3、位置数据隐私保护与攻击评估：LocMIA与W3 - tess技术解析

位置数据隐私保护与攻击评估：LocMIA与W3 - tess技术解析

在当今数字化时代，位置数据的收集和使用日益广泛，这既推动了诸多新应用的发展，也引发了人们对位置隐私保护的关注。本文将深入探讨两种关键技术：LocMIA（针对聚合位置数据的成员推断攻击）和W3 - tess（通过社交网络增强合成轨迹合理性以合成隐私保护轨迹），并对它们的性能、相关指标以及面临的挑战进行详细分析。

1. LocMIA：聚合位置数据成员推断攻击

LocMIA旨在在不依赖受害者位置先验知识的情况下，推断受害者的位置数据是否参与了数据聚合。为了评估其性能，我们将其与两个基线进行比较，并使用多种指标进行衡量。

1.1 基线定义

• Baseline1 ：在二元分类器构建阶段，使用受害者的真实轨迹数据 trauvictim 而非合成轨迹数据 tra∗uvictim 。具体操作是向聚合模型输入两种数据： Tra'i + trauvictim 和 Tra''i ，获取标记为 “in out” 的相应输出，用于训练新的二元分类器。
• Baseline2 ：同样在二元分类器构建阶段，随机选择受害者的一个朋友 fi ，使用其轨迹数据 trafi 替代受害者的合成轨迹数据。输入数据为 Tra'i + trafi 和 Tra''i ，训练另一个二元分类器。