基于連續查詢的語義位置隱私保護算法

賈媛媛　史志才　方凱

摘 要： 針對用戶連續位置查詢請求服務中未考慮語義信息而導致用戶敏感語義泄露問題，為了實現對道路網絡上客戶端的查詢隱私、位置隱私和語義位置隱私保護，本文提出一種離線軌跡聚類和語義位置圖相結合的算法來進行隱藏用戶的選擇，使隱藏用戶的位置具有明顯的多樣性和不同的語義以及多樣化的服務請求，有效保護客戶端的語義和位置隱私。在具有2個定義指標的真實地圖上評估了該算法的有效性，整個連續查詢道路網絡服務的過程中，有很好的成功率和查詢處理時間。同時與現有的其他可信第三方模型算法進行了對比分析，驗證了本文算法的有效性。

關鍵詞： 位置隱私保護; 連續查詢; 軌跡聚類; 語義位置圖; 語義位置隱私

文章編號： 2095-2163（2021）07-0156-07中圖分類號：TP391文獻標志碼： A

Semantic location privacy protection algorithm based on continuous query

JIA Yuanyuan1， SHI Zhicai1，2 ， FANG Kai1

（1 School of Electronic and Electrical Engineering， Shanghai University of Engineering Science， Shanghai 201620， China;

2 Shanghai Key Laboratory of Integrated Administration Technologies for Information Security， Shanghai 200240， China）

【Abstract】Since the user's continuous location query request service without considering semantic information ， to realize the protection of query privacy， location privacy and semantic location privacy of the client on the road network， this paper proposes an algorithm of offline trajectory clustering and semantic location map to choose hidden users， so that the hidden users' locations have obvious diversity， different semantics and diversified service requests effectively protect the semantics and location privacy of the client. The effectiveness of the algorithm is evaluated on a real map with two defined indicators， the entire process of continuously querying road network services has a very good success rate and query processing time. At the same time， compared with other trusted third-party model algorithms， the validity of this algorithm is verified.

【Key words】location privacy-preserving; continuous query; trajectory clustering algorithm; semantic location graph; semantic location privacy

0 引 言

位置大數據為人們的生活帶來了巨大的改變，在給人們帶來顯著收益的同時，也帶來了個人信息泄露的危險。2014年，iPhone用戶隱私泄露事件披露出蘋果公司曾私自記錄每次使用LBS（基于位置的信息服務）應用時的位置信息，從而造成用戶的大量位置信息泄露[1]。因此，在用戶使用LBS應用時，如何保護用戶的個人隱私成為一個待解決的問題。

現有的隱私保護方法擴展了查詢客戶端的范圍，一些研究者們將k-1個其他用戶也包括進來[2-4];但在這個過程中，會將具有不同移動趨勢的其他請求結果移動對象包括起來，這可能是攻擊的來源。2007年，Liu借鑒數據發布隱私處理中的l-差異性模型的思想，提出了位置l-差異性模型，以防止位置同質性攻擊[5]。但最初提出的位置差異性模型忽略了用戶的位置語義。直觀上來講，用戶位置帶有語義信息，如用戶現在位于早餐店，說明用戶可能在吃早餐;用戶在醫院，則該用戶很大概率有某種疾病。為了保護用戶的語義位置，Damiani等人[6]采用了語義位置隱藏方法，該方法允許用戶定義個性化的隱私配置文件，該配置文件說明了指定的敏感場所類型和每種類型所需的隱私程度。但是這種語義位置掩蓋方法僅被設計為在不受限制、不受約束的空間中工作移動;但在現實環境中，移動用戶大部分在道路網絡上，因此可能導致隱私泄露。Lee等人[7]提出了一種位置隱私保護技術，該技術可以保護位置語義免受對手的攻擊，采用第三方可信匿名服務器，該服務器使用位置語義信息來掩蓋用戶的語義位置。同樣，研究時只考慮了歐幾里得空間，在路網限制下會導致隱私泄漏。又有一些學者提出多樣化的服務請求[8]，從而滿足k-匿名性和l-多樣性隱私條件。然而，確定移動用戶在線的語義位置是一個挑戰，這使得絕對隱私保護的實現更具挑戰性。

