[论文解读] Privacy Preserving Location Data Publishing: A Machine Learning Approach

Sina Shaham, Ming Ding+4 more|arXiv (Cornell University)|Feb 24, 2019

Privacy-Preserving Technologies in Data参考文献 41被引用 4

一句话总结

本文提出了一种基于机器学习的轨迹数据匿名化框架（MLA），针对时空轨迹数据集，采用改进的k′-means聚类算法与渐进式序列比对技术，在保护隐私的同时保持数据可用性。该方法通过一种新型的k-匿名性公式化方式优化聚类与比对过程，相比先前方法实现了更高的数据可用性。

ABSTRACT

Publishing datasets plays an essential role in open data research and promoting transparency of government agencies. However, such data publication might reveal users' private information. One of the most sensitive sources of data is spatiotemporal trajectory datasets. Unfortunately, merely removing unique identifiers cannot preserve the privacy of users. Adversaries may know parts of the trajectories or be able to link the published dataset to other sources for the purpose of user identification. Therefore, it is crucial to apply privacy preserving techniques before the publication of spatiotemporal trajectory datasets. In this paper, we propose a robust framework for the anonymization of spatiotemporal trajectory datasets termed as machine learning based anonymization (MLA). By introducing a new formulation of the problem, we are able to apply machine learning algorithms for clustering the trajectories and propose to use $k$-means algorithm for this purpose. A variation of $k$-means algorithm is also proposed to preserve the privacy in overly sensitive datasets. Moreover, we improve the alignment process by considering multiple sequence alignment as part of the MLA. The framework and all the proposed algorithms are applied to TDrive and Geolife location datasets. The experimental results indicate a significantly higher utility of datasets by anonymization based on MLA framework.

研究动机与目标

• 解决现有轨迹聚类方法在考虑时空距离时仅关注单个位置的不足。
• 通过在匿名化流程中引入多序列比对，克服先前工作中使用成对序列比对导致的信息损失过高的问题。
• 开发统一的评估指标，用于比较和基准化不同轨迹数据集的匿名化技术。
• 通过将机器学习与隐私保护数据转换相结合，提升k-匿名化轨迹发布中的数据可用性。
• 通过k′-means算法的定制变体，在高度敏感数据集中确保k-匿名性。

提出的方法

• 将轨迹匿名化建模为优化问题，采用替代系统表示以支持机器学习方法的应用。
• 应用k′-means聚类将轨迹按时空相似性分组，最小化匿名化过程中的失真。
• 引入改进的k′-means变体，通过控制聚类形成过程，在高度敏感数据集中强制实现k-匿名性。
• 将渐进式序列比对（PSA）作为多序列比对技术，用于减少轨迹泛化过程中的信息损失。
• 将聚类与比对整合为统一的MLA框架，联合优化隐私与可用性。
• 使用真实世界的TDrive与Geolife数据集，在真实条件下评估该框架。

实验结果

研究问题

• RQ1 如何将轨迹聚类建模为优化问题，以在匿名化过程中提升隐私与可用性？
• RQ2 在轨迹匿名化中，多序列比对相较于成对比对在多大程度上减少了信息损失？
• RQ3 改进的k′-means算法是否能有效强制实现k-匿名性，同时在敏感数据集中最小化数据失真？
• RQ4 MLA框架在可用性与隐私保障方面相较于现有匿名化技术表现如何？
• RQ5 在医疗记录与网络分析等实际应用场景中，MLA框架能否有效应用？

主要发现

• MLA框架在TDrive与Geolife数据集上的实验表明，其数据可用性显著优于现有k-匿名化方法。
• k′-means聚类方法在可用性与计算效率方面均优于启发式聚类方法，处理时间更短，实现复杂度更低。
• 渐进式序列比对（PSA）相比成对比对减少了信息损失，提升了匿名化轨迹的保真度。
• 所提出的k′-means变体通过保持群体层面的不可区分性，成功在敏感数据集中强制实现k-匿名性。
• 该框架适用于医疗记录与网络分析等多种领域，尤其适用于需要隐私保护发布的纵向或基于轨迹的数据。
• 实验结果证实，MLA在保持强隐私保障的同时，有效保留了发布数据集中有意义的时空模式。