16、基于MMC模型的隐私保护与信息推断研究

基于MMC模型的隐私保护与信息推断研究

1. 背景

在信息安全领域，对个人移动信息的推断攻击日益受到关注。为了研究相关问题，我们引入了移动性模型和对手方知识。选择移动马尔可夫链（MMC）模型，是因为它已被用于执行不同的推断攻击，如兴趣点（POI）提取、下一位置预测和去匿名化等。

2. 移动马尔可夫链（MMC）

MMC将个人的移动行为建模为离散随机过程，个体移动到某个状态（即兴趣点）的概率仅取决于先前访问的状态以及状态之间转移的概率分布。具体而言，MMC由以下两部分组成：
- 状态集合 ：$P = {p_1, \ldots p_n}$，每个状态是一个频繁出现的POI（按重要性降序排列），最后一个状态$p_n$对应所有不常访问的POI集合。POI通常通过对个人移动轨迹运行聚类算法来学习，这些状态通常具有内在的语义含义，例如“家”或“工作地点”等语义标签常常可以被推断并附加到这些状态上。
- 转移概率 ：如$t_{i,j}$，表示从状态$p_i$转移到状态$p_j$的概率。如果个体从一个状态移动到一个临时位置然后再回到该状态的概率不为零，那么从一个状态转移到自身是可能的。例如，一个人离开家去药店然后再回家，除非这个人经常去药店，否则聚类算法可能不会将药店提取为POI。

构建MMC分为两个步骤：
1. POI提取 ：使用聚类算法从移动轨迹中提取POI。这里采用了Density Joinable cluster（DJ - Cluster）算法，该算法需要输入移动轨迹和三个参数：创建聚类所需的最小点数$MinPts$、聚类点应