CN113221161B - 在线教育大数据场景下的信息防护方法及可读存储介质 - Google Patents
在线教育大数据场景下的信息防护方法及可读存储介质 Download PDFInfo
- Publication number
- CN113221161B CN113221161B CN202110432919.8A CN202110432919A CN113221161B CN 113221161 B CN113221161 B CN 113221161B CN 202110432919 A CN202110432919 A CN 202110432919A CN 113221161 B CN113221161 B CN 113221161B
- Authority
- CN
- China
- Prior art keywords
- teaching
- service interaction
- online education
- teaching service
- information
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 68
- 238000003860 storage Methods 0.000 title claims abstract description 9
- 230000003993 interaction Effects 0.000 claims abstract description 317
- 238000011156 evaluation Methods 0.000 claims abstract description 202
- 238000013468 resource allocation Methods 0.000 claims description 124
- 230000006399 behavior Effects 0.000 claims description 31
- 230000000007 visual effect Effects 0.000 claims description 25
- 238000009826 distribution Methods 0.000 claims description 19
- 230000008859 change Effects 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 4
- 230000004927 fusion Effects 0.000 claims description 4
- 238000012800 visualization Methods 0.000 claims description 4
- 230000005856 abnormality Effects 0.000 claims description 3
- 230000000875 corresponding effect Effects 0.000 description 77
- 230000008569 process Effects 0.000 description 21
- 238000012545 processing Methods 0.000 description 19
- 238000005070 sampling Methods 0.000 description 16
- 230000002457 bidirectional effect Effects 0.000 description 13
- 230000006870 function Effects 0.000 description 13
- 238000012216 screening Methods 0.000 description 9
- 238000013461 design Methods 0.000 description 8
- 238000004891 communication Methods 0.000 description 6
- 230000002452 interceptive effect Effects 0.000 description 6
- 230000002159 abnormal effect Effects 0.000 description 5
- 230000009191 jumping Effects 0.000 description 5
- 238000013139 quantization Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 239000000463 material Substances 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 230000004044 response Effects 0.000 description 4
- 230000006978 adaptation Effects 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 230000000644 propagated effect Effects 0.000 description 3
- 238000012163 sequencing technique Methods 0.000 description 3
- 206010000117 Abnormal behaviour Diseases 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000012797 qualification Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000000712 assembly Effects 0.000 description 1
- 238000000429 assembly Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000002360 explosive Substances 0.000 description 1
- 238000013467 fragmentation Methods 0.000 description 1
- 238000006062 fragmentation reaction Methods 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 239000007943 implant Substances 0.000 description 1
- 239000010977 jade Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 239000003607 modifier Substances 0.000 description 1
- 230000036651 mood Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 241000894007 species Species 0.000 description 1
- 239000003826 tablet Substances 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
- G06F21/60—Protecting data
- G06F21/62—Protecting access to data via a platform, e.g. using keys or access control rules
- G06F21/6218—Protecting access to data via a platform, e.g. using keys or access control rules to a system of files or objects, e.g. local or distributed file system or database
- G06F21/6245—Protecting personal data, e.g. for financial or medical purposes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/20—Education
- G06Q50/205—Education administration or guidance
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Bioethics (AREA)
- Tourism & Hospitality (AREA)
- Strategic Management (AREA)
- Educational Technology (AREA)
- Educational Administration (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Hardware Design (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Computer Security & Cryptography (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Electrically Operated Instructional Devices (AREA)
