1.一种轨迹分类对抗样本的防御方法，其特征在于：该方法包括以下步骤：S1：轨迹数据片段预处理；对于读取的待保护的轨迹数据X，总数量记为n,根据数据提取操作将轨迹数据转化为轨迹样本对应表达式如下：{x1，x2，x3...xn}

其中xi{i＝1，2，3...}表示轨迹样本，每一部分样本相互独立有着各自的轨迹特征；

S2：轨迹样本的特征提取；对于S1中预处理后每个轨迹样本xi{i＝1，2，3...}提取6个轨迹特征值，即经度、纬度、时间、速度、加速度和角度，表示如下：(lngi，lati，ti，vi，ai，degi)

其中lngi表示经度，lati表示纬度，ti表示时间，vi表示速度，ai表示加速度，degi表示角度；

轨迹样本经过预处理之后得到的数据包含有经度lngi、纬度lati、时间ti，通过计算得到速度vi、加速度ai、角度degi特征信息；

S3，噪声生成；选取拉普拉斯噪声作为噪声进行添加；

S4，扰动数据，将步骤S3中获得的噪声数据加入到轨迹特征中，生成带有噪声的轨迹特征数据，对于对抗样本的防御方法，即是在带有噪声的轨迹特征中加入扰动数据β，我们考虑在轨迹样本的梯度上加入扰动，得到相应的轨迹分类对抗样本数据如下：x″＝x′+A(x′+β，y)

x′表示轨迹样本加入拉普拉斯噪声后的带有噪声数据，x″表示带有噪声的轨迹样本加入扰动数据的对抗样本，y表示对应轨迹样本数据分类的标签；

通过对比x’与x”经神经网络分类器获得的分类准确率，评估防御系统的防御效果；

步骤S5，降噪过程；带有噪声的轨迹数据X′中包含有高频部分H和低频部分L，高频部分是指对于轨迹数据中强度变化较为剧烈的像素点；低频部分是指轨迹数据中强度变化平缓的像素点，即降噪后的轨迹数据；对应表示如下：T′(x，y)＝H(x，y)+L(x，y)

其中(x，y)表示轨迹样本中的像素点坐标；

采用低频滤波技术中的均值滤波技术消除轨迹片段高频部分，保留低频部分，达到反变换的过程，即完成降噪处理；邻域运算是通过对目标像素的邻域进行加权处理而获得的目标像素的数值，得到这个加权矩阵h，也叫做邻域算子；降噪过程表示为：其中T(x，y)表示原始轨迹样本像素点，即目标轨迹样本像素点； 表示邻域运算，即在每个轨迹样本位置(x，y)进行基于邻域的函数计算；

假设轨迹样本的长度与宽度分别为M，N，采用均值滤波技术的邻域算子的运算为其中h表示加权矩阵即邻域算子；

轨迹样本的反变换I过程表示为：

T(x，y)＝I(T′(x，y))

在降噪处理之后的样本经过特征提取操作转化为特征数据的表示；

经过降噪后的样本转化为样本数据表示如下：

X＝{x1，x2，x3...xn}

轨迹样本数据经特征提取得到每个样本特征的表示；

xi＝(lngi，lati，ti，vi，ai，degi)其中lngi表示经度，lati表示纬度，ti表示时间，vi表示速度，ai表示加速度，degi表示角度。

2.根据权利要求1所述的一种轨迹分类对抗样本的防御方法，其特征在于：所述S2包括以下步骤：S2‑1：轨迹距离的计算，设A,B两点的经度数据分别为lng1，lng2，纬度数据分别为lat1，lat2，首先根据经纬度数据获得任意两点数据的距离，之后根据距离得到轨迹之间的轨迹角度：其中sAB表示A与B两点之间的距离，r表示地球半径；

S2‑2：角度的计算，在一段连续的轨迹数据片段中存在三个点，分别为A，B，C，三点所形成的角度为γ，三点之间的余弦值存在以下关系：其中γ为ACB所成的夹角，sAC为AC之间的距离，同理sBC，sAB分别为BC与AB之间的距离；

S2‑3：速度及加速度的计算，根据轨迹特征的时间及距离，轨迹样本中的速度、加速度表示为：设神经网络模型的轨迹分类器为f，轨迹数据为X，输入卷积网络模型中的向量为V，轨迹样本为xi，经过卷积网络模型获得的轨迹特征为ξ；轨迹分类过程表示如下：f(X，V，xi)＝{ξ1，ξ2，ξ3，ξ4，ξ5，ξ6)。

3.根据权利要求2所述的一种轨迹分类对抗样本的防御方法，其特征在于：所述S3包括以下步骤：S3‑1：构建轨迹防御模型，在轨迹特征中加入拉普拉斯噪声达到防御的效果，另外在此基础上设计一个迭代随机算法，其目的是找出一个最佳的噪声数据值，根据轨迹特征计算出分类器的分类结果如下：T＝{T1，T2，T3，T4，T5，T6}

