移动群智感知中基于轨迹隐私保护的对象匹配系统及方法 专利技术说明

电子通信装置的制造及其应用技术1.本发明属于物联网技术领域和用户信息隐私保护技术领域，涉及一种对象匹配系统及方法，具体涉及一种移动智能设备在隐私保护的前提下根据工人的轨迹来选择合适的工人来参与感知任务的系统及方法。背景技术：2.在过去十年中，物联网(iot)吸引了学术界和工业界的大量关注，典型的物联网设备例如带温度传感器的化学容器、带ic标签的剪刀以及远程监控能源消耗的智能仪表等。现在，新兴的物联网设备很多是以消费者为中心的移动传感和计算设备，例如智能手机，车在传感设备等。这些设备具有各种传感计算和通行能力，它们可以生成有关环境本身的信息，详细的表述人们对物理世界的了解。3.移动群智感知(mobile crowdsensing，mcs)便是在这样的环境应运而生。移动群智感知是一种新出现的感知范式，其中选择一组工作人员通过自己的智能设备终端来收集特定的实时数据。例如，当地政府希望招聘流动工人，在白天观察工业区的当地空气质量；一位房地产经理想雇佣流动工人来收集当地社区夜间的噪音水平。在这种情况下任务请求者(即政府或房地产管理者)需要定义任务空间信息。通常，任务的工作轨迹是一段特定的路线。因此，一个工人的工作轨迹很难做到刚好完全覆盖工作轨迹。在这种前提下，mcs平台自然会优先选择与感知任务的轨迹具有高轨迹相似性的工人。4.工人想要能够参与任务，那么需要计算出与任务的轨迹相似性。因此，员工必须向服务提供商披露有关其当前真实位置的信息。然而，位置信息可能包含敏感数据，例如家庭住址、工作地点，甚至可以从日常运行轨迹分析出该用户的行为模式和生活习惯等私密信息。因此，出于自身的安全考虑，大多数员工不愿意向服务提供商提供他们的确切位置信息，这会导致工人的参与任务的积极性大大降低，从而影响整个系统的效率。这被认为是mcs面临的重大挑战。5.在过去几年中有大量学者进行了广泛的研究，想要在保护参与mcs的工人的位置隐私下，匹配出合适的对象(工人)。目前有人提出了基于同态加密的方法，实现对工人的位置隐私保护的前提下匹配出合适对象(工人)。但是目前的方法针对的都是对象(工人)的工作范围看作一个点的情况，在实际的情况下不具有普遍性。技术实现要素：6.为了解决上述技术问题，本发明提供了一种移动群智感知中基于轨迹隐私保护的对象匹配系统及方法。7.本发明的系统所采用的技术方案是：一种移动群智感知中基于轨迹隐私保护的对象匹配系统，包括可信密钥管理中心kms、任务请求者requestors、感知平台platform、云服务器cs、对象workers；假设这里有n个对象workers，记为{w1，...，wn}；所述可信密钥管理中心kms会生成系统的初始参数并给任务请求者requestors、感知平台platform、云服务器cs和对象workers分发密钥；所述任务请求者requestors对自己的任务轨迹进行加密上传给所述感知平台platform；对象workers上传自己的工作轨迹密文给所述感知平台platform，所述感知平台platform在接收到轨迹密文后，计算出对应路标点的密文距离，将密文距离发送给所述云服务器cs；由所述云服务器计算lcss(longest common subsequence，最长公共子序列)相似度并进行解密，将计算结果发送给所述感知平台platform，所述感知平台platform根据计算得到的lcss相似度匹配出合适的对象workers。8.本发明的方法所采用的技术方案是：一种移动群智感知中基于轨迹隐私保护的对象匹配方法，包括以下步骤：9.步骤1：可信密钥管理中心kms会生成系统的初始参数，包括公钥pk＝(n，g)，私钥sk＝(λ，μ)；10.其中，所述可信密钥管理中心kms输入一个安全参数κ∈z+，其中z+表示正整数集合，随机选择两个大素数p和q，使得|p|＝|q|＝κ，其中|p|，|q|表示大素数p和q的长度，选取n使得n＝pq；随机选取取n使得n＝pq；随机选取是小于n2且与n2互素的正整数集合；λ＝lcm(p-1，q-1)，lcm(a，b)是计算a和b之间的最小公倍数；μ＝(l(gλmodn2))-1modn，11.步骤2：任务请求者requestors和对象workers向感知平台platform进行注册，完成注册后，所述可信密钥管理中心kms进行密钥的分发；所述任务请求者requestors、对象workers和感知平台platform获得公钥pk＝(n，g)，云服务器cs获得私钥sk＝(λ，μ)；12.步骤3：所述任务请求者requestors对自己的任务轨迹进行加密上传给所述感知平台platform；所述对象workers上传自己的工作轨迹密文给所述感知平台platform；13.步骤4：所述感知平台platform在接收到轨迹密文后，计算出对应路标点的密文距离，将密文距离发送给所述云服务器cs；14.步骤5：所述云服务器计算lcss(longest common subsequence，最长公共子序列)相似度并进行解密，将计算结果发送给所述感知平台platform；15.