5G環境下移動用戶位置隱私保護方法研究

姜海洋， 曾劍秋， 韓可， 劉鋆

(1.北京郵電大學 經濟管理學院，北京 100876；2.北京郵電大學 電子工程學院，北京 100876)

國際電信聯盟無線電通信組(ITU-R)對5G特點進行了如下定義：增強型移動寬帶(eMBB)、大規模的機器類通信(mMTC)、高可靠性的低時延通信(uRLLC). 相比于4G網絡，5G網絡采用了新的通信基礎設施平臺和網絡架構，移動網絡與垂直行業深度融合，提供多樣化的應用場景. 5G網絡的各類技術指標大幅提升，極大提高了帶寬和頻率的使用效率，位置服務應用領域將大幅拓展，應用場景由移動互聯網向移動物聯網拓展，基于位置的服務(location based service,LBS)應用將更加廣泛.

LBS用戶通過定位基礎設施獲得當前的位置信息，進而將特定的服務請求通過通信網絡傳給LBS服務器，LBS服務器接收到上述信息后，從服務器中搜索位置服務相關應用信息并將相應的結果反饋給用戶. 在5G網絡中，用戶可以體驗到高達100 Mbit/s的速率，體驗提升必將增加位置服務的使用頻率，隱私泄露風險隨之大幅增加，因此相關領域應在關注用戶體驗的同時，增強系統的安全性和穩定性. 5G具有速度高、時延低和可靠性高等特點，網絡時延低至1 ms，這增加了服務器的工作負荷，給系統的工作效率及穩定性提出了新的要求. 在總體網絡能效比4G提高了100倍的條件下，位置隱私保護效率必須隨之提高.

5G網絡具有更高的連接數密度，可以允許每平方公里范圍內同時有100萬個用戶接入網絡，這項指標比4G提高了10倍. 雖然LBS系統的工作效率大幅提高，泛在化的網絡加快了服務方式的更新，用戶可以獲得更加豐富多樣且便捷高效的服務，但同時增加了隱私泄露風險. 而這種風險往往發生于圖1中的終端與基站的通信中.

圖1 LBS系統模型圖Fig.1 Model graph of LSB system

5G網絡性能的提高不僅推動位置服務更加廣泛的應用，同時會帶動垂直領域的發展. 5G網絡與垂直行業融合，極大提高了信息傳輸效率和資源利用率，但同時也面臨許多新的安全風險. 在5G網絡安全管理中，應充分考慮數據在各種接入端口及不同運營環境下穿越所面臨的隱私泄露風險. 例如，在智能遠程醫療系統中，病人的個人身份信息、移動軌跡、病例、治療過程等隱私信息在采集和傳輸過程中存在被泄露的風險；在智能車聯網系統中，車輛的軌跡信息也存在泄露風險等. 在傳輸速度更高的5G網絡中，LBS在服務過程中隨時高速調用用戶位置信息，服務效率大幅提高，數據量和訪問速度大幅增加，同時推斷攻擊效率也隨之提高. 推斷攻擊利用已知的輔助信息對被匿名處理后的用戶身份與軌跡信息進行確認[1]. 攻擊者通過用戶的一些輔助信息掌握真實軌跡，如圖2所示. 攻擊者還可通過偽用戶的方式模擬系統中的服務流程，進而對用戶真實信息進行驗證. 在5G網絡中，由于采樣樣本數量急劇增加，攻擊者能夠更加方便地將LBS用戶的真實身份與其軌跡信息聯系起來，進而獲得用戶的隱私信息.

圖2 LBS軌跡隱私攻擊原理圖Fig.2 Schematic diagram of LSB trajectory privacy attack

總之，5G網絡的數據量及訪問頻率增加給數據庫安全管理提出了更高要求，運行效率和安全管理能力都亟待提升. 在5G環境下，為了提升服務器工作效率以便高效處理數據，必將加入一些新的模塊來提高系統工作效率，這同時會增加隱私泄露的風險. 綜上，研究5G環境下移動用戶位置隱私泄露風險，找出適合5G環境特點的位置隱私保護方法，具有非常重要的理論和應用意義.

