随着移动计算技术的快速发展,位置服务已成为当代社会生活中一项不可或缺的关键基础服务。然而享受位置服务的同时,用户也面临着轨迹隐私泄露的风险。当前,假轨迹合成作为轨迹隐私保护的主要技术,仅考虑了轨迹数据的时间和空间属性,却忽略了语义属性和社交属性。然轨迹数据的语义属性和社交属性与人的活动轨迹存在内在联系,这种联系给轨迹隐私保护带来了新的挑战,使得现有轨迹隐私保护技术无法抵抗多种隐私攻击,且难以保证数据效用。为此,本文从隐私攻击的角度思考轨迹隐私保护问题。本文首先研究轨迹数据中的社交隐私攻击,揭示轨迹数据的空间、时间以及语义特征对社交隐私泄露的内在影响,为轨迹隐私保护提供理论支撑。在此基础上,本文将社交属性融入轨迹隐私保护技术框架中,并结合时间、空间及语义属性,构建多属性结合的基于轨迹合成的隐私保护理论。本文的研究对位置服务系统的分析与设计具有重要的理论意义和参考价值。具体来说,本文的研究工作如下:（1）提出基于时空特征融合的社交关系隐私攻击模型。轨迹数据中隐含着用户社交关联的信息。而现有基于轨迹数据的社交隐私攻击方法都只分析了轨迹数据的空间属性对社交关系推断的影响。然而,通过观察发现,用户访问位置的时间背景对社交关系的推测也有着重要影响。因此,本文提出基于时空特征融合的社交关系隐私攻击模型,通过特征提取、量化及特征融合,分析了轨迹数据中的空间和时间属性对社交关系隐私泄露的影响。该研究为轨迹数据隐私保护提供了社交属性这一新的维度。（2）提出基于社交属性的轨迹k-匿名算法。基于上一部分的研究工作发现,现有基于假轨迹合成的轨迹隐私保护技术都只考虑了用户移动行为的空间和时间特征,忽略了社交关系对用户移动行为的影响,从而难以抵抗基于社交属性的轨迹去匿名攻击。因此,文本提出基于社交属性的轨迹k-匿名算法。该算法首先对用户的三维移动行为（时间、空间和社交行为）进行建模,对表现出类似三维移动行为的轨迹进行采样,最后使用采样位置为目标用户合成满足k-匿名的假轨迹集合。该算法首次将轨迹数据的社交属性引入轨迹隐私保护技术中,以抵御基于社交属性的轨迹去匿名攻击。（3）提出基于语义属性的社交关系隐私攻击模型。现有社交隐私攻击模型主要考虑轨迹数据的空间和时间特征,通过计算每对用户共同签到的频次和停留时长等显式的统计信息来估计用户之间的社交关联强度。然而,这不仅会造成较大的计算和存储开销,还因为忽略用户移动行为的语义特征而导致明显的估计误差。为此,本文提出了基于语义属性的社交关系隐私攻击模型。该模型可推导用户访问目的的概率分布这一语义信息,并结合轨迹的空间和时间特征学习出用户的移动特征向量。最后,本文利用二值编码技术对特征向量进行压缩以计算用户相似度。该攻击模型准确率高,可扩展性强,且对用户轨迹数据量的鲁棒性较好。（4）提出具有效用感知和双重隐私保证的轨迹合成算法。现有基于轨迹合成的隐私保护技术难以同时抵御多种攻击方式,且未能平衡数据效用和隐私保护。因此,本文提出具有效用感知和双重隐私保证的轨迹合成算法。首先,为了对人类移动行为进行准确且高效的建模,本文设计了自适应时空离散网格结构,并基于此网格结构建立时间依赖的马尔可夫模型。其次,为了评估数据效用和隐私保护,提出了时空距离、语义距离以及社交距离,以度量同一轨迹中的位置点之间、同一用户的轨迹之间、以及不同用户的轨迹之间的相关性。在此基础上,本文将轨迹隐私保护和数据效用之间的权衡建模为一个双层规划问题,并提出解决该规划问题的方法,以获得满足要求的合成轨迹。该模型生成的合成轨迹可抵御多种去匿名攻击以及社交关系隐私攻击,同时还保证了合成轨迹的数据效用。