1.一种基于差分隐私的群智感知位置数据发布方法,其特征在于:包括以下步骤,S1、将感知区域A平均分为m×n个大小相同的矩形细粒度区域a,每个矩形细粒度区域a用(i,j)表示,0≤i≤m-1,0≤j≤n-1,其中,i为该矩形细粒度区域的横坐标,j为该矩形细粒度区域的纵坐标,且i、j均为整数;
S2、通过参与者的移动终端设备获取所在的矩形细粒度区域a的实际位置和感知数据,将所获取的实际位置和感知数据同时上传至服务器端,并根据得到的实际位置,以经纬度表示将其映射于步骤S1所得到的矩形细粒度区域a,由D[a,t]表示数据采集时间t中的矩形细粒度区域a中的感知数据;
S3、设定时间阈值t’,将在时间阈值t’之前的感知数据作为历史感知数据,包括实际位置和感知数据,在群智感知任务开始之前,基于历史感知数据,针对于对手模型-贝叶斯攻击,引入差分隐私模型,定义不确定性矩阵C,通过最小化数据不确定性的总体期望,生成最优概率模糊矩阵Pr;
S4、通过步骤S3所得的历史感知数据,生成不确定性推理算法,将不确定性较低的数据赋予更高的权重,即为收集到的感知矩阵中的不同条目赋予不同的采样权重;
S5、开始群智感知任务,通过参与者的移动终端设备获取实际位置和感知数据,将所获取的实际位置和感知数据由步骤S3所得最优概率模糊矩阵和步骤S4所得不确定性推理算法作出扰动和调整,并生成最终群智感知发布数据。
2.如权利要求1所述的基于差分隐私的群智感知位置数据发布方法,其特征在于:步骤S3中,对手模型-贝叶斯攻击,具体为,假设对手具有关于参与者的矩形细粒度区域a的概率分布的先验知识,表示为pre(a),对手知道任何矩形细粒度区域a和混淆区域a*的位置混淆概率矩阵Pr[a,a*],如果对手观察到用户的混淆区域a*,则对手根据贝叶斯规则预测用户位置的后验分布,表示为post(a):其中,Pr[a′,a*]表示感知区域A中的区域a′和混淆区域a*的位置混淆概率矩阵,pre(a′)表示对手感知区域A中的区域a′的概率分布的先验知识。
3.如权利要求2所述的基于差分隐私的群智感知位置数据发布方法,其特征在于:步骤S3中,引入差分隐私模型,具体为,要使得最后生成的最优概率模糊矩阵Pr满足ε-差分隐私当且仅当:其中,ε是表示隐私预算的参数,引入差分隐私的意图是限制对手的后验知识相对于先验知识的比值,即post(a)/pre(a),如果两个区域a和a’映射到混淆区域a*的概率相似,那么观察混淆区域a*,对手将无法区分真实区域是a还是a’,如果混淆矩阵满足ε-差分隐私,那么对于具有任何先验知识pre(a)的对手,他的后验知识post(a)满足:
4.如权利要求3所述的基于差分隐私的群智感知位置数据发布方法,其特征在于:步骤S3中,计算不确定性矩阵C,表示所提出的数据调整模型的固有误差或不确定性,通过将矩形细粒度区域a模糊到混淆区域a*而引起的数据不确定性C[a,a*]由线性回归模型的标准残差来计算,由于较小的不确定性会带来更好的数据质量,因此,获取最小化数据不确定性的总体期望的模糊矩阵Pr,即其中,p(a)是任何一个参与者出现在区域a(∑a∈Ap(a)=1)的概率;
该最小化方程具有以下约束条件:
约束1、满足ε-差分隐私:
约束2、混淆区域满足均匀分布:
Ev(a*)=∑a∈Ap(a)·Pr[a,a*]=1/|A|
在上述两个约束下得出线性程序,即数据不确定性最小化,来获得最优概率模糊矩阵Pr:
5.如权利要求1-4任一项所述的基于差分隐私的群智感知位置数据发布方法,其特征在于:步骤S4中,通过步骤S3所得的历史感知数据,生成不确定性推理算法,具体为,为收集到的感知矩阵中的不同条目分配的权重基于混淆区域a*的总体不确定性 为:将较高权重分配给较低不确定区域,计算采样权重ω(a*)如下:
其中, 和 分别是所有区域中的最大和最小总体不确定性,ω0∈[0,1]是具有最高不确定性的区域的基本采样权重。