Resumen

Hoy en día, la privacidad en la trayectoria es un tema importante en la próxima era de big data. Con el fin de proporcionar una mejor protección para la privacidad de la trayectoria, se han propuesto varias soluciones en la literatura, y el método de trayectoria ficticia ha atraído un gran interés tanto en la academia como en la industria recientemente debido a las siguientes ventajas: no es necesario un servidor de terceros ni la cooperación de otras partes; los servicios basados en la ubicación no se ven afectados; y su algoritmo es relativamente simple y eficiente. Sin embargo, la mayoría de las generaciones de privacidad de trayectoria suelen considerar la forma geométrica de la trayectoria; mientras que la característica real de movilidad humana suele ser descuidada. De hecho, la trayectoria real no es el producto de una probabilidad aleatoria. En este documento, se utiliza una red neuronal convolucional (CNN) como máquina de aprendizaje para entrenar con muchas trayectorias reales y conjuntos de trayectorias ficticias generadas. Luego, el

• Materias:Cifrados de bloques Seguridad cibernética Malware Ocultación de datos Cifrado homomórfico
• Subjects:Block ciphers Cyber security Malware Data hiding Homomorphic encryption
• Palabras claves:Privacidad; Trayectoria; Maniquí; Método; CNN; Real.
• Keywords:Privacy; Trajectory; Dummy; Method; CNN; Real.