Resumen

La prevalencia del sistema de posicionamiento global (GPS) equipado en redes vehiculares expone la información de ubicación de los usuarios a los servicios basados en la ubicación. Sostenemos que tales datos contienen pistas informativas ricas sobre los comportamientos y preferencias privados de los conductores, lo que llevará a los ataques de privacidad de ubicación. En este documento, propusimos un modelo de predicción sofisticado para predecir la próxima ubicación de los conductores utilizando un tensor de tercer rango basado en una cadena de Markov de orden a representando la información de transferencia parcialmente observada de los vehículos. Luego se utiliza el Ranking Personalizado Bayesiano (BPR) para aprender las transiciones no observadas dentro del tensor para la predicción de transiciones. Los resultados experimentales manifiestan la eficacia del modelo propuesto en términos de precisión de predicción de ubicación, en comparación con varios métodos de predicción de vanguardia. También señalamos que la precisión lograda por dicho modelo de predicción avanzado está restringida al orden de la cadena de Markov. En consecuencia, proponemos un esquema para disminuir los riesgos de tales ataques al evitar la conformación de cadenas de Markov de orden superior. Los resultados experimentales obtenidos en base a datos de red vehicular del mundo real demostraron la efectividad de nuestro esquema propuesto.

• Materias:Algoritmo dinámico Redes Inalámbricas Redes de Comunicación Sistema de colas Teoría de juegos
• Subjects:Dynamic Algorithm Wireless Networks Communication networks Queuing systems Game theory
• Palabras claves:Sistema de posicionamiento global; Redes vehiculares; Ataques a la privacidad de la localización; Modelo de predicción; Cadena de Markov; Clasificación bayesiana personalizada
• Keywords:Global positioning system; Vehicular networks; Location privacy attacks; Prediction model; Markov chain; Bayesian Personalized Ranking