Abstract
本申请实施例公开了一种在线教育大数据场景下的信息防护方法及可读存储介质,在应用该方案时,能够对不同的教学业务交互服务器的隐私保护能力进行分析,从而确定在线教育信息防护系统中的多个教学业务交互服务器当前的隐私保护测评结果,并基于待输出的多个在线教育课程内容的数量和多个教学业务交互服务器的隐私保护测评结果,确定下发给各个教学业务交互服务器的在线教育课程内容的下发数量,这样可以将多个在线教育课程内容下发给多个教学业务交互服务器。这样一来,能够选择不容易被学员端误操作或者误点击的在线教育课程内容进行针对性的下发,从而避免在线教育业务端的隐私信息的泄露,实现在线教育大数据场景下的有效信息防护。
Description
技术领域
本申请涉及在线教育和信息防护技术领域,特别涉及一种在线教育大数据场景下的信息防护方法及可读存储介质。
背景技术
在移动互联网开始普及以来,移动在线教育因其对碎片化时间的良好利用以及使用的便利性,逐渐成为学员参与学习与培训的重要选择。随着全球教育信息化的发展,在线教育市场呈现出爆发式增长,各类在线教育APP层出不穷,针对不同年龄层次的在线教育服务也在不断更新和优化。现目前,针对低学龄学员的在线教育市场较为火热,因此相关的在线教育技术也针对低学龄学员进行了相关开发和业务跟进。
一般而言,低学龄学员的在线教育服务是在家长的辅助下利用相关的在线学习终端进行的,但由于相关在线教育平台通常会在视频网课的播放过程中输出相应的广告信息,这样可能会造成低学龄学员误点击相关广告信息的行为。此外,发明人还发现,一些广告服务商通常会通过输出的广告进行爬虫软件的植入以窃取在线学习终端的隐私信息,从而导致相关隐私信息的泄露,这也成为在线教育领域的一个重点关注的问题。
在相关实施例中,通常是采用一刀切的方式来改善上述问题,比如在线教育服务器直接禁止在视频网课播放过程中输出任何广告信息,但是这样可能会导致一些合法的广告信息难以与在线教育业务端的教育需求相匹配,从一定程度上降低了在线教育交互的智能化程度。因此,对于在线教育场景而言,如何进行有效的信息安全防护是现目前需要解决的一个技术问题。
发明内容
本申请实施例之一提供一种在线教育大数据场景下的信息防护方法,应用于在线教育信息防护系统中的信息安防服务器,所述方法包括:
确定所述在线教育信息防护系统中的多个教学业务交互服务器当前的隐私保护测评结果,所述隐私保护测评结果是基于教学业务交互服务器的各个隐私保护测评事项的结果确定得到,且用于表征教学业务交互服务器当前识别敏感操作行为的能力;
基于待输出的多个在线教育课程内容的数量和所述多个教学业务交互服务器的隐私保护测评结果,确定下发给各个教学业务交互服务器的在线教育课程内容的下发数量,所述在线教育课程内容用于表征在线教育业务端输出可视化课程内容的课程内容分布信息;
按照确定的所述下发数量,将所述多个在线教育课程内容下发给所述多个教学业务交互服务器。
可选的,所述基于待输出的多个在线教育课程内容的数量和所述多个教学业务交互服务器的隐私保护测评结果,确定下发给各个教学业务交互服务器的在线教育课程内容的下发数量,包括:
根据所述各个教学业务交互服务器的隐私保护测评结果以及所述多个教学业务交互服务器的隐私保护测评内容集,得到所述各个教学业务交互服务器的课程内容测评系数,所述隐私保护测评内容集为所述多个教学业务交互服务器的隐私保护测评结果的融合结果;
通过所述多个在线教育课程内容的数量以及所述各个教学业务交互服务器的课程内容测评系数,得到下发给所述各个教学业务交互服务器的在线教育课程内容的下发数量。
可选的,所述按照确定的所述下发数量,将所述多个在线教育课程内容下发给所述多个教学业务交互服务器,包括:
获取所述多个在线教育课程内容的课程内容重要度;
按照所述多个在线教育课程内容的课程内容重要度排序和确定的下发数量,将所述多个在线教育课程内容下发给所述多个教学业务交互服务器。
可选的,所述将所述多个在线教育课程内容下发给所述多个教学业务交互服务器,包括:
对于所述多个在线教育课程内容中的任一在线教育课程内容,获取所述任一在线教育课程内容的在先识别记录,所述在先识别记录用于表征所述任一在线教育课程内容在先被识别的教学业务交互服务器以及识别的课程内容特征信息;
基于所述在先识别记录,从所述多个教学业务交互服务器中确定识别所述任一在线教育课程内容时未存在异常的教学业务交互服务器;
将所述任一在线教育课程内容下发给所述未存在异常的教学业务交互服务器。
可选的,所述基于待输出的多个在线教育课程内容的数量和所述多个教学业务交互服务器的隐私保护测评结果,确定下发给各个教学业务交互服务器的在线教育课程内容的下发数量之前,还包括:
当检测到所述多个教学业务交互服务器中任一教学业务交互服务器触发识别通过条件时,执行所述基于待输出的多个在线教育课程内容的数量和所述多个教学业务交互服务器的隐私保护测评结果,确定下发给各个教学业务交互服务器的在线教育课程内容的下发数量的步骤;
或者,每隔第一设定时长,执行所述基于待输出的多个在线教育课程内容的数量和所述多个教学业务交互服务器的隐私保护测评结果,确定下发给各个教学业务交互服务器的在线教育课程内容的下发数量的步骤。
可选的,所述确定所述在线教育信息防护系统中的多个教学业务交互服务器当前的隐私保护测评结果之后,还包括:
确定所述多个教学业务交互服务器中当前正在识别的在线教育课程内容的课程内容可视化信息;
基于所述多个教学业务交互服务器的课程内容可视化信息和所述多个教学业务交互服务器的隐私保护测评结果,确定所述多个教学业务交互服务器中各个教学业务交互服务器的操作行为识别状态;
当所述多个教学业务交互服务器中存在操作行为识别状态为非安全状态的教学业务交互服务器时,对处于所述非安全状态的教学业务交互服务器当前正在识别的在线教育课程内容的当前数量重新进行调整;
所述基于所述多个教学业务交互服务器的课程内容可视化信息和所述多个教学业务交互服务器的隐私保护测评结果,确定所述多个教学业务交互服务器中各个教学业务交互服务器的操作行为识别状态,包括:
根据所述各个教学业务交互服务器的局部隐私保护测评结果以及所述多个教学业务交互服务器的全局隐私保护测评结果,得到所述各个教学业务交互服务器的课程内容测评系数,所述全局隐私保护测评结果为所述各个教学业务交互服务器的局部隐私保护测评结果的全局识别结果;
根据所述多个教学业务交互服务器的课程内容可视化信息以及所述各个教学业务交互服务器的课程内容测评系数,得到所述各个教学业务交互服务器当前正在识别的在线教育课程内容的目标数量;
当所述多个教学业务交互服务器中存在当前正在识别的在线教育课程内容的当前数量与所述目标数量不相同的教学业务交互服务器时,确定所述多个教学业务交互服务器中存在操作行为识别状态为所述非安全状态的教学业务交互服务器;
所述确定所述多个教学业务交互服务器中当前正在识别的在线教育课程内容的课程内容可视化信息之前,还包括:
每隔第二设定时长,执行所述确定所述多个教学业务交互服务器中当前正在识别的在线教育课程内容的课程内容可视化信息的步骤。
可选的,所述对处于所述非安全状态的教学业务交互服务器当前正在识别的在线教育课程内容的当前数量重新进行调整,包括:
对于处于所述非安全状态的教学业务交互服务器中的任一教学业务交互服务器,确定该所述教学业务交互服务器对应的第一课程内容识别数量或者第二课程内容识别数量;其中,所述第一课程内容识别数量是指所述任一教学业务交互服务器当前正在识别的在线教育课程内容的当前数量多于所述任一教学业务交互服务器当前正在识别的在线教育课程内容的目标数量的数量,所述第二课程内容识别数量是指所述任一教学业务交互服务器当前正在识别的在线教育课程内容的当前数量少于所述任一教学业务交互服务器当前正在识别的在线教育课程内容的目标数量的数量;
从所述任一教学业务交互服务器当前正在识别的在线教育课程内容中移出数量为所述第一课程内容识别数量的在线教育课程内容,或者,基于处于所述非安全状态的教学业务交互服务器中的其他教学业务交互服务器中移出的在线教育课程内容,向所述任一教学业务交互服务器下发数量为所述第二课程内容识别数量的在线教育课程内容。
可选的,所述确定所述在线教育信息防护系统中的多个教学业务交互服务器当前的隐私保护测评结果,包括:
对于所述多个教学业务交互服务器中的任一教学业务交互服务器,基于所述任一教学业务交互服务器上报的多个隐私保护测评事项的测评事项标签信息,确定所述任一教学业务交互服务器中所述多个隐私保护测评事项的结果;
当所述任一教学业务交互服务器中所述多个隐私保护测评事项的结果对应的测评值均高于预设测评值时,将所述多个隐私保护测评事项的结果对应的测评值进行加权,得到所述任一教学业务交互服务器当前的隐私保护测评结果;
当所述任一教学业务交互服务器中所述多个隐私保护测评事项的结果对应的测评值不均高于所述预设测评值时,将所述多个隐私保护测评事项中结果对应的测评值最低的隐私保护测评事项的结果确定为所述任一教学业务交互服务器当前的隐私保护测评结果。
可选的,在按照确定的所述下发数量,将所述多个在线教育课程内容下发给所述多个教学业务交互服务器的步骤之后,所述方法还包括:
根据获得的授课资源数据,确定针对所述在线教育业务端的待分配资源信息;
优选的,根据获得的授课资源数据,确定针对所述在线教育业务端的待分配资源信息,包括:
