[论文解读] A Tabula Rasa Approach to Sporadic Location Privacy.

Simon Oya, Carmela Troncoso+1 more|arXiv (Cornell University)|Sep 12, 2018

Privacy-Preserving Technologies in Data参考文献 21被引用 4

一句话总结

本文提出一种空白起点模型，用于间歇性位置隐私保护，通过从实时查询中逐步学习用户移动模式，避免依赖预训练数据。该工作引入了基于资料估算的攻击（PEBA）和输出反馈机制，利用真实世界数据证明其在隐私保护方面优于现有最先进方法。

ABSTRACT

Attacks and defenses in the location privacy literature largely consider that users' data available for training wholly characterizes their mobility patterns. Thus, they hardwire this information in their models. We show that, in practice, training information cannot capture users' behavior with perfect certainty, and hence state-of-the-art defenses overestimate the level of privacy they provide. To tackle this problem, we propose a new model for user mobility in sporadic scenarios, that we call the blank-slate model. This model acknowledges the uncertainty of designers about real user behavior: it starts as a blank page, and learns the actual user behavior as she queries the service provider. We use the blank-slate model to develop both an attack, the Profile Estimation Based Attack (PEBA), and a design technique, called output-feedback, that can be used to create LPPMs that progressively learn the user behavior. Using real data, we empirically show that our proposals outperform state-of-the-art mechanisms designed based on previous hardwired models. Our learning LPPMs do not require bootstrapping with training data and are easy to compute, so they could be easily deployed in current location privacy solutions.

研究动机与目标

• 解决现有位置隐私保护方法因依赖硬编码移动模型而导致隐私保护程度被高估的问题。
• 在具有固有不确定性的间歇性场景中建模用户移动行为，承认对真实用户行为了解不完整。
• 开发一种实用且可部署的防御机制，通过服务查询逐步学习用户行为模式。
• 证明无需初始化引导或训练数据的模型，仍可实现优于传统方法的隐私保护效果。

提出的方法

• 提出一种空白起点模型，初始时对用户移动行为不做任何假设，通过与服务提供商的交互逐步学习行为模式。
• 设计基于资料估算的攻击（PEBA），用于揭示现有模型在假设固定移动模式下所暴露的漏洞。
• 提出输出反馈技术，使位置隐私保护机制（LPPMs）能够随时间自适应地学习用户行为。
• 使用真实世界移动数据训练并评估所提出的模型与防御机制。
• 设计LPPMs，基于查询反馈逐步优化用户行为估计，无需初始训练数据。
• 采用基于学习的框架，随新查询的产生动态更新用户资料，从而在不确定性下提升隐私保护能力。

实验结果

研究问题

• RQ1 现有模型中假设固定移动模式，会对实际提供的位置隐私水平产生何种影响？
• RQ2 一种从零开始、对用户行为无先验知识的模型，是否仍能在间歇性位置场景中实现强隐私保障？
• RQ3 实时查询反馈能在多大程度上提升用户行为建模的准确性与隐私保护效果？
• RQ4 所提出的空白起点模型与依赖预训练移动数据的最先进防御方法相比表现如何？
• RQ5 输出反馈机制是否能使LPPMs在无需引导或训练数据的情况下学习用户行为？

主要发现

• 所提出的空白起点模型通过从实际查询中逐步学习用户行为，显著提升了隐私保护效果，避免了硬编码假设带来的问题。
• 基于资料估算的攻击（PEBA）成功揭示了现有防御机制因移动建模不准确而高估隐私保护水平的问题。
• 基于输出反馈机制的LPPMs在真实世界数据评估中表现优于最先进防御方法。
• 基于学习的LPPMs无需训练数据或引导过程，使其在真实系统中更易于部署。
• 实证结果表明，所提出方法在实现更强隐私保护的同时，计算开销更低，优于先前方法。
• 该模型在不确定性下的自适应能力，使得在间歇性移动场景中能实现更准确、更鲁棒的用户行为估计。