本發(fā)明涉及車(chē)聯(lián)網(wǎng)安全，尤其涉及一種基于動(dòng)態(tài)反饋機(jī)制的改進(jìn)k聚類(lèi)lbs隱私保護(hù)方法。

背景技術(shù)：

1、車(chē)聯(lián)網(wǎng)是指通過(guò)車(chē)輛與外界的信息交換和共享，實(shí)現(xiàn)車(chē)輛智能化和網(wǎng)絡(luò)化的一種技術(shù)。它結(jié)合了物聯(lián)網(wǎng)、移動(dòng)互聯(lián)網(wǎng)、人工智能、大數(shù)據(jù)等技術(shù)，使車(chē)輛能夠與其他車(chē)輛、交通基礎(chǔ)設(shè)施、互聯(lián)網(wǎng)服務(wù)和應(yīng)用進(jìn)行通信和協(xié)作，以提高交通安全、行駛效率和用戶體驗(yàn)。

2、隨著基于位置服務(wù)和位置導(dǎo)航技術(shù)在車(chē)聯(lián)網(wǎng)中的發(fā)展與廣泛使用，產(chǎn)生了大量帶有用戶位置信息的位置數(shù)據(jù)。基于位置服務(wù)(lbs)是指通過(guò)全球定位系統(tǒng)(gps)或者其他技術(shù)，獲取移動(dòng)用戶的位置信息，并利用地理信息系統(tǒng)(gis)，為終端用戶提供與其當(dāng)前空間位置相關(guān)的個(gè)性化服務(wù)。在車(chē)聯(lián)網(wǎng)環(huán)境中，車(chē)輛用戶越來(lái)越注重車(chē)輛與周?chē)乩憝h(huán)境的感知，以獲得移動(dòng)在線社交服務(wù)，移動(dòng)在線社交服務(wù)是指通過(guò)車(chē)載定位功能來(lái)為用戶提供基于位置的附近場(chǎng)所推薦和近鄰好友搜索服務(wù)等。如，車(chē)輛可以通過(guò)路側(cè)單元(rsu)向lbs服務(wù)器請(qǐng)求查找距離該車(chē)輛最近的加油站或者最近的餐館等。

3、然而，車(chē)聯(lián)網(wǎng)lbs服務(wù)在向用戶提供基于位置的近鄰搜索服務(wù)的同時(shí)也會(huì)造成嚴(yán)重的用戶隱私泄露隱患。據(jù)全國(guó)移動(dòng)app安全性研究報(bào)告統(tǒng)計(jì)顯示，50個(gè)提供lbs網(wǎng)絡(luò)服務(wù)的平臺(tái)中有35個(gè)平臺(tái)泄露用戶的位置數(shù)據(jù)給廣告商或數(shù)據(jù)分析服務(wù)商。同時(shí)，隨著數(shù)據(jù)挖掘技術(shù)的快速發(fā)展，lbs服務(wù)提供商和惡意敵手獲取社交網(wǎng)絡(luò)中人們的隱私信息(如移動(dòng)用戶的位置、個(gè)人資料和通信細(xì)節(jié)等)越來(lái)越便利，從而更容易推斷、跟蹤和預(yù)測(cè)車(chē)輛用戶的日?；顒?dòng)。通過(guò)挖掘車(chē)輛用戶的位置信息，敵手可以以一定的概率推斷出用戶正在某地參加一個(gè)重要的儀式，從而獲取用戶的職業(yè)和社會(huì)關(guān)系，甚至預(yù)測(cè)出用戶和好友的宗教信仰，以及從車(chē)輛用戶的搜索歷史中推斷出個(gè)人的行蹤等。

