随着交通信息化和无线通信技术的迅速发展,车载网成为智能交通系统的重要组成部分,日益受到人们的广泛关注。车载网通过车辆和交通基础设施感知与采集交通信息,以较低的成本获取覆盖范围广的交通数据。交通流量预测作为车载网中的研究热点,可以有效缓解城市交通拥堵问题。但是在交通信息采集与发布过程中,可能存在恶意攻击者,造成车辆的身份或位置信息泄露,带来隐私安全隐患。另外,车载网作为群智感知的应用场景,也需要关注群智感知中的基础问题,即任务分配。这对于在基于群智感知的车载网中安全高效地完成任务具有重要意义。综上,本文分别研究了基于群智感知的车载网中的任务分配和车载网中的交通流量预测这两个问题,设计了相应的隐私保护方案,主要研究内容如下:1.车载网中基于群智感知的任务分配隐私保护方案的设计:针对由于用户服务质量参差不齐导致服务商要求的服务质量无法得到保证的场景,本文设计了一个基于群智感知的车载网中用户隐私安全的任务分配方案。现有的任务分配论文中,只考虑任务是否完成,并未考虑任务完成的质量高低。本文通过服务质量筛选用户,并以高质量用户为参与任务的首要选择,相比于其他的群智感知框架来说更能够保证任务完成的高质量。该方案采用了差分隐私技术对单个用户的位置进行隐私保护。同时,为了减少不必要的隐私泄露,该方案减少用户与平台之间的通讯次数,降低了整个用户群体的位置隐私损失。最后,本文从理论上分析该方案的隐私安全性,并通过实验评估了该方案,结果表明该方案在确保任务质量的同时保证用户的隐私安全。2.车载网中隐私保护的交通流量预测方案的设计:针对城市交通拥堵的场景,本文设计了一个隐私保护的交通流量预测方案。尽管已有少量研究将差分隐私应用于车载网,但是他们并未考虑如何降低差分隐私带来的误差影响,只是基础应用。本文根据车载网特性,依据差分隐私的并行组合定理以及数据相关性提出数据均匀发布策略,将隐私预算合理分配给发布数据集,降低了差分隐私噪声对发布数据集产生的误差,提高了发布数据集的可用性。为了降低方案中隐私保护机制对预测结果的影响,该方案将指数平滑模型和长短时记忆网络相结合,以使交通流量预测更加准确。最后,本文通过对该方案进行理论分析,证明了该方案的隐私安全性。通过实验评估,证明了该方案可以提供可用性高的发布数据集以及准确的交通流量预测。