抵抗推理攻擊的車聯(lián)網(wǎng)位置隱私增強(qiáng)方法

摘" 要： 車聯(lián)網(wǎng)中實體可信度不明確，用戶與其他實體頻繁通信，會增加用戶隱私泄露風(fēng)險。為此，提出一種抵抗推理攻擊的車聯(lián)網(wǎng)位置隱私增強(qiáng)方法。用戶向路邊單元（RSU）請求興趣點(diǎn)（POIs），并從本地緩存中根據(jù)用戶相似度推薦多個合適的POIs，在多POIs中選擇最終目的地。即使興趣點(diǎn)被攻擊者竊取也難以推斷用戶的最終目的地。如果用戶未收到期望的POI，可以向服務(wù)提供商（SP）請求擴(kuò)大服務(wù)范圍。仿真結(jié)果表明，與對比方法相比，所提方法的通信開銷平均降低14%，位置熵平均提高12%。所提方案通過減小與SP的通信次數(shù)，不僅能減小通信開銷，還能增強(qiáng)隱私保護(hù)程度。通過用戶偏好計算更符合用戶期望的多個POIs，供用戶選擇最終的目的地，不僅能提高服務(wù)可用性，還能抵抗推理攻擊。

關(guān)鍵詞： 車聯(lián)網(wǎng)； 隱私增強(qiáng)； 推理攻擊； 路邊單元； 興趣點(diǎn)； 位置隱私保護(hù)； 基于位置的服務(wù)（LBS）； 主動緩存

中圖分類號： TN929.5?34" " " " " " " " " " " " " 文獻(xiàn)標(biāo)識碼： A" " " " " " " " " " " 文章編號： 1004?373X（2024）14?0182?05

Method of location privacy enhancement against inference attacks in IoV

ZHANG Jinrui1， WANG Qingguo2， HUANG Yuanhao3， XING Ling3

（1. Transportation Development Center of Henan Province， Zhengzhou 450000， China; 2. Yutong Bus Co.， Ltd.， Zhengzhou 450016， China;

3. College of Information Engineering， Henan University of Science and Technology， Luoyang 471000， China）

Abstract： Unclear entity credibility in the internet of vehicles （IoV）， and frequent communication between users and other entities， can increase the risk of user privacy leakage. Therefore， a location privacy enhancement method against inference attacks in IoV is proposed. User can request the road side units （RSUs） for points of interest （POIs）. The multiple suitable POIs are recommended based on user similarity from the local cache， so that the final destination among the multiple POIs is selected. Even if recommended POIs are stolen by an attacker， it is difficult to infer the user's final destination. If users do not find the desired POI， they can request the service provider （SP） to expand the service scope. The simulation results show that in comparison with the comparison method， the communication cost can decrease by 14% on average and the position entropy can increase by 12% on average. The proposed scheme can reduce communication costs and enhance privacy protection by reducing the number of communications with SP. Users can select the final destination by multiple POIs that are more consistent with users' expectations by means of user preference calculation， which can improve service availability and resist inference attacks.

Keywords： internet of vehicles; privacy enhancement; inference attacks; road side unit; point of interest; location privacy protection; location based services （LBS）; active caching

0" 引" 言

在車聯(lián)網(wǎng)（Internet of Vehicles， IoV）中，用戶、RSU等實體間實時的信息共享[1]與交流合作[2]，為用戶提供了可靠的基于位置的服務(wù)（Location?based Service， LBS）。這類服務(wù)是以用戶實際位置信息為基礎(chǔ)的，如果通信數(shù)據(jù)被竊取，攻擊者能夠根據(jù)用戶的位置、軌跡等挖掘用戶的個人隱私，如工作地址、興趣愛好等。精確的用戶位置能夠提高服務(wù)質(zhì)量，但也加大了隱私泄露的風(fēng)險。因此，在提高服務(wù)質(zhì)量保護(hù)的同時保護(hù)用戶個人隱私是一個重要挑戰(zhàn)。