4、因此，lbs服務(wù)在車(chē)聯(lián)網(wǎng)中的應(yīng)用面臨著隱私泄露、數(shù)據(jù)篡改、定位欺騙、系統(tǒng)攻擊和數(shù)據(jù)濫用等多重安全問(wèn)題，對(duì)用戶甚至整個(gè)車(chē)聯(lián)網(wǎng)系統(tǒng)都帶來(lái)了嚴(yán)重的負(fù)面影響。造成位置隱私泄露的首要原因是lbs服務(wù)器的安全管理不到位導(dǎo)致外部非法用戶對(duì)服務(wù)器的數(shù)據(jù)進(jìn)行攻擊，或者來(lái)自lbs服務(wù)提供商內(nèi)部具有較高權(quán)限的管理員的權(quán)限濫用或者惡意破壞；另一方面原因是服務(wù)提供商默認(rèn)在無(wú)獲得用戶的特殊許可的情況下，可以獲取用戶的當(dāng)前位置以進(jìn)行跟蹤。為避免服務(wù)提供商和黑客未經(jīng)授權(quán)訪問(wèn)位置信息，車(chē)輛用戶可以使用假名以切斷車(chē)輛和位置的聯(lián)系，代表性的方案有研究者楊敏在文獻(xiàn)《車(chē)聯(lián)網(wǎng)中基于動(dòng)態(tài)假名交換區(qū)的車(chē)輛位置隱私保護(hù)方法研究》中提到的動(dòng)態(tài)假名技術(shù)和李勇軍等人在文獻(xiàn)《基于geohash的增強(qiáng)型位置k-匿名隱私保護(hù)方案》中提到的k-匿名技術(shù)。其中基于k-匿名技術(shù)的應(yīng)用最為廣泛，該方案通過(guò)選擇與真實(shí)用戶相似的k-1個(gè)用戶構(gòu)造出匿名區(qū)，從而達(dá)到隱私保護(hù)的目的。另外，車(chē)輛用戶可以在本地對(duì)位置信息進(jìn)行混淆或者加密再上傳至lbs服務(wù)器，代表性的方案有文獻(xiàn)《基于同態(tài)加密的車(chē)聯(lián)網(wǎng)隱私保護(hù)數(shù)據(jù)挖掘方法》中提出的加密隱私保護(hù)技術(shù)、文獻(xiàn)《基于位置服務(wù)的信息隱私保護(hù)技術(shù)研究》中提到的差分隱私技術(shù)等。如在2021年，yaqiong?ma等人在文獻(xiàn)《面向vanet節(jié)點(diǎn)的軌跡隱私保護(hù)技術(shù)研究》中提出了一種基于影子車(chē)輛的防護(hù)方案。方案首先利用遺傳算法對(duì)軌跡進(jìn)行預(yù)測(cè)，根據(jù)預(yù)測(cè)軌跡的偏差選擇合適的影子車(chē)輛；然后在真實(shí)車(chē)輛和影子車(chē)輛的查詢中插入一些虛假查詢，最后形成查詢矩陣，并將其發(fā)送給lbs服務(wù)器進(jìn)行查詢。偽查詢使車(chē)輛的路徑相交，可以防止從車(chē)輛身份到查詢內(nèi)容的反向映射，使攻擊者無(wú)法區(qū)分目標(biāo)車(chē)輛的完整軌跡，該方案可以防止連續(xù)的查詢攻擊。但方案也會(huì)影響服務(wù)提供的精度。

5、以上方案共同存在稀疏用戶空間下隱私保護(hù)效果降低的問(wèn)題，如應(yīng)用k-匿名技術(shù)時(shí)對(duì)用戶所處空間的規(guī)模有一定要求，若用戶數(shù)量較少則存在安全性較低的問(wèn)題。對(duì)于基于影子車(chē)輛的保護(hù)方案來(lái)說(shuō)，如果對(duì)車(chē)輛軌跡預(yù)測(cè)的準(zhǔn)確性提出較高要求，則需要大量的歷史軌跡，實(shí)際場(chǎng)景中一般難以滿足該條件。同時(shí)，若攻擊者也持有大量車(chē)輛的歷史軌跡，就可識(shí)別假查詢與真實(shí)車(chē)輛信息。針對(duì)此問(wèn)題，以往學(xué)者的研究方向主要是增加虛擬用戶。例如，針對(duì)稀疏環(huán)境下用戶個(gè)人信息與匿名位置關(guān)聯(lián)性提高的問(wèn)題，研究者劉恒在文獻(xiàn)《普適計(jì)算環(huán)境下基于位置服務(wù)的隱私保護(hù)若干技術(shù)研究》中提到可以通過(guò)添加若干虛擬用戶來(lái)稀釋這一關(guān)聯(lián)性從而解決問(wèn)題。伍旭等在文獻(xiàn)《稀疏環(huán)境下基于位置服務(wù)的隱私保護(hù)方法》中提出了一種綜合空間區(qū)域特點(diǎn)作為提高信息真實(shí)度的虛擬用戶生成方案，進(jìn)一步地完善匿名過(guò)程中的關(guān)聯(lián)強(qiáng)度，從而達(dá)到隱私保護(hù)的目的。這些解決方案重點(diǎn)在于稀疏環(huán)境的定義和虛假位置的生成，要使方案所生成的虛擬信息達(dá)到高實(shí)用度開(kāi)銷(xiāo)相對(duì)較大，并不適合車(chē)聯(lián)網(wǎng)節(jié)點(diǎn)計(jì)算和通信資源有限的環(huán)境。

