The advancements in positioning technologies have led to the emergence of various location-based services, resulting in a drastic increase in location-based data generation, producing big-data. Location data are often linked with user privacy, as they can reveal sensitive information such as the places visited by a person. Moreover, most location-based services involve resource-constrained devices, needing lightweight data processing approaches. Due to these reasons, privacy and efficiency have been two of the main criteria related to location-based data processing. The existing approaches do not study both issues in the same setting. Consequently, current methods fail to provide efficient privacy preservation solutions towards location-based data stream processing. To address these issues, we investigate the effective integration of edge computing, cloud computing and differential privacy for location-based data clustering, which is an essential area in service recommendations (e.g. recommending the closest hotels). In the proposed setup, we use local differential privacy to ensure the users’ privacy. Then, we apply initial edge-based clustering using mobile edge devices (MEC). Next, the differentially private centroids of the clusters are collected at a cloud server to generate final clustering in a privacy-preserving manner. Our experiments show that the proposed approach provides maximum accuracy of 90% on $\epsilon$ values over 0.4.

定位技术的进步导致了各种基于位置的服务的出现，从而导致基于位置的数据生成急剧增加，从而产生了大数据。位置数据通常与用户隐私相关联，因为它们可以显示敏感信息，例如人所访问的地点。此外，大多数基于位置的服务都涉及资源受限的设备，因此需要轻量级的数据处理方法。由于这些原因，隐私和效率已成为与基于位置的数据处理相关的两个主要标准。现有方法无法在同一环境中研究这两个问题。因此，当前的方法无法为基于位置的数据流处理提供有效的隐私保护解决方案。为了解决这些问题，我们研究了边缘计算，云计算和差异隐私对于基于位置的数据聚类的有效集成，这是服务推荐（例如，推荐最近的酒店）中必不可少的领域。在建议的设置中，我们使用本地差异隐私来确保用户的隐私。然后，我们使用移动边缘设备（MEC）应用基于边缘的初始聚类。接下来，在云服务器上收集群集的差异私有质心，以保护隐私的方式生成最终群集。我们的实验表明，所提出的方法可提供90％的最大精度 我们使用本地差异隐私来确保用户的隐私。然后，我们使用移动边缘设备（MEC）应用基于边缘的初始聚类。接下来，在云服务器上收集群集的差异私有质心，以保护隐私的方式生成最终群集。我们的实验表明，所提出的方法可提供90％的最大精度 我们使用本地差异隐私来确保用户的隐私。然后，我们使用移动边缘设备（MEC）应用基于边缘的初始聚类。接下来，在云服务器上收集群集的差异私有质心，以保护隐私的方式生成最终群集。我们的实验表明，所提出的方法可提供90％的最大精度$\epsilon$ 值超过0.4。