本文分析了現有位置隱私保護方法，針對以往位置隱私信息保護方法研究的不足，結合5G環境特點提出了一種融合定位的隱私保護方法，闡述了5G環境下移動用戶位置隱私保護研究的未來發展方向和面臨的挑戰.

1 研究現狀綜述與分析

1.1 位置隱私保護方法研究現狀

目前所說的隱私保護是指在用戶使用位置服務時，通過技術手段確保用戶的位置隱私信息不被泄露出去. 張學軍等[2]對位置隱私保護研究現狀與進展進行了綜述，闡述了當前幾種典型的隱私保護技術的優缺點；Kim等[3]通過一種kNN查詢處理算法優化了隱私技術，有效保護數據隱私同時降低系統開銷；周長利等[4]研究了LBS服務器實體建構隱私保護問題，對查詢服務質量和安全性進行了分析，提出了基于路網的近鄰查詢隱私保護方法；閆光輝等[5]在K匿名隱私保護方法基礎上，針對推理攻擊位置熵的選取進行量化研究，提高了隱私保護效果.

目前常用的隱私保護方法包括3類：①模糊扭曲法，采用匿名技術模糊化用戶信息；②概率推測法，通過馬爾可夫隱私保護模型確認數據傳輸安全；③加密保護法，針對服務查詢將用戶信息匿名化. 本文將針對3種方法進行總結分析，討論其存在的問題并結合5G特點進行保護方法的創新研究.

1.1.1模糊扭曲法

位置服務系統中的隱私信息一般具有空間和時間特性，信息傳輸需求也隨著時空要素呈現不均勻分布的特征. 通常分為空間模糊化和時間模糊化. 空間模糊化方法就是將用戶的位置點模糊化到一個區域，使區域內含有若干用戶位置數據. Gruteser等[6]最早提出了將K-匿名(location K-anonymity)模型應用到LBS位置隱私信息保護上. 其基本原理如圖3所示，用戶A發起位置請求，LBS服務器無法得知具體是哪一個用戶提出的位置請求. 設置一個可信的中心位置匿名器(central authority, CA)[7]，利用模糊處理技術來獲得一個最小的限定區域，這個區域作為一個輸入上傳到服務器中，再將相應的搜索結果返回給移動用戶.

圖3 K-匿名簡單原理圖Fig.3 Schematic diagram of location K-anonymity

時間模糊化是通過增加時間域的不確定性的方法來降低數據的精確度，從而實現模糊化. 通常采用將某時間段內同一位置的用戶數量進行去唯一化來解決實際問題，如圖4所示將同一時間段的用戶歸結在一個區域內，防止單用戶單區域風險.

圖4 時間模糊化原理Fig.4 Schematic diagram of time fuzzification

時間模糊化在實際應用中不需要進行很大程度上的模糊處理，因此易于操作. 同時，該方法可以有效彌補空間模糊化方法中用戶隱私要求的區域不存在問題，有利于滿足用戶隱私需求[8]. 李維皓等[9]提出時空關聯的位置隱私保護方案，通過地圖分割算法和偽內容生成算法，利用維諾圖將地理區域劃分為多個維諾多邊形，并利用移動模型預測用戶向鄰近時間點中間的位置選擇，有效提高了LBS隱私保護方案的有效性和安全性.