获得针对在线教育课程信息的当前组授课资源数据;各组授课资源数据的每个相同教学科目的师资状态信息对应一组资源分配策略,每组资源分配策略包含设定数量个根据在线教育课程信息的授课资源数据的更新情况预设的第一资源分配策略;所述在线教育课程信息的授课资源数据的更新情况为所述在线教育课程信息中存在学员信息变动的课堂交互数据的实时更新情况;
针对所述当前组授课资源数据中的每个当前师资状态信息,将所述当前师资状态信息的教学状态特征与所述当前师资状态信息对应的一组资源分配策略进行匹配;根据得到的匹配结果确定针对所述在线教育业务端的待分配资源信息。
本申请实施例之一提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序在运行时实现上述的方法。
在后面的描述中,将部分地陈述其他的特征。在检查后面内容和附图时,本领域的技术人员将部分地发现这些特征,或者可以通过生产或运用了解到这些特征。通过实践或使用后面所述详细示例中列出的方法、工具和组合的各个方面,当前申请中的特征可以被实现和获得。
附图说明
本申请将以示例性实施例的方式进一步说明,这些示例性实施例将通过附图进行详细描述。这些实施例并非限制性的,在这些实施例中,相同的编号表示相同的结构,其中:
图1是根据本发明的一些实施例所示的一种示例性在线教育大数据场景下的信息防护方法和/或过程的流程图;
图2是根据本发明的一些实施例所示的一种示例性在线教育大数据场景下的信息防护系统的框图;
图3是根据本发明的一些实施例所示的一种示例性在线教育大数据场景下的信息防护装置的框图,以及
图4是根据本发明的一些实施例所示的一种示例性信息安防服务器中硬件和软件组成的示意图。
具体实施方式
为了更清楚地说明本申请实施例的技术方案,下面将对实施例描述中所需要使用的附图作简单的介绍。显而易见地,下面描述中的附图仅仅是本申请的一些示例或实施例,对于本领域的普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图将本申请应用于其它类似情景。除非从语言环境中显而易见或另做说明,图中相同标号代表相同结构或操作。
应当理解,本文使用的“系统”、“装置”、“单元”和/或“模组”是用于区分不同级别的不同组件、元件、部件、部分或装配的一种方法。然而,如果其他词语可实现相同的目的,则可通过其他表达来替换所述词语。
如本申请和权利要求书中所示,除非上下文明确提示例外情形,“一”、“一个”、“一种”和/或“该”等词并非特指单数,也可包括复数。一般说来,术语“包括”与“包含”仅提示包括已明确标识的步骤和元素,而这些步骤和元素不构成一个排它性的罗列,方法或者设备也可能包含其它的步骤或元素。
本申请中使用了流程图用来说明根据本申请的实施例的系统所执行的操作。应当理解的是,前面或后面操作不一定按照顺序来精确地执行。相反,可以按照倒序或同时处理各个步骤。同时,也可以将其他操作添加到这些过程中,或从这些过程移除某一步或数步操作。
发明人经研究和分析发现,在线网络课程通常会植入一些广告,但是这些广告背后的数据爬虫的合法性难以被及时验证,相应地,相关的网络授课或者在线教育的课程界面可能会存在一些与广告相关的触控点击图案,学生在通过在线教育业务端观看网络课程视频的时候可能会由于误操作而触发这些触控点击图案对应的相关功能,这样可能导致在线教育业务端中的相关隐私信息的泄露,因此,如何实现对在线教育业务端的隐私信息保护是现目前需要解决的一个技术问题。
针对上述问题,发明人针对性地提出了在线教育大数据场景下的信息防护方法,通过对不同的教学业务交互服务器的隐私保护能力进行分析,能够选择不容易被学员端误操作或者误点击的可视化内容进行下发,从而差异化地实现课程内容输出,以避免在线教育业务端的隐私信息的泄露,从而实现在线教育大数据场景下的有效信息防护。
首先,对在线教育大数据场景下的信息防护方法进行示例性的说明,请参阅图1,是根据本发明的一些实施例所示的一种示例性在线教育大数据场景下的信息防护方法和/或过程的流程图,请结合参阅图2,该方法可以应用于在线教育信息防护系统200中的信息安防服务器210,信息安防服务器210可以和在线教育信息防护系统200中多个教学业务服务器220通信,每个教学业务服务器220可以对应至少一个在线教育业务端230。其中,信息安防服务器210用于对在线教育课程内容进行下发,以实现后端的信息安防功能,教学业务服务器220可以基于在线教育课程内容与在线教育业务端230进行交互,比如对在线教育业务端230针对在线教育课程内容的输出过程中的相关操作行为的识别和验证,以实现前端的信息安防功能。通俗而言,在信息安防大场景下,信息安防服务器210能够根据教学业务服务器220的操作行为识别能力为不同的教学业务服务器220下发对应的在线教育课程内容,这样,教学业务服务器220能够根据各自对应的在线教育课程内容与在线教育业务端230进行交互,由于在交互过程中,在线教育课程内容所对应的可视化课程内容不同,因此不同的教学业务服务器220能够基于其隐私保护测评结果获取到在线教育业务端230对应的操作行为,并在隐私保护能力范围内实现对相关的敏感操作行为的识别,进而避免学生的误操作而被一些非法的广告爬虫盗取隐私信息。在相关实施例中,信息安防服务器210和教学业务服务器220可以为云服务器,在线教育业务端230可以为手机、平板电脑、笔记本电脑或者其他能够进行视频图像输出和通信交互的智能电子设备。在上述内容的基础上,上述在线教育大数据场景下的信息防护方法可以包括以下步骤S110-步骤S130所描述的技术方案。
S110、确定所述在线教育信息防护系统中的多个教学业务交互服务器当前的隐私保护测评结果。
相关实施例中,所述隐私保护测评结果是基于教学业务交互服务器的各个隐私保护测评事项的结果确定得到,且用于表征教学业务交互服务器当前识别敏感操作行为的能力。比如,隐私保护测评事项可以包括非法访问请求验证、异常行为拦截或者流量攻击防护等功能的测评事项,各个隐私保护测评事项的结果可以通过测评值进行表示。举例而言,测评值的取值范围可以为0~1,测评值的数值越大,表明对应的测评事项的功能越完善。在一些实施例中,隐私保护测评事项1可以对应非法访问请求验证的测评事项,隐私保护测评事项2可以对应异常行为拦截的测评事项,隐私保护测评事项3可以对应流量攻击防护的测评事项。若某个教学业务交互服务器的隐私保护测评事项1的结果为0.8,隐私保护测评事项2的结果为0.6,隐私保护测评事项3的结果为0.3,那么可以确定该教学业务交互服务器的隐私保护测评结果在流量攻击层面的功能较为薄弱。一般而言,敏感操作行为可以是在线教育业务端对应的操作行为,比如在视频网课的播放过程中点击相关广告图像的操作行为。
在实施S110时发明人还发现,为了确保隐私保护测评结果的可靠性,需要考虑不同测评事项之间的互相关联和影响,为实现这一目的,上述步骤“确定所述在线教育信息防护系统中的多个教学业务交互服务器当前的隐私保护测评结果”,进一步可以包括以下内容:(1)对于所述多个教学业务交互服务器中的任一教学业务交互服务器,基于所述任一教学业务交互服务器上报的多个隐私保护测评事项的测评事项标签信息,确定所述任一教学业务交互服务器中所述多个隐私保护测评事项的结果;(2)当所述任一教学业务交互服务器中所述多个隐私保护测评事项的结果对应的测评值均高于预设测评值时,将所述多个隐私保护测评事项的结果对应的测评值进行加权,得到所述任一教学业务交互服务器当前的隐私保护测评结果;(3)当所述任一教学业务交互服务器中所述多个隐私保护测评事项的结果对应的测评值不均高于所述预设测评值时,将所述多个隐私保护测评事项中结果对应的测评值最低的隐私保护测评事项的结果确定为所述任一教学业务交互服务器当前的隐私保护测评结果。举例而言,测评事项标签信息用于对隐私保护测评事项进行区分,测评事项标签信息可以是文字标签或者数值标签,在此不作限定。预设测评值可以根据教学业务交互服务器之前的隐私防护记录进行适当调整,在此不作限定。进一步地,当所述任一教学业务交互服务器中所述多个隐私保护测评事项的结果对应的测评值均高于预设测评值时,可以确定出教学业务交互服务器的隐私测评结果均符合基本要求,在此情况下,可以将所述多个隐私保护测评事项的结果对应的测评值进行加权得到所述任一教学业务交互服务器当前的隐私保护测评结果,举例而言,不同测评值的加权权重可以根据相关隐私保护测评事项对应的隐私保护触发事件的处理成功率确定。更进一步地,当所述任一教学业务交互服务器中所述多个隐私保护测评事项的结果对应的测评值不均高于所述预设测评值时,表明可能存在隐私保护不到位的相关事项功能,在此基础上,通过将所述多个隐私保护测评事项中结果对应的测评值最低的隐私保护测评事项的结果确定为所述任一教学业务交互服务器当前的隐私保护测评结果,能够考虑多个隐私保护测评事项中结果对应的测评值最低的隐私保护测评事项,从而尽可能确保后续的信息防护的可靠性。如此一来,通过对测评值进行分析,能够考虑不同测评事项之间的互相关联和影响,从而确保隐私保护测评结果的可靠性。
