效性。信息熵度量標(biāo)準(zhǔn)如式（7）所示：

其中，n表示真實(shí)軌跡數(shù)據(jù)集中的軌跡數(shù)目，H（s）表示軌跡信息熵， 表示用戶的真實(shí)軌跡， 表示所生成的用戶虛假軌跡。

隱私保護(hù)度如式（8）所示：

其中，H（Su）表示真實(shí)軌跡信息熵，H（S′ ）表示虛假軌跡信息熵，ε1表示軌跡隱私保護(hù)度，ε1值越小用戶隱私保護(hù)度越高，虛假軌跡泄露用戶隱私概率越低。

實(shí)驗(yàn)選取真實(shí)軌跡數(shù)據(jù)集中的10 000條軌跡作為軌跡信息集合，用戶行為模式閾值δ = 0.65，軌跡適應(yīng)度閾值δ1 = 0.95，軌跡K匿名閾值K = 8，隱匿區(qū)域R = 6 km。驗(yàn)證相同匿名條件下不同算法生成的虛假軌跡對(duì)用戶隱私保護(hù)的影響，實(shí)驗(yàn)結(jié)果如圖1所示。

3.2.2? 隱匿區(qū)域和背景知識(shí)對(duì)軌跡匿名的影響

考慮到隨著隱匿區(qū)域的不斷增大，通過算法生成的虛假軌跡攜帶的背景知識(shí)也越來越多，因此，引入?yún)^(qū)域信息熵指標(biāo)，計(jì)算隱匿區(qū)域?qū)μ摷佘壽E泄露用戶隱私信息的概率。隱匿區(qū)域?qū)μ摷佘壽E泄露用戶隱私信息的信息熵由式（9）表示：

其中，H（s）表示在隱匿區(qū)域內(nèi)生成的虛假軌跡泄露用戶隱私信息的信息熵，r表示隱匿區(qū)域的半徑，T表示隱匿區(qū)域內(nèi)的真實(shí)軌跡，E表示隱匿區(qū)域內(nèi)不同算法生成的虛假軌跡。

用戶隱私泄露的概率如式（10）所示：

其中，H（ST）表示真實(shí)軌跡在隱匿區(qū)域內(nèi)的泄露用戶隱私概率的信息熵，H（S′ ）表示其他算法生成虛假軌跡泄露用戶隱私信息概率的信息熵，ε2表示用戶隱私泄露的概率，ε值越小用戶隱私保護(hù)度越高，虛假軌跡泄露用戶隱私概率越低。

隨著隱匿區(qū)域的不斷擴(kuò)大，攻擊者可獲得的背景知識(shí)越來越多，軌跡隱私保護(hù)方法的有效性體現(xiàn)在通過背景信息與軌跡匿名之間的關(guān)聯(lián)性判斷出用戶隱私信息的概率。實(shí)驗(yàn)設(shè)定軌跡數(shù)目為10 000條，用戶行為模式相似度閾值δ = 0.45，軌跡適應(yīng)度閾值δ1 = 0.6，軌跡K匿名閾值K = 9時(shí)，分別從隱匿區(qū)域R為1 km、3 km和5 km的范圍內(nèi)驗(yàn)證隱匿區(qū)域增大對(duì)軌跡隱匿的影響，實(shí)驗(yàn)結(jié)果如圖2所示。

在圖2中，（a）表示在隱匿區(qū)域和軌跡數(shù)目不斷增加的情況下，各個(gè)算法對(duì)用戶隱私泄露概率的影響呈現(xiàn)出不同的變化；（b）表示在不同的匿名區(qū)域內(nèi)，不同算法生成的虛假軌跡的數(shù)目泄露用戶隱私信息的概率；（c）表示在相同的真實(shí)隱匿區(qū)域內(nèi)，不同算法生成的虛假軌跡的數(shù)目泄露用戶隱私信息的概率。圖2的實(shí)驗(yàn)結(jié)果表明，在設(shè)定相同匿名條件下，隨著匿名區(qū)域的不斷增大，四種軌跡匿名算法生成的虛假軌跡對(duì)用戶隱私信息泄露的概率也呈現(xiàn)出一定的劣勢。這是因?yàn)檐壽E信息是一個(gè)多元化變量，隨著隱匿區(qū)域的不斷擴(kuò)大，軌跡中的變量也在逐漸增加，同時(shí)軌跡信息所附帶的背景信息也逐漸增多，而本文和其他對(duì)比算法只考慮軌跡信息中的時(shí)間、空間及用戶行為模式這三個(gè)元素，未考慮軌跡的其他附帶信息，生成的虛假軌跡在匿名效率上逐漸出現(xiàn)劣勢，但相比于其他幾種算法，本文算法在保護(hù)用戶隱私信息方面還是顯現(xiàn)出一定的優(yōu)勢。

