V2V电车能量交换
Vehicle-to-Vehicle Energy Sharing Scheme: A Privacy-Preserving Solution based on Local Differential Privacy Method
贡献点：
- 自适应隐私预算分配( Adaptive Privacy Budget Allocation，APA )模型，通过隐私预算分配来平衡数据失真和隐私泄露风险。
- 平衡数据隐私保护水平和数据效用的高效用扰动( HUP )模型。
- 改进轨迹隐私保护的隐私加权平均( PWA )模型。
APA模型 自适应隐私计算分配模型 用来平衡噪声和信息可用性
原始位置经历LDP（本地差分隐私）扰动【添加噪声】。使用高斯核函数和哈曼顿距离来衡量两个位置之间的相似性（S，公式1）
公式1：使用高斯核函数和曼哈顿距离来衡量位置的相似性，参数σ表示缩放参数，决定了相似性随着距离递减而放大的速率。S的取值范围是[0,1]。
公式2：轨迹信息泄露量(TIL) = 求和[1/(相似性×距离)]？
公式3：εremain表示剩余的隐私预算，εtotal表示总体隐私预算，εk表示指定位置隐私预算支出。
公式4：εmin 和 εmax分别**：**引入ε min来避免将微薄的预算分配到后续位置，ε max是最大隐私预算上限的阈值。
HUP模型 平衡数据隐私保护水平和数据效用的高效用扰动
使用HUP模型的主要目的是在使用LDP方法保护数据隐私的同时，尽可能地保留原始数据的有用信息。例如，当我们需要共享敏感数据时，我们可以使用位置扰动算法对一些数据点的位置进行扰动，而不是完全按照LDP方法修改数据点的值。（不是很能理解）
因此，为了最小化参与者的轨迹隐私泄露风险和最大化统计效用，我们提出了基于阈值的位置扰动( TPP )算法来获得扰动位置。
TPP算法在保证数据效用的同时，优化了Hausdorff距离不变性的数据处理流程。
PWA 改进轨迹隐私保护的隐私加权平均 （防止扰动位置太假了，容易被辨别出来）
问题：
- 该文章使用了差分隐私的扰乱机制的具体技术？文章中并没有提到说使用什么扰动机制。只提到了LDP，local 差分隐私。
- 该方案中APA模型中的第三步，第四步的具体含义？
- 答：APA隐私预算自适应分配模型，隐私预算较大时，噪声较高，保护水平高，但是信息可用性会收到影响；当隐私预算较小时，噪声较低，保护水平低，但是信息的可用性较高。 对于剩余隐私预算
- 答：对于公式3来说，As evident from Fig. 3, formulas 3 and 4, the initial step involves the computation of the remaining privacy budget, denoted as εremain, for positions within the window [iω + 1, i].文章中说到这个公式求和的时候，位置[iw+1,i]区间剩余的隐私度量。
- 懂了，使用TILremain，表示之前的隐私泄露量隐私预算，达到考虑之前所以的差分隐私位置的影响。
