车辆定位技术在过去的几年蓬勃发展,同时,车用移动定位技术与自组织网络的融合发展带来了车联网技术的欣欣向荣。车联网中基于位置服务的需求激增,其中车辆移动所产生的轨迹信息可以为智能驾驶、交通管理以及数据分析提供支持。然而,车联网中存在大量用户轨迹信息,导致车辆轨迹数据面临着数据安全与隐私泄露的风险。研究车联网移动应用中,如何在保证位置服务准确性的前提下实现车辆轨迹隐私安全具有重要意义。本文针对车联网位置服务轨迹隐私保护问题展开研究。具体研究工作如下:(1)针对车联网中非交互式位置服务中位置点匿名泛化过低、时间开销大和隐私性较低造成的隐私泄露问题,首先提出了基于多维属性矩阵计算的轨迹隐私保护算法MPBD-SimHash(Multiparameter blend dimension-SimHash)。该算法根据用户距离选择协作用户待选组,再将待选组中的用户按照属性相似程度排序,减少位置数据的泛化程度,快速得到高度相似的协作对象,实现了隐私信息保护。然后,在MPBD-SimHash算法的基础上提出了融合行进距离的轨迹间距和角度的虚假轨迹生成算法MSPA(MPBD-Simhash blending of pitch and angle algorithm),来保证生成的虚假车辆轨迹与真实车辆轨迹的运动模式相似性高、行进方向相近,提高了轨迹的相似程度。实验表明,MSPA算法可以保证协作车辆在匿名区域内与生成轨迹的高相似性,提高了隐私程度,在时间上也有较大优势。(2)针对车联网中交互式位置服务中聚类位置点对离群点参数敏感造成的位置服务效用低的问题,提出了基于密度聚类的时空预测混淆方法实现车辆轨迹隐私保护。首先提出了基于滞留点密度聚类的多边形匿名区域生成算法Polygon-optics实现对参数值和离群点的优化,解决了共享匿名区域带来的隐私泄露高的问题。然后,提出了多区域联合轨迹预测隐私保护算法 MUTP(Multi-region united trajectory prediction privacy protection algorithm)算法,根据历史信息采用LSTM预测出下一位置来扰乱车辆的时空信息,保护车辆真实轨迹,同时防止因共享信息受到的时序攻击。实验表明,MUTP算法具有良好的预测效果,较好地实现了车辆轨迹隐私保护。(3)针对车联网车辆轨迹数据发布中添加不相关噪声造成的隐私保护效用低、数据可用性差的问题,提出了基于多相关函数约束的个性化差分隐私保护方法。首先提出了历史最佳匹配长度算法HBML(Historical best match length)优化位置点隐私值的计算,解决了隐私值生成不合理的问题;其次,提出了个性化差分隐私保护算法NAPDP(Noise adding algorithm for personalized differential privacy)添加与轨迹数据特征匹配的个性化噪声;然后,提出了融合轨迹距离的相关性约束算法TPMCP(Trajectory protection method of multiple correlation function with parameter)来保证所生成的假轨迹与真实轨迹具有相同的运动模式,实现了轨迹数据保护。实验表明,该算法可以较好地保护车辆的轨迹隐私。