4? 結(jié)? 論

本文針對(duì)軌跡匿名算法生成虛假軌跡的隨機(jī)性、背景信息與軌跡信息之間的關(guān)聯(lián)性以及軌跡匿名算法所生成的虛假軌跡中存在異常點(diǎn)、敏感位置及重合點(diǎn)的問題，提出在用戶真實(shí)軌跡的基礎(chǔ)上基于遺傳算法的虛假軌跡生成方法用來保護(hù)用戶的隱私信息。該方法通過改進(jìn)遺傳算法中的變異操作和適應(yīng)度選擇函數(shù)來優(yōu)化軌跡K匿名算法。為進(jìn)一步提高遺傳算法生成虛假軌跡的有效性，提出基于遺傳算法的用戶行為模式構(gòu)建方法，使得生成的虛假軌跡與真實(shí)軌跡具有相同的行為模式。實(shí)驗(yàn)結(jié)果表明，本文算法有效解決了軌跡匿名算法的隨機(jī)性以及所生成的虛假軌跡中存在異常點(diǎn)的問題，但初始種群的選擇和背景知識(shí)對(duì)軌跡信息的影響仍是接下來的主要研究工作。

參考文獻(xiàn)：

[1] 鄒貴祥，張飛舟.針對(duì)選址問題的一種遺傳算法改進(jìn)探究 [J].計(jì)算機(jī)工程與科學(xué)，2018，40（4）：712-722.

[2] PHAN T N，K?NG J，DANG T K. KUR-Algorithm： From Position to Trajectory Privacy Protection in Location-Based Applications [EB/OL].[2023-03-26].https：//www.researchgate.net/publication/281063652_Trong_Nhan_Phan_Josef_Kung_Tran_Khanh_Dang_KUR-Algorithm_From_Position_to_Trajectory_Privacy_Protection_in_Location-Based_Applications_In_Proceedings_of_the_26th_International_Conference_on_Database_a.

[3] PALANISAMY B，LIU L. Attack-Resilient Mix-zones over Road Networks： Architecture and Algorithms [J].IEEE Transactions on Mobile Computing，2015，14（3）：495-508.

[4] YE Y M，PAN C C，YANG G K. An Improved Location-Based Service Authentication Algorithm with Personalized K –Anonymity [EB/OL].[2023-04-02].https：//kns.cnki.net/KCMS/detail/detail.aspx？dbcode=IPFD&filename=WXDH201605012004.

[5] LEE H，CHANG J W. Density-Based K-Anonymization Scheme for Preserving Users' Privacy in Location-Based Services [EB/OL].[2023-03-16].https：//link.springer.com/chapter/10.1007/978-3-642-38027-3_57.

[6] 林鄧偉，王云峰.基于用戶真實(shí)軌跡的虛假軌跡生成方法 [J].計(jì)算機(jī)工程，2018，44（8）：142-150.

[7] 李成龍，呂鑫，李鑫.抗基于歷史軌跡預(yù)測攻擊的動(dòng)態(tài)K-匿名算法 [J].計(jì)算機(jī)工程與應(yīng)用，2018，54（2）：119-124.

[8] SAMARATI P，SWEENEY L. Generalizing data to provide anonymity when disclosing information （abstract） [EB/OL].[2023-03-20].https：//dl.acm.org/doi/10.1145/275487.275508.

[9] LATANYA SWEENEY. K-Anonymity： A Model For Protecting Privacy [J].International Journal of Uncertainty， Fuzziness and Knowledge-Based Systems，2002，10（5）：557-570.

[10] XU A G，XU T，ZHANG M Y，et al. GPS real time point positioning based on genetic algorithm [EB/OL].[2023-03-16].http：//en.cnki.com.cn/article_en/cjfdtotal-chkd2009s2008.htm.

[11] 張軍，詹志輝，等.計(jì)算智能 [M].北京：清華大學(xué)出版社，2009.

[12] 胡海波，王林.冪律分布研究簡史 [J].物理，2005，34（12）：889-896.

[13] 史加榮，馬媛媛.深度學(xué)習(xí)的研究進(jìn)展與發(fā)展 [J].計(jì)算機(jī)工程與應(yīng)用，2018，54（10）：1-10.

[14] 陳希孺.數(shù)理統(tǒng)計(jì)學(xué)簡史 [M].長沙：湖南教育出版社，2002.

[15] BINDSCHAEDLER V，SHOKRI R. Synthesizing Plausible Privacy-Preserving Location Traces [C]//2016 IEEE Symposium on Security and Privacy （SP）. San Jose：IEEE，2016：546-563.

[16] KATO R，IWATA M，HARA T，et al. A dummy-based anonymization method based on user trajectory with pauses [EB/OL].[2023-03-09].https：//dl.acm.org/doi/pdf/10.1145/2424321.2424354.

[17] 康海燕，朱萬祥.位置服務(wù)隱私保護(hù) [J].山東大學(xué)學(xué)報(bào)：理學(xué)版，2018，53（11）：35-50.