发明内容
本发明的主要目的在于提供一种移动终端自适应隐私保护方法及装置,旨在实现对移动终端在多情景融合条件下的非显式隐私的有效保护,在提高抗击隐私攻击能力的同时,又能保证隐私保护所产生的代价和开销最小。
为了达到上述目的,本发明提出一种移动终端自适应隐私保护方法,包括以下步骤:
建立多情景融合下的非显示隐私保护模型;
基于所述多情景融合下的非显示隐私保护模型对移动终端进行自适应隐私保护。
优选地,所述建立多情景融合下的非显示隐私保护模型的步骤包括:
基于社会关系情景、用户行为情景以及物理位置情景进行信息采集;
对采集的信息进行辨识,并确定可信度;
对确定可信度的多个信息源数据的相关性进行定量分析,按照预定的判别原则将所述信息源数据分为不同的集合,每个集合中的数据都与同一源相关联;
对相关性分析后的信息源进行融合处理,完成多情景融合下的非显示隐私保护模型的建立。
优选地,所述对相关性分析后的信息源进行融合处理的步骤包括:
决定从所述信息源获得信息的取舍,参照其它信息源对每个信息项进行验证修改,对不同信息源的信息进行印证分析、补充综合、协调修改及估计,对实时信息进行分析、综合,通过分析判断生成综合信息。
优选地,对信息源进行融合处理采用的预定算法至少包括以下之一:加权平均、卡尔曼滤波、贝叶斯估计和模糊推理方法。
优选地,所述基于多情景融合下的非显示隐私保护模型对移动终端进行自适应隐私保护的步骤包括:
基于所述多情景融合下的非显示隐私保护模型,感知不同个体的隐私保护需求,执行相对应的个性化隐私保护策略,对移动终端进行自适应隐私保护。
本发明还提出一种移动终端自适应隐私保护装置,包括:
模型建立模块,用于建立多情景融合下的非显示隐私保护模型;
保护控制模块,用于基于所述多情景融合下的非显示隐私保护模型对移动终端进行自适应隐私保护。
优选地,所述模型建立模块包括:
信息采集单元,用于基于社会关系情景、用户行为情景以及物理位置情景进行信息采集;
信息辨识单元,用于对采集的信息进行辨识,并确定可信度;
相关处理单元,用于对确定可信度的多个信息源数据的相关性进行定量分析,按照预定的判别原则将所述信息源数据分为不同的集合,每个集合中的数据都与同一源相关联;
融合处理单元,用于对相关性分析后的信息源进行融合处理,完成多情景融合下的非显示隐私保护模型的建立。
优选地,所述融合处理单元具体用于决定从所述信息源获得信息的取舍,参照其它信息源对每个信息项进行验证修改,对不同信息源的信息进行印证分析、补充综合、协调修改及估计,对实时信息进行分析、综合,通过分析判断生成综合信息。
优选地,所述融合处理单元对信息源进行融合处理采用的预定算法至少包括以下之一:加权平均、卡尔曼滤波、贝叶斯估计和模糊推理方法。
优选地,所述保护控制模块具体用于基于所述多情景融合下的非显示隐私保护模型,感知不同个体的隐私保护需求,执行相对应的个性化隐私保护策略,对移动终端进行自适应隐私保护。
本发明提出的一种移动终端自适应隐私保护方法及装置,充分考虑到情景移动社会网络中的社会性和情景相关性的特点,探究不同参数影响因子下的综合推理模型,如探究(用户行为+社会关系+物理位置)和潜在隐私知识之间的关系等,探究在移动计算环境下的非显式隐私保护模式,使其在具有多重抗击隐私攻击能力的同时,又能保证隐私保护所产生的代价和开销最小;其次,能使移动用户在不同场景下实施不同需求的自适应性隐私保护策略,而此项任务是能自动完成。
具体实施方式
如图1所示,本发明较佳实施例提出的一种移动终端自适应隐私保护方法,包括:
步骤S101,建立多情景融合下的非显示隐私保护模型;
本发明在应对情景移动社会网络的隐私攻击方法中,充分考虑到了情景移动社会网络中的社会性和情景相关性的特点,探究不同参数影响因子下的综合推理模型,建立多情景融合下的非显示隐私保护模型是整个方案的核心,本实施例具体提出基于社会关系+用户行为+物理位置的融合方案以及自适应隐私保护方法。