在一些可能的实施例中,为了进一步提高信息防护的可靠性,避免隐私信息被窃取,需要考虑不同教学业务交互服务器的安全状态,为实现这一目的,在上述步骤“确定所述在线教育信息防护系统中的多个教学业务交互服务器当前的隐私保护测评结果”之后,该方法还可以包括以下内容:(1)确定所述多个教学业务交互服务器中当前正在识别的在线教育课程内容的课程内容可视化信息;在一些可能的实施例中,所述确定所述多个教学业务交互服务器中当前正在识别的在线教育课程内容的课程内容可视化信息之前,还可以包括:每隔第二设定时长,执行所述确定所述多个教学业务交互服务器中当前正在识别的在线教育课程内容的课程内容可视化信息的步骤;(2)基于所述多个教学业务交互服务器的课程内容可视化信息和所述多个教学业务交互服务器的隐私保护测评结果,确定所述多个教学业务交互服务器中各个教学业务交互服务器的操作行为识别状态;(3)当所述多个教学业务交互服务器中存在操作行为识别状态为非安全状态的教学业务交互服务器时,对处于所述非安全状态的教学业务交互服务器当前正在识别的在线教育课程内容的当前数量重新进行调整。举例而言,教学业务交互服务器的操作行为识别状态用于表征教学业务交互服务器的操作行为识别是否正常,一般而言,正常的操作行为识别装填对应安全状态,异常的操作行为识别装填对应非安全状态,如此设计,能够基于操作行为识别状态对非安全状态的教学业务交互服务器当前正在识别的在线教育课程内容的当前数量重新进行调整,进而确保在线教育课程内容的识别结果的可信度,以进一步提高信息防护的可靠性,避免隐私信息被窃取。
在进一步的实施例中,发明人发现,为了确保得到的操作行为识别状态能够与实际的隐私测评相关联,需要考虑隐私保护测评结果在局部层面和全局层面的差异和关联,为实现这一目的,上述步骤“基于所述多个教学业务交互服务器的课程内容可视化信息和所述多个教学业务交互服务器的隐私保护测评结果,确定所述多个教学业务交互服务器中各个教学业务交互服务器的操作行为识别状态”,可以包括以下内容:根据所述各个教学业务交互服务器的局部隐私保护测评结果以及所述多个教学业务交互服务器的全局隐私保护测评结果,得到所述各个教学业务交互服务器的课程内容测评系数,所述全局隐私保护测评结果为所述各个教学业务交互服务器的局部隐私保护测评结果的全局识别结果;根据所述多个教学业务交互服务器的课程内容可视化信息以及所述各个教学业务交互服务器的课程内容测评系数,得到所述各个教学业务交互服务器当前正在识别的在线教育课程内容的目标数量;当所述多个教学业务交互服务器中存在当前正在识别的在线教育课程内容的当前数量与所述目标数量不相同的教学业务交互服务器时,确定所述多个教学业务交互服务器中存在操作行为识别状态为所述非安全状态的教学业务交互服务器。其中,全局隐私保护测评结果可以考虑不同的教学业务交互服务器之间的课程内容关联,这样一来,能够确保各个教学业务交互服务器的课程内容测评系数之间的关联性,进而根据确定出的前正在识别的在线教育课程内容的目标数量以及当前数量确保得到的操作行为识别状态能够与实际的隐私测评相关联。
在相关实施例中,上述步骤所描述的“对处于所述非安全状态的教学业务交互服务器当前正在识别的在线教育课程内容的当前数量重新进行调整”,可以包括以下内容:对于处于所述非安全状态的教学业务交互服务器中的任一教学业务交互服务器,确定该所述教学业务交互服务器对应的第一课程内容识别数量或者第二课程内容识别数量;其中,所述第一课程内容识别数量是指所述任一教学业务交互服务器当前正在识别的在线教育课程内容的当前数量多于所述任一教学业务交互服务器当前正在识别的在线教育课程内容的目标数量的数量,所述第二课程内容识别数量是指所述任一教学业务交互服务器当前正在识别的在线教育课程内容的当前数量少于所述任一教学业务交互服务器当前正在识别的在线教育课程内容的目标数量的数量;从所述任一教学业务交互服务器当前正在识别的在线教育课程内容中移出数量为所述第一课程内容识别数量的在线教育课程内容,或者,基于处于所述非安全状态的教学业务交互服务器中的其他教学业务交互服务器中移出的在线教育课程内容,向所述任一教学业务交互服务器下发数量为所述第二课程内容识别数量的在线教育课程内容。如此一来,能够根据不同的情况对当前正在识别的在线教育课程内容的当前数量重新进行调整,从而确保不同的教学业务交互服务器在后续进行在线教育课程内容的交互过程中能够应对相适配的隐私防护需求。
S120、基于待输出的多个在线教育课程内容的数量和所述多个教学业务交互服务器的隐私保护测评结果,确定下发给各个教学业务交互服务器的在线教育课程内容的下发数量。
相关实施例中,所述在线教育课程内容用于表征在线教育业务端输出可视化课程内容的课程内容分布信息。可视化课程内容可以是图像视频或者其他动态可见的课程内容,相应地,课程内容分布信息可以是不同的可视化课程内容在在线教育业务端对应的显示画面中的位置区域分布信息,可以理解,隐私保护测评结果与在线教育课程内容之间存在关联,不同的隐私保护测评结果所对应的在线教育课程内容的课程内容分布信息可能不同,一般而言,隐私保护测评结果所表征对应的教学业务交互服务器的信息防护能力越可靠,课程内容分布信息相对复杂和多样化,这样一来,即使学生通过在线教育业务端进行了相关的敏感操作比如点击相关广告,教学业务交互服务器也能够实现敏感操作行为的识别以及避免在线教育业务端进行相关界面的跳转,从而避免广告爬虫对在线教育业务端的隐私信息的非法访问和窃取。在本方案中,在线教育课程内容的下发数量用于指示向不同的教学业务交互服务器下发不同的在线教育课程内容。
在实际实施过程中发明人还发现,为了实现精准的在线教育课程内容的下发,避免教学业务交互服务器所接收到的在线教育课程内容与该教学业务交互服务器的信息防护能力不匹配,上述步骤“基于待输出的多个在线教育课程内容的数量和所述多个教学业务交互服务器的隐私保护测评结果,确定下发给各个教学业务交互服务器的在线教育课程内容的下发数量”,进一步可以包括以下内容:根据所述各个教学业务交互服务器的隐私保护测评结果以及所述多个教学业务交互服务器的隐私保护测评内容集,得到所述各个教学业务交互服务器的课程内容测评系数,所述隐私保护测评内容集为所述多个教学业务交互服务器的隐私保护测评结果的融合结果;通过所述多个在线教育课程内容的数量以及所述各个教学业务交互服务器的课程内容测评系数,得到下发给所述各个教学业务交互服务器的在线教育课程内容的下发数量。举例而言,各个教学业务交互服务器的课程内容测评系数用于表征不同教学业务交互服务器在与在线教育业务端进行课堂教学交互时的安全系数,所述多个教学业务交互服务器的隐私保护测评结果的融合结果可以按照时序先后顺序进行融合,也可以按照其他测评标准进行融合,在此不作限定。基于此,能够通过通过所述多个在线教育课程内容的数量以及所述各个教学业务交互服务器的课程内容测评系数,得到下发给所述各个教学业务交互服务器的在线教育课程内容的下发数量,比如,可以根据所述多个在线教育课程内容的数量与所述各个教学业务交互服务器的课程内容测评系数之间的预设映射关系或者映射函数,确定下发给所述各个教学业务交互服务器的在线教育课程内容的下发数量,这样能够将不同教学业务交互服务器在与在线教育业务端进行课堂教学交互时的安全性考虑在内,从而实现精准的在线教育课程内容的下发,避免教学业务交互服务器所接收到的在线教育课程内容与该教学业务交互服务器的信息防护能力不匹配。
在实际实施过程中发明人还发现,为了进一步确保下发的在线教育课程内容的数量的精准性,还需要考虑不同的在线教育课程内容识别情况,为实现这一目的,在上述步骤“基于待输出的多个在线教育课程内容的数量和所述多个教学业务交互服务器的隐私保护测评结果,确定下发给各个教学业务交互服务器的在线教育课程内容的下发数量”之前,还可以包括以下内容所描述的技术方案:将所述多个教学业务交互服务器中已触发识别通过条件的至少一个教学业务交互服务器当前正在识别和未识别的多个在线教育课程内容确定为待输出的多个在线教育课程内容;和/或,将已接收且未处理的课程内容下发请求中对应的多个在线教育课程内容确定为待输出的多个在线教育课程内容。其中,识别通过条件可以包括内容合法性的识别,比如相关广告展示内容的识别。一般而言,识别通过条件的触发与是否进行完成在线教育课程内容可以存在时间上的先后差异。这样一来,可以准确地确定出待输出的多个在线教育课程内容。此外,在本实施例中,由于接收到的课程内容下发请求是经过验证,因而可以直接将已接收且未处理的课程内容下发请求中对应的多个在线教育课程内容确定为待输出的多个在线教育课程内容。如此,可以通过以上不同的实施方式实现不同的在线教育课程内容的识别和确定,从而确保下发的在线教育课程内容的数量的精准性。
在一个可能的实施例中,在上述步骤“基于待输出的多个在线教育课程内容的数量和所述多个教学业务交互服务器的隐私保护测评结果,确定下发给各个教学业务交互服务器的在线教育课程内容的下发数量”之前,该方法还可以包括以下内容:当检测到所述多个教学业务交互服务器中任一教学业务交互服务器触发识别通过条件时,执行所述基于待输出的多个在线教育课程内容的数量和所述多个教学业务交互服务器的隐私保护测评结果,确定下发给各个教学业务交互服务器的在线教育课程内容的下发数量的步骤;或者,每隔第一设定时长,执行所述基于待输出的多个在线教育课程内容的数量和所述多个教学业务交互服务器的隐私保护测评结果,确定下发给各个教学业务交互服务器的在线教育课程内容的下发数量的步骤。比如,设定时长可以根据处于有效交互状态的教学业务交互服务器的数量进行确定。
S130、按照确定的所述下发数量,将所述多个在线教育课程内容下发给所述多个教学业务交互服务器。
在相关实施例中,不同的教学业务交互服务器对应的在线教育课程内容的下发数量和下发的在线教育课程内容是不同的,这样能够实现差异化地实现课程内容输出,比如对于一些隐私防护能力较强的教学业务交互服务器,可以输出相关的广告画面信息或者针对家长端的交互接口界面,对于一些隐私防护能力较弱的教学业务交互服务器,可以仅输出学生端对应的课程内容。比如,对于隐私防护能力较强的教学业务交互服务器1,教学业务交互服务器1在与在线教育业务端交互时,向在线教育业务端输出的可视化课程内容可以包括课堂内容r1、广告信息r2和广告信息r3。即使学生因为误操作点击了广告信息r2对应的交互功能界面,教学业务交互服务器1也能够对误操作对应的请求进行验证,比如远程通知家长端设备进行相关权限的校验,这样能够避免教学业务交互服务器1直接放行误操作对应的请求而可能导致的在线教育业务端的隐私信息被窃取。