1.1.2概率推測法

概率推測法是基于馬爾可夫模型的隱私保護方法. 該方法通過把用戶的每個可能的位置與一個發布位置數據的概率相關聯，每個概率值對自己的位置進行判斷，決定發布或者抑制發布，最后將這些概率匯總形成發布概率向量. 通過圖形方法進行建模[10]，可更加準確獲得位置數據在時間和空間上的關系. Tsai等[11]提出了一種基于概率推測的方法Mask-Sensitive，其原理為當用戶到達敏感位置時，系統會自動抑制信息的發布. G?tz等[12]提出了優化改進的MaskIt算法，通過計算每個位置發布信息的概率，實現對每個敏感位置的保護. 李婕等[13]基于概率推測模型設計MaskK算法，通過隱馬爾可夫模型(HMM)對用戶位置情況建模，計算得出用戶位置移動的抑制發布概率，同時通過粒子群優化算法(PSO)對模型進行了優化.

1.1.3加密保護法

加密保護法是通過加密技術使得LBS用戶與服務器互相不可見，在保證數據的準確性和安全性前提下實現隱私保護.

隱私信息檢索(PIR)可以使用戶在服務器不知道其查詢請求的前提下，從服務器中查詢到所需信息. 隱私信息檢索方法如圖5所示.

圖5 PIR方法流程圖Fig.5 Flow chart of PIR method

這種方法使攻擊者無法對用戶發起的不同查詢進行區分，隱私保護度高，也能夠確保服務質量. 但是，該方法需要額外的硬件和復雜的算法支持，例如，基于隱私信息檢索的LBS保護技術(PIR)[14]和同態加密技術[15]. 劉雪嬌[16]提出一種基于密文策略的數據加密機制，通過密鑰協商和委托加密來確保數據安全. 因此，所需計算和通信開銷會隨之增加.

1.2 現有位置隱私保護方法比較分析

上述3種隱私保護方法各有其優缺點，在實際應用過程中要根據實際需求進行選擇. 隱私保護技術的應用會加大系統的開銷，甚至影響服務質量，因此應注重在保護能力、系統開銷與服務質量之間進行權衡. 3種方法的優劣對比如表1所示.

表1 3種隱私保護方法比較

模糊扭曲法是在服務信息傳輸給LBS服務器之前，對數據進行適當的模糊和扭曲處理，這就會導致服務質量方面的損失，因此需要在服務質量和隱私保護水平方面做出必要的權衡. 這種方法系統開銷不高，但存在數據容易出現失真的缺點，且容易被攻擊者利用推斷技術攻擊，當攻擊者具有較豐富的先驗知識儲備，系統就容易受到具有數據分布特征的背景知識攻擊. 概率推測法利用馬爾可夫原理可以精確計算出用戶的時間和空間關系，進而精確開展隱私保護. 該方法要根據用戶當前時刻前的歷史位置數據進行計算，得出用戶處于敏感位置的先驗概率，這種計算過程具有較高的時間復雜度，因此需要對應進行優化建模. 這種方法面臨的主要問題是時延較大，影響服務效率. 加密保護法通過加密技術使得用戶查詢信息與LBS服務器之間不可見，從而實現了較為嚴格的隱私保護. 加密保護法能夠完全保證數據的準確和安全，該方法使攻擊者無法對用戶發起的不同查詢進行有效區分，隱私保護效果較好，但需要額外增加硬件設備并需要復雜算法支持，因此系統開銷較大.

1.3 現有位置隱私保護方法在5G環境下存在的不足

5G時代的位置數據多樣化提高了隱私保護難度，傳統的隱私保護方法面臨新挑戰. 在5G環境下，物聯網、車聯網概念下的新的移動智能終端將紛紛投入應用，這給傳統的隱私保護方法增加了難度. 從技術角度來看，最顯著的區別是5G在信號體制上與4G有諸多不同，具體表現在：①在4G及以前定位主要依靠TDOATOACELL-ID等方法來實現定位功能，在5G環境下，引入的測角信息與單基站測試信息隱私泄露問題沒有引起學者們的足夠重視；②5G基站通信密度大，通信能力強，攻擊者偽裝用戶獲取位置隱私的概率增大；③5G網絡中云服務器帶來計算能力的提升，導致上行定位可能成為新的主流，基站擁有更多用戶位置隱私信息這同時增加了隱私泄露風險. 這種通信環境的變化給傳統隱私保護方法帶來極大挑戰，因此研究新的適應5G環境的隱私方法非常必要.