具体地,在移动计算中,隐私攻击主要从三个情景进行,即基于社会关系的隐私推理、基于用户行为的隐私推理和基于物理位置信息的隐私推理。最大的挑战是攻击者很可能动态组合这三种攻击方式以求隐私攻击的效益最大化。针对上述问题,本实施例研究了这三种情景推理攻击之间的关系以及提出它们三者的融合推理模型。
在情景移动社会网络中,情景是由社会关系情景、用户行为情景、物理位置情景等多模态交互融合形成的整体情景,虽然每一个模态都表示了各自的场景语义,但是只有多模态的情景融合在一起才是完整地形成一个移动社会网络情景。而这一特点给隐私保护带来特殊的要求,目前的非显示隐私保护是基于单情景下的保护方法,而移动计算中的社会网络需要能融合多情景的综合性的非显示隐私保护方法,其中不同模态的情景之间如何融合的问题是关键。
本实施例对社会关系情景、用户行为情景、物理位置情景等多模态交互融合的基本流程如下:
首先,基于社会关系情景、用户行为情景以及物理位置情景进行信息采集:按照分析问题所处的领域范围,在各情景中广泛搜集、提取有关的信息项,并进行格式转换;
然后,对采集的信息进行辨识,并确定可信度:对提取出的信息进行辨识,去伪存真,并确定可信度;
之后,对确定可信度的多个信息源数据的相关性进行定量分析,按照预定的判别原则将所述信息源数据分为不同的集合,每个集合中的数据都与同一源相关联;
最后,对相关性分析后的信息源进行融合处理,完成多情景融合下的非显示隐私保护模型的建立。
其中,融合处理的过程为:决定从信息源获得信息的取舍,参照其它信息源对每个信息项进行验证修改,对不同信息源的信息进行印证分析、补充综合、协调修改及估计,对实时信息进行分析、综合,通过分析判断生成综合信息。
上述关键的步骤在于第四步的融合处理。比较典型的融合处理方法有:加权平均、卡尔曼滤波、贝叶斯估计和模糊推理方法等。
本实施例优选模糊推理方法,模糊推理方法相对来说更适合情景移动社会网络的多因素影响下的非显示隐私融合保护模型。本实施例具体采用T-S模糊推理的方法解决融合过程中多维灾难问题。T-S模型的模糊规则“THEN”部分是精确函数,通常是输入变量多项式。因此T-S模型中第j 条模糊规则的形式为: IF x1 is A1 j, x2 is A2 j, … , xn is Anj ,THEN yj= a1 j + a2 j +…+ an j,T-S 型模糊推理模型的结论部分用线性局域方程取代了一般推理过程中的常数。
因此,T-S 模型可用少量的模糊规则生成较复杂的非线性函数,这在处理移动社会网络中多维情景下的多变量时能有效地减少模糊规则个数,因而能有效降低不必要的维数,在算法效率上有很大的优势,可以有效地解决复杂多情景空间维数灾难的问题。
T-S模糊推理的基本过程:
如图2所示,图2为本实施例所采用的双前提双规则的一阶T-S模糊模型的模糊推理过程,其融合的模糊推理规则形式为:如果x是属于社会关系集合
and y是属于用户行为集合
,则z=f(x,y),其中关系型集合
和用户行为集合
是前件中的模糊集合,而z=f(x,y)是后件中的精确函数,是社会关系和用户行为这两个情景的融合关系。f(x,y)是输入变量x和y的多项式。
对于多前提的模糊推理问题,每个前提都会有一个适配度,T-S模糊推理过程中激励强度的求取可以采用取小运算,也可以采用乘积运算。对于形如“若x is
and y is
,then z=f(x,y)”的模糊规则,其激励强度为:
或
对于多规则的模糊推理问题,每一个规则都可以产生一个推理结果。最终的结论往往是通过对每一个推理结果进行加权平均得到。对于两规则的模糊推理,如:
IF x is
and y is
,then z
1=f
1(x,y)
IF x is
and y is
,then z
2=f
2(x,y)
若已知“x is
and y is
”, 那么融合的结论z为
步骤S102,基于所述多情景融合下的非显示隐私保护模型对移动终端进行自适应隐私保护。
基于所述多情景融合下的非显示隐私保护模型,感知不同个体的隐私保护需求,执行相对应的个性化隐私保护策略,对移动终端进行自适应隐私保护。
具体可以采用基于模糊Petri网的自适应隐私保护方案,本实施例考虑到:用户在不同场合下有不同级别、不同层面的隐私保护的个性化需求,而如果隐私策略全交由用户自主控制,将会给用户带来较大的操作负担。