6、本發(fā)明在充分調(diào)研目前l(fā)bs隱私保護(hù)方法的缺陷基礎(chǔ)上，提出一種基于動(dòng)態(tài)反饋機(jī)制的改進(jìn)k聚類(lèi)lbs隱私保護(hù)方法，方案使用了稀疏用戶空間判定和動(dòng)態(tài)k聚類(lèi)算法，為清楚闡述本發(fā)明的原理和步驟，先闡述相關(guān)背景技術(shù)。

7、1.前綴樹(shù)

8、前綴樹(shù)是一種樹(shù)形數(shù)據(jù)結(jié)構(gòu)，旨在實(shí)現(xiàn)對(duì)字符串集合的高效查找與前綴匹配等操作，由于前綴樹(shù)具有明顯的樹(shù)形結(jié)構(gòu)優(yōu)勢(shì)，故適合存儲(chǔ)字符串集合，尤其是處理具有較長(zhǎng)共同前綴的字符串時(shí)對(duì)空間利用效果較好。

9、前綴樹(shù)具有查找過(guò)程高效的特性，特別是用于查找具有指定前綴的字符串，如文獻(xiàn)《基于差分隱私與前綴樹(shù)的搜索日志隱私保護(hù)研究》中就有這樣的應(yīng)用。由于具有共同前綴的字符串在前綴樹(shù)中共享相同的前綴路徑，因此查找過(guò)程中只需從空字符串的根節(jié)點(diǎn)開(kāi)始，往下遍歷直到找到了某個(gè)目標(biāo)字符串即可，而不需要像其他數(shù)據(jù)結(jié)構(gòu)一樣逐個(gè)比較每個(gè)字符串的字符，這樣就大大提高了查找效率。另外，前綴樹(shù)還支持前綴匹配操作，即可以快速地找到所有具有指定前綴的字符串。這對(duì)于搜索引擎、自動(dòng)補(bǔ)全等應(yīng)用場(chǎng)景非常有用，能夠快速地提供相關(guān)的搜索結(jié)果或補(bǔ)全選項(xiàng)。

10、2.k均值聚類(lèi)算法

11、k均值(k-means)聚類(lèi)算法是經(jīng)典的無(wú)監(jiān)督學(xué)習(xí)算法之一，用于將一組數(shù)據(jù)集劃分為k個(gè)互不相交的簇，每個(gè)簇由最接近質(zhì)心的數(shù)據(jù)點(diǎn)組成。從數(shù)學(xué)角度來(lái)說(shuō)，k均值聚類(lèi)是使用最大期望算法求解的高斯混合模型在正態(tài)分布的協(xié)方差為單位矩陣，且隱變量的后驗(yàn)分布為一組狄拉克δ函數(shù)時(shí)所得到的特例。

12、算法的基本過(guò)程為：

13、首先進(jìn)行初始化，在算法開(kāi)始時(shí)隨機(jī)選取k個(gè)數(shù)據(jù)點(diǎn)作為初始的聚類(lèi)中心。接著分配樣本到各個(gè)簇，計(jì)算每個(gè)樣本點(diǎn)到各個(gè)聚類(lèi)中心的歐氏距離，以距離大小作為判斷其分配到簇的指標(biāo)。

14、

15、其中，xi表示第i個(gè)樣本點(diǎn),cj表示第j個(gè)聚類(lèi)中心,n表示樣本特征的數(shù)量。

16、然后對(duì)于所分類(lèi)的每個(gè)簇，需要計(jì)算其內(nèi)部樣本的均值作為新的聚類(lèi)中心，并進(jìn)行更新。

17、

18、其中，sj表示第j個(gè)簇中的樣本集合，|sj|表示集合中樣本的數(shù)量。

19、重復(fù)上述過(guò)程直至完成停止條件。停止條件可設(shè)置為：

20、⑴聚類(lèi)中心不再發(fā)生變化

21、⑵達(dá)到最大迭代次數(shù)