目前常見的隱私保護方法均沒有系統地將LBS隱私保護技術與實際定位系統相統一，缺少對定位過程中實際存在的結合問題的討論，沒有針對性提出5G定位過程中的隱私保護方法，更沒有一個具體全方位的隱私保護方案. 因此，為了適應5G帶來的新變化，本文提出了一種融合5G定位的位置信息隱私保護方法.

2 融合定位的隱私保護算法及性能分析

針對5G環境下的高帶寬、低時延的網絡傳輸特點，本論文在具體隱私保護方法選擇方面也做了深入研究. 為了實現5G環境下的安全監控和有效的安全策略配置，根據5G網絡狀況特點，將已有的位置隱私信息保護方法進行梳理，經過與5G定位方法的深度融合，提出一種在5G環境下適應性較好、性能較優的隱私保護方法.

為了更好地融合5G定位方法，將從5G定位從定位之前的定位維度選擇、定位時方法的選擇、定位后位置信息數據安全傳輸3個方面分別進行處理，完成一個全方位結合5G定位的隱私保護方法.

圖6 基于5G定位的隱私保護原理Fig.6 Schematic diagram of privacy protection method based on 5G positioning technology

本方案主要通過3個階段來完成5G位置服務中的隱私保護.

① 定位維度選擇階段：采用降維算法避免單基站全暴露；

② 定位階段：結合初定位方法提出與定位相耦合的隱私保護算法；

③ 位置信息傳輸階段：通過對稱加密進行傳輸保護并防止偽用戶獲取隱私信息.

2.1 降維初步處理

5G新技術的誕生給定位提供了更多的技術支持. 毫米波的出現使時間測量精度更高，大規模天線技術使角度測量變得可行，這有效彌補了5G之前只能采用一維時間方法進行定位的不足. 定位維度以及多維度定位準確性的提升使得單基站定位將成為主流. 但隨之而來的一個問題就是位置隱私信息更容易被竊取. 舉一個簡單的例子：之前可能竊取一個用戶的位置隱私需要幾個基站的數據及幾何關系進行定位，而現在僅僅需要一個基站的信息即可完成用戶位置的獲取，這給個人位置隱私帶來了巨大風險.

為了解決5G定位維度問題帶來風險，本研究采用了破壞維度法來減少隱私保護的風險. 破壞維度法主要就是減少從一個基站能直接獲取的定位信息的維度. 為了解決這個問題，本文通過采用共頻帶信號方法[17]來進行處理. 共頻帶信號是一種相關性較好的定位信號，它具有多種碼型，每種碼型僅在對應相應的發射信號情況下才能獲取相關峰. 當采用共頻帶信號進行角度和時間的測量，攻擊者在竊取與信號耦合的信息時必須要獲取對應相關碼，這樣就極大提高了隱私保護能力.

獲得本地碼相位的公式為

式中：lk(t)為本地碼的碼相位;ck(t+Treal+Terror)為到達信號碼片序列;f為共頻帶信號的實際頻率，而i=0,1,2…，N，表示第i個碼片.

由式(1)可知，如果沒有本地碼相位，無法獲取相應的同步結果，也就無法獲取相應時間或者空間內某一維度信息.

因此，僅需利用共頻帶對其中一種維度進行自適應加密就可以限制攻擊者獲取的信號的完整性. 如果對時間加密，則直接使用共頻帶信號測時即可，使用角度加密則應采用共頻帶加密相位的方法. 如式(2)，將共頻帶簡化相關矩陣的方法引入進來，可以提升定位精度的同時避免外界獲取相關空間位置數據.

(2)

式中:ex，ey均為矩陣分塊;E為分解后的一維矩陣；Λ為對角陣.

該方法能方便地解決攻擊者從單基站獲取一個用戶所有位置信息的問題，大大降低了單基站隱私暴露風險.