当然,在其他的一些实施例中,出了考虑隐私信息防护,还需要考虑课程内容与在线教育业务端的匹配程度,为实现这一目的,上述步骤“按照确定的所述下发数量,将所述多个在线教育课程内容下发给所述多个教学业务交互服务器”,可以包括以下内容:获取所述多个在线教育课程内容的课程内容重要度;按照所述多个在线教育课程内容的课程内容重要度排序和确定的下发数量,将所述多个在线教育课程内容下发给所述多个教学业务交互服务器。比如,可以按照课程内容重要度的降序排序以及确定的下发数量,将部分在线教育课程内容下发给对应的多个教学业务交互服务器,这样一来,不仅可以确保教学业务交互服务器与在线教育业务端的课堂交互的信息安全性,还能够确保教学业务交互服务器与在线教育业务端在教学内容上的一致性和匹配性。在上述基础上,步骤“将所述多个在线教育课程内容下发给所述多个教学业务交互服务器”,可以包括以下内容:对于所述多个在线教育课程内容中的任一在线教育课程内容,获取所述任一在线教育课程内容的在先识别记录,所述在先识别记录用于表征所述任一在线教育课程内容在先被识别的教学业务交互服务器以及识别的课程内容特征信息;基于所述在先识别记录,从所述多个教学业务交互服务器中确定识别所述任一在线教育课程内容时未存在异常的教学业务交互服务器;将所述任一在线教育课程内容下发给所述未存在异常的教学业务交互服务器。举例而言,在先识别记录可以用于表征在线教育课程内容在之前的时段下的内容合法性的识别结果,通过对在先识别记录进行分析,能够确定出识别所述任一在线教育课程内容时未存在异常的教学业务交互服务器,从而将所述任一在线教育课程内容下发给所述未存在异常的教学业务交互服务器。这样可以确保后续教学业务交互服务器与在线教育业务端的课堂交互的信息安全性。
在上述内容的基础上,还可以包括以下内容:将已接收且未处理的课程内容删除请求中携带的在线教育课程内容从对应的教学业务交互服务器中删除。
在实际实施过程中,在下发了在线教育课程内容,还可以对在线教育业务端的课堂交互情况进行分析,从而实现针对所述在线教育业务端的后续的待分配资源信息的确定,为实现这一目的,在步骤“按照确定的所述下发数量,将所述多个在线教育课程内容下发给所述多个教学业务交互服务器”之后,所述方法还包括:根据获得的授课资源数据,确定针对所述在线教育业务端的待分配资源信息。进一步地,步骤“根据获得的授课资源数据,确定针对所述在线教育业务端的待分配资源信息”,可以包括以下内容:获得针对在线教育课程信息的当前组授课资源数据;各组授课资源数据的每个相同教学科目的师资状态信息对应一组资源分配策略,每组资源分配策略包含设定数量个根据在线教育课程信息的授课资源数据的更新情况预设的第一资源分配策略;所述在线教育课程信息的授课资源数据的更新情况为所述在线教育课程信息中存在学员信息变动的课堂交互数据的实时更新情况;针对所述当前组授课资源数据中的每个当前师资状态信息,将所述当前师资状态信息的教学状态特征与所述当前师资状态信息对应的一组资源分配策略进行匹配;根据得到的匹配结果确定针对所述在线教育业务端的待分配资源信息。
在一些实施例中,关于上述内容“获得针对在线教育课程信息的当前组授课资源数据;各组授课资源数据的每个相同教学科目的师资状态信息对应一组资源分配策略,每组资源分配策略包含设定数量个根据在线教育课程信息的授课资源数据的更新情况预设的第一资源分配策略;所述在线教育课程信息的授课资源数据的更新情况为所述在线教育课程信息中存在学员信息变动的课堂交互数据的实时更新情况;针对所述当前组授课资源数据中的每个当前师资状态信息,将所述当前师资状态信息的教学状态特征与所述当前师资状态信息对应的一组资源分配策略进行匹配;根据得到的匹配结果确定针对所述在线教育业务端的待分配资源信息”的进一步说明,可以参阅以下内容。
S210,获得针对在线教育课程信息的当前组授课资源数据。
在相关实施例中,在线教育课程信息可以是信息安防服务器根据在线教育业务端上传的课程预定信息而配置的相关视频网课的课程信息和师资配备信息等,比如,各组授课资源数据的每个相同教学科目的师资状态信息可以对应一组资源分配策略,每组资源分配策略包含设定数量个根据在线教育课程信息的授课资源数据的更新情况预设的第一资源分配策略。进一步地,所述在线教育课程信息的授课资源数据的更新情况为所述在线教育课程信息中存在学员信息变动的课堂交互数据的实时更新情况。其中,教学科目可以包括很多阶段的科目,比如小学科目、初中科目、高中科目、大学科目或者职业培训科目等,在此不作限定。师资状态信息可以包括不同教师的课程安排信息、授课评价信息以及教师资质信息等,资源分配策略可以用于指示信息安防服务器进行相关教学资源的分配,比如师资分配或者教学内容分配等,授课资源数据的更新情况主要侧重于存在学员信息变动的课堂交互数据的实时更新情况,举例而言,学院信息变动可以是学员在线状态的变化或者学员人数的变化等,课堂交互数据通常可以是信息安防服务器根据在线教育业务端和/或教师授课终端的交互日志得到的,对于一些录播课程,可以仅对在线教育业务端进行分析,对于一些实时直播的课程,可以同时对在线教育业务端和教师授课终端进行分析。由此,在线教育课程信息的授课资源数据能够获得较为丰富的教学信息,从而为后续的资源分配提供决策依据。举例而言,在线教育课程信息的不同组授课资源数据可以根据时间先后顺序进行记录,比如在线教育课程信息对应的授课资源数据可以为{d1、d2、d3、d4},也即,在线教育课程信息在一些时段内可以对应第一组授课资源数据d1、第二组授课资源数据d2、第三组授课资源数据d3以及第四组授课资源数据d4。当然,在实际实时过程中,还可以包括其他更多的授课资源数据,在此不作限定。
S220,针对所述当前组授课资源数据中的每个当前师资状态信息,将所述当前师资状态信息的教学状态特征与所述当前师资状态信息对应的一组资源分配策略进行匹配;根据得到的匹配结果确定针对所述至少一个在线教育业务端的待分配资源信息。
在相关实施例中,通过将当前师资状态信息的教学状态特征与所述当前师资状态信息对应的一组资源分配策略进行匹配,能够基于课程内容层面、师生交互层面以及在线教育业务端的设备运行层面进行综合分析,从而得到对应的匹配结果,由于该匹配结果考虑了在线教育业务端和/或教师授课终端的交互日志(也即在线教育业务端的交互稳定性),还考虑了当前师资状态信息的教学状态特征(也即师生互动情况),如此一来,能够确保得到的待分配资源信息与在线教育业务端的适配性,能够在确保不同的在线教育业务端稳定运行的前提下尽可能为不同的在线教育业务端针对性地下发教学资源信息,从而提高在线教育业务端与信息安防服务器的交互有效性,以便信息安防服务器根据在线教育业务端反馈的相关数据进行相关在线教育业务服务的优化和升级。
在上述内容的基础上,不同的匹配结果可能对应不同的待分配资源信息,为了确保得到的待分配资源信息与在线教育业务端在数据通信层面和课程教育层面的适配性,需要对不同的匹配结果进行分析和处理,为实现这一目的,步骤“根据得到的匹配结果确定针对所述至少一个在线教育业务端的待分配资源信息”,可以包括以下两种情况。
第一种情况,若所述当前师资状态信息的教学状态特征与所述当前师资状态信息对应的一组资源分配策略中任一第一资源分配策略匹配成功,则根据所述当前师资状态信息的教学状态特征更新所述匹配成功的第一资源分配策略的教学状态特征,并将所述当前师资状态信息确定为第一待分配师资状态信息。在实际实施过程中,所述当前师资状态信息的教学状态特征与所述当前师资状态信息对应的一组资源分配策略中任一第一资源分配策略匹配成功可以根据教学状态特征与对应资源分配策略的匹配系数确定,比如,匹配系数可以综合考虑师资情况、课程情况以及在线教育业务端的运行情况,若匹配系数大于设定系数,则可以判定所述当前师资状态信息的教学状态特征与所述当前师资状态信息对应的一组资源分配策略中任一第一资源分配策略匹配成功,进一步地,将当前师资状态信息确定为第一待分配师资状态信息,可以在后续根据第一待分配师资状态信息绑定对应的课程信息,这样可以确保后续在向在线教育业务端分配教育资源时充分考虑在线教育业务端的设备通信稳定性和师资课程匹配性。此外,通过更新所述匹配成功的第一资源分配策略的教学状态特征,能够确保后续匹配的时效性。
第二种情况,若所述当前师资状态信息的教学状态特征与所述当前师资状态信息对应的一组资源分配策略中所有第一资源分配策略匹配失败,则从所述当前师资状态信息对应的一组资源分配策略中选择一个第一资源分配策略,修改所选择的第一资源分配策略的教学状态特征,并根据所述当前师资状态信息确定第一候选师资状态信息;确定所述当前组授课资源数据中是否包含第一候选师资状态信息;根据所述当前组授课资源数据是否包含第一候选师资状态信息,确定所述当前组授课资源数据中是否存在候选待分配教学资源。相应地,通过修改第一资源分配策略的教学状态特征,能够对资源分配策略中与当前情况相冲突的相关分配指示进行调整,根据所述当前师资状态信息确定第一候选师资状态信息,能够确保第一候选师资状态信息与当前教学状态下的在线教育业务端的网络通信状态相匹配,同时确保第一候选师资状态信息与实时的教学需求相匹配,根据所述当前组授课资源数据是否包含第一候选师资状态信息,确定所述当前组授课资源数据中是否存在候选待分配教学资源,能够确保得到的候选待分配教学资源尽可能与在线业务终端匹配,避免多次下发错误的教学资源而造成的资源浪费。
