移動邊緣群智感知動態隱私度量模型與評價機制

趙明烽，Lei Chen，鐘洋，熊金波,3

移動邊緣群智感知動態隱私度量模型與評價機制

趙明烽1，Lei Chen2，鐘洋1，熊金波1,3

（1. 福建師范大學數學與信息學院，福建 福州 350117；2. College of Engineering and Computing, Georgia Southern University, GA, 30458；3. 福建省網絡安全與密碼技術重點實驗室，福建 福州 350117）

移動邊緣群智感知中，用戶執行感知任務采集數據所包含的隱私量是動態變化且不直觀的，數據上傳亦缺乏隱私風險預警值，提出一種動態隱私度量（DPM）模型。給出用戶參與感知任務所獲數據的結構化表示并轉化成原始數值矩陣，引入隱私屬性偏好與時效性因素實現對該矩陣的權重疊加，以度量數據所含隱私的動態變化，基于權重疊加后的矩陣合理計算用戶個性化隱私閾值，并進行差分隱私處理。在此基礎上，設計一種隱私度量模型評價機制。仿真結果表明，模型是有效且合理的，根據所給范例，差分隱私處理后的數據效用達到0.7，隨噪聲水平增加，隱私保護程度（PDD）可顯著提升，適應物聯網移動邊緣群智感知范式。

動態隱私度量；個性化隱私閾值；差分隱私；模型評價；移動邊緣群智感知

1 引言

作為一種新穎的物聯網感知模式，移動邊緣群智感知（MECS）[1]借助各式各樣的智能終端[2-3]、可穿戴設備協同完成一些泛在智慧型深度社會感知任務，幫助推動現代城市的立體功能延伸和功能耦合，高度響應了國家政府和產業界對智慧城市建設[4-5]的號召。同時，隨著第五代（5G）移動通信網絡[6-7]的到來和“萬物互聯”建設腳步的加快[8]，人們對移動應用服務的需求量日益劇增，由此催生的海量移動數據包含著用戶眾多的隱私信息。數據儼然已經滲透到各個行業和領域，成為重要的生產要素。

在實際應用中，感知用戶在感知活動結束后需要上傳自己的感知數據來獲得相應的報酬[9]。同時，他們面臨著隱私泄露的安全隱患。感知用戶對自身參與感知任務所產生數據的隱私量沒有直觀的認知。在采用隱私保護技術隱藏某些隱私信息之后[10]，經過處理的數據仍然會泄露隱私，例如-匿名技術無法抵抗同質攻擊和背景知識攻擊[11]。如何確定隱私泄露的風險界限[12]，以及數據的后續效用對任務報酬有多大影響，這些都是幫助用戶更好地管理自身隱私信息資產的重要因素。若不能有效地度量用戶參與感知任務的數據隱私及數據效用等[13-14]，幫助用戶進行更加理性的感知上傳行為，將會導致用戶對自身隱私泄露風險的錯誤認知，進而產生消極的任務參與態勢，導致應用服務商獲得質量低下的感知數據而無法提供優良的移動服務，以此往復形成惡性循環。

數據隱私度量較為復雜，因其在不同環境中都具有鮮明的敏感特征和屬性，且在任務聯動、時空變換情況下會對數據特性產生動態影響。目前，國內外針對MECS網絡中的隱私度量方法研究主要分為3種[15]：一是利用信息熵[16]，根據隱私信息中所包含的不確定程度來度量隱私；二是基于概率統計的方法[17]，利用概率分布信息來推斷隱私信息的可能性，以此度量隱私泄露的風險；三是結合集對分析理論[18]，一種將定性與定量相結合并解決確定與不確定性問題的方法。上述方法存在一定的缺陷，且考慮因素單一。例如，基于信息熵的度量本質是對信息混亂程度的界定，在對隱私風險泄露度量方面具有較好的效果，但在面臨MECS中多源數據類型時，不同用戶的數據分為敏感性或非敏感性，單一考慮信息混亂變化因素將無法適應MECS范式的數據；基于概率統計的方法則需要掌握一定程度的事件發生概率的先驗信息，具有一定的局限性；基于結合集對分析理論的方法主要是針對兩數據集之間的關聯隱私信息的不確定性進行度量，因此需要具有給定數據集的前提條件，對于MECS中數據的實時性等問題無法進行有效度量。由此，基于數據結構化、概率論及高階矩陣范數等理論，本文考慮多隱私屬性、用戶隱私偏好權重和時間等多維因素，提出一種針對MECS范式數據的動態隱私度量模型和評估機制。其主要貢獻總結如下。

