科技的革新与提高、移动智能终端的快速升级以及定位技术的不断完善,使得LBS得到了迅猛发展,用户终端在享受便利的同时也面临着隐私泄露的风险。为满足车辆的高速移动、系统的储存负担等性能要求,提出一种符合兼容车联网环境的基于LBS的车联网隐私保护算法性能评价指标和可调节的评估策略。为解决现有车联网环境下位置隐私保护算法缺少一种具有普遍适用性性能评估方法的问题,满足隐私保护度和位置服务质量之间的自适应平衡需求,在借鉴已有研究的基础上,进行基于相似性模型的车联网LPP算法性能指标量化方法、基于信息熵和隐私增益的车联网LPP算法性能评估方法的研究以及改进的基于差分隐私的车联网LPP算法性能自适应评估方法。具体研究工作如下:1.为了完善车联网隐私保护算法性能评估指标,确定指标量化方法,首先从车联网三层体系和安全框架中析出算法性能评估指标;根据距离、相似度、f-散度和规模的度量方法特性,比较分析常用相似性模型在本文应用场景下的兼容度,最终选取基于融合距离、Jaccard相似度和Hellinger散度对算法性能指标进行量化,结合平均化处理后的匿名集大小等客观因素度量结果。2.在指标量化值的基础上,针对隐私保护效果和处理结果精准性之间相应的均衡量级进行权重的分配,引入信息熵和隐私增益的定权思想,提出一种车联网隐私保护算法性能评估策略DSFS-PEA。衡量隐私增益的过程中拟代入上文的安全度量模型中得出对比结果,对PPA、P2P-IS-CA-HL和SCAPGID三种k-匿名衍生出的LPP算法进行重新评估,目的在于分析位置隐私保护算法,验证并优化评估指标和策略。3.利用差分隐私噪声叠加过程中会导致查询精度降低这条特性,可以根据不同量级下隐私保护度和服务质量的应用需求进行自适应选择。从LBS服务流程中获取查询上下界阈值,由此计算基尼系数生成分类回归树进行隐私预算分配,实现对车联网LPP算法性能进行自适应评估,便于从中挖掘可改进研究方向,拟在不牺牲服务质量的前提下,进一步提升车联网隐私保护系统的整体性能。课题研究提出的评估方法在指标平衡性和自适应性方面表现优于传统评估方法,为后续研究人员择优和改进合适量级隐私保护方案提供理论基础和技术支撑。