本实施例提出的自适应性隐私保护方法将根据用户所在的不同情景动态调节用户的隐私保护策略,通过引入模糊Petri网对用户隐私相关情景进行自学习并自动优化隐私保护策略,并且配合增量型用户反馈集来适应动态变化的情景,新的策略生成为可执行策略被系统动态调用执行,这样能实现非显示隐私保护的自适应性。其中,模糊Petri网技术可参照现有成熟技术方案,在此不再赘述。
本实施例通过上述方案,首先,在应对情景移动社会网络的隐私攻击方法中,充分考虑到了情景移动社会网络中的社会性和情景相关性的特点,探究不同参数影响因子下的综合推理模型,如探究(用户行为+社会关系+物理位置)和潜在隐私知识之间的关系等,探究在移动计算环境下的非显式隐私保护模式,该方式应是基于“社会关系+社会行为+位置信息”隐私保护的融合方法,使其在具有多重抗击隐私攻击能力的同时,又能保证隐私保护所产生的代价和开销最小;其次,能使移动用户在不同场景下实施不同需求的自适应性隐私保护策略,而此项任务可自动完成。
如图3所示,本发明较佳实施例提出一种移动终端自适应隐私保护装置,包括:模型建立模块201及保护控制模块202,其中:
模型建立模块201,用于建立多情景融合下的非显示隐私保护模型;
保护控制模块202,用于基于所述多情景融合下的非显示隐私保护模型对移动终端进行自适应隐私保护。
本发明在应对情景移动社会网络的隐私攻击方法中,充分考虑到了情景移动社会网络中的社会性和情景相关性的特点,探究不同参数影响因子下的综合推理模型,建立多情景融合下的非显示隐私保护模型是整个方案的核心,本实施例具体提出基于社会关系+用户行为+物理位置的融合方案以及自适应隐私保护方法。
具体地,在移动计算中,隐私攻击主要从三个情景进行,即基于社会关系的隐私推理、基于用户行为的隐私推理和基于物理位置信息的隐私推理。最大的挑战是攻击者很可能动态组合这三种攻击方式以求隐私攻击的效益最大化。针对上述问题,本实施例研究了这三种情景推理攻击之间的关系以及提出它们三者的融合推理模型。
在情景移动社会网络中,情景是由社会关系情景、用户行为情景、物理位置情景等多模态交互融合形成的整体情景,虽然每一个模态都表示了各自的场景语义,但是只有多模态的情景融合在一起才是完整地形成一个移动社会网络情景。而这一特点给隐私保护带来特殊的要求,目前的非显示隐私保护是基于单情景下的保护方法,而移动计算中的社会网络需要能融合多情景的综合性的非显示隐私保护方法,其中不同模态的情景之间如何融合的问题是关键。
本实施例对社会关系情景、用户行为情景、物理位置情景等多模态交互融合的基本流程如下:
首先,基于社会关系情景、用户行为情景以及物理位置情景进行信息采集:按照分析问题所处的领域范围,在各情景中广泛搜集、提取有关的信息项,并进行格式转换;
然后,对采集的信息进行辨识,并确定可信度:对提取出的信息进行辨识,去伪存真,并确定可信度;
之后,对确定可信度的多个信息源数据的相关性进行定量分析,按照预定的判别原则将所述信息源数据分为不同的集合,每个集合中的数据都与同一源相关联;
最后,对相关性分析后的信息源进行融合处理,完成多情景融合下的非显示隐私保护模型的建立。
其中,融合处理的过程为:决定从信息源获得信息的取舍,参照其它信息源对每个信息项进行验证修改,对不同信息源的信息进行印证分析、补充综合、协调修改及估计,对实时信息进行分析、综合,通过分析判断生成综合信息。
上述关键的步骤在于第四步的融合处理。比较典型的融合处理方法有:加权平均、卡尔曼滤波、贝叶斯估计和模糊推理方法等。
本实施例优选模糊推理方法,模糊推理方法相对来说更适合情景移动社会网络的多因素影响下的非显示隐私融合保护模型。本实施例具体采用T-S模糊推理的方法解决融合过程中多维灾难问题。T-S模型的模糊规则“THEN”部分是精确函数,通常是输入变量多项式。因此T-S模型中第j 条模糊规则的形式为: IF x1 is A1 j, x2 is A2 j, … , xn is Anj ,THEN yj= a1 j + a2 j +…+ an j,T-S 型模糊推理模型的结论部分用线性局域方程取代了一般推理过程中的常数。