（1）針對MECS服務中的用戶參與感知任務所產生數據設計一種動態隱私度量模型，分析了多隱私屬性、用戶隱私屬性偏好以及時效性等隱私度量因素，以動態度量用戶參與任務的數據隱私量，并提出一種面向用戶的個性化隱私閾值計算方式。

（2）基于拉普拉斯噪聲機制對所提模型進行差分隱私處理，并提出一種動態隱私度量模型評價機制，從隱私量、數據效用以及隱私保護程度等方面對模型效果與性能進行綜合評估與分析。

（3）仿真實驗結果表明，所提模型能夠有效刻畫用戶任務數據的隱私量變化，正確反映模型的數據效用和隱私保護程度之間的關系，且能證明個性化隱私閾值計算的有效性與合理性，并為用戶在上傳感知數據時提供客觀的隱私度量值和對應的隱私泄露風險界限，且適合MECS范式。

2 相關工作

關于利用信息熵的相關隱私度量方法，Shi等[19]針對社交網絡服務中保護圖形格式數據的隱私方法缺少評價標準的問題，提出了一種利用復雜網絡中網絡靜態特征之一的網絡結構熵進行隱私度量的方法，且給出了隱私度量指標（PMI）來度量圖結構的隱私保護能力。在基于位置的服務中常常會因為位置信息暴露用戶的家庭地址、健康狀況以及購物習慣等，Shaham等[20]針對該問題，考慮了基于用戶連續位置變換而產生的新的邊信息，并提出了一種新的隱私度量方法——傳遞熵來研究隱私保護問題，此外，還提出了一個貪心算法來提高虛擬生成算法的傳遞熵性能。在開放和動態計算環境中，度量隱私損失和信任獲得是一個有意義的課題，針對相關現有工作在度量過程中沒有考慮到隱私信息與動態信任變化之間的關系，Gao等[21]提出了一種新的基于信息論的隱私度量方法，通過條件概率計算信息公開時的隱私損失熵和信任收益熵，并通過調整熵的權重，靈活地應用于不同的應用中，實驗結果表明該度量方法具有顯著性能，在實體之間進行隱私信息交換時，可以減少隱私損失，獲得更多的信任。針對云數據間的關聯性問題，張宏磊等[22]引用條件熵提出了一種對云數據操作過程中的隱私信息泄露風險的度量方法，但只考慮了在攻擊者無相關背景知識條件下的隱私度量。針對這一問題，文獻[23]基于條件熵、互信息等概念提出一種擁有背景知識攻擊者攻擊的隱私度量方法，并通過舉例位置隱私場景，構建了具體的信息熵模型及隱私保護機制和攻擊者能力的度量及分析方法。針對移動服務中用戶不得不向運營商披露個人信息而構成的隱私威脅，文獻[24]基于信息熵和馬爾可夫鏈建立了移動服務隱私安全風險評估模型，給出了合理的風險度量和評估方法。

對于基于概率統計的方法，馬蓉等[25]從隱私敏感屬性的角度考慮度量問題，借助公眾屬性和個性化屬性等度量指標以及歷史數據統計，對時空感知數據進行隱私度量，從而幫助選擇最佳用戶參與任務。Wang等[26]也從該角度提出了一種基于屬性的統計模型，可用于基于個人可識別信息的隱私暴露度量和隱私影響評估，涉及隱私屬性、隱私敏感性和屬性相關性3個重要因素。Liu等[27]則從用戶態度的角度對隱私進行測量，基于個體的內在和外在敏感度，提出了一種用于移動參與式感知系統的個性化隱私測量方法（PriMe），實驗結果表明PriMe提供了合理而準確的結果，而參與者反過來也高度信任該系統。此外，根據隱私屬性值的概率分布，文獻[28-30]從基于貝葉斯概率的度量角度，提出了基于貝葉斯推理的度量隱私信息泄露的方法，通過分析和比較推測的信息與隱私信息之間的差異度來度量隱私信息泄露的風險，兩者之間的差異度越小，隱私信息泄露風險越大。Zhang等[31]針對現有位置服務隱私保護機制（LPPM）缺乏隱私度量評估的問題，提出了一種基于貝葉斯條件隱私的隱私度量模型，通過關于敵手估計誤差的條件隱私的一般定義來比較不同的基于位置服務（LBS）的隱私度量。為了改進對車載自組織網絡（VANET）中暴露的隱私程度的度量，Han等[32]創建了一種以用戶為中心的隱私計算系統，依賴于事件發生的概率提出了一個風險評估函數和一組決策權重來模擬決策意圖，并結合信息熵知識構建了混合區自適應動態生成機制。對于一些匿名化技術忽視用戶的信息自主權問題，Tesfay等[33]提出了一種基于組合概率數學模型和機器學習分類器的以用戶為中心的隱私風險檢測和度量框架，使用戶能夠控制自己的數據發布。

