DLP: Achieve Customizable Location Privacy With Deceptive Dummy Techniques in LBS Applications
Notice bibliographique
Résumé
As a straightforward consequence of advances in the Internet of Things (IoT), location-based service (LBS) applications have been pervasive in our daily lives. Nevertheless, since those LBS applications will continuously collect and disclose users’ location data, major concerns on privacy leakage are raised. Aiming at the challenge, in this article, we first build up a detect module (DM) and employ it to investigate more than 80% of LBS applications are keen on tracking users. Then, to thwart the threats from those LBS applications, we exploit the deceptive dummy techniques and design a dummy-based location privacy preserving scheme, named dummy location provider (DLP), which comprises three algorithms, namely, Spread, Shift, and Switch. Specifically, Spread and Shift are in charge of generating deceptive dummies and trajectories. And with Switch, users’ real locations are replaced with dummy trajectories before being submitted to LBS applications. As a result, users can not only prevent applications from accessing location data arbitrarily, but also avoid being questioned by applications in terms of honesty. Furthermore, to guarantee necessary functions of LBS, DLP offers customizable privacy-preserving strategies for users, which can achieve flexible location data usage control. Finally, our DLP can also attain achievable and effortless deployment over smart devices. Detailed security analysis indicates that DLP resists inference attacks even facing skeptical applications. In addition, for performance evaluation, a DLP application (DLPA) is developed on the Android platform and tested in the real environment, and the extensive experimental results demonstrate that the DLPA is indeed effective and high efficiency in practice.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,002 |
| Science ouverte | 0,012 | 0,009 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».