本文提出了一種保護用戶語義位置隱私的連續查詢道路網絡服務隱私保護算法，貢獻如下：

（1）提出一種離線聚類移動用戶軌跡的算法，并使用在線導出的移動趨勢來幫助選擇匿名用戶，提高客戶端的隱私保護程度。

（2）提出一個生成語義位置圖的算法，以幫助確定在線用戶的語義位置，利用導出的離線軌跡聚類算法與語義位置圖相結合來保護用戶在路網下連續查詢的語義位置隱私。

1 系統架構及相關知識

1.1 系統架構

為了避免客戶端計算量過大，本文采用由移動客戶端（MC）、匿名服務器（AS）和基于位置的服務器（LBS）組成的可信第三方體系結構[9]。蜂窩服務提供商為匿名服務器提供了用戶的初始軌跡和服務請求（查詢內容）數據庫。位置和服務請求數據庫可以通過客戶端定期電話呼叫和LBS查詢服務進行獲取，如果沒有初始數據，匿名服務器會收集幾天的位置服務請求數據，在移動用戶請求LBS的過程中，將從用戶那里獲得更多的位置數據。同時允許MC使用隱私配置文件k，即期望匿名的用戶數。

系統的核心是AS，AS由隱藏存儲庫（CR）和離線軌跡聚類引擎（TCE）組成。系統的功能可以定義為：

（1）隱藏存儲庫保存一些以前隱藏的結果，并使用其來生成新的隱藏區域。

（2）軌跡聚類引擎對移動用戶的軌跡數據庫進行聚類，結構如圖1所示。

1.2 路網模型

道路網由一個有向圖G=（V，E）表示，由交叉點V=（n0，n1，...，nn）和定向邊E=（（Sid，ninj）| ni，nj∈V）表示。Edge =（Sid，w0，w1，con，ninj）∈e表示連接實際道路網絡中2個交叉點ni和nj的路段，其屬性包括路段標識符Sid、路段分類w0、交通密度w1和服務請求類型con（sr1，sr2，…，srn∈con，其中每個sr是一個服務請求）。研究中將根據路段的速度限制對其進行分類。路段分為主要路段（限速<40 km/hr）、普通路段（40 km/hr≤限速<70 km/hr）、公路（70 km/hr≤限速<100 km/hr）、高速公路（限速≥100 km/hr），分別用p、a、h、ex表示。因此，路段分類w0可用p、a、h或ex表示。例如，w0=ex表示快速路分類。將用戶在時間戳為t和坐標為（x，y）的路段S上的位置表示為l =（Sid，x，y，t）

定義1 軌跡 由TR={tid，l0，l1，…，ln}表示的軌跡，是道路網絡上用戶隨時間變化的位置l0，l1，…，ln的時間順序序列，由軌跡標識符tid唯一標識。對于一個移動用戶來說，對應的行程與起始位置和目的地位置形成一條軌跡。

定義2 語義位置 語義位置是一個區域，在該區域中聚集的用戶具有相似的情景信息，如年齡、性別、活動等。學校、醫院、公司等都可以是語義位置[10]。

定義3 類簇 對于給定的軌跡集T={TR1，...，TRn}在道路網絡上，類簇cw0是在具有相似段分類w0的所有段中的所有段簇csid的集合。因此，類簇是cp、ca、ch、cex，其中每個類簇通常可以表示為cw0。

定義4 集群 對于給定的軌跡集T={TR1，...，TRn}在道路網絡上，集群C是所有類簇的集合，即C={cp，ca，ch，cex}。因此，C表示具有段分類w0的所有類簇。

2 軌跡聚類算法及語義位置圖

2.1 軌跡聚類算法

聚類算法將數據庫對象分組為一組有意義的子類，所以根據用戶在同一路段上的相似運動特征，離線將其軌跡聚類成子類[11]。在一個網段內的用戶可以被認為是網絡接近的，因此在移動中將顯示一組子類特征，這些特征將反映該路段上任何在線移動對象的特征。因此，可以從離線特性中估計該對象的加入是否會在將用戶偽裝成在線特性之前保護客戶端的隱私。根據路段id、服務請求、流向、速度、時間、路段長度及其速度限制，將離線移動用戶的軌跡聚類成沿路段的子類。利用這一先驗信息，提出了一種基于用戶軌跡的軌跡聚類算法。考慮一組由T={TR1，...，TRn}表示的一組軌跡在TCE中，檢查從第一個位置l0到最后一個位置ln的單個軌跡TRi={tid，l0，l1，…，ln}。取軌跡中每兩個連續點，例如li? and? li+1，并使用地圖匹配方法檢查以獲得與2個路段相交的道路交叉點[12]。將獲得的連接節點作為新點插入正在檢查的軌跡中的li和li+1之間。在檢查給定軌跡TRi中的每個點之后，TRi中添加的連接節點序列將作為軌跡分割點，用于沿段將軌跡分割為軌跡碎片（tf）。例如，在圖2中，軌跡C具有沿段2和段3斷裂的2個軌跡碎片。分析單個軌跡碎片所經過的時間段，并將其分為一天中的不同時間段（tb）。對T中的所有軌跡集重復此過程。