對于集對分析理論的度量方法，文獻[34]基于該思想提出了一種集對分析隱私度量方法，通過對數據集之間的關聯關系進行度量分析，考慮對相鄰數據子集的同一度、差異度和對立度特性進行度量描述，且具體討論了數據庫隱私保護、位置隱私保護和軌跡隱私保護3種不同模式下隱私保護機制的集對分析方法實例。攻擊者可以利用大數據分析技術通過社交網絡發布的數據發現用戶的隱私，針對背景知識未定義情況下的隱私度量問題，Huang等[35]借鑒集對分析理論，提出了一種新的網絡環境下的隱私度量方法，將個人隱私度量的結果分為確定值和不確定參數兩部分，其中，確定值可以反映隱私暴露程度，不確定參數可以反映背景知識的變化對隱私暴露程度的影響，從而令隱私分析可以在不斷變化的背景知識中進行動態調整。

綜上所述，目前關于隱私度量的工作比較豐富。現有方案主要涉及對隱私敏感屬性、用戶個性化隱私偏好、數據關聯性、時空狀態變化等度量因素和標準的考量。然而，大多數方案均考慮單一的隱私度量標準或因素，對于適應MECS網絡中同時具有復雜隱私屬性特征、隱私屬性偏好、時間變化等的感知數據隱私度量方法目前還比較匱乏。因此，從多方因素出發構建新的動態隱私度量模型對于適應MECS范式類型的感知數據非常重要。

3 動態隱私度量模型

3.1 感知數據的結構化表示

由于任務類型的關系，數據表中可能含有非數值型數據，為了便于后續隱私敏感度的計算，采用非負數值映射方法，將數據表轉化為數值矩陣。該映射定義如下。

定義1 非負數值映射[36]

表1 任務全周期的結構化數據形式表示

3.2 用戶的隱私屬性偏好

定義2 隱私屬性偏好向量

3.3 隱私屬性偏好的時效性

進一步地，考慮到用戶的隱私偏好會隨時間遷移而變化，即隱私偏好是具有時效性的。換句話說，某一用戶對某一隱私屬性的重視程度會隨著時間的增加而改變。為了度量隱私屬性偏好的時效性，這里引入隱私屬性偏好函數。

定義3 隱私屬性偏好函數

特別地，有3類隱私屬性偏好函數。

3.4 隱私度量模型

3.5 個性化隱私閾值

4 任務數據矩陣的隱私處理

差分隱私[37]作為一種基于數據失真的隱私保護技術，即通過對敏感數據添加隨機噪聲使數據結果與原始數據發生一定的偏差，其具有嚴格的數學證明，在達到隱私保護目的的同時，也保持了一定的數據效用。

定義4 拉普拉斯分布[38]

它的逆累計分布函數為

5 模型評估機制

從上述內容可知，本文對任務感知數據進行了結構化表示和數值化、隱私偏好的度量和時效性的加入，且得到了動態隱私閾值的概念和求解。接下來，本文將對該模型構建評估機制，從數據效用以及隱私保護程度等評估指標，考慮模型的隱私度量效果與有效性。

5.1 數據效用

定義5 矩陣-范數

定義6 數據效用

5.2 隱私保護程度

6 性能分析

實驗在Intel?Core(TM) i7-1050U CPU@ 1.80 GHz，12 GB DDR4，1 TB hard disk的Windows 10硬件平臺上進行，軟件配置主要有Python3.6、IDE PyCharm以及MATLAB R2018a。數據集采用的是共享單車用戶的移動行為數據，包括使用者性別、年齡、每次騎行的起點和目的地、開始和結束時間、起點經緯度、目的地點經緯度等屬性。該數據集所包含的用戶是具有高度移動特性的，且所產生的數據主要依賴自身攜帶設備裝載的傳感器，適用于MECS范式。

6.1 隱私量

圖1 的隱私量隨時間的變化情況

6.2 差分隱私處理

圖2 隱私保護程度與數據效用隨噪聲增加的變化情況

Figure 2 Changes in the degree of privacy protection and data utility as noise increases

