انتشار پایگاه های داده مسیر حرکت با ضمانت حریم خصوصی تفاضلی DOR:۲۰.۱۰۰۱.۱.۲۳۲۲۴۳۴۷.۱۴۰۰.۹.۱.۳.۰

Publish Year: 1400
نوع سند: مقاله ژورنالی
زبان: Persian
View: 353

This Paper With 15 Page And PDF Format Ready To Download

  • Certificate
  • من نویسنده این مقاله هستم

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این Paper:

شناسه ملی سند علمی:

JR_PADSA-9-1_003

تاریخ نمایه سازی: 22 اردیبهشت 1400

Abstract:

در سال های اخیر، سازوکارهای متعددی برای اجرای پرس وجوهای آماری با ضمانت حریم خصوصی تفاضلی روی پایگاه های داده مسیر حرکت پیشنهاد شده است. هدف اغلب این سازوکارها پاسخ به پرس وجوهای آماری بدون انتشار مسیرهای حرکت اشیا متحرک است. در این مقاله، یک سازوکار حریم خصوصی تفاضلی جدید به نام DP-STDR پیشنهاد می شود که با حفظ سودمندی های فضایی و زمانی، مسیرهای حرکت مصنوعی را با ضمانت حریم خصوصی تفاضلی و برای اهداف تحلیل داده منتشر می کند. DP-STDR برخی ویژگی های اصلی فضایی، زمانی و آماری مسیرهای حرکت واقعی را حفظ کرده و ساختار درختی جدیدی را با ضمانت حریم خصوصی تفاضلی برای نگهداری محتمل ترین مسیرهای موجود با طول ها و نقاط شروع مختلف تعریف می کند. از این ساختار درختی برای تولید مسیرهای حرکت مصنوعی استفاده می شود. آزمایش های انجام شده نشان می دهند که DP-STDR در مقایسه با کارهای مرتبط پیشین، سودمندی پاسخ پرس وجوها را افزایش داده و ویژگی های فضایی، زمانی و آماری مسیرهای حرکت واقعی را بهتر حفظ می کند.

Keywords:

حریم خصوصی تفاضلی , انتشار پایگاه داده مسیر حرکت , درخت مسیر نویزی , الگوی مسیر حرکت

Authors

فاطمه دلدار

گروه کامپیوتر، دانشکده مهندسی برق و کامپیوتر، دانشگاه تربیت مدرس، تهران، ایران

مهدی آبادی

گروه کامپیوتر، دانشکده مهندسی برق و کامپیوتر، دانشگاه تربیت مدرس، تهران، ایران

مراجع و منابع این Paper:

لیست زیر مراجع و منابع استفاده شده در این Paper را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود Paper لینک شده اند :
  • B. C. M. Fung, K. Wang, R. Chen, and P. ...
  • C. Dwork, “Differential privacy,” In Automata, Languages and Programming (M. ...
  • T. Zhu, G. Li, W. Zhou, and P. S. Yu, ...
  • N. Niknami, M. Abadi, and F. Deldar, “SpatialPDP: A personalized ...
  • F. Deldar and M. Abadi, “PLDP-TD: Personalized-location differentially private data ...
  • G. Cormode, T. Kulkarni, and D. Srivastava, “Answering range queries ...
  • K. Al-Hussaeni, B. C. M. Fung, F. Iqbal, J. Liu, ...
  • C. Piao, Y. Shi, J. Yan, C. Zhang, and L. ...
  • Z. Zheng, T. Wang, J. Wen, S. Mumtaz, A. K. ...
  • R. Chen, B. C. M. Fung, B. C. Desai, and ...
  • X. He, G. Cormode, A. Machanavajjhala, C. M. Procopiuc, and ...
  • S. Wang, R. Sinnott, and S. Nepal, “Privacy-protected statis­tics publication ...
  • F. Deldar and M. Abadi, “PDP-SAG: Personalized privacy protection in ...
  • M. E. Gursoy, L. Liu, S. Truex, L. Yu, and ...
  • M. E. Gursoy, L. Liu, S. Truex, and L. Yu, ...
  • N. Holohan, D. J. Leith, and O. Mason, “Differential privacy ...
  • J. Zhang, X. Xiao, and X. Xie, “PrivTree: A differentially ...
  • C. Xu, J. Ren, Y. Zhang, Z. Qin, and K. ...
  • G. Cormode, S. Jha, T. Kulkarni, N. Li, D. Srivastava, ...
  • F. Deldar and M. Abadi, “Differentially private count queries over ...
  • R. Chen, G. Acs, and C. Castelluccia, “Differentially private sequential ...
  • S. Wang and R. O. Sinnott, “Protecting personal trajectories of ...
  • M. Li, L. Zhu, Z. Zhang, and R. Xu, “Achieving ...
  • C. Dwork, F. McSherry, K. Nissim, and A. Smith, “Calibrat­ing ...
  • F. McSherry and K. Talwar, “Mechanism design via differential privacy,” ...
  • Z. Jorgensen, T. Yu, and G. Cormode, “Conservative or liberal? ...
  • N. Kohli and P. Laskowski, “Epsilon voting: Mechanism design for ...
  • Y. Zheng, L. Zhang, X. Xie, and W.-Y. Ma, “Mining ...
  • W. Qardaji, W. Yang, and N. Li, “Differentially private grids ...
  • نمایش کامل مراجع