22、⑶每個(gè)簇內(nèi)樣本點(diǎn)的變化小于某個(gè)閾值。即可得到最后的k均值聚類(lèi)中心點(diǎn)。

23、3.線性插值算法

24、線性插值算法是一種簡(jiǎn)單而常見(jiàn)的插值方法，常用于在已知數(shù)據(jù)點(diǎn)之間估計(jì)新數(shù)據(jù)點(diǎn)的值，文獻(xiàn)《線性插值在改善gps共視時(shí)間比對(duì)性能中的應(yīng)用》中所述就是線性插值算法的典型應(yīng)用。線性插值基于以下假設(shè)：在兩個(gè)相鄰的已知數(shù)據(jù)點(diǎn)之間，數(shù)據(jù)點(diǎn)之間的變化是線性的。具體來(lái)說(shuō)，如果有兩個(gè)已知數(shù)據(jù)點(diǎn)(x1,y1)和(x2,y2)，則線性插值算法假設(shè)在這兩個(gè)點(diǎn)之間的任意一點(diǎn)x處，其對(duì)應(yīng)的y值可以通過(guò)以下公式計(jì)算得到：

25、

26、這個(gè)公式基于直線的方程式y(tǒng)＝mx+b，其中m是斜率，由(y2-y1)/(x2-x1)給出，b是y軸截距，由y1-(m*x1)給出。

27、線性插值法在車(chē)聯(lián)網(wǎng)lbs場(chǎng)景中主要體現(xiàn)將不同時(shí)間所發(fā)送的請(qǐng)求包中包含的真實(shí)用戶位置信息連接起來(lái)，即可得到真實(shí)用戶的行駛軌跡。對(duì)于惡意的lbs服務(wù)提供者而言，可以利用此方法將在時(shí)間與空間上均不平滑的點(diǎn)一一進(jìn)行插值，進(jìn)而分析用戶出行規(guī)律。

技術(shù)實(shí)現(xiàn)思路

1、針對(duì)上述存在的技術(shù)問(wèn)題，本發(fā)明提供了一種基于動(dòng)態(tài)反饋機(jī)制的改進(jìn)k聚類(lèi)lbs隱私保護(hù)方法，通過(guò)對(duì)常規(guī)用戶環(huán)境與稀疏用戶環(huán)境的定義，建立閾值判定與反饋機(jī)制，并采用區(qū)域劃分與動(dòng)態(tài)k值的改進(jìn)k聚類(lèi)算法對(duì)常規(guī)用戶空間實(shí)現(xiàn)組別分割，針對(duì)稀疏用戶空間利用反饋機(jī)制調(diào)整區(qū)域劃分以適應(yīng)實(shí)際需求，可同時(shí)適應(yīng)車(chē)聯(lián)網(wǎng)lbs隱私保護(hù)中對(duì)常規(guī)用戶空間與稀疏用戶空間安全性強(qiáng)度的要求。

