6G赋能的车辆元宇宙中的跨现实位置隐私保护：一种基于大语言模型增强的混合生成扩散模型方法

《Science China-Information Sciences》：Cross-reality location privacy protection in 6G-enabled vehicular metaverses: an LLM-enhanced hybrid generative diffusion model-based approach

　　随着6G赋能的车辆元世界的兴起，通过空天地海一体化网络，自动驾驶汽车（AVs）得以在物理空间和虚拟空间之间运行。自动驾驶汽车可以在边缘服务器上部署由大模型驱动的人工智能（AI）智能体，作为个性化助手，以支持智能驾驶决策并提升车载体验。然而，物理车辆状态与虚拟AI智能体部署之间的这种跨现实交互可能导致严重的地理位置隐私风险，因为攻击者可以将自动驾驶汽车在现实世界中请求基于位置的服务（LBS）时所报告的位置与其对应的AI智能体在虚拟世界中部署的边缘服务器位置进行关联，从而推断出自动驾驶汽车的行驶轨迹。为解决这一挑战，我们设计了一个基于混合行动的跨现实地理位置隐私保护框架，包括现实世界中的连续位置扰动和虚拟世界中的离散隐私感知AI智能体迁移。在该框架中，我们提出了一种新的隐私度量指标，称为跨现实地理位置熵，以有效量化自动驾驶汽车的隐私水平。基于该指标，我们构建了一个优化问题以优化混合行动，重点在于在地理位置隐私保护、服务延迟降低和服务质量维护之间取得平衡。为求解这一复杂的混合整数问题，我们开发了一种新颖的大语言模型（LLM）增强的混合扩散近端策略优化（LHDPPO）算法，该算法将LLM驱动的信息性奖励设计与基于双链生成扩散模型（GDM）的策略探索相结合，前者增强环境理解能力，后者处理高维动作空间，从而实现对最优混合行动的可靠确定。基于真实世界数据集的大量实验表明，在6G赋能的车辆元宇宙场景中，所提出的框架在有效缓解自动驾驶汽车跨现实地理位置隐私泄漏的同时，仍能保持良好的用户体验。