用戶通過向SP共享其位置信息以獲得導(dǎo)航等基于位置的服務(wù)，但是服務(wù)提供商（Service Provider， SP）是不可信或者半可信的，數(shù)據(jù)泄露后會暴露用戶當(dāng)時所處位置。如果對用戶發(fā)送信息時所用的定位信息進(jìn)行保護(hù)，則可以有效保護(hù)用戶位置隱私。基于用戶定位、行駛軌跡和發(fā)布內(nèi)容等用戶行為的位置隱私保護(hù)算法能夠有效保護(hù)用戶隱私，但是該類方法對服務(wù)可用性影響較大，而且開銷較大[3]。

為增強(qiáng)IoV中的用戶位置隱私保護(hù)程度，本文提出了一種抵抗推理攻擊的車聯(lián)網(wǎng)位置隱私增強(qiáng)方法。該方法通過RSU緩存通信范圍內(nèi)的POIs，減小用戶向SP請求的頻率，降低通信開銷和數(shù)據(jù)泄露的可能性。此外，根據(jù)用戶相似度推薦多個符合用戶期望的POIs，不僅能提高服務(wù)可用性，還能防止攻擊者推理用戶的目的地，以此保護(hù)用戶隱私。

1" 相關(guān)工作

1） 基于霧的方法。文獻(xiàn)[4]中提出了一種高效節(jié)能的位置隱私保護(hù)方案，該方案將關(guān)系親密的用戶構(gòu)成一個親密霧。用戶將LBS請求發(fā)送到霧中，避免用戶與SP直接通信，有效隱藏用戶的準(zhǔn)確位置。然后引入內(nèi)容緩存機(jī)制[5]為用戶提供高可靠查詢，并通過通信延遲補(bǔ)償減小時延。

2） 基于轉(zhuǎn)播的方法。用戶將請求交付給可信好友代為轉(zhuǎn)發(fā)，既避免位置信息泄露，又保證了服務(wù)的可用性。文獻(xiàn)[6]中提出一種基于社交感知的位置隱私保護(hù)方法SLP來保護(hù)用戶行為信息。文獻(xiàn)[7]中提出一種改進(jìn)的E?SLP，在保護(hù)用戶行為信息的同時，還能保證用戶的服務(wù)質(zhì)量。但該方法過于依賴可信好友，適用范圍有限。為此，文獻(xiàn)[8]中通過眾包服務(wù)器將用戶請求分發(fā)給多個“工人”，由工人代為轉(zhuǎn)發(fā)，并設(shè)計協(xié)同眾包的車輛位置隱私保護(hù)系統(tǒng)，保證工人收集消息的可靠性。文獻(xiàn)[9]中基于區(qū)塊鏈構(gòu)建了分布式可信的眾包系統(tǒng)，有效降低了隱私泄露風(fēng)險。

3） 基于加密的方法。密碼學(xué)中常用加密方案可以分為基于公鑰基礎(chǔ)設(shè)施和基于身份的加密。基于公鑰基礎(chǔ)設(shè)施的方案需要存儲大量的密鑰和證書，會產(chǎn)生較大的通信開銷?；谏矸莸呐灻炞C方案不需要使用證書，而是根據(jù)用戶的標(biāo)識進(jìn)行公鑰加密，但不具有不可否認(rèn)性，容易被攻擊者利用。而使用pairing技術(shù)的證書簽名方案，車輛交互時需要對消息的證書和簽名進(jìn)行認(rèn)證，能保證消息的完整性和身份的真實性[10]。

4） 基于霧、轉(zhuǎn)播的方法需要其他用戶協(xié)助轉(zhuǎn)發(fā)，但用戶的可靠性無法保障?；诩用艿姆椒ò踩暂^高，但對數(shù)據(jù)進(jìn)行加密會產(chǎn)生較大的計算開銷，高時延問題會影響用戶服務(wù)質(zhì)量。為增強(qiáng)用戶隱私保護(hù)水平，并提高服務(wù)質(zhì)量，相關(guān)研究者通過為用戶推薦多個POIs用戶選擇，來保護(hù)用戶位置隱私[11]。當(dāng)用戶請求服務(wù)時，通過緩存減少用戶向服務(wù)器提交的請求數(shù)量，以此減小隱私泄露風(fēng)險[12]。但是，該方法沒有考慮到用戶的移動性，當(dāng)IoV中用戶的移動速度過高時，會降低用戶位置隱私的保護(hù)程度，容易使被攻擊者推理出用戶的目的位置。