根據路段id、流向、速度（v）、路段長度、行程時間（tb）和該路段的速度限制vL對軌跡碎片進行分組，形成一組基簇。然后，計算出一個段中每個基簇上產生的交通密度w1作為軌跡碎片的數量。交通密度給出一天中給定時間段內具有特定特征用戶的可能數量。例如，在圖2中，如果所有軌跡片段具有相似的特性，那么段2將具有3的交通密度，而段1具有2的密度。同一段id下的一組基簇構成一個段簇csid。該算法根據b=（Sid，w0，sr，v，w1，tb，ninj）的段id輸出一個基本簇，作為tb時該段上的用戶特征組。最后，將相似道路分類w0下的所有路段簇抽象表示為cp、ca、ch、cex∈C的類簇，根據路段分類進行抽象，將有助于隱藏具有不同位置語義的用戶。一組類簇構成一個C簇，具體描述如算法1所示。

算法1 軌跡聚類算法

輸入 <有向圖G>， ，

0輸出 <集群C = cp，ca，ch，cex>

1：有向圖G 由節點 V（ni，nj∈V） 和邊E （e∈ E）組成;

2： for TRi，i=1...n do

3：檢查每個li和 li+1以獲得路口節點ni;

4：將獲得的節點作為新點插入li和li+1之間;

5：使用新的節點將TR分解為tf;

6：為每個e分配唯一標識Sid;

7：將所有tf的tb進行分類;

8：根據Sid， v ， vL， tb， ninj和|ninj|將所有tf 沿著e分組成b;

9： end for

10：在每個b中評估w1;

11：將每個e中的所有b分組為csid;

12：對所有csid 分組 w0和cw0相同;

13：將所有cw0輸出為C

2.2 語義位置圖

本節中，建立一種語義位置圖的算法，以幫助選擇要隱藏的用戶，從而保護語義位置隱私。將語義位置隱私定義為不同時間點用戶訪問量，采用用戶到訪時間作為定義語義位置的標準。例如晚上十點，用戶可能訪問酒吧、但是不可能訪問早餐店，這里可以采用一個時間點來標識一個語義位置。但是晚上九點，用戶可能訪問娛樂場所、醫院等等，僅僅采用一個時間點的用戶訪問量是不夠的，因此采用一個24維的向量來表示語義位置[13]。一個語義位置即如式（1）所示：

其中，L0，L1，...，L23分別表示某一個小時內某個語義位置的用戶訪問數，其中u是在L0，L1，...，L23提供的服務類別，例如，將診所、衛生站、醫院、牙科診所等歸為“健康”類別，其中“健康”是指提供的服務類別，進行分類是為了避免用類似的服務隱藏用戶位置，以增強其語義位置的l-多樣性。每個語義位置都有一個特定的區域，比如學校有對應的區域，不在這個區域的位置，就屬于別的語義位置，利用語義位置集SL，采用地圖匹配的方法在路網模型的各個路段上精確定位相關的位置。然后，生成一個語義位置圖G來描述各種語義位置及其提供的服務。語義位置算法如算法2所示。

算法2 語義位置圖算法

輸入 <有向圖G >，

輸出 <語義位置圖G′>和< SLu>

1：有向圖G 由節點 V（ni，nj∈V） 和邊E （e∈ E）組成;