在相关的实施例中,步骤“根据所述当前组授课资源数据是否包含第一候选师资状态信息,确定所述当前组授课资源数据中是否存在候选待分配教学资源”之前,还可以包括以下内容:若所述当前组授课资源数据中包含第一候选师资状态信息,确定所述当前组授课资源数据中存在候选待分配教学资源;若所述当前组授课资源数据中不包含第一候选师资状态信息,确定所述当前组授课资源数据中不存在候选待分配教学资源。进一步地,在步骤“确定所述当前组授课资源数据中存在候选待分配教学资源”之后,上述方法还可以包括以下内容:确定所述当前组授课资源数据对应的包含至少一个第一候选师资状态信息的候选授课资源数据,将所述候选授课资源数据作为第一候选授课资源数据;根据所述第一候选授课资源数据,确定所述当前组授课资源数据中的至少一个候选待分配教学资源。比如,可以将满足上课时段要求的至少一个第一候选师资状态信息的候选授课资源数据(课程内容数据)确定为第一候选授课资源数据,然后从所述当前组授课资源数据确定与所述第一候选授课资源数据存在关联的至少一个候选待分配教学资源(比如教师资源和/或课程资源)。在选择性的实施例中,在步骤“根据所述第一候选授课资源数据,确定所述当前组授课资源数据中的至少一个候选待分配教学资源”之前,还可以包括以下内容:针对所述当前组授课资源数据中的每个当前师资状态信息,将所述当前师资状态信息的教学状态特征与所述当前师资状态信息对应的预设的第二资源分配策略进行匹配,其中,各组授课资源数据的每个相同教学科目的师资状态信息对应一个第二资源分配策略;若所述当前师资状态信息的教学状态特征与所述第二资源分配策略匹配成功,则将所述当前师资状态信息确定为第二待分配师资状态信息,根据所述当前师资状态信息的教学状态特征更新所述第二资源分配策略的教学状态特征;若所述当前师资状态信息的教学状态特征与所述第二资源分配策略匹配失败,则将所述当前师资状态信息确定为第二候选师资状态信息;确定所述当前组授课资源数据中是否包含第二候选师资状态信息;当确定所述当前组授课资源数据中包含第二候选师资状态信息时,确定所述当前组授课资源数据对应的包含至少一个第二候选师资状态信息的候选授课资源数据,将所述候选授课资源数据作为第二候选授课资源数据。相应地,步骤“根据所述第一候选授课资源数据,确定所述当前组授课资源数据中的至少一个候选待分配教学资源”,可以包括以下内容:根据所述第一候选授课资源数据所包含的至少一个第一候选师资状态信息以及所述第二候选授课资源数据所包含的至少一个第二候选师资状态信息,确定所述当前组授课资源数据中的候选待分配教学资源。举例而言,第一候选授课资源数据所包含的至少一个第一候选师资状态信息与所述第二候选授课资源数据所包含的至少一个第二候选师资状态信息存在差异,比如第一候选授课资源数据所包含的至少一个第一候选师资状态信息针对教师资质,所述第二候选授课资源数据所包含的至少一个第二候选师资状态信息针对教师授课时段,如此设计,能够从多个维度考虑不同的候选师资状态信息,从而确保所述当前组授课资源数据中的候选待分配教学资源尽可能及时地满足在线教育业务端的业务需求。在一些选择性的实施例中,所述预设的第二资源分配策略为基于在线课堂互动的资源分配策略,所述第二资源分配策略的教学状态特征包括第二教师授课状态特征和第二学员反馈状态特征,所述当前师资状态信息的教学状态特征包括所述当前师资状态信息的师资状态评分,基于此,步骤“根据所述当前师资状态信息的教学状态特征更新所述第二资源分配策略的教学状态特征”可以包括:根据所述当前师资状态信息的师资状态评分更新所述第二资源分配策略的第二教师授课状态特征和第二学员反馈状态特征。比如,可以根据当前师资状态信息的师资状态评分的高低,对第二资源分配策略的第二教师授课状态特征和第二学员反馈状态特征进行差异化更新,这样可以确保第二教师授课状态特征和第二学员反馈状态特征的更新与师资状态评分的高相关性。
在一些选择性的实施例中,在步骤“确定所述当前组授课资源数据中存在候选待分配教学资源”之后,所述方法还包括:获得与所述当前组授课资源数据相关联的前N组授课资源数据,所述N为设定的正整数;根据所获得的前N组授课资源数据以及所述当前组授课资源数据,确定所述候选待分配教学资源的资源响应性能;依据所确定的资源响应性能,确定所述候选待分配教学资源在所述在线教育课程信息中的教学资源匹配度是否低于设定匹配度;当确定所述候选待分配教学资源在所述在线教育课程信息中的教学资源匹配度低于设定匹配度时,输出资源分配提示信息。其中,待分配教学资源的资源响应性能用于表征对应的在线教育业务端的设备性能,比如在线教育业务端能否播放相关的在线教育视频,相应地,所述候选待分配教学资源在所述在线教育课程信息中的教学资源匹配度可以理解为对应的在线教育业务端对候选待分配教学资源的响应能力,因此,在所述候选待分配教学资源在所述在线教育课程信息中的教学资源匹配度低于设定匹配度时,表明在线教育业务端难以有效响应和处理候选待分配教学资源,基于此,信息安防服务器可以向在线教育业务端输出资源分配提示信息,以提示在线教育业务端进行相关的软硬件升级。
在一些选择性的实施例中,在步骤“根据所述第一候选授课资源数据所包含的至少一个第一候选师资状态信息以及所述第二候选授课资源数据所包含的至少一个第二候选师资状态信息,确定所述当前组授课资源数据中的候选待分配教学资源”之前,该方法还可以包括以下内容:按预设的第三数据采样模型对所述第二候选授课资源数据进行数据采样,获得第三授课资源数据;按预设的第一授课资源筛选条件对所述第一候选授课资源数据进行授课资源筛选,获得第四授课资源数据。其中,预设的第三数据采样模型同样可以是机器学习模型,预设的第一授课资源筛选条件可以是基于授课资源的区域化分配结果制定的,比如授课资源的分配是针对某一地区的,那么授课资源的区域化分配结果趋向于集中,则第一授课资源筛选条件可以根据在线教育业务端的地理位置分布进行设计。如此,能够实现对第一候选授课资源数据和第二候选授课资源数据的进一步处理,从而提高信息安防服务器的数据处理效率,减少信息安防服务器的数据处理压力。基于此,步骤“根据所述第一候选授课资源数据所包含的至少一个第一候选师资状态信息以及所述第二候选授课资源数据所包含的至少一个第二候选师资状态信息,确定所述当前组授课资源数据中的候选待分配教学资源”的步骤,可以包括:根据所述第三授课资源数据以及所述第四授课资源数据,确定所述当前组授课资源数据中的候选待分配教学资源。在一些选择性的实施例中,步骤“根据所述第三授课资源数据以及所述第四授课资源数据,确定所述当前组授课资源数据中的候选待分配教学资源”,可以包括以下内容:根据所述第三授课资源数据以及所述第四授课资源数据,确定第三候选授课资源数据;利用预设的第二授课资源筛选条件对所述第三候选授课资源数据进行授课资源筛选,得到第五授课资源数据;利用预设的资源关联识别模型对所述第五授课资源数据进行识别,得到所述当前组授课资源数据中的至少一个候选待分配教学资源。可以理解,资源关联识别模型可以对第五授课资源数据的相关资源数据进行搜索和汇总,从而尽可能完整地确定出候选待分配教学资源。
在实际实施过程中,步骤“从所述当前师资状态信息对应的一组资源分配策略中选择一个第一资源分配策略,修改所选择的第一资源分配策略的教学状态特征”,可以包括:从所述当前师资状态信息对应的一组资源分配策略中,选择所对应双向教学评分值最小的第一资源分配策略;利用所述当前师资状态信息的师资状态评分,修改所选择的第一资源分配策略的第一教师授课状态特征;将所选择的第一资源分配策略的第一学员反馈状态特征修改为课堂交互状态特征;根据所选择的第一资源分配策略的校正后的双向教学评分值确定所述双向资源分配热度;将所选择的第一资源分配策略的教学内容跳转次数设置为目标跳转次数。如此设计,能够基于双向教学评分值、师资状态评分进行第一资源分配策略的教学状态特征的修改,从而确保修改过程中教师端和学员端的互相适配,进而确保第一资源分配策略的教学状态特征的全局稳定性。
在实际实施过程中,发明人发现,随着在线教育的规模的不断扩大,信息安防服务器所面临的数据处理压力越来越大,为了减少信息安防服务器的数据处理压力,在步骤“针对所述当前组授课资源数据中的每个当前师资状态信息,将所述当前师资状态信息的教学状态特征与所述当前师资状态信息对应的一组资源分配策略进行匹配”的步骤之前,上述方法还可以包括以下内容:按预设的第一数据采样模型对所获得的当前组授课资源数据进行数据采样;对数据采样后的当前组授课资源数据进行筛选处理,获得第一授课资源数据。在相关实施例中,预设的第一数据采样模型可以是基于机器学习(Machine Learning)的神经网络(Neural Networks,NN)或者支持向量机(Support Vector Machine,SVM)等模型,在此不作限定。通过对当前组授课资源数据进行数据采样,能够滤除掉一些非教学业务型的冗余数据,从而减少数据量,通过对数据采样后的当前组授课资源数据进行筛选处理,能够滤除一些异常的授课资源数据(比如由于网络通信扰动而产生的噪声数据),以进一步减少数据量,这样可以在保证当前组授课资源的数据准确性和可用性的前提下对当前组授课资源数据进行精简,以减少信息安防服务器的数据处理压力。在此基础上,上述步骤“针对所述当前组授课资源数据中的每个当前师资状态信息,将所述当前师资状态信息的教学状态特征与所述当前师资状态信息对应的一组资源分配策略进行匹配”,可以通过以下方式实现:针对所述第一授课资源数据中的每个当前师资状态信息,将所述当前师资状态信息的教学状态特征与所述当前师资状态信息对应的一组资源分配策略进行匹配。如此设计,由于当前师资状态信息的教学状态特征是通过第一授课资源数据确定的,因而当前师资状态信息的教学状态特征具有较低的噪声比,这样可以确保当前师资状态信息的教学状态特征与所述当前师资状态信息对应的一组资源分配策略的匹配准确性和可信度,还能够减少信息安防服务器的运行压力。