2" 車聯(lián)網(wǎng)用戶位置隱私增強(qiáng)方法

2.1" 系統(tǒng)模型

用戶只有向SP發(fā)起包含位置信息的請求才能獲得基于位置的服務(wù)，但SP的可信度以及數(shù)據(jù)傳輸過程中的安全性無法保證，有可能泄露用戶個人隱私。每次請求都需要基站轉(zhuǎn)發(fā)給SP，會產(chǎn)生通信開銷。為此，本文提出一種抵抗推理攻擊的車聯(lián)網(wǎng)位置隱私增強(qiáng)方法。RSU主動緩存周圍POIs，優(yōu)先根據(jù)本地緩存為用戶推薦POIs，降低通信開銷，并提高攻擊者猜測用戶目的位置的不確定性。POIs不滿足用戶需求時，用戶向SP請求擴(kuò)大服務(wù)范圍，能夠保證服務(wù)可用性。位置隱私增強(qiáng)模型如圖1所示。

位置隱私增強(qiáng)模型主要包括服務(wù)提供商、路邊單元（Roadside Units， RSU）和用戶3種實體，每種實體功能描述如下。

1） 服務(wù)提供商

服務(wù)提供商存儲了實體的請求消息以及所有的POIs，負(fù)責(zé)為用戶提供基于位置的服務(wù)，根據(jù)用戶請求中的位置與請求信息查詢符合用戶期望的POIs，不滿足用戶期望時，還能擴(kuò)大服務(wù)范圍。用戶與SP頻繁通信不僅會產(chǎn)生較大的通信開銷，還可能泄露用戶信息。

2） 路邊單元

路邊單元負(fù)責(zé)采集周圍路況信息，并與行駛中的用戶進(jìn)行信息交互，為用戶提供可靠、便利的服務(wù)。路邊單元主動緩存周圍興趣點(diǎn)（Point of Interests， POIs），根據(jù)車輛用戶的服務(wù)需求推薦合適的POIs，能減小用戶獲取服務(wù)的通信開銷。

3） 用戶

用戶是IoV中最主要的實體元素。用戶之間的數(shù)據(jù)交互構(gòu)成一個巨大的社交網(wǎng)絡(luò)。用戶通過廣播位置以獲得相應(yīng)的服務(wù)，而頻繁的服務(wù)請求容易泄露用戶隱私。用戶在獲取服務(wù)的同時，需要加強(qiáng)個人隱私保護(hù)。

2.2" 位置隱私增強(qiáng)方法

本文提出了一種抵抗推理攻擊的車聯(lián)網(wǎng)位置隱私增強(qiáng)方法。RSU先緩存覆蓋范圍內(nèi)的POIs，在RSU收到用戶發(fā)送的k值和服務(wù)類型后，根據(jù)用戶偏好和位置篩選出前k個服務(wù)，而用戶從多個服務(wù)中選擇一個作為目的地，以此增強(qiáng)用戶隱私保護(hù)程度。位置隱私增強(qiáng)流程如圖2所示。

RSU主動緩存所覆蓋范圍內(nèi)的所有POIs，并按照興趣點(diǎn)的服務(wù)類型進(jìn)行整理，方便用戶查詢。為提高用戶請求的命中概率，RSU之間興趣點(diǎn)共享，擴(kuò)大了本地存儲的興趣點(diǎn)，提高了服務(wù)質(zhì)量。

1） 服務(wù)請求

為增強(qiáng)用戶位置隱私保護(hù)水平，車輛用戶不直接請求服務(wù)內(nèi)容，而是請求服務(wù)類型。用戶可自定義隱私保護(hù)程度k，表示需要RSU推薦k個服務(wù)。該方法不僅能提高為用戶推薦興趣點(diǎn)的效率，還能減小用戶開銷。

2） 矩陣計算

已知相似用戶[u]對同一服務(wù)類型POIs的偏好程度，RSU能根據(jù)perason相似性計算出用戶[u]和用戶[v]的相似度，如公式（1）所示。

[Sim=j∈Iu?vRu，j-Ru·Rv，j-Rvj∈IuRu，j-Ru2·j∈IvRv，j-Rv2] （1）

式中：[Iu]和[Iv]分別表示用戶u和v已評分的POIs集合；[Iu?v]表示用戶u和v都已評分的POIs的集合；[Ru，j]和[Rv，j]分別表示用戶u和v對興趣點(diǎn)[j]的評分；[Ru]和[Rv]表示用戶u和v對所有已評分POIs的評分均值。

