基于Vanet-Sim模拟器的车联网隐私保护方案研究
| 摘要 | 第2-3页 |
| Abstract | 第3页 |
| 1 绪论 | 第6-11页 |
| 1.1 研究背景及意义 | 第6-7页 |
| 1.2 国内外的研究现状 | 第7-9页 |
| 1.2.1 车联网的位置隐私威胁和假名策略 | 第7页 |
| 1.2.2 匿名轨迹的隐私问题 | 第7-8页 |
| 1.2.3 对匿名轨迹的隐私保护 | 第8-9页 |
| 1.3 本文研究目标及主要内容 | 第9-10页 |
| 1.4 论文组织结构 | 第10-11页 |
| 2 现有的位置隐私保护方案与评估方法 | 第11-22页 |
| 2.1 车联网位置隐私问题 | 第11-13页 |
| 2.1.1 位置隐私威胁 | 第11-12页 |
| 2.1.2 车联网的位置隐私 | 第12页 |
| 2.1.3 车联网位置隐私的解决方案 | 第12-13页 |
| 2.2 基于混合区的位置隐私保护方案 | 第13-14页 |
| 2.2.1 混合区 | 第13页 |
| 2.2.2 混合区的工作方式 | 第13-14页 |
| 2.3 混合区的位置隐私评估方法 | 第14-18页 |
| 2.3.1 基于计算的评估方法 | 第14-16页 |
| 2.3.2 基于车辆跟踪的评估方法 | 第16-18页 |
| 2.4 基于随机静默策略的位置隐私保护方案 | 第18-19页 |
| 2.4.1 随机静默策略 | 第18页 |
| 2.4.2 随机静默期的工作方式 | 第18-19页 |
| 2.5 随机静默期的位置隐私评估方法 | 第19-22页 |
| 2.5.1 基于计算的评估方法 | 第19-20页 |
| 2.5.2 基于车辆跟踪的评估方法 | 第20-22页 |
| 3 基于BP神经网络的混合区隐私评估模型 | 第22-30页 |
| 3.1 传统混合区跟踪模型的弊端分析 | 第22-23页 |
| 3.2 基于BP神经网络的时间预测模型 | 第23-26页 |
| 3.2.1 方法论证 | 第23-24页 |
| 3.2.2 模型的构建与训练数据的产生 | 第24-26页 |
| 3.3 基于人工神经网络的混合区位置隐私评估 | 第26-30页 |
| 3.3.1 模型的训练 | 第26页 |
| 3.3.2 车辆的跟踪方法 | 第26-27页 |
| 3.3.3 实验评估 | 第27-30页 |
| 4 基于定制模型的混合区隐私评估 | 第30-38页 |
| 4.1 参数分析 | 第30-34页 |
| 4.1.1 数据准备 | 第30-31页 |
| 4.1.2 参数分析 | 第31-34页 |
| 4.1.3 小结 | 第34页 |
| 4.2 定制的时间预测模型 | 第34-36页 |
| 4.2.1 网络结构 | 第34-35页 |
| 4.2.2 模型的训练过程 | 第35-36页 |
| 4.3 基于定制模型的混合区隐私评估 | 第36-38页 |
| 5 改进的混合区隐私保护方案 | 第38-49页 |
| 5.1 随机静默区 | 第38-40页 |
| 5.2 随机静默策略 | 第40-41页 |
| 5.2.1 完全随机策略 | 第40-41页 |
| 5.2.2 梯度随机策略 | 第41页 |
| 5.3 随机噪声策略 | 第41-42页 |
| 5.4 实验验证 | 第42-49页 |
| 5.4.1 实验场景 | 第42-43页 |
| 5.4.2 隐私评估方法的对比与选择 | 第43-44页 |
| 5.4.3 隐私保护效果评估 | 第44-45页 |
| 5.4.4 隐私保护效果与信标保持率 | 第45-47页 |
| 5.4.5 位置噪声与速度噪声对隐私的贡献 | 第47-48页 |
| 5.4.6 实验结果分析 | 第48-49页 |
| 结论 | 第49-50页 |
| 参考文献 | 第50-54页 |
| 攻读硕士学位期间发表学术论文情况 | 第54-55页 |
| 致谢 | 第55-57页 |
