移动群智感知(Mobile Crowd Sensing,MCS)是一种新型的、灵活的、高效的数据感知技术,由一组用户携带着能够感知和计算的智能设备参与数据采集,完成数据请求方提出的感知任务。得益于移动感知设备强大的感知、计算、通信能力,众包的低成本,移动群智感知已广泛应用于环境感知、基础设施感知和社交感知等。以地图采集为例,百度地图、高德地图、Waze导航等平台将地图采集任务分发给符合要求的参与者,参与者上报路况如拥堵、施工、事故等,并从平台获得相应奖励。当前,如何以较低成本完成更多感知任务是移动群智感知任务分发的核心问题。然而,采集员在参与地图采集并贡献感知数据时,其隐私信息如地理位置、运动路线、个人身份等面临着泄露的风险。出于对隐私泄露的担忧,参与者的参与热情及任务完成质量急剧下降,保护参与者隐私是移动群智感知任务分发亟需解决的问题。目前,移动群智能感知任务分发的隐私保护方法较多,但仍不够完善并存在一些缺陷。第一,依赖可信平台,由可信平台在任务分配过程中保护参与者隐私不被第三方获知,而实际应用中,完全可信的平台通常是不存在的;第二,主要保护单一位置隐私,路径隐私保护不足,不能满足参与者连续执行一组任务的路径隐私保护需求;第三,平台提供不同参与者无差别的隐私保护,不能满足参与者多样化的隐私保护需求。本文围绕移动群智感知任务分发中隐私保护问题,针对不同应用场景下参与者的个性化隐私保护需求,提出了不依赖可信平台的隐私保护任务分发算法解决上述问题。本文的主要研究内容如下:(1)位置级路径隐私保护任务选择。针对参与者参与感知任务过程中位置隐私暴露的问题,本文提出一种位置级路径隐私保护的任务选择算法。从参与者角度,在满足移动距离约束和位置隐私保护的条件下,最大化参与者的期望收益。对路径上的每个途径位置采用位置差分隐私机制保护;对路径的目的地位置,采用抑制发布的方法保护,抵抗基于贝叶斯的推断攻击。实验测试验证了所提出的算法能够提供参与者位置级路径隐私保护,并实现较高任务收益。(2)轨迹级路径隐私保护任务选择。针对参与者参与感知任务过程中轨迹隐私暴露的问题,本文提出了一种轨迹级路径隐私保护的任务选择算法。从参与者角度,在满足移动距离约束和轨迹隐私保护的条件下,选择任务最大化参与者的期望收益。首先,根据轨迹到敏感位置点的距离定义了一种新的轨迹隐私。其次,提出了一种基于动态规划的轨迹隐私保护分布式任务获取算法。最后,为了评估不依赖可信平台的代价,提出了一种依赖可信平台的轨迹隐私保护集中式任务分配算法。实验测试验证了所提出的算法能够提供参与者轨迹级路径隐私保护,并实现较高的任务完成率。(3)位置隐私保护反向拍卖任务分发。针对参与者反向拍卖过程中竞拍任务及报价泄露参与者位置隐私的问题,本文提出了一种隐私保护反向拍卖任务分发算法。首先,从攻击者角度,建立推断攻击模型,利用参与者的任务竞标推测参与者的源位置。其次,从参与者角度,设计了具有隐私意识的任务竞拍算法。最后,从平台角度,设计了具有隐私意识的任务分配算法。实验测试验证了所提出的方案既能保护参与者位置隐私,又不增加平台的感知成本。