انتشار پایگاه‌های داده مسیر حرکت با ضمانت حریم خصوصی تفاضلی

در سال‌های اخیر، سازوکارهای متعددی برای اجرای پرس‌وجوهای آماری با ضمانت حریم خصوصی تفاضلی روی پایگاه‌های داده مسیر حرکت پیشنهاد شده است. هدف اغلب این سازوکارها پاسخ به پرس‌وجوهای آماری بدون انتشار مسیرهای حرکت اشیا متحرک است. در این مقاله، یک سازوکار حریم خصوصی تفاضلی جدید به نام dp-stdr پیشنهاد می‌شود که با حفظ سودمندی‌های فضایی و زمانی، مسیرهای حرکت مصنوعی را با ضمانت حریم خصوصی تفاضلی و برای اهداف تحلیل داده منتشر می‌کند. dp-stdr برخی ویژگی‌های اصلی فضایی، زمانی و آماری مسیرهای حرکت واقعی را حفظ کرده و ساختار درختی جدیدی را با ضمانت حریم خصوصی تفاضلی برای نگهداری محتمل‌ترین مسیرهای موجود با طول‌ها و نقاط شروع مختلف تعریف می‌کند. از این ساختار درختی برای تولید مسیرهای حرکت مصنوعی استفاده می‌شود. آزمایش‌های انجام‌شده نشان می‌دهند که dp-stdr در مقایسه با کارهای مرتبط پیشین، سودمندی پاسخ پرس‌وجوها را افزایش داده و ویژگی‌های فضایی، زمانی و آماری مسیرهای حرکت واقعی را بهتر حفظ می‌کند.

Trajectory Database Release with Differential Privacy Guarantee

Over the last years, several differentially private mechanisms have been proposed to answer statistical   queries over trajectory databases. However, most of these mechanisms aim to answer statistical queries without releasing  trajectories. In this paper, we present DPSTDR; a new differentially private           mechanism that releases synthetic  trajectories for data analysis purposes while preserving spatial and temporal utilities. DPSTDR keeps some main spatial, temporal, and statistical properties of original         trajectories and defines a new differentially private tree      structure to keep the most probable paths with different lengths and different starting points. This tree structure is used to generate synthetic trajectories. Our experiments show that DPSTDR enhances the utility of query answers and  better preserves the main spatial, temporal, and statistical properties of original trajectories in comparison to prior related work.