2： for Li，i=1，...，n do

3：根據u進行標記L0， L1， L2，.....，L23

4：使得同一組L0， L1， L2，.....，L23在相同u下

5：將每個組輸出為SLu

6： end for

7： for Li，i=1...n do

8：插入到G

9：返回G

10： end for

3 隱私保護算法

在這一部分中，使用軌跡聚類算法和語義位置圖來開發隱私保護算法。移動客戶端（MC）以q=（qid，l，ti，tf，k，sr）的形式發送新的查詢q，其中l是位置坐標，ti是查詢啟動時間，tf是過期時間。服務請求是sr，隱私配置文件k，qid是客戶端id。當接收到新的查詢q時，AS確定了q的時間，并使用該位置來查找將其發出的段、段的分類、與G中的q相關聯的語義位置L以及其所屬的服務提供的SLU的類別。

定義一個交通密度閾值σ，低于這個閾值就不適合執行在線隱藏。w1≥σ意味著會在tb時間段找到足夠的移動用戶。交通密度閾值σ由AS根據歷史確定。

為了在線查找匿名MC的用戶，TCE搜索除包含MC的類簇cw0以外的所有類簇，隨機查找k-1個其他類簇，并從所選類簇中選擇一個時間tb滿足q時間的基簇。選擇的基簇必須滿足設計的隱藏條件，以幫助實現采用隨機段采樣方法的絕對隱私保護。隱藏C條件：全部選定的基簇必須滿足以下幾方面：

（1）數量是k-1。

（2）第（k-1）個選擇的基簇bk-1時間段tbk-1必須滿足查詢q的時間t和第一個選擇的基本簇b1的時間tb1，即t∈tb1;t∈tbk-1。

（3）任何選定的基簇交通密度滿足w1（b） ≥σ， w1（b1）≥σ， w1（bk-1）≥σ。

（4）所選基簇sr（bk-1）的服務請求sr（bk-1）不能與q和第一個所選基簇b1的服務請求相同，sr（b1）≠sr（bk-1） ≠sr（q）。

（5）第（k-1）個所選基簇中，由所選段上語義位置L服務提供SLU（bk-1）的類別不應與q和第一個所選基簇b1的類別相同，即SLU（b1）≠SLU（bk-1）≠SLU（q）。

（6）第（k-1）個選擇的基簇的段分類cw0（bk-1）不應與q和第一個選定的基簇b1相同，即cw0（bk-1） ≠ cw0 （b1） ≠ cw0（q）。

當滿足隱藏條件時，AS將k-1個其他在線用戶q'偽裝成具有k-1個選定基本簇的特征，這些特征從其各自的段轉移到q個隱藏區域，如果不滿足這些條件那么所有查詢都將被抑制。用戶id被刪除，并替換為準id，然后將其放入隱藏區域Ri中，其中i代表具有隱藏區域標識Rid的第i個快照。然后將包含k個用戶的隱藏區域Ri轉發到LBS。

對于連續查詢LBS，查詢將由AS在周期內（tf-ti）周期性地發出。如果用戶請求連續服務，則AS將請求第一個快照的連續服務的用戶隱藏起來，以便在整個查詢期間保持相同的隱藏用戶，從而始終確保隱藏條件。此外，保留一個存儲庫，其中包含已隱藏的用戶請求，以便在以后與同一段相關時使用。滿足隱藏條件匿名集的數目用n表示。隱私保護算法如算法3所述。

算法3 隱私保護算法

輸入 <查詢q = qid， l， k ， ti， tf， sr>， <類簇cw0= （cp，ca，ch，cex） >， < G>， < SLU>

輸出 <隱藏區域>

1： for q在t=ti=i發布;

2：確定q的ti， e， cw0， L和SLU;

3：在cw0（b1）≠cw0（q）和ti∈ tb1的e中隨機輸出基簇 （b1）;

4：確保w1（b1）≥σ， SLU（b1）≠SLU（q）且sr（b1）≠sr（q）;

5：轉到10行;

6：for k >2 do

7：使得w1（bk-1）≥σ;cw0（bk-1）≠cw0（b1）≠cw0（q）;sr（b1）≠sr（bk-1）≠sr（q）;SLU（b1）≠SLU（bk-1）≠SLU（q）;

8： end for;

9： if滿足7行條件then

10：在各自的e上選擇特征為b1到bk-1的在線q';

11：用k-1個其他q'將q隱藏到匿名區Ri中;

12：用準id替換qid;

13：分配區域標識Rid;

14：否則禁止查詢;

15： end if

16：將Ri轉發到LBS;

17： for t>ti=i do

18：重復執行 2-17;