6.3 隱私閾值合理性

圖3 不同用戶的動態隱私閾值和隱私保護程度關系

Figure 3 The relationship between the dynamic privacy threshold of different users and the degree of privacy protection

7 結束語

為了克服MECS范式中用戶對自身感知任務隱私的認知不足，突破現有相關工作對隱私度量因素考慮較為單一性的問題，本文提出了一種面向感知任務數據的動態隱私度量模型。考慮多隱私屬性、用戶隱私屬性偏好和時效性等因素，給出了用戶個性化隱私閾值計算定義式。隨后，對所提模型設計了一種有隱私量、數據效用及隱私保護程度等多指標的評估機制。通過大量的實驗結果和數據分析，驗證了所提動態度量模型能夠有效進行敏感數據的隱私量度量，且客觀反映出數據隱私保護效果和數據效用的變化，解釋了個性化隱私閾值計算式的合理性，為用戶感知數據的隱私動態度量和隱私閾值個性化計算提供了方案和思路。

[1] XIONG J B, ZHAO M F, BHUIYAN M Z A, et al. An AI-enabled three-party game framework for guaranteed data privacy in mobile edge crowdsensing of IoT[J]. IEEE Transactions on Industrial Informatics, 2019: 1.

[2]XIONG J, CHEN L, BHUIYAN M Z A, et al. A secure data deletion scheme for IoT devices through key derivation encryption and data analysis[J]. Future Generation Computer Systems, 2020, 111: 741-753.

[3]YU S, WANG G, LIU X, et al. Security and privacy in the age of the smart internet of things: an overview from a networking perspective[J]. IEEE Communications Magazine, 2018, 56(9): 14-18.

[4]QI L, HU C, ZHANG X, et al. Privacy-aware data fusion and prediction with spatial-temporal context for smart city industrial environment[J]. IEEE Transactions on Industrial Informatics, 2020: 1.

[5]胡宇翔, 伊鵬, 孫鵬浩, 等. 全維可定義的多模態智慧網絡體系研究[J]. 通信學報, 2019, 40(8): 1-12.

HU Y X, YI P, SUN P H, e al. Research on the full-dimensional defined polymorphic smart network[J]. Journal on Communications, 2019, 40(8): 1-12.

[6]LUO C, JI J, WANG Q, et al. Channel state information prediction for 5G wireless communications: a deep learning approach[J]. IEEE Transactions on Network Science and Engineering, 2020, 7(1): 227-236.

[7]喬康, 游偉, 王領偉, 等. 基于區塊鏈的5G 物聯網數據共享方案[J]. 網絡與信息安全學報, 2020, 6(4): 45-55.

QIAO K, YOU W, WANG L W, et al. Data sharing scheme for 5G IoT based on blockchain[J]. Chinese Journal of Network and Information Security, 2020, 6(4): 45-55.

[8]AL-GARADI M A, MOHAMED A, AL-ALI A, et al. A survey of machine and deep learning methodsfor internet of things (IoT) security[J]. IEEE Communications Surveys & Tutorials, 2020, 22(3): 1646-1685.

[9]熊金波, 馬蓉, 牛犇, 等. 移動群智感知中基于用戶聯盟匹配的隱私保護激勵機制[J]. 計算機研究與發展, 2018, 55(7): 1359.

XIONG J B, MA R, NIU B, et al. Privacy protection incentive mechanism based on user-Union matching in mobile crowdsensing[J]. Journal of Computer Research and Development, 2018, 55(7): 1359-1370.

[10]ZHANG Y, WANG P, HUANG H, et al. Privacy-assured FogCS: chaotic compressive sensing for secure industrial big image data processing in fog computing[J]. IEEE Transactions on Industrial Informatics, 2020.

[11]LIU C, TIAN Y, XIONG J, et al. Towards attack and defense views to-Anonymous using information theory approach[J]. IEEE Access, 2019, 7: 156025-156032.

[12]AL-ASMARI H A, SALEH M S. A conceptual framework for measuring personal privacy risks in facebook online social network[C]//International Conference on Computer and Information Sciences (ICCIS). 2019: 1-6.

[13]ZHAO Y, WAGNER I. On the strength of privacy metrics for vehicular communication[J]. IEEE Transactions on Mobile Computing, 2018, 18(2): 390-403.

[14]WAGNER I, ECKHOFF D. Technical privacy metrics: a systematic survey[J]. ACM Computing Surveys (CSUR), 2018, 51(3): 1-38.

