BlackHole-DTP：一种基于深度轨迹训练和数据“黑洞”技术的分布式轨迹隐私保护策略

《The Computer Journal》：BlackHole-DTP: a distributed trajectory privacy protection strategy with deep trajectory training and data blackhole

轨迹数据隐私保护面临集中式策略的局限性，本文提出基于Web3.0的去中心化方案BlackHole-DTP，通过分布式深度学习算法增强数据模拟精度，结合动态局部差分隐私算法和广义相对论扰动模型实现精准隐私保护，实验显示攻击成功率降低30%。

　　

摘要

轨迹数据在个性化服务和行为分析方面具有巨大潜力，但也引发了严重的隐私问题。然而，集中式的隐私保护策略容易受到单点故障的影响，往往无法满足用户的特定隐私需求，并且在本地隐私保护方面可能存在精度不足的问题。为了解决这些问题，本文采用了Web 3.0的去中心化理念，提出了一种新的策略——基于黑洞模型的分布式轨迹隐私保护策略（BlackHole-DTP）。首先，引入了具有多头注意力机制和变分对抗自动编码器的分布式深度学习轨迹训练算法，以增强轨迹数据中的时间和语义信息的模拟效果，从而提高数据的有效性和准确性。此外，还设计了一种基于数据黑洞的本地差分隐私算法，该算法可以根据用户需求动态调整隐私保护级别。该算法借鉴了广义相对论的原理来确定扰动值。实验结果表明，BlackHole-DTP提供了更高级别的隐私保护，在重建和重新识别攻击方面的成功率显著低于基线模型。具体来说，在高精度要求下，攻击成功率降低了约30%。