其中，T1表示分类器将数据分别分类为步行的结果，同理T2，T3，T4，T5，T6分别表示分类器将数据分类为自行车，公交车，汽车，火车，飞机的结果；

每一个分类结果对应一种概率结果，即经过神经网络f的映射作用，分类结果用相应的概率表示P＝f(T)；

从而获得每个轨迹对应的轨迹方式的概率表示如下：

P＝{P1，P2，P3，P4，P5，P6}

其中，P1表示分类器将数据预测为步行的概率，同理P2，P3，P4，P5，P6，分别表示预测为自行车，公交车，汽车，火车，飞机的概率；

基于差分隐私机制的原理，获得轨迹分类的防御模型为：

n(n＝1,2,3,4,5)表示轨迹分类的种类数目，ξij表示轨迹样本i的所有的轨迹特征，经过卷积网络的作用得到的每个轨迹样本分类结果，A表示对抗函数，α表示要在轨迹特征中加入的最佳噪声；

设每个轨迹样本经过对抗函数的作用得到的数据值范围为[0,c]，记为：S3‑2，噪声生成；在轨迹特征中加入拉普拉斯噪声，该噪声满足满足拉普拉斯分布的随机值，之后根据迭代搜索算法和预期的数据值去寻找最佳扰动数据，拉普拉斯概率密度函数为：设定一个对抗函数A，根据轨迹样本到轨迹特征上的映射关系，由轨迹数据有6个不同的特征，则表示为：T

f(d)＝(lngi,lati,ti,vi,ai,degi)设差分隐私的敏感度为Δf＝max||f(d)‑A(d′)||，尺度参数b满足其中d与d′表示邻近的轨迹样本，根据选定的不同轨迹样本进而确定b值大小，通过b值经过迭代搜索算法计算得出最佳噪声数据值α的大小；其中b与α存在如下关系：给出由轨迹数据X生成的轨迹样本x，每个轨迹样本的轨迹特征在拉普拉斯概率密度函数的作用下产生随机数，即是带有噪声的轨迹特征：将分布函数F(x)分解为若干个较为简单的子分布函数的线性组合其中F(x)为分布函数，pi>0， 产生一个正随机数 使得S3‑3：搜索最佳噪声，根据构建的轨迹防御模型计算模型数据值；初始化隐私保护的参数ε，σ，假定对抗函数为A；计算每个轨迹样本的模型数据值f(A(X))设为h1，计算每个轨迹ε样本的模型数据值ef(A(X+α))设为h2；选取不同的邻近轨迹样本计算b值数据，进而获取α数值，根据h2/h1大于1的关系，不断迭代更新b值的大小，进而得出α的数值，使得网络的防御模型在一定的阈值τ，输出对应的最佳噪声为α。

4.一种轨迹分类对抗样本的防御系统，其特征在于：该系统包括以下模块，轨迹特征提取模块，用于在选定的轨迹片段中经过预处理提取轨迹的基本特征及运动特征；

预处理子模块，根据选定的轨迹片段X，将轨迹数据转化为轨迹样本{x1，x2，x3...xn}，每个样本都包含有对应的轨迹特征；

特征提取子模块，基本轨迹数据中直接获取基本特征包含有经度，纬度，时间(lingi，lati，ti)，之后根据特征之间的关联计算得出运动特征(vi，ai，degi)；

噪声生成与添加模块，用于在基于差分隐私基础上建立轨迹对抗防御系统，通过拉普拉斯噪声生成机制获取特征数据α，构建防御系统子模块，每个轨迹中对应于一种分类模型，在差分隐私的基础上获取轨迹分类的防御模型：通过对抗函数及隐私保护强度的作用不断搜索进行获取，根据拉普拉斯概率密度函数去得到每个样本的拉普拉斯样本的变量，通过修改b值的大小数值进而获取最佳噪声；

迭代搜索噪声模块，计算每个轨迹样本的模型数据值f(A(X))设为h1，计算每个轨迹样ε本的模型数据值ef(A(X+α))设为h2；选取不同的邻近轨迹样本计算b值数据，进而获取α数值，根据h2/h1大于1的关系，不断迭代更新b值的大小，进而得出α的数值，使得网络的防御系统在一定的阈值τ，输出对应的最佳噪声为α；

扰动数据添加模块，根据获得的噪声数据加入到轨迹特征中，生成带有噪声的轨迹特征数据，对于对抗样本的防御方法，即是在带有噪声的轨迹特征中加入扰动数据β，对应的表达式如下；

x″＝x′+A(x′+β，y)

降噪处理模块，采用低频滤波技术中的均值滤波技术消除轨迹片段高频部分，保留低频部分，达到反变换的过程，即完成降噪处理；邻域运算是通过对目标像素的邻域进行加权处理而获得的目标像素的数值，得到这个加权矩阵h，也叫做邻域算子；降噪过程表示为：其中T(x，y)表示原始轨迹样本像素点，即目标轨迹样本像素点， 表示邻域运算。