2、本發(fā)明的思路為：綜合考慮安全與效率兩個(gè)要素，應(yīng)對(duì)lbs環(huán)境下的匿名、高效、高服務(wù)質(zhì)量的需求，通過(guò)改進(jìn)的k聚類(lèi)技術(shù)隱藏了目標(biāo)車(chē)輛的真實(shí)位置，實(shí)現(xiàn)了匿名服務(wù)。同時(shí)采用低計(jì)算開(kāi)銷(xiāo)的稀疏用戶空間判定和反饋算法，解決了用戶過(guò)少時(shí)隱私保護(hù)強(qiáng)度較弱的問(wèn)題。在利用k均值聚類(lèi)算法時(shí)，進(jìn)行了創(chuàng)新性改進(jìn)。原因是，雖然傳統(tǒng)k均值聚類(lèi)算法在各操作中都是可行的，然而在lbs下，即使?jié)M足了常規(guī)用戶空間的要求，傳統(tǒng)k均值聚類(lèi)算法中k的取值也可能并不合理。例如在某一區(qū)域內(nèi)出現(xiàn)較多請(qǐng)求lbs服務(wù)的真實(shí)用戶，在另一區(qū)域內(nèi)請(qǐng)求lbs服務(wù)的真實(shí)用戶數(shù)量較少，但并未滿足稀疏用戶空間的要求，此時(shí)便無(wú)法通過(guò)固定k值的均值聚類(lèi)算法獲取較為合適的聚類(lèi)結(jié)果。因此，為適應(yīng)lbs服務(wù)的現(xiàn)實(shí)需求，本發(fā)明進(jìn)一步提出了動(dòng)態(tài)k均值聚類(lèi)算法，旨在利用動(dòng)態(tài)k的取值，使得聚類(lèi)結(jié)果相對(duì)于用戶數(shù)量較多的區(qū)域內(nèi)更加側(cè)重于服務(wù)質(zhì)量，相對(duì)于用戶數(shù)量較少的區(qū)域內(nèi)更加側(cè)重于保護(hù)強(qiáng)度。改進(jìn)算法描述為：確認(rèn)初始的k值，確定簇大小n的上下限，下限min與反饋機(jī)制觸發(fā)條件即是否為稀疏用戶空間的閾值相同，上限可做調(diào)整，一般為下限的兩倍。然后將目標(biāo)區(qū)域中的n與上下限進(jìn)行比較，若n值不合適則進(jìn)行調(diào)整。該改進(jìn)算法可得到相對(duì)合適的聚類(lèi)中心點(diǎn)個(gè)數(shù)的取值，在提高隱私保護(hù)強(qiáng)度的同時(shí)保證lbs服務(wù)的質(zhì)量。實(shí)現(xiàn)步驟的具體說(shuō)明在下文詳細(xì)描述。

3、本發(fā)明是通過(guò)如下措施實(shí)現(xiàn)的：一種基于動(dòng)態(tài)反饋機(jī)制的改進(jìn)k聚類(lèi)lbs隱私保護(hù)方法，包括如下步驟：

4、s1、rsu進(jìn)行區(qū)域初始劃分；

5、s2、車(chē)輛發(fā)送lbs請(qǐng)求后，rsu根據(jù)車(chē)輛所在空間狀況，進(jìn)行稀疏狀態(tài)反饋調(diào)整，完成區(qū)域重劃分；

6、s3、rsu動(dòng)態(tài)調(diào)整參數(shù)k取值，執(zhí)行k均值聚類(lèi)算法，生成適當(dāng)?shù)木垲?lèi)值n；

7、s4、rsu將聚類(lèi)中心點(diǎn)，替換車(chē)輛真實(shí)位置發(fā)送至lbs服務(wù)器；

8、s5、rsu轉(zhuǎn)發(fā)lbs服務(wù)器返回的應(yīng)答結(jié)果至對(duì)應(yīng)obu；

9、進(jìn)一步地，所述s1步驟包括：

10、s11、rsu首先以可接受到的最遠(yuǎn)車(chē)載單元數(shù)據(jù)包與劃分主體之間的距離為最佳通信距離rmax，或在算法開(kāi)始前預(yù)設(shè)保守值，構(gòu)建以該最佳通信距離為半徑的地理臨近區(qū)域；

11、s12、rsu確定相關(guān)參數(shù),如:最內(nèi)層區(qū)域劃分個(gè)數(shù)、內(nèi)外層之間的數(shù)量關(guān)系與劃分層數(shù)，計(jì)算各層中內(nèi)部圓的半徑與圓環(huán)中區(qū)域劃分的個(gè)數(shù)，完成區(qū)域的初始劃分；

12、s121、定義最內(nèi)層區(qū)域劃分個(gè)數(shù)num_1，以及較內(nèi)層與較外層區(qū)域數(shù)量之間的線性關(guān)系：num_outer＝＝n*num_inner+m，計(jì)算各層區(qū)域劃分個(gè)數(shù)num_i,i∈[2,layer_num]；

13、s122、根據(jù)s121中得到的num_i計(jì)算num_i＝num_(i-1)+num_i,其中i∈[2,layer_num]，得到前i層區(qū)域劃分總個(gè)數(shù)；

14、s123、根據(jù)最佳通信距離r_max和s122中得到的前i層區(qū)域劃分總個(gè)數(shù)計(jì)算出各層上內(nèi)部圓的半徑。計(jì)算方法為：r_m＝sqrt((r_max**2)*num_m/num_4)，m∈[1,layer_num]；