2.2 定位耦合隱私保護算法

本研究根據5G定位特點，根據初定位或者CELL-ID獲取一個初始范圍，進行精確定位(該初始定位區域可能并不只是包含目標用戶). 針對該類型定位方法，為了保護用戶的位置隱私，本文針對初定位區域提出一種基于初定位區域的位置保護方法.

通常分析隱私問題考慮的是隱私保護度、數據有效性和算法復雜度. 結合對5G場景的分析，目前此場景存在訪問次數增加帶來的暴露概率增加和訪問時延(即復雜度)要求高的問題. 在5G場景中，上文中提到的模糊扭曲法、概率推測法和加密保護法很難實現復雜度和性能的均衡. 因此，本文提出了一種針對初定位區域的融合加密算法，旨在保證隱私安全的前提下，達到復雜度與性能的總體優勢.

首先，將區域劃分為等大小的方塊，用戶隨機分布在各個區域. 根據各區域用戶數目n劃分區域的敏感度M，其中M=1/n. 設置最大可容忍暴露概率為kmin，當M≥kmin時，記錄該區域為敏感區域，不宜發布位置信息. 當不為敏感區域時，空間模糊足夠滿足隱私保護要求，無需額外算法. 當不滿足隱私保護要求時，采取兩種應急策略. 首先，對該區域進行歸附操作，將M較小的區域歸附到附近M較大區域進行模糊. 如果此時M值仍不能達到要求，則進行加密操作. 將十字形的5格記錄為一個隱私區域，每次查詢都將取目標點在內的隨機隱私區作為返回結果，終端需要進行最多5次查詢即可得到結果，隱藏了具體的查詢用戶，提高了隱私保護性能.

根據以上流程，可以得到位置暴露概率P為

(3)

式中:sgn為符號函數;M依附表示被依附區域的敏感度.

從目前的隱私保護算法來看，尋找次數往往用來代表算法的復雜度，針對本算法場景，可得到本算法的尋找次數為

(4)

其中，臨近區域nnear為

(5)

式中：Xi為在區域中的第i個;Mall為區域的總個數.

2.3 對稱加密傳輸

根據5G基站的超密集組網以及云邊緣技術規定，大型計算應該由基站及云完成，解放終端的CPU. 故5G可能存在的定位架構是上行定位：即基站獲取用戶上行數據，通過相應定位解算獲取用戶位置后通過數據下傳到用戶. 如果攻擊者偽裝成用戶訪問基站獲取用戶信息，用戶信息可能存在被全面披露的風險.

針對上述問題，要實現隱私保護，還應對定位獲取結果的查詢進行再次加密. 圖7是結合定位的安全查詢方法流程. 首先，在定位請求開始時，給附帶終端定位請求分配的公鑰，基站獲取公鑰后，采用終端公鑰加密響應內容并附上基站分配的公鑰. 終端通過私鑰解密后獲得基站分配的公鑰，通過基站公鑰對后續的定位請求進行加密，保證只有該終端可以獲取自己的位置信息. 該方法實現了定位后傳輸的加密，避免了傳輸過程中的隱私泄露，提升了安全性能.

圖7 查詢加密流程圖Fig.7 Flow chart of query encryption

綜上，本文提出了一種融合隱私保護算法，該算法在深度耦合5G定位方法基礎上，從維度、方法和數據傳輸3方面展開，結合實際5G特點，能夠實現全方位的位置隱私保護.

2.4 仿真與分析

為保證上述算法不影響定位性能，本文對加入該隱私方法后的定位方法進行了仿真和分析. 本文所用實驗數據來自基金項目涉及的具體數據資源庫，主要為某省項目區域內運營商服務器部分位置服務應用端數據. 由于只有引入共頻帶信號會造成定位精度影響，而其他部分主要是體現在位置查詢上. 因此，本文主要仿真降維算法對定位的影響. 仿真采用模擬多天線接收信號為輸入信號，波形為余弦波，標準的信道噪聲為5G標準規定的噪聲. 關于相應算法的仿真可參考Liu[18]對于共頻帶信號角度定位的仿真，其中天線為100天線線陣，頻率為3.5GHz(中國5G定位頻率). 共頻帶信號碼片數為規定的10 230，頻率為10.23MHz.

