大数据时代的到来致使人们开始挖掘和运用海量数据,基于位置服务(LBS,Location Based Services)得到了广泛的应用并取得了不错的成果。但是,LB S在提供服务的前提是访问用户实时位置,服务过程可能会侵犯到用户位置或其他个人隐私。尤其在连续LB S查询时,服务提供商(LBSP,Location Based Services Provider)中可能存在潜在的恶意攻击者,可以利用背景知识推断用户位置及轨迹隐私。目前,非常多的隐私泄露事件被报道,人们不断提高对自身隐私的关注度,如何有效保护用户隐私日益重要。文本针对已有基于位置服务隐私保护及轨迹隐私保护方案部分不足进行研究,主要工作内容如下:(1)分析现有LBS服务位置隐私保护方法,提出基于协作的个性化(k,r,s)-隐私保护方案,该方案主要针对连续查询服务,通过不断寻找协作用户,共享可用缓存信息,使用缓存数据满足查询请求。降低查询用户在连续位置查询中与LBSP之间的信息交互量,使LBSP无法获取足够的位置信息重构查询用户轨迹,有效防止差异识别攻击。(2)研究已有轨迹数据发布匿名模型,提出抵制轨迹相似性攻击的轨迹(k,e)-匿名模型,轨迹(k,e)-匿名模型主要对传统轨迹k-匿名进行改进,解决匿名集内因轨迹相似性过高而导致的轨迹隐私泄露问题。轨迹(k,e)-匿名模型创新之处在于将轨迹斜率视为敏感值,将至少k条不同斜率的轨迹聚为一类,并要求每个类内轨迹斜率差异值至少为e。本文研究目的是当用户使用LBS服务时,降低轨迹隐私泄露的可能性,同时降低轨迹数据发布时轨迹泄露隐私的可能性。在LBS连续查询中,本文算法通过协作用户共享缓存数据满足用户查询服务请求,有效减少发送到LBSP的真实信息量,防止轨迹重构,降低位置和轨迹隐私泄露概率。在轨迹数据发布中,通过对传统轨迹k-匿名模型进行改进,降低轨迹等价类内轨迹相似度,有效抵制轨迹相似性攻击,隐私保护程度显著提高。