根據(jù)perason公式可以計算出用戶v對未請求過的POIs偏好，n個POIs偏好可以構(gòu)成為偏好向量[P]。

為了使距離用戶更近的POIs獲得更高的推薦權(quán)重，將用戶請求內(nèi)容中的位置與興趣點(diǎn)的位置的距離記為l，用戶的通信范圍減去l得到距離d，用戶與n個POIs的距離構(gòu)成距離向量[D]。

3） 興趣點(diǎn)推薦

由于用戶偏好向量[P]和距離向量[D]的量綱不一致，將這兩個不同維度的數(shù)據(jù)歸一到區(qū)間0～1，然后按照相同的權(quán)重相加得到n個POI對應(yīng)的權(quán)重向量N。當(dāng)推薦的POIs超過用戶請求的數(shù)量時，則會選出權(quán)重最大的k個POIs發(fā)送給用戶；當(dāng)不超過用戶請求的數(shù)量時，則將全部POIs都發(fā)送給用戶。

4） 用戶選擇

用戶從k個推薦服務(wù)中選擇一個POI作為自己的目的地。由于該位置是用戶從k個請求中隨機(jī)選擇出來的，即使k個POIs被竊取，也很難確定用戶的最終目的地，這樣能夠保護(hù)用戶位置隱私。如果這k個興趣點(diǎn)不滿足用戶的需求，則請求SP擴(kuò)大服務(wù)范圍。

3" 仿真實驗結(jié)果與分析

在本節(jié)中，先介紹了三個位置隱私度量指標(biāo)，然后基于這些指標(biāo)與現(xiàn)有方法進(jìn)行比較。

3.1" 位置隱私度量

選用服務(wù)可用性和用戶開銷來度量服務(wù)質(zhì)量，而選用請求匿名熵來度量用戶位置隱私的保護(hù)程度，各指標(biāo)具體定義如下。

1） 服務(wù)可用性。服務(wù)可用性指用戶收到RSU推薦的興趣點(diǎn)后，從中選擇最終目的地的概率。較高的服務(wù)可用性可以提高用戶體驗，否則會影響IoV發(fā)展。推薦的服務(wù)更加符合用戶偏好，表示服務(wù)可用性更高。因此，本節(jié)使用推薦準(zhǔn)確率和推薦召回率兩個指標(biāo)來表示服務(wù)可用性，這兩個指標(biāo)能夠代表推薦的準(zhǔn)確性和全面性。推薦準(zhǔn)確率是指推薦服務(wù)中滿足用戶需求的比例；推薦召回率則是指將來用戶最終選擇的目的位置占總推薦服務(wù)數(shù)量的比例。推薦準(zhǔn)確率和推薦召回率的計算公式如下：

[推薦準(zhǔn)確率=Rv?TvRv]" " " " "（2）

[推薦召回率=Rv?TvTv]" " " " "（3）

式中：[Rv]表示RSU為用戶推薦的興趣點(diǎn)集合；[Tv]表示用戶選擇的目的位置集合。

2） 用戶開銷。用戶開銷指用戶獲取服務(wù)時的開銷與運(yùn)行算法保護(hù)用戶位置隱私時的開銷，每次通信的開銷記為Cost。用戶發(fā)送請求類型后，RSU從本地篩選推薦k個服務(wù)，而不用向SP請求，能降低用戶開銷。如果用戶能直接從RSU獲取到自己所需的內(nèi)容，那么交互成本為0；如果RSU推薦的POIs不符合用戶期望，或小于用戶期望的k個興趣點(diǎn)時，則用戶需要向SP發(fā)起請求。這時用戶需要支付額外興趣點(diǎn)推薦所產(chǎn)生的開銷，即：

[Cost=0，" " " " " " " N=k（k-N）c，Nlt;k]" " " " "（4）

式中N為實際推薦個數(shù)。

3） 請求匿名熵。將可供用戶查詢的區(qū)域均勻劃分為若干個單元格，單元格的查詢概率表示該單元格被查詢的概率，用q表示。它與該位置過去被查詢的次數(shù)成比例，且[i=1N2qi=1]。推薦的k個POIs包含一個真實興趣點(diǎn)與k-1個虛假興趣點(diǎn)，每個興趣點(diǎn)都可能是真實目的位置。定義用戶對每個單元格的查詢概率為[pi]，公式為：