從圖8中可以看出，該降維算法雖然在定位信號中引入了共頻帶信號，但是并不會對定位結果造成干擾. 在仿真環境下，由于共頻帶信號具有更好的相關性，甚至可以簡化相關矩陣的分解，提供更好的角度分辨率，提升定位精度. 因此，共頻帶信號用于降維算法不僅是在隱私保護能起到提升保護能力的作用，還在幫助定位改善測角精度.

圖8 加入共頻帶信號的方法與原有多種方法定位精度的對比仿真Fig.8 Positioning accuracy simulation comparison of method added with common band signal and the original methods

在5G場景下，位置隱私保護重點關注兩個指標：暴露概率和時間復雜度. 下面將分別從這兩個方面分析所提算法的性能.

5G超密集組網帶來的小區密集化使得搜索空間變小，即誤差區域變小. 同時，由于請求次數增加，本文在判定暴露概率上是取單位時間暴露概率. 根據公式計算，可以通過改變用戶數M，得到仿真圖如圖9、圖10所示.

圖9 不同算法的位置暴露概率與敏感區域內用戶數的關系Fig.9 Relationship between location exposure probability and the number of users in sensitive area in different algorithms

根據上述算法，將用戶數M從1增加到20來仿真位置暴露的概率. 分別仿真了上述的空間模糊算法，加密算法和融合算法. 其中虛線為敏感區域分界線.

根據圖9的結果可以看出，本文所提出的融合算法在總體性能上要優于其他兩種算法，尤其是在敏感區域內融合算法能保持較低的位置暴露概率. 實現了總體暴露概率均低于其他算法，特別是在用戶較少時，暴露概率顯著下降. 所以該融合算法能較好的保護用戶的隱私.

圖10 不同算法的位置最大查詢次數與敏感區域內用戶數的關系Fig.10 The relationship between the maximum number of location queries and the number of users in the sensitive area in different algorithms

根據查詢過程，將不同算法的最大的尋找次數N與用戶數M進行仿真，從圖10可以看出融合算法在復雜度上也能保持一個較優的結果，避免了無限增長的復雜度.

表2 各算法的時間復雜度Tab.2 Time complexity of different algorithms

由表2可以看出，本文提出的算法在復雜度上明顯優于其他算法，隨著用戶數增加，復雜度增長不會增加，避免了復雜度的線性增長.O(1)表示不隨用戶增長復雜度增加，O(N)表示隨用戶增長復雜度線性增加，O(N2)表示隨用戶數增長復雜度平方指數增加. 本文提出的算法是O(1)，原有兩種方法是O(N). 通過仿真可以看到，通過引入共頻帶信號并采用破壞維度的辦法實現了用戶信息在定位上的隱藏. 所提出的融合加密算法，通過敏感區域判別機制能夠有效提升隱私保護效率. 在數據安全性方面，采用再次加密技術效果明顯，可有效防止信息被非法竊取. 但是由于本算法會有降維處理以及傳輸加密，會在性能上有所損耗，但初步估計本方案的性能不會大幅下降. 總體看來，融合算法能在復雜度穩定的情況下保持較好的隱私保護能力，能在5G高速率大容量情況下保護用戶的位置隱私.

2.5 實際場景測試分析

圖11表示融合定位隱私保護算法的可用場景. 通過在辦公室環境中布置基站設備以及接收終端，可搭建出有效的算法試驗場景. 現場設置了基站和多個持有用于接收信息的終端設備的用戶，測試中通過測角方法實現定位信息的獲取.

