传感器密集型环境通过融合多源数据流为智能服务提供依据，但用户并不希望所有活动都被公开。传统的差分隐私或规则过滤只能保护单一数据流，难以防止跨传感器的关联推断。为此我们提出 PrivateHub，它在扩散模型中引入对比学习，生成合成的多传感器序列，使得非私密应用仍可被检测，而私密应用被隐藏。PrivateHub 包含两个阶段：
- 应用条件预训练（App‑Conditioned Pre‑training, ACP），模型在多传感器数据上加入应用嵌入进行条件化学习；
- 应用感知微调（App‑Aware Fine‑tuning, AAF），利用对比损失将私密与非私密数据分离。我们还给出多传感器共享场景的威胁模型，假设攻击者可以获取合成数据并尝试重新训练。实验在三个真实多传感器数据集上进行，结果显示 PrivateHub 将私密应用的识别准确率降低 40%‑50%，而对非私密应用的检测几乎不受影响，且在攻击者使用合成数据再训练时仍保持鲁棒性。
点评