15、s124、根據(jù)以上步驟生成的相關(guān)參數(shù)，即生成本區(qū)域的初始狀態(tài)劃分；

16、s13、rsu依據(jù)步驟s12中計(jì)算得到的各層中內(nèi)部圓的半徑、車(chē)輛與劃分主體間的角度大小，對(duì)目標(biāo)車(chē)輛進(jìn)行區(qū)域的分組判定；

17、s131、rsu獲取目標(biāo)車(chē)輛的真實(shí)位置locu(lu_x,lu_y)，利用公式distance＝sqrt((lu_x-lu_a)**2+(lu_y-lu_b)**2)、angle＝atan2(lu_y-lu_b,lu_x-lu_a)分別計(jì)算出目標(biāo)車(chē)輛與劃分主體間的距離和水平夾角；

18、s132、利用計(jì)算得出的distance和angle對(duì)目標(biāo)車(chē)輛進(jìn)行區(qū)域的分組判定；

19、進(jìn)一步地，所述s2步驟包括：

20、s21、rsu首先確定當(dāng)前用戶所在區(qū)域劃分分組id，接著確定目標(biāo)區(qū)域中真實(shí)用戶個(gè)數(shù)是否滿足k均值聚類(lèi)算法給定的數(shù)據(jù)需求量l,若不滿足則可判斷當(dāng)前區(qū)域?yàn)橄∈栌脩艨臻g狀態(tài)，需進(jìn)入步驟s22，進(jìn)行區(qū)域重劃分。若滿足則跳過(guò)步驟s2；

21、s22、若用戶被判定為稀疏用戶空間，則進(jìn)行稀疏用戶空間狀態(tài)下的反饋調(diào)整，完成區(qū)域重劃分；

22、所述步驟s22中，針對(duì)稀疏用戶空間狀態(tài)下的反饋調(diào)整具體過(guò)程包括如下步驟：

23、s221:外層區(qū)域數(shù)量num_outer和內(nèi)層區(qū)域數(shù)量num_inner的線性關(guān)系定義為：

24、num_outer＝num_inner*n+m，其中n和m為可調(diào)節(jié)參數(shù)，其值均為非負(fù)整數(shù)。通過(guò)調(diào)節(jié)n和m的值以及劃分層數(shù)，直至用戶所在區(qū)域?yàn)榉窍∈栌脩艨臻g。

25、所述步驟s221中，具體過(guò)程包括如下步驟：

26、s2211、首先嘗試調(diào)節(jié)m的值，使其值每次減1，直至用戶所在區(qū)域?yàn)榉窍∈栌脩艨臻g。

27、s2222、若m值已經(jīng)調(diào)整至0，且仍為稀疏空間，則開(kāi)始調(diào)整參數(shù)n，使其值每次減1，

28、同步再次調(diào)整m，以保證每次調(diào)整區(qū)域數(shù)為1，直至用戶所在區(qū)域?yàn)榉窍∈栌脩艨臻g。

29、s2223、若以上步驟均無(wú)法實(shí)現(xiàn)稀疏空間的正?；?，則進(jìn)一步對(duì)區(qū)域劃分層數(shù)進(jìn)行調(diào)整，使其值每次減1，直至用戶所在區(qū)域?yàn)榉窍∈栌脩艨臻g；

30、經(jīng)此判定流程可實(shí)現(xiàn)反饋機(jī)制，進(jìn)而針對(duì)某一區(qū)域內(nèi)所出現(xiàn)的常規(guī)或稀疏用戶空間實(shí)時(shí)調(diào)整區(qū)域劃分算法；

31、進(jìn)一步地，所述s3步驟包括：

32、s31、首先定義k均值聚類(lèi)算法中初始k值和簇大小n的上下限(max,min)，其中，簇大小n的下限min為判斷稀疏用戶空間的閾值，也就是反饋機(jī)制觸發(fā)條件，上限max可做調(diào)整，一般取大于min至少兩倍以上值；