因此,T-S 模型可用少量的模糊规则生成较复杂的非线性函数,这在处理移动社会网络中多维情景下的多变量时能有效地减少模糊规则个数,因而能有效降低不必要的维数,在算法效率上有很大的优势,可以有效地解决复杂多情景空间维数灾难的问题。
T-S模糊推理的基本过程:
如图2所示,图2为本实施例所采用的双前提双规则的一阶T-S模糊模型的模糊推理过程,其融合的模糊推理规则形式为:如果x是属于社会关系集合
and y是属于用户行为集合
,则z=f(x,y),其中关系型集合
和用户行为集合
是前件中的模糊集合,而z=f(x,y)是后件中的精确函数,是社会关系和用户行为这两个情景的融合关系。f(x,y)是输入变量x和y的多项式。
对于多前提的模糊推理问题,每个前提都会有一个适配度,T-S模糊推理过程中激励强度的求取可以采用取小运算,也可以采用乘积运算。对于形如“若x is
and y is
,then z=f(x,y)”的模糊规则,其激励强度为:
或
对于多规则的模糊推理问题,每一个规则都可以产生一个推理结果。最终的结论往往是通过对每一个推理结果进行加权平均得到。对于两规则的模糊推理,如:
IF x is
and y is
,then z
1=f
1(x,y)
IF x is
and y is
,then z
2=f
2(x,y)
若已知“x is
and y is
”, 那么融合的结论z为
基于所述多情景融合下的非显示隐私保护模型,感知不同个体的隐私保护需求,执行相对应的个性化隐私保护策略,对移动终端进行自适应隐私保护。
具体可以采用基于模糊Petri网的自适应隐私保护方案,本实施例考虑到:用户在不同场合下有不同级别、不同层面的隐私保护的个性化需求,而如果隐私策略全交由用户自主控制,将会给用户带来较大的操作负担。
本实施例提出的自适应性隐私保护方法将根据用户所在的不同情景动态调节用户的隐私保护策略,通过引入模糊Petri网对用户隐私相关情景进行自学习并自动优化隐私保护策略,并且配合增量型用户反馈集来适应动态变化的情景,新的策略生成为可执行策略被系统动态调用执行,这样能实现非显示隐私保护的自适应性。其中,模糊Petri网技术可参照现有成熟技术方案,在此不再赘述。
具体实施过程中,如图4所示,所述模型建立模块201包括:信息采集单元2011、信息辨识单元2012、相关处理单元2013以及融合处理单元2014,其中:
信息采集单元2011,用于基于社会关系情景、用户行为情景以及物理位置情景进行信息采集;
信息辨识单元2012,用于对采集的信息进行辨识,并确定可信度;
相关处理单元2013,用于对确定可信度的多个信息源数据的相关性进行定量分析,按照预定的判别原则将所述信息源数据分为不同的集合,每个集合中的数据都与同一源相关联;
融合处理单元2014,用于对相关性分析后的信息源进行融合处理,完成多情景融合下的非显示隐私保护模型的建立。具体地,决定从所述信息源获得信息的取舍,参照其它信息源对每个信息项进行验证修改,对不同信息源的信息进行印证分析、补充综合、协调修改及估计,对实时信息进行分析、综合,通过分析判断生成综合信息。
本实施例通过上述方案,首先,在应对情景移动社会网络的隐私攻击方法中,充分考虑到了情景移动社会网络中的社会性和情景相关性的特点,探究不同参数影响因子下的综合推理模型,如探究(用户行为+社会关系+物理位置)和潜在隐私知识之间的关系等,探究在移动计算环境下的非显式隐私保护模式,该方式应是基于“社会关系+社会行为+位置信息”隐私保护的融合方法,使其在具有多重抗击隐私攻击能力的同时,又能保证隐私保护所产生的代价和开销最小;其次,能使移动用户在不同场景下实施不同需求的自适应性隐私保护策略,而此项任务可自动完成。
以上所述仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或流程变换,或直接或间接运用在其它相关的技术领域,均同理包括在本发明的专利保护范围内。