[论文解读] LDPTrace: Locally Differentially Private Trajectory Synthesis

Yuntao Du, Yujia Hu+5 more|arXiv (Cornell University)|Feb 13, 2023

Privacy-Preserving Technologies in Data被引用 6

一句话总结

LDPTrace 提出了一种局部差分隐私轨迹合成框架，通过建模用户移动模式（如空间邻近性、时间一致性及转移频率）来生成真实且具备隐私保护的轨迹，而无需依赖外部知识。该方法在计算成本极低的情况下实现了强大的实用性与抗攻击能力，优于现有方法 NGRAM，在隐私保护与轨迹真实性方面表现更优。

ABSTRACT

Trajectory data has the potential to greatly benefit a wide-range of real-world applications, such as tracking the spread of the disease through people's movement patterns and providing personalized location-based services based on travel preference. However, privay concerns and data protection regulations have limited the extent to which this data is shared and utilized. To overcome this challenge, local differential privacy provides a solution by allowing people to share a perturbed version of their data, ensuring privacy as only the data owners have access to the original information. Despite its potential, existing point-based perturbation mechanisms are not suitable for real-world scenarios due to poor utility, dependence on external knowledge, high computational overhead, and vulnerability to attacks. To address these limitations, we introduce LDPTrace, a novel locally differentially private trajectory synthesis framework. Our framework takes into account three crucial patterns inferred from users' trajectories in the local setting, allowing us to synthesize trajectories that closely resemble real ones with minimal computational cost. Additionally, we present a new method for selecting a proper grid granularity without compromising privacy. Our extensive experiments using real-world data, various utility metrics and attacks, demonstrate the efficacy and efficiency of LDPTrace.

研究动机与目标

• 解决现有局部差分隐私（LDP）方法在轨迹数据上的局限性，如全局实用性差、依赖外部知识、计算成本高，以及易受基于位置攻击的影响。
• 克服基于点扰动机制（如 NGRAM）的不足，后者因依赖线性规划与外部数据，导致全局实用性低且开销高。
• 开发一种隐私保护的轨迹合成框架，能够在确保强隐私保障的本地环境下，保留复杂的时空模式。
• 提供一种理论指导，用于选择最优网格粒度，且不消耗隐私预算，从而提升效率与实用性。
• 通过生成不与真实轨迹相似的轨迹，实现对常见基于位置攻击（如重识别与异常值泄露）的确定性抗性。

提出的方法

• 利用三种关键用户轨迹模式——空间邻近性、时间一致性与转移频率——在本地环境中以隐私保护方式建模移动行为。
• 采用基于合成的方法而非逐点扰动，从学习到的模式生成新轨迹，避免直接暴露真实用户数据。
• 提出一种基于理论分析的新型网格粒度选择方法，确保实用性而不损害隐私预算。
• 在本地设置中应用 OUE（最优无偏估计器）机制进行频率估计，实现准确且私密的轨迹建模。
• 设计一种轨迹合成流水线，结合模式提取与重建，生成真实且匿名的轨迹，计算开销极低。
• 通过确保合成轨迹与真实轨迹无统计相关性，降低重识别风险，从而增强对攻击的抵抗力。

Figure 1. The $\mathsf{LDPTrace}$ framework.

实验结果

研究问题

• RQ1 局部差分隐私轨迹合成框架是否能比基于点扰动的方法更有效地同时保留全局空间统计特征与个体移动模式？
• RQ2 在 LDP 轨迹发布中，如何在不消耗隐私预算的前提下实现网格粒度的最优选择？
• RQ3 与现有 LDP 方法相比，基于合成的方法在抵抗重识别与异常值泄露攻击方面能有多大的有效性？
• RQ4 轨迹合成能否在保持强隐私保障的本地环境下，以低计算成本实现高实用性？
• RQ5 在缺乏外部知识的情况下，LDP 环境下合成轨迹的性能与真实性会受到何种影响？

主要发现

• LDPTrace 在隐私参数从 2 到 10 的所有取值下，对重识别攻击的防护率超过 88%，显著优于 NGRAM，后者在更严格的隐私参数下无法提供可证明的保护。
• 所有轨迹在隐私参数从 2 到 10 的范围内均对异常值攻击具有隐藏性，证明了合成设计带来的强抗性。
• LDPTrace 保持了高全局实用性，有效保留了人群级空间统计特征，如空间密度与高频出行模式；而 NGRAM 则因全局实用性差而表现不佳。
• 通过避免使用线性规划求解器与外部数据依赖，框架实现了低计算开销，适用于低成本设备。
• 理论性网格选择方法可在不消耗隐私预算的前提下实现最优粒度，显著提升效率与实用性。
• 在三个真实世界数据集上的大量实验表明，LDPTrace 在多种指标与攻击场景下，均优于 NGRAM，展现出更高的实用性、效率与隐私抗性。

Figure 3. (a) Impact of $\lambda$ . (b) Impact of query size $r$ . (c) Impact of granularity $N$ on total runtime (seconds).