随着车联网(Internet of Vehicle,IoV)的快速发展,车辆的智能化服务得以普及,特别是基于位置的服务已经广泛地融入到人们的日常生活。然而,基于位置的应用均需用户提交位置信息,这将使用户的位置信息被公开,造成敏感信息泄露。例如,用户频繁上传位置信息,会公开其驾驶路线及兴趣点,攻击者截获这些信息后对其进行推测攻击,进而得到用户的敏感信息,如家庭地址、工作地点及政治信仰,甚至危及用户的生命安全。因此,如何在避免用户位置隐私泄露的同时,为用户提供个性化的基于位置服务是一个亟待解决的问题。本文重点围绕车载网络中如何为用户提供个性化的位置隐私保护展开深入研究,主要工作为车载用户提供个性化的位置隐私保护:(1)用户在不同查询位置点的隐私保护需求具有差异性,针对现有机制只是简单地将隐私划分为不同级别,无法为用户的不同需求提供个性化的隐私保护问题,提出了一种基于敏感位置属性的个性化隐私预算分配(Personalized Privacy Budget Allocation,PPBA)算法。通过定义归一化的决策矩阵描述导航推荐路线的效率和隐私效果,并建立多属性效用函数量化各路线的效益,确定效益最高的道路为用户驾驶路线,再由当前位置与最近敏感位置之间的距离为每个查询位置分配隐私预算。(2)在车载网络位置隐私保护方面,针对已有位置隐私保护方案忽略了车载用户的驾驶路线受限且服务请求信息公开造成的隐私泄露问题,运用地理不可区分性设计了一种位置隐私保护方案(Location Privacy Protection Scheme,LPPS)。基于信息熵理论定义轨迹影响因子描述区域隐私效应,并建立Stackelberg模型量化车载用户的隐私利益,从而利用服务质量和隐私最高的服务区域代替用户真实位置点,使用户在隐私得以保证的同时服务质量达到最高。(3)最后,本文运用真实位置数据集进行仿真验证,结果表明本方案提高了数据的效用,用户的隐私性提高了26%,服务质量损失降低了30%,尽管服务准确度损失了5%-15%,但由于本方案进行了准确度验证,因此,满足用户的要求。