19： end for

4 安全性分析

本文使用軌跡聚類和語義位置圖的算法能夠抵御查詢同質性攻擊、位置同質性攻擊。查詢同質性攻擊指的是攻擊者通過當前匿名集發起的相同查詢語義來推斷出用戶的敏感信息。為了避免查詢同質性攻擊，由于本文算法避免相同服務的2個用戶在同一個匿名集中，所以攻擊者推出用戶的概率為1/k。對于位置相似攻擊，本文算法使用不同的分類來隱藏不同位置的用戶，保證客戶端語義位置鏈接到用戶的概率為1/k。

5 實驗及結果分析

5.1 實驗數據

本節主要通過實驗驗證用戶在連續查詢時與LBS服務器的交互情況、在相關參數變化下對本文算法性能的影響以及與Kamenyi等人[14]提出一種隱私保護算法VD-DCA（Authenticated Velocity-Distance based Dynamic Cloaking Algorithm）方法進行仿真實驗比較。

本文實驗算法均采用 JAVA 實現，硬件平臺為 Intel （R）Core （TM） i5-8265U CPU 1.80 GHz，8 GB內存，操作系統為Microsoft Windows10。實驗數據采用真實數據：上海市的公路網絡數據[15]，共包括 106 867 個頂點（結點），213 734條道路（邊）并從地圖上提取20 148個POI，其中包括上海市50個不同類別的服務，作為語義位置。每隔5 s記錄了100個快照。實驗設置了10 000個發出查詢請求的用戶，并在上海地圖上以不同的速度移動，對其分配了不同的服務請求。根據本文的分類和路段id，對所有路段進行速度限制。

5.2 實驗結果分析

本文從成功率、查詢處理時間對算法的性能進行評估。對此擬做研究分述如下。

（1）成功率。 定義為活動查詢期間內成功隱藏快照的數量n與所有隱藏區域數之比。成功率是衡量一個位置隱私保護算法的有效性的指標，成功率越大，說明隱私保護度越好[16]。其數學公式可寫為：

（2）查詢處理時間。查詢處理時間是算法查找k-1其他用戶所需的時間。對于由n個快照組成的活動周期的連續查詢，平均隱藏時間T avg可以計算為;

平均隱藏時間越短，說明算法越高效。其中，TRi是查詢在區域R中的隱藏時間。

5.2.1 參數變化對性能的影響

通過對k個用戶和l個不同段（k-l）值的隱藏區域的快照查詢，研究了本文的定義度量效果。快照數與查詢處理時間如圖3所示。從圖3可以看出，第一個快照的處理時間很長，這是因為處理需要很多時間來滿足初始隱藏條件。從最初的快照到前十個快照，查詢處理時間急劇減少，減少原因可能是隱藏用戶在初始查詢時請求連續服務，因為會涉及相同的用戶，所需時間則會較少。從第10個快照到第20個快照的處理時間略有增加，這可能是由于用戶更改了路段，因此需要進行一些處理。此后，處理時間緩慢減少，這種趨勢可能是由于引入了存儲庫查詢，從而減少了處理時間。一般來說，即使k-l值增加，查詢處理時間也會隨著快照的增加而減少。

快照數與成功率的關系曲線如圖4所示。從圖4可以看出，前10個快照的匿名化成功率幾乎保持不變，這是因為用戶在ti時查詢一直隱藏，因此大多數快照都符合隱藏原則。在第10個快照到第20個快照之間，成功率急劇下降，這是由于移動對象改變了具有不同分類和不同語義位置的片段，因此大多數快照無法滿足隱藏條件。此后，由于逐漸引入存儲庫查詢，成功率穩步提高，因此大多數查詢都滿足隱藏條件。當k-l增加時，也出現類似的趨勢。一般情況下，本文算法在評估的100個快照中，每個快照的平均成功率高達為87.8%。

5.2.2 匿名器的性能對比

本節主要從匿名的查詢處理時間和匿名成功率兩方面將本文方法與 Kamenyi等人[14]提出的隱私保護算法VD-DCA方法進行仿真實驗比較，移動客戶端將其隱私配置文件設置為k-l=3。