[15]熊金波, 王敏燊, 田有亮, 等. 面向云數據的隱私度量研究進展[J].軟件學報, 2018, 29(7): 1963-1980.

XIONG J B, WANG M S, TIAN Y L, et al. Research progress on privacy measurement for cloud data[J]. Journal of Software, 2018, 29(7): 1963-1980.

[16]HUANG Z, YANG L, JIANG W. Uncertainty measurement with belief entropy on the interference effect in the quantum-like Bayesian networks[J]. Applied Mathematics and Computation, 2019, 347: 417-428.

[17]SONG H, LUO T, LI J. Common criterion of privacy metrics and parameters analysis based on error probability for randomized response[J]. IEEE Access, 2019, 7: 16964-16978.

[18]YAN F, XU K. A set pair analysis based layer of protection analysis and its application in quantitative risk assessment[J]. Journal of Loss Prevention in the Process Industries, 2018, 55: 313-319.

[19]SHI W, HU J, YAN J, et al. A privacy measurement method using network structure entropy[C]//Proceedings of the International Conference on Networking and Network Applications (NaNA). 2017: 147-151.

[20]SHAHAM S, DING M, LIU B, et al. Transition-entropy: a novel metric for privacy preservation in location-based services[C]//IEEE Conference on Computer Communications Workshops (INFOCOM WKSHPS). 2019: 1-6.

[21]GAO F, HE J, PENG S, et al. A quantifying metric for privacy protection based on Information theory[C]//Proceedings of the 2010 Third International Symposium on Intelligent Information Technology and Security Informatics. 2010: 216-220.

[22]張宏磊, 史玉良, 張世棟, 等. 一種基于分塊混淆的動態數據隱私保護機制[J]. 計算機研究與發展, 2016, 53(11): 2454-2464.

ZHANG H L, SHI Y L, ZHANG S D, et al. A privacy protection mechanism for dynamic data based on partition-confusion[J]. Journal of Computer Research and Development, 2016, 53(11): 2454-2464.

[23]彭長根, 丁紅發, 朱義杰, 等. 隱私保護的信息熵模型及其度量方法[J]. 軟件學報, 2016, 27(8): 1891-1903.

PENG C G, DING H F, ZHU Y J, et al. Information entropy models and privacy metrics methods for privacy protection[J]. Journal of software, 2016, 27(8): 1891-1903.

[24]ZHANG T, ZHAO K, YANG M, et al. Research on privacy security risk assessment method of mobile commerce based on information entropy and markov[J]. Wireless Communications and Mobile Computing, 2020, 2: 1-11.

[25]馬蓉, 陳秀華, 劉慧, 等. 移動群智感知中用戶隱私度量與隱私保護研究[J]. 信息網絡安全, 2018,18(8): 64-72.

MA R, CHEN X H, LIU H, et al. Research on user privacy measurement and privacy protection in mobile crowdsensing[J]. Netinfo Security, 2018,18(8): 64-72.

[26]WANG Y, LIU J. An attribtue-based statistic model for privacy impact assessment[C]// Proceedings of the 2016 International Conference on Collaboration Technologies and Systems (CTS). 2016: 619-621.

[27]LIU R, CAO J, VANSYCKEL S, et al. PriMe: human-centric privacy measurement based on user preferences towards data sharing in mobile participatory sensing systems[C]//Proceedings of the 2016 IEEE International Conference on Pervasive Computing and Communications (PerCom). 2016: 1-8.

[28]YAMAOKA Y, ITOH K. K-presence-secrecy: practical privacy model as extension of-anonymity[J]. IEICE Transactions on Information and Systems, 2017, 100(4): 730-740.

[29]GKOUNTOUNA O, TERROVITIS M. Anonymizing collections of tree-structured data[J]. IEEE Transactions on Knowledge and Data Engineering, 2015, 27(8): 2034-2048.

[30]LI X Y, ZHANG C, JUNG T, et al. Graph-based privacy-preserving data publication[C]// Proceedings of the 35th Annual IEEE International Conference on Computer Communications. 2016: 1-9.

[31]ZHANG X, GUI X, TIAN F, et al. Privacy quantification model based on the Bayes conditional risk in location-based services[J]. Tsinghua Science and Technology, 2014, 19(5): 452-462.

[32]HAN X, TIAN D, DUAN X, et al. Optimized anonymity updating in VANET based on information and privacy joint metrics[C]//Proceedings of the 8th ACM Symposium on Design and Analysis of Intelligent Vehicular Networks and Applications. 2018: 63-69.

