面向路网感知的多位置任务分配与个性化隐私保护框架（RAP）及其在空间众包中的应用

本文提出了一种路网感知的多位置任务分配框架（RAP），创新性地融合个性化隐私保护机制与空间众包（SC）场景。通过引入图指数机制（GEM）实现地理图不可区分性（Geo-GI），在路网局部子图中完成高效位置混淆，兼顾隐私强度与计算效率。结合R树索引与期望路径距离评估算法，显著提升多位置任务分配效果，为智慧交通与城市感知应用提供隐私安全且实用的解决方案。

　　

Highlight

相关研究（Related work）

高效任务分配是空间众包系统性能的核心，它支撑着即时服务交付与资源优化利用。与此同时，保护参与者的位置隐私已变得至关重要，因为不可信的服务器或攻击者可能利用空间数据推断敏感信息。本节回顾了空间众包中任务分配与隐私保护的最新进展，重点梳理关键技术及其面临的开放挑战。

Illustrative example（示例说明）

在空间众包中，工人通常按预定路线拍摄多个地标（如公交站、交叉路口和兴趣点），以支持地图维护和视觉导航数据收集。高效完成需将任务分配给附近工人以最小化行程时间与延迟，但这又必须暴露工人的精确位置，从而引发隐私担忧。

许多分配算法假设工作在无障碍的二维欧几里得平面中，例如……

问题定义与形式化（Problem definition and formalization）

本节首先介绍所采用的攻击模型，随后详细说明“路网感知的多位置任务分配与个性化隐私保护问题（RAMLAP）”，最后通过数学模型对问题进行形式化表述。

所提出的框架（Proposed framework）

为求解RAMLAP，我们设计了RAP框架。RAP包含三个核心阶段：工人位置混淆、候选工人集构建和多位置任务分配，每个阶段均针对隐私与分配效率的协同优化而专门设计。

为充分理解这些阶段的设计，首先必须了解本工作所依托与扩展的基础隐私模型。因此，本节从回顾必要的预备知识开始，继而详细阐述RAP的体系结构。

实验（Experiment）

为评估RAP的实际效能及关键参数的影响，本节通过真实数据集进行了一系列仿真实验，将RAP与多种基线算法在性能表现上进行了对比。

结论（Conclusion）

空间众包利用泛在移动设备与无线网络以低成本实现大规模数据采集，但工人在必须披露精确位置时也引发严重隐私顾虑。现有方法通常为所有工人假设统一隐私预算、在二维欧氏平面中操作，且仅处理单位置任务。这些简化导致个体隐私的过度或不足保护、混淆位置脱离实际路网而无效……