在一些选择性的实施例中,在步骤“针对所述当前组授课资源数据中的每个当前师资状态信息,将所述当前师资状态信息的教学状态特征与所述当前师资状态信息对应的一组资源分配策略进行匹配”之前,上述方法还可以包括以下内容:按预设的第二数据采样模型对所述当前组授课资源数据进行数据采样,获得第二授课资源数据。其中,预设的第二数据采样模型可以集成数据采样、数据分类和数据筛选的功能,这样能够提高对当前组授课资源数据进行前处理的效率,比如,可以将第二数据采样模型部署到关联的服务器中,在使用时通过调用第二数据采样模型实现上述的数据采样功能。基于此,步骤“针对所述当前组授课资源数据中的每个当前师资状态信息,将所述当前师资状态信息的教学状态特征与所述当前师资状态信息对应的一组资源分配策略进行匹配”,可以包括以下内容:针对所述第二授课资源数据中的每个当前师资状态信息,将所述当前师资状态信息的教学状态特征与所述当前师资状态信息对应的一组资源分配策略进行匹配。如此设计,由于当前师资状态信息的教学状态特征是通过第二授课资源数据确定的,因而当前师资状态信息的教学状态特征具有较低的噪声比,这样可以确保当前师资状态信息的教学状态特征与所述当前师资状态信息对应的一组资源分配策略的匹配准确性和可信度,还能够减少信息安防服务器的运行压力。
在相关实施例中,所述每组资源分配策略中的每个第一资源分配策略均为基于在线课堂互动的资源分配策略,每个第一资源分配策略的教学状态特征均包括第一教师授课状态特征、第一学员反馈状态特征和双向教学评分值,所述当前师资状态信息的教学状态特征包括所述当前师资状态信息的师资状态评分。其中,第一教师授课状态特征、第一学员反馈状态特征和双向教学评分值均可用于对授课状态进行评估,第一教师授课状态特征、第一学员反馈状态特征可以通过多个维度对授课状态进行评估,而双向教学评分值可以是教师和学员互评之后经过设定算法计算得到的评分值,一般可以设计在0~100之间。在此基础上,在步骤“将所述当前师资状态信息的教学状态特征与所述当前师资状态信息对应的一组资源分配策略进行匹配”之前,该方法还可以包括以下内容:针对当前组授课资源数据中的每个当前师资状态信息,分别对所述当前师资状态信息对应的一组资源分配策略中所包含的每个第一资源分配策略的双向教学评分值进行校正,获得每个第一资源分配策略的校正后的双向教学评分值;根据每个第一资源分配策略的校正后的双向教学评分值,对所述当前师资状态信息对应的一组资源分配策略中所包含的第一资源分配策略进行排序,其中,每个第一资源分配策略的排序编号与所对应校正后的双向教学评分值成正相关。通过对每个第一资源分配策略的双向教学评分值进行校正,能够尽可能去掉一些主观情绪对应的评分,从而确保得到的双向教学评分值尽可能客观地反应授课状态。在上述内容的基础上,步骤“根据所述当前师资状态信息的教学状态特征更新所述匹配成功的第一资源分配策略的教学状态特征”,可以包括以下内容:利用所述当前师资状态信息的师资状态评分更新所述匹配成功的第一资源分配策略的第一教师授课状态特征以及第一学员反馈状态特征;且根据所述匹配成功的第一资源分配策略的校正后的双向教学评分值确定双向资源分配热度。比如,双向资源分配热度可以理解为向教师设备端分配相关教学资源的热度与向学员设备端分配相关教学资源的热度的加权值。进一步地,在一些可选的实施例中,步骤“将所述当前师资状态信息的教学状态特征与所述当前师资状态信息对应的一组资源分配策略进行匹配”,可以包括以下内容:按照所述设定数量个第一资源分配策略的排序结果,将所述当前师资状态信息的师资状态评分依次与每个第一资源分配策略进行匹配,其中,当所述当前师资状态信息的师资状态评分与当前进行匹配的第一资源分配策略满足第一设定条件时,则表征所述当前师资状态信息的师资状态评分与所述当前进行匹配的第一资源分配策略匹配,反之,则不匹配。示例性地,所述第一设定条件可以为:所述当前师资状态信息的师资状态评分与所述当前进行匹配的第一资源分配策略的第一教师授课状态特征的目标匹配结果的资源分配量化值,小于设定比例的所述当前进行匹配的第一资源分配策略的第一学员反馈状态特征的资源分配参考值,且所述当前进行匹配的第一资源分配策略的双向教学评分值大于第一设定阈值,所述第一设定阈值为:根据所述双向资源分配热度以及所述在线教育课程信息的授课资源数据的更新情况确定的判定值。比如,资源分配量化值用于表征教学资源分配的可行性程度,比如,资源分配量化值越大,表明教学资源分配的可行性越高。如此设计,可以根据确保当前师资状态信息的教学状态特征与所述当前师资状态信息对应的一组资源分配策略的匹配可信度。在相关实施例中,“所述当前师资状态信息的师资状态评分与所述当前进行匹配的第一资源分配策略的第一教师授课状态特征的目标匹配结果”与上述S220的匹配结果可以理解为不同的匹配结果。
在一些可能的实施例中,每个第一资源分配策略的教学状态特征还包括教学内容跳转次数,基于此,在步骤“将所述当前师资状态信息的教学状态特征与所述当前师资状态信息对应的一组资源分配策略进行匹配”之前,还可以包括以下内容:针对当前组授课资源数据中的每个当前师资状态信息,分别将所述当前师资状态信息对应的一组资源分配策略中所包含的第一资源分配策略的教学内容跳转次数加一。其中,教学内容跳转次数可以理解为在线教育业务端切换在线教育视频的次数,通过将第一资源分配策略的教学内容跳转次数加一,能够考虑在线教育业务端在交互过程中的误操作,当然,教学内容跳转次数还可以根据实际情况加二或者加三,基于此,“将所述当前师资状态信息确定为第一待分配师资状态信息”,包括:判断所述匹配成功的第一资源分配策略的教学内容跳转次数加一后是否小于设定跳转次数;若为否,执行所述将所述当前师资状态信息确定为第一待分配师资状态信息的步骤。其中,设定跳转次数可以根据实际学员的教学反馈情况进行调整,在此不作限定。如此设计,可以根据教学内容跳转次数确保第一待分配师资状态信息尽可能与学员的实际教学需求相匹配。
在一些可能的实施例中,所述当前师资状态信息的教学状态特征包括所述当前师资状态信息的师资状态评分,基于此,在步骤“将所述当前师资状态信息的教学状态特征与所述当前师资状态信息对应的一组资源分配策略进行匹配”之前,可以包括以下内容:针对所述当前组授课资源数据中的每个当前师资状态信息,获得所述当前师资状态信息对应的预设授课时段内的每个第一师资状态信息的师资状态评分;获得预设的当前师资状态评分的课程评估统计结果以及预设的平均师资状态评分的课程评估统计结果;根据所述当前师资状态信息的师资状态评分以及每个第一师资状态信息的师资状态评分,确定所述预设授课时段对应的平均师资状态评分;从所述当前师资状态评分的课程评估统计结果中,确定所述当前师资状态信息对应的第一课程评估统计内容;从所述平均师资状态评分的课程评估统计结果中,获得所确定的平均师资状态评分对应的第二课程评估统计内容;确定所述第一课程评估统计内容与所述第二课程评估统计内容的比对结果的资源分配量化值;根据所确定的比对结果的资源分配量化值调整所述当前师资状态信息的师资状态评分。如此设计,通过将当前师资状态信息对应的预设授课时段以及平均师资状态评分的课程评估统计结果考虑在内,能够准确确定所述第一课程评估统计内容与所述第二课程评估统计内容的比对结果的资源分配量化值,这样可以对所述当前师资状态信息的师资状态评分进行调整以确保当前师资状态信息的师资状态评分的可信度。基于此,步骤“将所述当前师资状态信息的教学状态特征与所述当前师资状态信息对应的一组资源分配策略进行匹配”可以包括以下内容:将所述调整后的当前师资状态信息的师资状态评分与所述调整后的当前师资状态信息对应的一组资源分配策略进行匹配。可以理解,关于“将所述调整后的当前师资状态信息的师资状态评分与所述调整后的当前师资状态信息对应的一组资源分配策略进行匹配”的进一步实施方式可以参阅上述类似的实施方式,在此不作赘述。
在实施上述方案时,首先获得针对在线教育课程信息的当前组授课资源数据,其次针对当前组授课资源数据中的每个当前师资状态信息,将当前师资状态信息的教学状态特征与当前师资状态信息对应的一组资源分配策略进行匹配,最后根据得到的匹配结果确定针对在线教育业务端的待分配资源信息。如此设计,能够对在线教育课程信息的不同的授课资源数据进行分析,从而将师资状态信息、教学状态特征以及课堂交互数据考虑在内,并结合对应的资源分配策略确定针对不同的在线教育业务端的待分配资源信息,这样,能够在确保不同的在线教育业务端稳定运行的前提下尽可能为不同的在线教育业务端针对性地下发教学资源信息,从而提高在线教育业务端与信息安防服务器的交互有效性,以便信息安防服务器根据在线教育业务端反馈的相关数据进行相关在线教育业务服务的优化和升级。
比如,在针对性地下发教学资源信息之后,在线教育业务端能够与信息安防服务器进行客观且有效的教学互动,比如在线答疑等,这样一来,信息安防服务器能够根据在线教育业务端反馈的课堂作业数据或者教学评价数据对在线教育业务服务进行优化和升级,比如针对一些课程内容的差异化的可视化处理以便于相关课程内容更容易被学员理解,又比如将一些互动功能模块在显示时的分布区域进行适应性调整,避免学员在使用在线教育业务端时的误操作而导致在线教育业务端出现异常。由此一来,通过进行教学资源分配,能够为后续的在线教育业务服务的优化和升级的数据来源提供保障,从而进一步提高信息安防服务器和在线教育业务端之间交互的智能化程度。
