申请/专利权人：天津理工大学

申请日：2020-06-21

公开（公告）日：2023-05-30

公开（公告）号：CN111723402B

主分类号：G06F21/62

分类号：G06F21/62;G06N7/01;G06N20/00;G06F18/24;H04W28/10

优先权：

专利状态码：有效-授权

法律状态：2023.05.30#授权;2020.10.27#实质审查的生效;2020.09.29#公开

摘要：一种基于QL学习策略面向MDU隐私数据保护的流量补偿激励方法。设计MCS与MEC相结合的系统架构，通过EC将感知结果上传到MCS云，减少MCS云开销。构建一种基于MCMC的本地差分隐私属性相关性保护模型，生成属性相关性精确度更高的感知结果，并保护MDU隐私数据安全。设计基于QL机会协作传输的MDU隐私数据保护的流量补偿激励架构，减少MCS云的流量补偿开销，提高MDU参与积极性。与现有的高维属性数据隐私保护、机会中继感知激励等方法实验比较，QLPPIA方法平均提高感知结果准确性29.4％，降低MCS云开销89.92％，减少流量补偿开销19.03％。

主权项：1.一种基于QL学习策略面向MDU隐私数据保护的流量补偿激励方法，其特征在于该方法主要包括如下步骤：第1、系统模型的构建：第1.1、MCS-MEC隐私保护系统模型；第1.2、差分隐私保护策略；第1.3、机会协作传输；第1.4、问题描述；第2、QLPPIA方法：第2.1、属性相关性估计；第2.2、私有化策略；第2.3、恢复、聚合策略；第2.4、基于QL协作上传的流量补偿激励策略；步骤第1.1中建立了MCS-MEC隐私保护系统模型，即在每个MCS区域中，根据EC的覆盖范围对其进行部署，MCS云只需要完成发布和接受感知数据的工作，将分配感知任务、生成私有化策略、聚合和恢复感知数据的工作量交由EC处理；EC收集的感知数据受到本地隐私保护，EC收集的感知数据受到本地隐私保护的感知结果不会泄漏MDU的隐私信息；采用MCS-MEC模型，EC聚合所有私有化感知数据，并恢复感知结果的真实数据，减少MDU向MCS云上传的感知数据量；步骤第1.2中的差分隐私保护策略，是在MDU收集到的感知数据集中加入仔细校准的噪声，阻止攻击者从感知结果数据集中推断出任何MDU的隐私信息；对于任何移动设备用户i，原始感知数据Mi∈S，其中S为MDU收集的原始感知数据集，私有化感知数据Mi*∈S*，其中S*为私有化的感知数据集；私有化策略K是输入感知数据记录{Mi}∈S并且输出{Mi*}∈S*的随机算法，满足隐私预算η∈0,+∞，如公式1所示：K{Mi}∈S*≤eη*K{Mi+1}∈S*1其中，K{Mi*}∈S＝prob{Mi*}∈S*|M＝Mi，prob为感知数据的概率统计；步骤第1.3所述的机会协作传输描述如下，采用机会协作传输感知数据，减少MDU对通信基础设施的依赖和其本身的流量开销，根据MDU移动过程中的相遇机会，当MDU接收到上一跳MDU的感知数据后，携带感知数据直到相遇下一跳MDU，再把其感知数据转发出去，机会协作传输减少MDU完成大数据量的感知任务时的流量消耗；步骤第1.4中的问题描述为：在本地差分隐私前提下，研究多维属性数据的分布式感知数据扰动、聚合；不受信任的EC需要聚合所有MDU的多维属性感知数据并得出感知结果，实现最佳准确性的感知结果；准确性表示为聚合私有化的感知结果能够还原感知数据真实信息的程度；假设原始感知数据集和私有化感知数据集分别为X和X*，其分别对应的感知数据为Wi和Wi*，私有化感知数据Wi*∈X满足公式2： 私有化策略的精确性C表示为公式3：C[K]＝prob[Wi]-max[Wi*]3；步骤第2.1中的属性相关性估计方法如下，针对g维的真实感知数据集，使用贝叶斯先验概率和MCMC后验概率，迭代并更新属性相关性，其中：2≤g≤d；将属性相关性引入私有化策略中，使得感知结果更加精确，同时保证MDU个人的属性相关性隐私；感知数据的属性相关性的估计，首先由先验概率推测，再计算出后验概率，用后验概率的期望更新先验概率；属性相关性Relationx,y根据属性间的相互信息计算，如公式4： Ax和Ay的取值范围分别是Vx和Vy，Pa和Pb分别表示和发生的概率，Pab表示这两者同时发生的概率，初始先验概率为公式5： 基于MCMC后验分布的估计，蒙特卡罗优化概率方法：采用Metropolis-Hastting随机抽样方法，需要大量的感知数据使其结果接近最真实概率；由于马尔科夫链的收敛性，采用MCMC方法解决复杂的后验分布进行多维属性数据运算的问题；为待估计属性值的后验分布生成平稳分布的马尔科夫链，采用Metropolis-Hasting抽样算法从该链中生成后验分布数据，对后验分布数据计算蒙特卡洛积分；步骤第2.2所述私有化策略描述如下：算法1QLPPIA方法的私有化算法的步骤描述如下：步骤1：所有感知结果根据公式4生成属性相关性，生成感知数据集；步骤2：生成私有化策略；步骤3：生成并返回私有化感知数据集的结果；步骤第2.3所述恢复、聚合策略描述如下：算法2QLPPIA方法的恢复、聚合感知数据算法的步骤描述如下：步骤1：遍历每个私有化感知数据，计算其属性相关性；步骤2：遍历每个属性，将属性相关性最高的感知数据添加到私有化数据集中；步骤3：返回聚合和恢复的感知结果数据集；步骤第2.4所述基于QL协作上传的流量补偿激励策略描述如下，QLPPIA方法的激励策略中包含MDU分类和MDU上传：1MDU分类是由EC得出的，通过感知数据量和基于QL的移动路径预测将MDU分为流量月租型移动设备用户MMDU和即用即付费型移动设备用户IMDU；2MDU上传策略采用QL机会协作传输，当MDU之间相遇或者连接上蓝牙、WiFi、热点，该上传策略将作出上传或者保留感知数据的选择；最后由QL算法得出最大化路径价值的感知数据传输方式，即最小化流量消耗的传输方式。

全文数据：

权利要求：

百度查询： 天津理工大学 一种基于QL学习策略面向MDU隐私数据保护的流量补偿激励方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD