本文研究城市感知场景下的隐私保护问题。共享出行、电商物流和食品配送等公司愿意为其车辆安装传感器，以大规模采集交通拥堵、行程时间、路面质量、空气质量等数据。然而，细粒度的传感器数据会暴露车队中车辆的位置和数量，这对同行业竞争对手（如 Uber vs Ola、Uber vs Lyft、Amazon vs Alibaba）具有极高的商业价值，因此需要在不泄露敏感信息的前提下实现数据共享与分析。论文提出了一种结合高斯过程回归（GPR）插值、差分隐私（DP）和安全两方计算（2PC）的隐私保护框架。具体而言，利用 GPR 对传感器测量值进行空间插值，减少精确点位暴露；通过 DP 机制为聚合查询添加噪声，防止个体车辆位置或车队规模的精确推断；并借助 2PC 协议使得客户端能够在不直接访问原始数据的情况下获得有用的查询结果（如污染物浓度），同时保护服务端数据隐私。系统在延迟和带宽开销上表现高效，即使对于资源受限的移动客户端也能满足需求。为验证端到端可行性，作者构建了一个示例 Android 应用，该应用可在保护隐私的前提下，为用户提供给定起终点之间污染最少的路由选择。论文的主要贡献在于提出了一个面向车队级城市感知的隐私保护架构，兼顾数据效用、客户端隐私和车队隐私，并通过实际应用展示了其可用性。适合对智慧城市、隐私增强技术、差分隐私及安全多方计算感兴趣的研究人员和蓝队安全工程师阅读。