[33]TESFAY W B, SERNA-OLVERA J. Towards user-centered privacy risk detection and quantification framework[C]//Proceedings of the International Conference on New Technologies, Mobility and Security (NTMS). 2016: 1-5.

[34]晏燕, 郝曉弘, 王萬軍. 一種隱私保護度量的集對分析方法[J]. 武漢大學學報（工學版）, 2015, 48(6): 883-890.

YAO Y, HAO X H, WANG W J. A set pair analysis method for privacy metric[J]. Engineering Journal of Wuhan University, 2015, 48(6): 883-890.

[35]HUANG W Q, XIA J F, YU M, et al. Personal privacy metric based on public social network data[J]. JPhCS, 2018, 1087(3): 032007.

[36]HE W, ZENG Y, LI G. A novel structural reliability analysis method via improved maximum entropy method based on nonlinear mapping and sparse grid numerical integration[J]. Mechanical Systems and Signal Processing, 2019, 133: 106247.

[37] HASSAN M U, REHMANI M H, CHEN J. Differential privacy techniques for cyber physical systems: a survey[J]. IEEE Communications Surveys & Tutorials, 2019, 22(1): 746-789.

[38]HE J, CAI L, GUAN X. Differential private noise adding mechanism and its application on consensus algorithm[J]. IEEE Transa- ctions on Signal Processing, 2020, 68: 4069-4082.

Dynamic privacy measurement model and evaluation system for mobile edge crowdsensing

ZHAO Mingfeng1，LEI Chen2，ZHONG Yang1，XIONG Jinbo1,3

1. College of Mathematics and Informatics, Fujian Normal University, Fuzhou 350117, China 2. College of Engineering and Computing, Georgia Southern University, GA 30458, USA 3. Fujian Provincial Key Laboratory of Network Security and Cryptology, Fuzhou 350117, China

To tackle the problems of users not having intuitive cognition of the dynamic privacy changes contained in their sensing data in mobile edge crowdsensing (MECS) and lack of personalized privacy risk warning values in the data uploading stage, a dynamic privacy measurement (DPM) model was proposed. A structured representation of data obtained by a user participating in a sensing task was introduced and was transformed it into a numerical matrix. Then privacy attribute preference and timeliness were presented to quantify the dynamic privacy changes of data. With this, personalized privacy thresholds of users based on the numerical matrix were reasonably calculated. Finally, differential privacy processing was performed on the numerical matrix, and a model evaluation system was designed for the proposed model. The simulation results show that the DPM model was effective and practical. According to the given example, a data utility of approximately 0.7 can be achieved, and the degree of privacy protection can be significantly improved as the noise level increases, adapting to the MECS of IoT.

dynamic privacy measurement, personalized privacy threshold, differential privacy, model evaluation, mobile edge crowdsensing

TP309.2

A

10.11959/j.issn.2096?109x.2021016

2020?09?16；

2020?12?14

熊金波，jbxiong@fjnu.edu.cn

國家自然科學基金（61872088, U1905211, 61872090）；福建省自然科學基金（2019J01276）；貴州省公共大數據重點實驗室開放課題（2019BDKFJJ004）

The National Natural Science Foundation of China (61872088, U1905211, 61872090), The Natural Science Foundation of Fujian Province, China (2019J01276), The Guizhou Provincial Key Laboratory of Public Big Data Research Fund (2019BDKFJJ004)

趙明烽，Lei Chen，鐘洋, 等. 移動邊緣群智感知動態隱私度量模型與評價機制[J]. 網絡與信息安全學報, 2021, 7(1): 157-166.

ZHAO M F, LEI C, ZHONG Y, et al. Dynamic privacy measurement model and evaluation system for mobile edge crowdsensing [J]. Chinese Journal of Network and Information Security, 2021, 7(1): 157-166.

趙明烽（1996?），男，江蘇張家港人，福建師范大學碩士生，主要研究方向為移動數據安全和隱私保護。

Lei Chen（1978? ），男，陜西西安人，美國佐治亞州南方大學副教授，主要研究方向為網絡安全、信息安全、云計算與大數據安全等。

鐘洋（1995?），男，湖南湘西人，福建師范大學碩士生，主要研究方向為安全深度學習。

熊金波（1981? ），男，湖南益陽人，福建師范大學教授、博士生導師，主要研究方向為網聯自動駕駛車輛的安全與隱私、物聯網安全、大數據安全、隱私保護。