[pi=qii=1kqi]" " " " " " （5）

當(dāng)RSU推薦的k個POIs發(fā)送給用戶時，攻擊者將虛假興趣點(diǎn)當(dāng)作用戶真實目的位置的熵值[Hreq]的公式：

[Hreq=-i=1kpi?log2pi]" " " " "（6）

請求匿名熵[Hreq]表示用戶最終選擇的真實目的地與虛假目的地之間的不確定性，熵值越大，用戶的真實目的就越難以被攻擊者識別，對用戶位置隱私保護(hù)程度就越高。請求匿名熵最大為[Hreq=log2k]。

3.2" 結(jié)果分析

本節(jié)中比較了不同用戶獲取LBS的情況，每組實驗在SUMO中多個區(qū)域進(jìn)行多次仿真，以所有實驗結(jié)果的平均值作為最終結(jié)果。圖3和圖4為本文方法與基于時空[13]、基于差分隱私[14]的推薦方法的對比結(jié)果。在圖3興趣點(diǎn)推薦準(zhǔn)確率對比中，各方法的整體趨勢一致。在服務(wù)請求數(shù)量較小時，本文方法與其他算法的差距較小，隨著k值增大，本文方法的推薦準(zhǔn)確率增長得更快，這說明根據(jù)用戶相似度和距離推薦POIs更符合用戶期望。在圖4興趣點(diǎn)推薦召回率對比中，當(dāng)請求服務(wù)數(shù)量k小于RSU存儲的興趣服務(wù)時，推薦召回率比較穩(wěn)定。當(dāng)k=30，超過RSU存儲服務(wù)的數(shù)量時，推薦召回率減小。原因是RSU推薦的POIs不符合用戶期望時，就需要向SP請求新的POIs，使得k過大，導(dǎo)致召回率減小。從圖3和圖4可以得出，本文提出的推薦算法加入了位置隱私保護(hù)機(jī)制，與傳統(tǒng)的興趣點(diǎn)推薦算法的效果基本一致，同時滿足隱私保護(hù)及服務(wù)可用性需求。

圖5為本文提出的方法與基于主動緩存的算法PAPT[15]、基于盲過濾的算法AIPP?LBSs[16]針對不同的服務(wù)請求數(shù)量k產(chǎn)生的用戶開銷對比。橫軸為用戶請求的POIs數(shù)量，縱軸為用戶開銷。從圖5中可以看出，當(dāng)k值逐漸接近RSU緩存數(shù)量的閾值時，用戶的開銷逐漸增加。在用戶需要的POIs增加時，RSU的緩存機(jī)制以及根據(jù)用戶相似度推薦符合用戶期望的POIs，能夠減小重復(fù)請求的次數(shù)，還能提高通信數(shù)據(jù)的安全性。相對于PAPT和AIPP?LBSs，本文方法用戶開銷更穩(wěn)定。基于用戶相似度推薦POIs，能夠提高用戶從一次興趣點(diǎn)推薦中找到合適目的位置的概率。

圖6展示了本文方法與PAPT、AIPP?LBSs在請求匿名熵指標(biāo)下的優(yōu)劣對比。從圖6中可以看出，在用戶請求的POIs較少時，本文方法仍然能保持較高的隱私保護(hù)程度。用戶請求的是服務(wù)類型而不是確定的POIs，而且RSU給用戶推薦多個POIs供用戶選擇，即使k值較小，也能抵抗推理攻擊。隨著請求數(shù)量k的增加，請求匿名熵較為穩(wěn)定，且增長速率逐漸減小。根據(jù)請求匿名熵的計算公式可以得出，請求的服務(wù)數(shù)量越接近RSU緩存的POIs數(shù)量，請求匿名熵的增長速率就會逐漸減小。

