这些年来,随着智能移动终端的流行,GPS定位系统已经部署在小到手机,大到汽车等终端设备上。利用移动群体感知技术来收集用户的信息并挖掘有价值的内容已经称为当前热点内容之一。其中,基于位置的群体感知服务应用广泛,所以受到了很多人的关注。利用城市车辆上传GPS定位,从而检测城市车辆密度是应用之一。但是群体感知服务的一个弊端是,非常依赖于用户所提供的数据。而用户往往非常关心其数据安全性。比如城市车辆密度检测应用中,泄露了车辆的位置,也就泄露了司机自身的确切位置。所以数据的安全性是数据上传者非常关心的一点。为了解决基于位置的群体感知应用中存在的数据安全问题,现阶段已经有很多学者提出了相关的解决方案。主要有基于政策法的隐私保护技术,基于扭曲法的隐私保护技术,基于匿名法的隐私保护技术以及基于加密法的隐私保护技术。这些方案都在一定程度上保护了位置隐私,但是在目前提出的方案中,除了加密技术和差分隐私技术外,其它方案无法抵御背景知识攻击。而加密后的数据又存在很难操作的问题,而且加密效率也是一个不可忽视的问题。针对上述问题,本文提出了一种基于差分隐私技术的城市大范围车辆的位置隐私保护方案,其应用背景针对于城市的车辆密度检测。差分隐私保护技术是近年来新出现的一种隐私保护技术,其可应用领域十分广泛。由于其可以抵御背景知识攻击的特点,近几年受到了广泛的关注。目前已存在一些可应用于位置保护的差分隐私保护技术,可以实现很好的位置隐私保护。但是当应用于城市车辆密度检测时,由于城市空间往往范围大,车辆多,目前并没有一个可以很好的完成在保证一定的数据可用性的同时保护位置隐私的方案。本文在基于差分隐私保护技术的地域不可区分技术的基础上,通过将位置保护范围分割为更小的区域,同时结合秘密分享技术,很好的解决了大范围位置隐私保护和数据可用性两个问题。为了验证方案的可靠性,本文在真实数据集的基础上进行了实验,并与经典方案Laplace差分隐私保护技术进行了对比实验。实验结果证明,本方案在相同的地理环境下,完成了比Laplace机制更好的隐私保护效果。同时本文也对本方案的计算开销进行了测试,测试结果也符合预期,证明了本方案的可行性很好。