33、s32、動(dòng)態(tài)調(diào)整k取值以控制聚類(lèi)簇的大小，并每次執(zhí)行k均值聚類(lèi)算法以控制聚類(lèi)簇n的大小。直至簇大小n滿足條件。過(guò)程為：若當(dāng)前結(jié)果n≤min，意味著對(duì)于該k值選取情況下，該區(qū)域內(nèi)的聚類(lèi)簇本身存在稀疏用戶空間，即所劃分的聚類(lèi)簇中包含真實(shí)用戶過(guò)少。需要減少k的取值，每次減1；若當(dāng)前結(jié)果n≥min，意味著對(duì)于該k值選取情況下，該區(qū)域內(nèi)的聚類(lèi)簇本身選取過(guò)大，可通過(guò)增加k的取值以控制聚類(lèi)簇的大小，每次加1；

34、進(jìn)一步地，所述s4步驟包括：

35、s41、rsu利用步驟s32中所產(chǎn)生的各簇中聚類(lèi)中心點(diǎn)數(shù)據(jù)，替換用戶lbs服務(wù)請(qǐng)求包中真實(shí)位置，并將替換后的請(qǐng)求包轉(zhuǎn)發(fā)給lbs服務(wù)器。

36、進(jìn)一步地，所述s5步驟包括：

37、s51、lbs服務(wù)器返回應(yīng)答結(jié)果給rsu，rsu將其轉(zhuǎn)發(fā)至對(duì)應(yīng)obu。

38、與現(xiàn)有技術(shù)相比，本發(fā)明的有益效果為：

39、(1)本發(fā)明的一種基于動(dòng)態(tài)反饋機(jī)制的改進(jìn)k聚類(lèi)lbs隱私保護(hù)方法，提出了一種基于前綴樹(shù)理念的區(qū)域劃分算法，該算法綜合考慮了現(xiàn)實(shí)需求與簡(jiǎn)便計(jì)算過(guò)程中區(qū)域判定問(wèn)題。本發(fā)明基于所提出的區(qū)域劃分算法，并結(jié)合機(jī)器學(xué)習(xí)中的聚類(lèi)算法提出了一種單時(shí)點(diǎn)位置保護(hù)方案。該方案可同時(shí)適用于稀疏用戶空間和常規(guī)用戶空間，解決了當(dāng)用戶人數(shù)過(guò)少時(shí)存在的安全性較低的問(wèn)題。主要流程為制定了一套稀疏用戶空間判斷標(biāo)準(zhǔn)以及反饋調(diào)節(jié)機(jī)制。旨在處理用戶實(shí)時(shí)請(qǐng)求lbs服務(wù)時(shí)因所在區(qū)域用戶人數(shù)過(guò)少可能面臨的隱私保護(hù)強(qiáng)度較低而導(dǎo)致真實(shí)位置被收集、泄露等問(wèn)題。這種方案通過(guò)真實(shí)車(chē)輛的實(shí)時(shí)位置進(jìn)行生成聚類(lèi)中心點(diǎn)，對(duì)服務(wù)質(zhì)量有所保證。

40、(2)本發(fā)明的一種基于動(dòng)態(tài)反饋機(jī)制的改進(jìn)k聚類(lèi)lbs隱私保護(hù)方法，為了使得聚類(lèi)結(jié)果相對(duì)于用戶數(shù)量較多的區(qū)域內(nèi)更加側(cè)重于服務(wù)質(zhì)量，相對(duì)于用戶數(shù)量較少的區(qū)域內(nèi)更加側(cè)重于保護(hù)強(qiáng)度。提出了一種動(dòng)態(tài)k均值聚類(lèi)算法，對(duì)常規(guī)用戶空間下較不合適的k值進(jìn)行調(diào)整，得到一個(gè)會(huì)使聚類(lèi)結(jié)果較好的k值。這一創(chuàng)新性方案為lbs隱私保護(hù)提供了安全、高效、可靠的位置保護(hù)方案。

41、(3)本發(fā)明的一種基于動(dòng)態(tài)反饋機(jī)制的改進(jìn)k聚類(lèi)lbs隱私保護(hù)方法，兼顧了隱私保護(hù)和lbs的服務(wù)質(zhì)量，每輛車(chē)都能在不暴露自己真實(shí)位置的情況下得到相對(duì)應(yīng)的服務(wù)。方案所采用的稀疏用戶與反饋機(jī)制解決了在用戶過(guò)少時(shí)隱私保護(hù)的強(qiáng)度問(wèn)題。通過(guò)仿真軌跡證明了該方案的可行性，同時(shí)與其他方案的性能對(duì)比也說(shuō)明了本發(fā)明在具有安全性的同時(shí)保障了lbs服務(wù)質(zhì)量。