本文首次系统性地研究了k-近邻查询（kNNQ）中的位置隐私泄露问题。kNNQ是位置服务（如“附近的人”）的核心组件，但长期以来其隐私风险被忽视。作者提出了两种针对kNNQ的位置推断攻击：几何相交位置推断攻击（GI-LIA）和零阶优化位置推断攻击（ZO-LIA），通过分析查询结果中的距离或排名信息，攻击者可推断出用户的确切位置，从而证明kNNQ存在固有的隐私风险。为抵御此类攻击，作者提出了差分隐私框架DPRS，其核心思想是在受限扰动区间内引入拒绝采样机制，以减少过度噪声注入造成的距离失真。同时，设计了一种私有区间构造算法来构建扰动区间，使得拒绝采样机制能够在隐私保护和查询效用之间取得更优的权衡。在真实空间数据集上的大量实验表明，DPRS在隐私保护和查询效用方面均优于现有方法。该研究揭示了kNNQ隐私漏洞，并提供了实用的防御方案，适合LBS安全研究者、隐私工程师以及位置服务开发者阅读。