现有的轨迹数据发布隐私保护算法存在轨迹距离短、部分轨迹序列丢失的弊端,因此提出一种基于噪音前缀树的轨迹数据发布隐私保护算法。该算法首先从轨迹离散化处理得到的位置中提取特征点并为其添加一定量的拉普拉斯噪音,然后用噪音干扰后的特征点校准原始轨迹得到校准轨迹并以此构建前缀树,通过向节点添加拉普拉斯噪音形成最终满足隐私需求的发布版本。相较于已有算法,提出一种创新的轨迹数据发布算法,并且考虑了发布数据的隐私性和实用性。通过实验验证了所提算法的有效性和相较于传统算法的优越性。数据生成器生成。3．1隐私性验证从清洗过的数据集中分别随机选择8000个轨迹，其中位置点的总数是252448，最大轨迹长度是192，隐私保护算法研究-电动数控滚圆机钢管滚圆机滚弧机张家港电动滚圆机滚弧机平均轨迹长度为13。设置不同的ε=00、1．5，设置聚类算法的初始阈值为半径0．01km内至少包含50个特征点。每组实验进行10次 本文由公司网站滚圆机网站采集转载中国知网资源整理!www.gunyuanji.name，并以平均值作为该组实验的最终结果。实验中，设置欧氏距离阈值为100m，隐私预算ε=0对2个数据集分别基于本文算法提取的锚点以及发布轨迹的召回率对比如图1所示。其中，横坐标表示隐私预算，纵坐标表示召回率。图1经过本文算法处理后数据的召回率F图1表示数据集基于本文算法发布的锚点以及数据在给定阈值的前提下所能达到的召回率。分析图1可知，随着ε变大，锚点的召回率和发布轨迹的召回率都呈现增加的趋势。这是由于ε越大，隐私保护程度越低，添加的拉普拉斯噪音越少，锚点和轨迹的可识别率越高，因此召回率随之增加。反之，ε越小，隐私保护程度越高，可识别的锚点和轨迹越少，相应的召回率越低。从实验结果来看，即使在弱隐私保护级别下，攻击者无法重新识别的敏感位置百分比超过86%，无法重新识别的轨迹百分比超过89%，证明了本文算法的隐私性。3．2实用性验证为了评估数据的实用性，本文基于2个数据集针对隐私保护后发布的数据进行KNN查询以及频繁序列模式挖掘，并与文献［7］中提出的直接构建噪音前缀树实现轨迹数据隐私保护的算法进行对比分析。本文采用欧式距离(ED)以及实序列编辑距离(EDＲ)进行计算，欧氏距离用于评估具有相隐私保护算法研究-电动数控滚圆机钢管滚圆机滚弧机张家港电动滚圆机滚弧机 本文由公司网站滚圆机网站采集转载中国知网资源整理!www.gunyuanji.name