匿名器的性能對比如圖5所示。由圖5可知，在匿名器的查詢處理時間和匿名成功率上，隨著快照數增大，本文算法在所有快照值下的性能都優于VD-DCA。因為VD-DCA算法是基于用戶的安全特性、速度上的相似性以及采用基于最小生成樹的掩蔽機制保護用戶隱私。然而，采用基于最小生成樹的掩蔽機制會增加掩蔽時間，從而影響系統性能。所以在單個匿名器的查詢處理時間和成功率上，本文方法相對于Kamenyi等人[14]的VD-DCA方法有很大優勢。

6 結束語

本文通過離線軌跡聚類算法和語義位置圖來保護用戶當前絕對隱私，同時在真實地圖上評估算法的有效性，在整個連續查詢道路網絡服務的過程中，一定查詢處理時間內取得較高的匿名成功率。然而，為了確保這些技術開發能夠有效地工作，必須制定有利于保護用戶隱私的政策。政策發展與技術考慮同樣重要，以便做出必要改變適應技術進步，因此在下一步工作中將會考慮制定隱私保護政策。

參考文獻

[1]李志鵬. 位置隱私保護技術的研究[D]. 哈爾濱：哈爾濱理工大學，2018.

[2]PINGLEY A， ZHANG Nan， FU Xinwen， et al. Protection of query privacy for continuous location based services[C]//2011 Proceedings IEEE INFOCOM. Shanghai， China：IEEE， 2011： 1710-1718.

[3]穆良，程良倫. 基于k-匿名位置隱私保護的自適應學習模型[J]. 計算機工程與應用，2017，53（18）：89-94，101.

[4]TRIPATHY B K，MITRA A. An algorithm to achieve k-anonymity and l-diversity anonymisation in social networks[C]//2012 Fourth International Conference on Computational Aspects of Social Networks. Sao Carlos， Brazil：IEEE，2012：126-131.

[5]PAN Xiao， CHEN Weihang， WU Lei， et al. Protecting personalized privacy against sensitivity homogeneity attacks over road networks in mobile services[J]. Frontiers of Computer Science，2016， 10（2）： 370-386.

[6]DAMIANI M L ， SILVESTRI C， BERTINO E.Fine-grained cloaking of sensitive positions in location-sharing applications[J]. IEEE Pervasive Computing， 2011， 10（4）：64-72.

[7]LEE B， OH J， YU H， et al. Protecting location privacy using location semantics[C]//Proceedings of the 17th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining. San Diego， California， USA：ACM，2011： 1289-1297.

[8]曹敏姿， 張琳琳， 畢雪華，等. 個性化（[WT6BZ]α[WT6B1]，l）-多樣性k-匿名隱私保護模型[J]. 計算機科學， 2018， 45（11）：180-186.

[9]XIAO P， XING H， XIAOFENG M. Privacy preserving towards continuous query in location-based services[J]. Journal of computer research and development， 2010， 1： 18.

[10]XUE M， KALNIS P， PUNG H K. Location diversity： Enhanced privacy protection in location based services[C]//International Symposium on Location-and Context-Awareness. Berlin/ Heidelberg：Springer， 2009： 70-87.

[11]HAN B， LIU L ， OMIECINSKI E . Road-network aware trajectory clustering： Integrating locality， flow， and density[J]. Mobile Computing， IEEE Transactions on， 2015， 14（2）：416-429.

[12]GUSTAV Y H ， WANG Y ， KAMENYI D M，et al. Query privacy preservation in location based services on road networks[J]. Journalof Computational Information Systems， 2014，10（12）：5255-5263.

[13]黎孟. 基于語義多樣性的位置隱私保護算法研究[D]. 長沙：湖南大學，2018.

[14]Figshare.[2018-12-06]. https：//figshare.com/articles/Urban_Road_Network_Data/2061897.

[15]潘曉， 肖珍， 孟小峰. 位置隱私研究綜述[J]. 計算機科學與探索， 2007， 1（3）：268-281.

[16]KAMENYI D M， WANG Yong， ZHANG Fengli， et al. Authenticated privacy preserving for continuous query in location based services[J]. Journal of Computational Information Systems， 2013， 9（24）：9857-9864.

基金項目： 上海市信息安全綜合管理技術研究重點實驗室開放研究課題基金（AGK2019004）。

作者簡介： 賈媛媛（1995-），女，碩士研究生，主要研究方向：隱私保護、網絡信息安全; 史志才（1964-），男，博士，教授，CCF高級會員（No.06601S），主要研究方向：計算機網絡與信息安全、隱私保護。

收稿日期： 2021-04-06