随着科技的飞速发展,各种智能设备集成了种类繁多、功能强大的传感器,使得群智感知网络的应用越来越广泛。由于群智感知网络是“以人为中心”的网络,采集的感知数据隐藏着用户大量的敏感信息,一旦信息泄露,既严重危害用户的隐私安全,也不利于群智感知网络的进一步发展。因此,在采集感知数据的过程中如何保护用户的隐私,在融合传输的过程中如何保证数据的安全和完整,成为近几年的研究重点。本文在前人的基础上开展进一步研究,主要内容如下:现有隐私保护算法对所有用户在所有位置都采用相同级别的隐私保护策略,一些不敏感的位置被保护过度,导致感知数据的精度较低;一些较敏感的位置保护不足,造成用户的隐私泄露。针对此问题,提出了一种满足用户个性化隐私安全需求的位置隐私保护算法。首先,根据用户的历史移动轨迹,挖掘用户对不同位置的访问时长、访问频率和访问的规律性来预测位置对用户的社会属性;然后,结合位置的自然属性,预测用户-位置的敏感等级;最后,结合用户在不同的位置有不同的隐私安全需求的特点,设置动态的隐私判定方案,在每个位置选敏感度低的用户参与感知任务。仿真结果表明,该算法在提高隐私保护水平的同时还提高了感知数据的精度。感知数据在融合传输过程中有很大的泄露风险,现有的隐私保护方法大都注重数据的私密性,而忽略了数据的完整性;兼顾数据私密性和完整性的隐私保护方案通信量较大,保护强度也有待改进,严重影响了群智感知网络在实际中的应用。针对此问题,提出了一种基于分布式压缩感知和散列函数的数据融合隐私保护算法,采用分布式压缩感知方法对感知数据进行稀疏观测,去除冗余数据;再利用单向散列函数求取感知数据观测值的hash值,将其和不受限制的伪装数据一起填充到真实感知数据中,达到隐藏真实感知数据的目的;最终汇聚节点提取出伪装数据之后,再次求取感知数据的hash值,验证数据的完整性。仿真结果表明该算法兼顾了数据私密性和完整性,同时大大减少了通信开销,在实际应用中具有很强的适用性和可扩展性。