AgPrivacy:一种代理服务的LBS隐私保护方法

针对动态P2P环境中用户隐私保护效果与服务质量难以平衡的问题, 提出了一种位置隐私保护方法——AgPrivacy:在用户自组织的P2P网络中, 用户消费服务时, 首先对真实位置模糊化, 然后选择代理用户进行转发增量近邻查询.该方法通过切断消费用户与服务提供商间的直接关联, 保护用户隐私;同时为了提高系统服务质量, 引入通讯成本估算方法确定查询点, 采用Voronoi图技术过滤查询结果, 减少系统的通讯开销, 不仅从理论上分析了该方法具有较高的位置隐私保护效果, 而且通过实验与SpaceTwist算法进行了性能比较.实验结果表明:该方法具有较高的性能优势, 实现了隐私保护度与服务质量的平衡.     

路网环境下基于不经意传输的LBS隐私保护方法

基于位置服务(LBS)中的隐私保护方法存在如下常见问题:重视用户端隐私保护而容易忽略LBS服务端的数据安全;隐私保护强度高的方法实用效率低;隐私保护方法大多面向欧氏空间提出,无法适用路网环境,查询准确率低.针对上述问题,基于不经意传输提出了一种LBS兴趣点查询服务中的隐私保护方法,在保护用户位置和查询内容隐私的同时确保LBS服务端数据安全,并能确保路网连续查询的效率和准确率.性能分析及实验结果表明,新方法具有较强的安全性和良好的工作效率.     

用户协作模式下自适应情境的LBS隐私保护方法

针对当前LBS(located-based service)应用中位置隐私保护方法难以实现隐私保护度与服务质量平衡的问题,提出了一种基于用户协作的自适应情境的位置隐私保护方法:移动用户消费LBS服务时,需从服务提供商处实时下载“粗糙化”的路网数据,并以此为基础,通过情境感知自主模糊个人真实位置,然后选择具有互助意愿的代理用户进行自适应情境的增量近邻查询.为了提高系统的服务质量,引入通讯成本估算方法确定查询点位置,并采用Voronoi图技术过滤代理用户的查询结果,从而减少系统通讯开销.不仅从理论上分析了该方法的隐私保护度与自适应性,而且对方法性能进行了实验与比较,实验结果表明:该方法较SpaceTwist算法具有更高的性能优势,实现了隐私保护度与服务质量的平衡.     

位置隐私保护下的连续最近邻查询

已有的位置隐私保护下的连续最近邻查询往往采用snapshot方式进行,导致较高的中央处理器开销.为此,研究了基于位置隐私的连续最近邻查询,提出了基于重用技术的位置隐私保护的连续最近邻查询算法.该算法利用相邻时刻查询结果集的相似性来减少计算成本,从而实现答案集的快速更新,可大大加快系统响应时间.实验结果表明了该算法的有效性.     

基于相似轨迹替代查询的位置隐私保护方案研究

针对基于位置服务中移动终端用户位置隐私泄露问题,提出了一个基于相似轨迹替代查询的位置隐私保护方案.该方案在基于位置服务请求的用户及候选者身份匿名化的基础上,采用相似轨迹函数挑选出一定时间间隔内和用户轨迹相似度最高的候选者;然后由该时刻所挑选出的候选者替代用户发起位置服务请求,从而实现用户身份、查询和轨迹的隐私性保护.通过安全性分析,该方案满足匿名性、不可伪造性、以及抵抗连续查询服务追踪攻击等安全特性.仿真实验结果表明,本方案有效提高了最优候选者轨迹相似度以及最优候选者挑选效率.     

基于DTW交换查询的轨迹隐私保护方案

针对轨迹数据的攻击性推理可能导致个人隐私信息泄露的问题,提出了一个基于动态时间归整（DTW）交换查询的轨迹隐私保护方案.通过对基于位置的服务（LBS）请求的用户及候选者身份进行匿名化处理,利用DTW算法依次计算出所有候选者与发起者在一定时间间隔内的轨迹相似值,从中选出最优相似轨迹的候选者替代真实用户请求LBS服务,从而实现用户身份与位置的隐私保护.经过安全性分析,所提方案不仅满足匿名性和不可伪造性等安全特性,而且能够抵抗窃听攻击和连续查询服务追踪攻击.仿真实验结果表明,所选候选者轨迹的相似度有明显提高.     

基于位置的服务中用户隐私保护方法

为了解决在基于位置的服务中保护用户隐私的问题,在基于位置的服务中用户所在位置作为个人隐私信息需要加以保护的特点以及本领域现有的隐私保护方法的基础上,提出了一个面向隐私保护的三维访问控制模型以及基于此模型的隐私保护方法.通过实例说明如何运用此模型来支持和实现在基于位置的服务中对用户的隐私进行保护.与现有的其他针对在基于位置的服务中保护隐私的方法相比,提出的访问控制模型能更完善、更灵活地保护用户的隐私信息.     

一种连续最近邻查询的优化方法

连续最近邻查询是空间数据库中最重要的查询之一,在地理信息系统和位置定位服务等领域有重要应用.给定一个空间数据集P和查询线段q,连续最近邻查询返回结果＜R,T＞,其中T是一个间隔,R是这个间隔中所有点的最近邻.已有的连续最近邻查询算法无法实现I/O的优化,为此,提出一种优化的连续最近邻查询方法,该方法具有较高的I/O效率,不仅在减少磁盘访问数量方面进行优化,同时也提高CPU的性能.     

