对于所有的匿名算法，要考虑以下问题：
（1）什么时候匿名，匿名哪个请求？
（2）在匿名区大小限制的条件下，给定一个请求，怎样发现其他的请求来满足位置k-匿名模型（比如，位置匿名集合和标志匿名集合）
【1】Gruteser and Grunwald. Anonymous usage of location based services through cloakingcloaking2003spatial and temporal cloaking.----2003
首次采用k-匿名模型，并提出一个四叉树的匿名算法。他们假设，对于所有的用户，都有一个固定的匿名要求kmin。为了达到k-匿名，算法递归地将用户位置周围的地区划分为四个象限，直到在这个地区用户的数目低于kmin，
然后返回之前的象限作为匿名区。这种技术没有区分不同用户的隐私要求。而且，匿名区大小也没有加限制。因此，所形成的匿名区可能非常大，这可能导致一个不准确的查询结果和差的服务质量。
【2】Kido et al. Protection of Location Privacy using Dummies for Location-based Services.----2005
提出基于假名（dummies）方法，用户把真实的位置和几个假位置一起发送给服务提供者。对每一个收到的位置，服务提供者处理并且返回一个answer。用户最后基于真实的位置改进结果。
【3】Gedik and Liu. Location Privacy in Mobile Systems: A Personalized Anonymization Model.----2005
提出支持个性化查询要求的技术，即CliqueCloak的匿名算法。对于所有的没有匿名的查询，它构造一个无向图。服务器每一个收到一个新的请求时，它确定一个小团体（clique），这个小的团体包括新请求和一些现有的请求，并在相同的区域一起匿名。但是这个方法有以下几个缺点：
（1）这个方法在k值较小时（比如，2-5）才有效，对于较大的k值，我们不能发现匿名集。
（2）在一个图中搜索一个clique代价是很大的。
（3）当请求的生命期到了，那些不能被匿名的请求将会被丢弃。这会影响用户的体验。
【4】The New Casper: Query Processing for Location Services without Compromising Privacy.----2006
提出Casper的框架，Casper采用一个基于网格的金字塔结构索引所有的用户位置。除了匿名级别k，用户可以具体化Amin，表明用户想要在区域大小至少为Amin的地方隐藏位置信息。这个模型有以下值得担忧的地方：
（1）k和Amin有相似的功能，k的值越大，匿名区越大。
（2）如果k设置的比较大的值，而很少的用户在附近出现，那么匿名区将会扩展到任意大。为了解决这个问题，Casper使用了隐私-感知查询处理器来返回一系列的查询结果候选集给匿名代理，匿名代理不得不在本地从候选列表精炼实际查询结果。
这个方法的查询处理代价较高，通讯代价高，本地计算代价高