圖11 測試場景示意圖Fig.11 Test scenario diagram

對于單個用戶，通過獲取室內3個基站發出的位置信號可以得出角度信息，進而實現位置信息的生成以及定位誤差的比較. 對于多個用戶，這種場景適用于多種用戶行為分析中. 考慮到使用的隱私保護算法，根據測試場景特征，可將場景分割成若干4.1 m×2.1 m的方形區域，通過定義不同區域的敏感度以及配置最大可容忍暴露概率，即可在測試環境中確保位置保護算法的實現和性能分析. 與此同時，基站的信息傳輸模塊也將使用本文提出的加密傳輸方法，確保位置信息傳輸的安全性. 可見，通過這種方法能夠在日常生活避免非法用戶行為軌跡畫像，保證用戶不被大數據特征化進而暴露個人隱私. 總之，該方法可以有效保護LBS服務終端用戶的位置隱私信息.

綜上，這種融合5G定位技術的隱私保護方法充分考慮了5G高帶寬、低時延的網絡特點，從定位維度、定位方法和位置信息安全傳輸角度綜合考量，實現了位置隱私保護與5G定位技術的深度融合. 該方法通過降維算法成功避免了單基站隱私信息暴露，結合初定為方法提出定位耦合隱私保護算法并通過對稱加密實現了傳輸信息保護，可以有效防止位置隱私信息泄露.

3 結 論

本文分析了5G環境下移動用戶位置隱私泄露風險，梳理了已有隱私保護技術并對3類常見方法進行分析對比，針對5G環境下位置隱私保密面臨的新挑戰提出了一種適合5G環境的隱私保護方法，即融合定位隱私保護方法，可以在切合實際的情況下，通過降維初步處理、融合隱私算法及傳輸加密方法在不提升復雜度的情況下，處理了從定位維度選擇、定位中間過程乃至傳輸全鏈路的風險. 該方法在5G定位背景下能夠有效提升移動用戶的隱私保護能力. 本文創新點如下.

① 在引入共頻帶信號后，采用破壞維度的方法，通過對時間維度或空間維度的降級減少定位信息的維度，從而實現用戶信息在定位上的部分隱藏，以達到保護隱私目的；

② 針對傳統隱私保護算法在5G場景中復雜度和性能不穩定的問題，提出了一種融合加密算法. 通過設置敏感區域判別機制以及處理方式，在計算方法上提升隱私保護的效率；

③ 為保證用戶上行數據的安全性，在位置信息傳輸上，通過對定位結果的查詢進行再次加密以防止非法竊取.

展望未來，在5G技術應用背景下，移動用戶位置隱私信息保護面臨以下幾點問題.

① 個性化的隱私保護. 5G環境下，位置隱私保護應用場景將擴展到工業、農業、金融、交通、醫療、教育等領域，實現“萬物安全互聯”. 隨著應用領域的拓寬，在數據量增加的同時移動用戶個性化需求增加，更應關注個性化的隱私保護需求. 同時，智能時代下新硬件發展帶來新的隱私泄露風險，應重點關注新型移動智能終端內的隱私保護.

② 建立位置隱私信息保護及使用生態系統. 一方面，隨著大數據和人工智能的發展，LBS隱私威脅增加，相應的隱私保護方法應結合相關應用情況進行有針對性的改進. 另一方面，建立基于大數據和人工智能的LBS隱私保護生態系統是未來研究重點. 利用5G環境具有很強靈活性的特點，實現自動化、智能化的隱私保護，通過對移動互聯網領域的海量數據進行有效分析，將隱私保護方法與具體數據相結合，可以更加有針對性地開展位置大數據相關的研究和應用.

③ 研究新型的安全漏洞檢測方法. 新技術的發展日新月異，新的攻擊方法也不斷被開發出來，安全漏洞檢測及安全預警研究是今后的研究熱點之一. 建立應急機制并完善應急處置預案，不斷對防御體系進行完善，對隱私保護關鍵領域進行深入研究，更加注重技術的合理應用與管理方法的協同創新.