步骤6：所述感知平台platform根据计算得到的lcss相似度匹配出合适的对象workers。16.本发明和现有的技术相比有如下的优点和有益效果：17.本发明能确保平台在选择合适的工人分配任务时，工人的位置隐私能够得到保护，具有很高的实用性。paillier同态加密可以有效的保护任务请求者和工人的数据隐私。在我们的系统中，平台没有解密的密钥，从而平台是无法知道任务请求者和工人的位置信息。云服务器拥有私钥可以解密，它只与平台进行通信，在平台与云服务器不共谋的情况下，云服务器是无法知道任务请求者和工人的位置信息。因为在实际情况下，平台一般是指大型企业，例如滴滴、uber等，这样的企业或公司会很在意自己的声誉，如果被发现丑闻会导致巨大损失。所以平台与云服务器不共谋的前提是很合理的。此外，平台在收到任务请求者和工人的轨迹密文后，对其进行了距离计算和盲化，然后发送到云服务器。云服务器接收到的是盲化后的距离密文，即使解密后也无法推测出任务请求者和工人的轨迹信息。本发明的技术还可以用于很多场景，比如在联邦学习当中也是需要选择工人的，本发明具有很高的实用性和隐私保护性。附图说明18.图1为本发明实施例的系统架构图；19.图2为本发明实施例的方法流程图；20.图3为本发明实施例的方法中步骤3的具体流程图；21.图4为本发明实施例的方法中步骤4的具体流程图；22.图5为本发明实施例的方法中步骤5的具体流程图；23.图6为本发明实施例的方法中步骤6的具体流程图。具体实施方式24.为了便于本领域普通技术人员理解和实施本发明，下面结合附图及实施例对本发明作进一步的详细描述，应当理解，此处所描述的实施示例仅用于说明和解释本发明，并不用于限定本发明。25.请见图1，本发明提供的一种移动群智感知中基于轨迹隐私保护的对象匹配系统，包括可信密钥管理中心kms、任务请求者requestors、感知平台platform、云服务器cs、对象workers；假设这里有n个对象workers，记为{w1，...，wn}；可信密钥管理中心kms会生成系统的初始参数并给任务请求者requestors、感知平台platform、云服务器cs和对象workers分发密钥；任务请求者requestors对自己的任务轨迹进行加密上传给感知平台platform；对象workers上传自己的工作轨迹密文给感知平台platform，感知平台platform在接收到轨迹密文后，计算出对应路标点的密文距离，将密文距离发送给云服务器cs；由云服务器计算lcss(longest common subsequence，最长公共子序列)相似度并进行解密，将计算结果发送给感知平台platform，感知平台platform根据计算得到的lcss相似度匹配出合适的对象workers。26.请见图2，本发明提供的一种移动群智感知中基于轨迹隐私保护的对象匹配方法，包括以下步骤：27.步骤1：可信密钥管理中心kms会生成系统的初始参数，包括公钥pk＝(n，g)，私钥sk＝(λ，μ)；28.其中，可信密钥管理中心kms输入一个安全参数κ∈z+，其中z+表示正整数集合，随机选择两个大素数p和q，使得|p|＝|q|＝κ，其中|p|，|q|表示大素数p和q的长度，选取n使得n＝pq；随机选取得n＝pq；随机选取是小于n2且与n2互素的正整数集合；λ＝lcm(p-1，q-1)，lcm(a，b)是计算a和b之间的最小公倍数；μ＝(l(gλmodn2))-1modn，29.步骤2：任务请求者requestors和对象workers向感知平台platform进行注册，完成注册后，可信密钥管理中心kms进行密钥的分发；任务请求者requestors、对象workers和感知平台platform获得公钥pk＝(n，g)，云服务器cs获得私钥sk＝(λ，μ)；30.步骤3：任务请求者requestors对自己的任务轨迹进行加密上传给感知平台platform；对象workers上传自己的工作轨迹密文给感知平台platform；31.请见图3，步骤3的具体实现包括以下子步骤：32.步骤3.1：任务请求者requestors首先确定好自己的任务轨迹其中：[0033][0034][0035]表示任务轨迹中第个i点的横坐标，表示任务轨迹中第i个点的纵坐标，0≤i≤m；整个任务轨迹由m个点组成。对象workers确定自己的工作轨迹其中：[0036][0037][0038]表示工作轨迹中第j个点的横坐标，表示工作轨迹中第j个点的纵坐标，0≤j≤n；整个工作轨迹由n个点组成。[0039]步骤3.2：任务请求者requestors使用公钥加密任务轨迹得到对象workers使用公钥加密工作轨迹得到[0040][0041][0042]其中[0043][0044]其中，0≤i≤m，r是从中随机选取的，是小于n且与n互素的正整数集合；同理通过同样的运算得到；[0045]步骤3.3：任务请求者requestors将自己加密后的任务轨迹发送给s感知平台platform，对象workers将自己加密后的工作轨迹发送到感知平台platform。