个性化差分隐私的k匿名轨迹隐私保护方案

针对基于位置服务中移动终端用户轨迹隐私安全及用户个性化需求的问题,提出一种个性化差分隐私的k匿名轨迹隐私保护方案。所提方案根据用户的个性化差异分配不同的隐私预算,利用差分隐私技术对用户轨迹多次添加拉普拉斯噪声,生成2k个噪声轨迹;利用轨迹相似性度量方法确定最优的k-1个噪声用户,将其与真实用户组成k匿名用户组,然后随机选取一个代理用户代替真实用户执行位置服务请求,从而实现对用户身份和轨迹的隐私性保护。通过安全性分析得出方案具有匿名性、不可伪造性和抗假冒攻击等安全特性。仿真实验结果表明,所提方案在隐私保护效果上有明显的优势,且具有较高的执行效率。     

基于改进Kd-Tree构建算法的k近邻查询

k近邻查询算法是查询大规模空间数据的常用算法之一,使用Kd-Tree先构建大规模空间数据的索引,然后对搜索空间进行层次划分,再进行k近邻查询,能保证搜索的效率。但是,传统的Kd-Tree构建有两个缺点：使用测试数据点进行k近邻查询每次都需要回溯到根节点,影响了查询的效率;Kd-Tree使用split域对空间进行层次划分,空间划分为立方体（二维数据表现为矩形）,多边形空间在相交判断时会出现没必要进行数据距离比较的多余空间,这样会影响查询的效率。针对这两个缺点,本文提出了相应的改进算法---RB算法。实验结果证明,该算法比传统的KD算法拥有更高的查询效率。本文的主要贡献有两点：（1）构建一种快速创建Kd-Tree索引来支持KNN算法进行大规模数据的分类查询操作。（2）改进传统的Kd-Tree索引构建方法,提出新的改进算法RB算法,提高KNN算法查询的效率。     

时空数据库中基于TPR-树的反向最近邻查询

为研究动态环境下解决反向最近邻查询的算法,采用TPR-树索引结构给出了解决动态环境下的最近邻查询算法,并提出反向最近邻查询算法.该算法可有效解决平面上连续移动点的反向最近邻查询.     

概率可视最近邻查询算法

针对不确定对象的可视最近邻查询问题,对不确定Voronoi图的性质进行分析,提出多层邻接生成点和多层不确定Voronoi区域等概念,给出判断概率可视最近邻的理论方法,并提出基于不确定Voronoi图的概率可视最近邻查询算法,该算法通过直接确定参与查询的概率可视最近邻的范围以及参与可视性判断的障碍集的范围,避免了索引遍历时大量的比较计算和剪枝操作,采用真实数据集和模拟数据集对提出的算法进行了性能分析,实验结果表明,提出的算法能够有效地处理不确定对象的可视最近邻查询．     

相互近邻域的函数型回归估计

令H为可分的希尔伯特空间,（X,y）是在H R上取值的随机对。本文通过对每个X1进行d项傅里叶级数展开,从而将无穷维降到有限维,进而证明了MNN估计的相容性。其中维数和邻域数都是从观察样本中自动选取的。     

近似最近邻大数据检索哈希散列方法综述

近似最近邻检索已成为人工智能时代海量数据快速检索主要技术之一。作为高效的近似最近邻检索方法,哈希散列方法受到广泛关注并且层出不穷。到目前为止还没有文献对主流哈希散列方法进行全面地分析和总结。鉴于此,本文首先系统地介绍哈希散列的基本知识,包括距离计算、损失函数、离散约束和外样本计算等。然后,深入对比分析主流哈希散列算法优缺点,并在主流数据库上进行性能评估。最后,总结哈希散列技术目前存在的问题,并提出若干潜在的哈希散列研究方向。本文对设计高效的哈希散列方法具有重要借鉴意义。     

ND样本最近邻密度估计的一致强相合速度

设X1,X2,…,Xn是同分布的ND样本,具有共同的密度函数f（x）,本文利用ND序列的Bernstein不等式,获得了ND样本的最近邻密度估计的一致强相合速度。     

通过源关系补偿降低实化视图维护查询代价

为了解决分布式环境下实化视图维护时基于补偿查询修正维护查询结果所导致的计算及传输代价较高的问题,提出了一个实化视图维护方案:源关系补偿维护(SRCM)方案.它通过补偿并发更新冲突把维护查询涉及的源关系回退到所需状态,然后直接计算并返回正确查询结果.基于代价模型的分析及模拟实验结果表明,SRCM方案与以前的SWEEP和MEDWRAP方案相比,有效地降低了维护查询的整体代价.     

对象—关系数据库中嵌套查询的设计与实现

在对象－关系数据库中,为了准确 表达对复杂对象的查询,针对其数据模型的特点,扩展了SQL查询语言,提出了三种嵌套查,研究了它们的语义及相关性,并给出了它们的实现算法,通过三种嵌套查询可以表达出更加丰富的查询语义,是对象－关系数据库查询语言的重要特征,该设计已在对象关系数据库ANGEL－Ⅱ中实现。