作為未來(lái)智能交通系統(tǒng)的重要組成部分,車(chē)聯(lián)網(wǎng)(Internet of Vehicle,IOV)不僅能夠提高交通效率,減少交通事故的發(fā)生,同時(shí),隨著互聯(lián)網(wǎng)技術(shù)以及5G通信技術(shù)的迅猛發(fā)展,車(chē)聯(lián)網(wǎng)還可以提供娛樂(lè)和信息資訊等多方面的服務(wù),極大地豐富和提高了車(chē)聯(lián)網(wǎng)用戶的使用體驗(yàn)。隨著我國(guó)2017年9月《車(chē)聯(lián)網(wǎng)白皮書(shū)》的發(fā)布,車(chē)聯(lián)網(wǎng)已經(jīng)成為國(guó)內(nèi)外新一輪科技創(chuàng)新和產(chǎn)業(yè)發(fā)展的必爭(zhēng)之地,進(jìn)入產(chǎn)業(yè)爆發(fā)前的戰(zhàn)略機(jī)遇期,引起了學(xué)術(shù)界和產(chǎn)業(yè)界更為廣泛的關(guān)注。然而,由于車(chē)聯(lián)網(wǎng)中車(chē)輛的位置是可被感知的,車(chē)輛的位置隱私極易受到威脅。因此,車(chē)聯(lián)網(wǎng)必須提供有效的隱私保護(hù)方案和相應(yīng)的隱私評(píng)估方法。近年來(lái),隨著技術(shù)的不斷發(fā)展,傳統(tǒng)的隱私評(píng)估體系已經(jīng)不能很好地衡量隱私保護(hù)機(jī)制對(duì)車(chē)輛隱私的保護(hù)程度。同時(shí),傳統(tǒng)的隱私保護(hù)機(jī)制也面臨著嚴(yán)峻地挑戰(zhàn)。因此,設(shè)計(jì)更加精確地隱私評(píng)估系統(tǒng)和更加有效的隱私保護(hù)方案是非常必要的。本文針對(duì)車(chē)聯(lián)網(wǎng)在位置隱私保護(hù)方面所面臨的實(shí)際問(wèn)題,在隱私保護(hù)機(jī)制的設(shè)計(jì)和評(píng)估方面進(jìn)行了初步的研究和探索,提出了一些自己的想法。主要工作包括以下幾個(gè)方面:(1)針對(duì)目前車(chē)聯(lián)網(wǎng)領(lǐng)域最常用的“混合區(qū)”隱私保護(hù)方案,設(shè)計(jì)了一種更加準(zhǔn)...

【文章頁(yè)數(shù)】：57 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
Abstract
1 緒論
    1.1 研究背景及意義
    1.2 國(guó)內(nèi)外的研究現(xiàn)狀
        1.2.1 車(chē)聯(lián)網(wǎng)的位置隱私威脅和假名策略
        1.2.2 匿名軌跡的隱私問(wèn)題
        1.2.3 對(duì)匿名軌跡的隱私保護(hù)
    1.3 本文研究目標(biāo)及主要內(nèi)容
    1.4 論文組織結(jié)構(gòu)
2 現(xiàn)有的位置隱私保護(hù)方案與評(píng)估方法
    2.1 車(chē)聯(lián)網(wǎng)位置隱私問(wèn)題
        2.1.1 位置隱私威脅
        2.1.2 車(chē)聯(lián)網(wǎng)的位置隱私
        2.1.3 車(chē)聯(lián)網(wǎng)位置隱私的解決方案
    2.2 基于混合區(qū)的位置隱私保護(hù)方案
        2.2.1 混合區(qū)
        2.2.2 混合區(qū)的工作方式
    2.3 混合區(qū)的位置隱私評(píng)估方法
        2.3.1 基于計(jì)算的評(píng)估方法
        2.3.2 基于車(chē)輛跟蹤的評(píng)估方法
    2.4 基于隨機(jī)靜默策略的位置隱私保護(hù)方案
        2.4.1 隨機(jī)靜默策略
        2.4.2 隨機(jī)靜默期的工作方式
    2.5 隨機(jī)靜默期的位置隱私評(píng)估方法
        2.5.1 基于計(jì)算的評(píng)估方法
        2.5.2 基于車(chē)輛跟蹤的評(píng)估方法
3 基于BP神經(jīng)網(wǎng)絡(luò)的混合區(qū)隱私評(píng)估模型
    3.1 傳統(tǒng)混合區(qū)跟蹤模型的弊端分析
    3.2 基于BP神經(jīng)網(wǎng)絡(luò)的時(shí)間預(yù)測(cè)模型
        3.2.1 方法論證
        3.2.2 模型的構(gòu)建與訓(xùn)練數(shù)據(jù)的產(chǎn)生
    3.3 基于人工神經(jīng)網(wǎng)絡(luò)的混合區(qū)位置隱私評(píng)估
        3.3.1 模型的訓(xùn)練
        3.3.2 車(chē)輛的跟蹤方法
        3.3.3 實(shí)驗(yàn)評(píng)估
4 基于定制模型的混合區(qū)隱私評(píng)估
    4.1 參數(shù)分析
        4.1.1 數(shù)據(jù)準(zhǔn)備
        4.1.2 參數(shù)分析
        4.1.3 小結(jié)
    4.2 定制的時(shí)間預(yù)測(cè)模型
        4.2.1 網(wǎng)絡(luò)結(jié)構(gòu)
        4.2.2 模型的訓(xùn)練過(guò)程
    4.3 基于定制模型的混合區(qū)隱私評(píng)估
5 改進(jìn)的混合區(qū)隱私保護(hù)方案
    5.1 隨機(jī)靜默區(qū)
    5.2 隨機(jī)靜默策略
        5.2.1 完全隨機(jī)策略
        5.2.2 梯度隨機(jī)策略
    5.3 隨機(jī)噪聲策略
    5.4 實(shí)驗(yàn)驗(yàn)證
        5.4.1 實(shí)驗(yàn)場(chǎng)景
        5.4.2 隱私評(píng)估方法的對(duì)比與選擇
        5.4.3 隱私保護(hù)效果評(píng)估
        5.4.4 隱私保護(hù)效果與信標(biāo)保持率
        5.4.5 位置噪聲與速度噪聲對(duì)隱私的貢獻(xiàn)
        5.4.6 實(shí)驗(yàn)結(jié)果分析
結(jié)論
參考文獻(xiàn)
攻讀碩士學(xué)位期間發(fā)表學(xué)術(shù)論文情況
致謝



本文編號(hào)：3773422