[0046]步骤4：感知平台platform在接收到轨迹密文后，计算出对应路标点的密文距离，将密文距离发送给云服务器cs；[0047]请见图4，步骤4.1：感知平台platform收到密文后，计算距离密文；本实施例使用曼哈顿距离来定义两个点之间的距离其中，x，y代表两个点，k代表点的维度，[0048][0049]其中tr[i]代表任务轨迹中第i个点，代表该点的横坐标，tw[j]代表工作轨迹中第j个点，代表该点的横坐标，同理代表对应点的纵坐标；使用paillier的加同态进行计算：[0050][0051]步骤4.2：分别计算与中每个点的距离，一直计算到与的距离；得到了n×m个距离密文；[0052]步骤4.3：感知平台platform将距离密文存储到n×m的表上得到距离密文表表中第i行第j列距离密文用表示，其中max(i)＝n，max(j)＝m；[0053]步骤4.4：感知平台platform对距离密文进行盲化，盲化距离其中σi，j是从中随机选取的作为盲化因子；感知平台platform对所有的距离密文进行盲化得到盲化距离表[0054]步骤4.5：确定匹配阈值∈，当两点间的距离小于匹配阈值∈时，本实施例认为它们是同一个点；[0055]步骤4.6：建立匹配阈值表e，表中元素e[i][j]＝∈+σi，j；然后加密匹配阈值表e得到其中[0056]步骤4.7：感知平台platform将盲化距离表和匹配阈值表e发送到云服务器cs。[0057]步骤5：云服务器计算lcss(longest common subsequence，最长公共子序列)相似度并进行解密，将计算结果发送给感知平台platform；[0058]请见图5，步骤5的具体实现包括以下子步骤：[0059]步骤5.1：云服务器cs解密盲化距离表得到d′，其中元素[0060]步骤5.2：云服务器cs解密得到e′，其中元素[0061]步骤5.3：云服务器cs计算根据d′和e′计算lcss(pr，pw)[0062][0063]其中head(pr)表示轨迹pr中的第一个点，head(pw)表示轨迹pw中的第一个点；rest(pr)表示轨迹pr中的第一个点去掉后剩下的所有点，rest(pw)表示轨迹pw中的第一个点去掉后剩下的所有点。[0064]步骤5.4：计算基于lcss的相似度simlcss(pr，pw)；[0065][0066]步骤5.5：云服务器cs将基于lcss的相似度发送到感知平台platform。[0067]步骤6：感知平台platform根据计算得到的lcss相似度匹配出合适的对象workers；[0068]请见图6，步骤6的具体实现包括以下子步骤：[0069]步骤6.1：感知平台platform接收到lcss相似度simlcss(pr，pw)；[0070]步骤6.2：感知平台platform比较各个对象workers的lcss相似度的大小[0071]步骤6.3：感知平台platform选择lcss相似前m个对象workers作为匹配对象。[0072]本发明基于lcss相似度算法和paillier同态加密技术实现了一种群智感知中基于轨迹隐私保护的对象workers(工人)选择方案，该方案不仅解决了对象workers(工人)选择过程中隐私保护的问题，而且还实现基于工作轨迹对对象workers(工人)进行任务分配，更符合现实场景。[0073]应当理解的是，上述针对较佳实施例的描述较为详细，并不能因此而认为是对本发明专利保护范围的限制，本领域的普通技术人员在本发明的启示下，在不脱离本发明权利要求所保护的范围情况下，还可以做出替换或变形，均落入本发明的保护范围之内，本发明的请求保护范围应以所附权利要求为准。









图片声明：本站部分配图来自人工智能系统AI生成,觅知网授权图片,PxHere摄影无版权图库。本站只作为美观性配图使用,无任何非法侵犯第三方意图,一切解释权归图片著作权方,本站不承担任何责任。如有恶意碰瓷者,必当奉陪到底严惩不贷!




内容声明：本文中引用的各种信息及资料（包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主体（包括但不限于公司、媒体、协会等机构）的官方网站或公开发表的信息。部分内容参考包括:(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供参考使用,不准确地方联系删除处理！本站为非盈利性质站点,发布内容不收取任何费用也不接任何广告!




免责声明：我们致力于保护作者版权，注重分享，被刊用文章因无法核实真实出处，未能及时与作者取得联系，或有版权异议的，请联系管理员，我们会立即处理，本文部分文字与图片资源来自于网络，部分文章是来自自研大数据AI进行生成,内容摘自(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供学习参考,不准确地方联系删除处理!的,若有来源标注错误或侵犯了您的合法权益，请立即通知我们，情况属实，我们会第一时间予以删除，并同时向您表示歉意,谢谢!