4" 結(jié)" 論

本文研究了一種抵抗推理攻擊的車聯(lián)網(wǎng)位置隱私增強(qiáng)方法。該方法利用RSU緩存所覆蓋通信范圍內(nèi)的所有興趣點(diǎn)，為用戶提供所需服務(wù)，能夠有效減少用戶與服務(wù)提供商之間的通信次數(shù)，增強(qiáng)用戶隱私保護(hù)水平。多個合適的POIs供用戶選擇，能夠抵抗推理攻擊。通過計算用戶偏好矩陣和距離矩陣，提高了用戶服務(wù)質(zhì)量。通過仿真實驗，證明了在興趣點(diǎn)推薦的基礎(chǔ)上添加位置隱私保護(hù)對推薦準(zhǔn)確率和推薦召回率的影響較小。說明本文方法在保證用戶服務(wù)可用性的基礎(chǔ)上，還能抵抗推理攻擊，保證用戶位置隱私。

注：本文通訊作者為邢玲。

參考文獻(xiàn)

[1] 李雅菲，鄭東，賴成喆.車聯(lián)社交網(wǎng)絡(luò)中一種交友匹配的隱私保護(hù)方案[J].計算機(jī)工程與設(shè)計，2018，39（1）：38?43.

[2] JIA X F， XING L， GAO J P， et al. A survey of location privacy preservation in social internet of vehicles [J]. IEEE access， 2020， 8： 201966?201984.

[3] WANG X， NING Z， ZHOU M， et al. Privacy?preserving content dissemination for vehicular social networks： challenges and solutions [J]. IEEE communications surveys amp; tutorials， 2018， 21（2）： 1314?1345.

[4] LI G， ZHANG Q， LI J， et al. Energy?efficient location privacy preserving in vehicular networks using social intimate fogs [J]. IEEE access， 2018， 6： 49801?49810.

[5] 胡敏，陳玉明，黃宏程.基于社會關(guān)系感知的邊緣網(wǎng)絡(luò)緩存策略[J].計算機(jī)應(yīng)用研究，2021，38（6）：1825?1829.

[6] YING B， NAYAK A. Social location privacy protection method in vehicular social networks [C]// Proceedings of the 2017 IEEE International Conference on Communications Workshops. Paris： IEEE， 2017： 1288?1292.

[7] YING B， NAYAK A. A distributed social?aware location protection method in untrusted vehicular social networks [J]. IEEE transactions on vehicular technology， 2019， 68（6）： 6114?6124.

[8] AZAD M， BAG S， PARKINSON S， et al. TrustVote： privacy?preserving node ranking in vehicular networks [J]. IEEE Internet of Things journal， 2019， 6（4）： 5878?5891.

[9] 劉雪嬌，王慧敏，夏瑩杰，等.具有隱私保護(hù)的車聯(lián)網(wǎng)空間眾包任務(wù)分配方法[J].浙江大學(xué)學(xué)報（工學(xué)版），2022，56（7）：1267?1275.

[10] HAKEEM S A A， KIM H W. Multi?zone authentication and privacy?preserving protocol （MAPP） based on the bilinear pairing cryptography for 5G?V2X [J]. Sensors， 2021， 21（2）： 665.

[11] 安敬民，李冠宇，蔣偉，等.基于用戶活動軌跡和個性化區(qū)域劃分的興趣點(diǎn)推薦[J].計算機(jī)學(xué)報，2022，45（6）：1176?1194.

[12] QIAN Y F， JIANG Y Y， HU L， et al. Blockchain?based privacy?aware content caching in cognitive internet of" vehicles [J]. IEEE network， 2020， 34（2）： 46?51.

[13] 譚偉，賈朝龍，桑春艷.一種基于位置和時間信息的興趣點(diǎn)推薦方法[J].重慶大學(xué)學(xué)報，2022，45（7）：93?102.

[14] 張青云，張興，李萬杰，等. 基于差分隱私保護(hù)的興趣點(diǎn)推薦算法設(shè)計[J].計算機(jī)應(yīng)用與軟件，2019，36（9）：243?248.

[15] HU L， QIAN Y F， CHEN M， et al. Proactive cache?based location privacy preserving for vehicle networks [J]. IEEE wireless communications， 2018， 25（6）： 77?83.

[16] LI Z， LI W， GAO F， et al. New blind filter protocol： an improved privacy?preserving scheme for location?based services [J]. The computer journal， 2020， 63（12）： 43.