近日，杭州电子科技大学微电子研究院夏莹杰教授团队联合杭州师范大学、暨南大学等科研团队，在物联网领域TOP期刊《IEEE Internet of Things Journal》发表题为“Personalized Privacy Preserving for Spatial Crowdsourcing by Reinforcement Learning in VANETs”的研究论文。

空间众包技术是车联网中导航系统、交通管控等应用的基础。该研究针对车联网空间众包场景，创新性地提出了基于强化学习的个性化隐私保护方案，为众多基于空间位置共享的车联网及无人驾驶应用提供了隐私保护技术支撑。该研究得到了国家自然科学基金面上项目和浙江省自然科学基金重点项目等资助。

图1 基于强化学习的个性化隐私保护模型

近年来，以位置服务为基础的系统和集成化车联网解决方案层出不穷，例如车载导航、网约车功能等。然而，这些应用为交通出行带来便利的同时，隐私安全问题层出不穷。2022年，“滴滴”被曝过度收集精准位置（经纬度）信息1.67亿条；2024年，广州20万网约车司机信息在互联网上被公开售卖。由此可见，研究如何在保护位置信息的同时，保证数据效用性的技术迫在眉睫。

图2 滴滴出行泄露用户隐私（图源网络）

针对上述问题，研究团队提出了一种基于强化学习的车联网空间众包个性化隐私保护方案，聚焦于车辆快速移动、网络拓扑动态变化、道路环境复杂的场景，旨在有效平衡车辆隐私保护强度与位置数据效用性。研究团队设计了一种多因素的隐私保护模型，同时考虑车辆轨迹的时空特征与众包任务完成率两大因素；并提出一种基于Q学习的自适应隐私调整机制，实现车辆隐私保护等级的动态调整；最后设计了一种有效的任务分配方法，基于本地化差分隐私和最优拉普拉斯机制，在不暴露真实位置信息的同时进行精准任务分配。相比于现有研究，团队提出的方案在有效保护数据隐私的同时，数据效用性平均提高了78.5%。