综上,在实施上述步骤S110-步骤S130所描述的内容时,能够对不同的教学业务交互服务器的隐私保护能力进行分析,从而确定在线教育信息防护系统中的多个教学业务交互服务器当前的隐私保护测评结果,并基于待输出的多个在线教育课程内容的数量和多个教学业务交互服务器的隐私保护测评结果,确定下发给各个教学业务交互服务器的在线教育课程内容的下发数量,这样可以将多个在线教育课程内容下发给多个教学业务交互服务器。这样一来,能够选择不容易被学员端误操作或者误点击的在线教育课程内容进行针对性的下发,从而避免在线教育业务端的隐私信息的泄露,实现在线教育大数据场景下的有效信息防护。
针对上述在线教育大数据场景下的信息防护方法,本发明实施例还提出了一种示例性的在线教育大数据场景下的信息防护装置,如图3所示,在线教育大数据场景下的信息防护装置300可以包括以下的功能模块。
隐私保护测评模块310,用于确定所述在线教育信息防护系统中的多个教学业务交互服务器当前的隐私保护测评结果,所述隐私保护测评结果是基于教学业务交互服务器的各个隐私保护测评事项的结果确定得到,且用于表征教学业务交互服务器当前识别敏感操作行为的能力。
下发数量确定模块320,用于基于待输出的多个在线教育课程内容的数量和所述多个教学业务交互服务器的隐私保护测评结果,确定下发给各个教学业务交互服务器的在线教育课程内容的下发数量,所述在线教育课程内容用于表征在线教育业务端输出可视化课程内容的课程内容分布信息。
课程内容下发模块330,用于按照确定的所述下发数量,将所述多个在线教育课程内容下发给所述多个教学业务交互服务器。
在上述内容的基础上,请结合参阅图4,信息安防服务器210可以包括处理引擎211、网络模块212和存储器213,处理引擎211和存储器213通过网络模块212通信。
处理引擎211可以处理相关的信息和/或数据以执行本申请中描述的一个或多个功能。例如,在一些实施例中,处理引擎211可以包括至少一个处理引擎(例如,单核处理引擎或多核处理器)。仅作为示例,处理引擎211可以包括中央处理单元(Central ProcessingUnit,CPU)、专用集成电路(Application-Specific Integrated Circuit,ASIC)、专用指令集处理器(Application-Specific Instruction-set Processor,ASIP)、图形处理单元(Graphics Processing Unit,GPU)、物理处理单元(Physics Processing Unit,PPU)、数字信号处理器(Digital Signal Processor,DSP)、现场可编程门阵列(Field ProgrammableGate Array,FPGA)、可编程逻辑器件(Programmable Logic Device,PLD)、控制器、微控制器单元、精简指令集计算机(Reduced Instruction-Set Computer,RISC)、微处理器等或其任意组合。
网络模块212可以促进信息和/或数据的交换。在一些实施例中,网络模块212可以是任何类型的有线或无线网络或其组合。仅作为示例,网络模块212可以包括缆线网络、有线网络、光纤网络、电信网络、内部网络、互联网、局域网络(Local Area Network,LAN)、广域网(Wide Area Network,WAN)、无线局域网络(Wireless Local Area Network,WLAN)、城域网(Metropolitan Area Network,MAN)、公用电话交换网(Public Telephone SwitchedNetwork,PSTN)、蓝牙网络、无线个域网络、近场通讯(Near Field Communication,NFC)网络等或上述举例的任意组合。在一些实施例中,网络模块212可以包括至少一个网络接入点。例如,网络模块212可以包括有线或无线网路接入点,如基站和/或网路接入点。
存储器213可以是,但不限于,随机存取存储器(Random Access Memory,RAM),只读存储器(Read Only Memory,ROM),可编程只读存储器(Programmable Read-OnlyMemory,PROM),可擦除只读存储器(Erasable Programmable Read-Only Memory,EPROM),电可擦除只读存储器(Electric Erasable Programmable Read-Only Memory,EEPROM)等。其中,存储器213用于存储程序,所述处理引擎211在接收到执行指令后,执行所述程序。
可以理解,图4所示的结构仅为示意,信息安防服务器210还可包括比图4中所示更多或者更少的组件,或者具有与图4所示不同的配置。图4中所示的各组件可以采用硬件、软件或其组合实现。
应当理解,上述所示的系统及其模块可以利用各种方式来实现。例如,在一些实施例中,系统及其模块可以通过硬件、软件或者软件和硬件的结合来实现。其中,硬件部分可以利用专用逻辑来实现;软件部分则可以存储在存储器中,由适当的指令执行系统,例如微处理器或者专用设计硬件来执行。本领域技术人员可以理解上述的方法和系统可以使用计算机可执行指令和/或包含在处理器控制代码中来实现,例如在诸如磁盘、CD或DVD-ROM的载体介质、诸如只读存储器(固件)的可编程的存储器或者诸如光学或电子信号载体的数据载体上提供了这样的代码。本申请的系统及其模块不仅可以有诸如超大规模集成电路或门阵列、诸如逻辑芯片、晶体管等的半导体、或者诸如现场可编程门阵列、可编程逻辑设备等的可编程硬件设备的硬件电路实现,也可以用例如由各种类型的处理器所执行的软件实现,还可以由上述硬件电路和软件的结合(例如,固件)来实现。
需要说明的是,不同实施例可能产生的有益效果不同,在不同的实施例里,可能产生的有益效果可以是以上任意一种或几种的组合,也可以是其他任何可能获得的有益效果。
上文已对基本概念做了描述,显然,对于本领域技术人员来说,上述详细披露仅仅作为示例,而并不构成对本申请的限定。虽然此处并没有明确说明,本领域技术人员可能会对本申请进行各种修改、改进和修正。该类修改、改进和修正在本申请中被建议,所以该类修改、改进、修正仍属于本申请示范实施例的精神和范围。
同时,本申请使用了特定词语来描述本申请的实施例。如“一个实施例”、“一实施例”、和/或“一些实施例”意指与本申请至少一个实施例相关的某一特征、结构或特点。因此,应强调并注意的是,本说明书中在不同位置两次或多次提及的“一实施例”或“一个实施例”或“一个替代性实施例”并不一定是指同一实施例。此外,本申请的一个或多个实施例中的某些特征、结构或特点可以进行适当的组合。
此外,本领域技术人员可以理解,本申请的各方面可以通过若干具有可专利性的种类或情况进行说明和描述,包括任何新的和有用的工序、机器、产品或物质的组合,或对他们的任何新的和有用的改进。相应地,本申请的各个方面可以完全由硬件执行、可以完全由软件(包括固件、常驻软件、微码等)执行、也可以由硬件和软件组合执行。以上硬件或软件均可被称为“数据块”、“模块”、“引擎”、“单元”、“组件”或“系统”。此外,本申请的各方面可能表现为位于一个或多个计算机可读介质中的计算机产品,该产品包括计算机可读程序编码。
计算机可读存储介质可能包含一个内含有计算机程序编码的传播数据信号,例如在基带上或作为载波的一部分。该传播信号可能有多种表现形式,包括电磁形式、光形式等,或合适的组合形式。计算机可读存储介质可以是除计算机可读存储介质之外的任何计算机可读介质,该介质可以通过连接至一个指令执行系统、装置或设备以实现通讯、传播或传输供使用的程序。位于计算机可读存储介质上的程序编码可以通过任何合适的介质进行传播,包括无线电、电缆、光纤电缆、RF、或类似介质,或任何上述介质的组合。
本申请各部分操作所需的计算机程序编码可以用任意一种或多种程序语言编写,包括面向对象编程语言如Java、Scala、Smalltalk、Eiffel、JADE、Emerald、C++、C#、VB.NET、Python等,常规程序化编程语言如C语言、Visual Basic、Fortran 2003、Perl、COBOL 2002、PHP、ABAP,动态编程语言如Python、Ruby和Groovy,或其他编程语言等。该程序编码可以完全在用户计算机上运行、或作为独立的软件包在用户计算机上运行、或部分在用户计算机上运行部分在远程计算机运行、或完全在远程计算机或服务器上运行。在后种情况下,远程计算机可以通过任何网络形式与用户计算机连接,比如局域网(LAN)或广域网(WAN),或连接至外部计算机(例如通过因特网),或在云计算环境中,或作为服务使用如软件即服务(SaaS)。
此外,除非权利要求中明确说明,本申请所述处理元素和序列的顺序、数字字母的使用、或其他名称的使用,并非用于限定本申请流程和方法的顺序。尽管上述披露中通过各种示例讨论了一些目前认为有用的发明实施例,但应当理解的是,该类细节仅起到说明的目的,附加的权利要求并不仅限于披露的实施例,相反,权利要求旨在覆盖所有符合本申请实施例实质和范围的修正和等价组合。例如,虽然以上所描述的系统组件可以通过硬件设备实现,但是也可以只通过软件的解决方案得以实现,如在现有的服务器或移动设备上安装所描述的系统。
同理,应当注意的是,为了简化本申请披露的表述,从而帮助对一个或多个发明实施例的理解,前文对本申请实施例的描述中,有时会将多种特征归并至一个实施例、附图或对其的描述中。但是,这种披露方法并不意味着本申请对象所需要的特征比权利要求中提及的特征多。实际上,实施例的特征要少于上述披露的单个实施例的全部特征。
一些实施例中使用了描述成分、属性数量的数字,应当理解的是,此类用于实施例描述的数字,在一些示例中使用了修饰词“大约”、“近似”或“大体上”来修饰。除非另外说明,“大约”、“近似”或“大体上”表明所述数字允许有适应性的变化。相应地,在一些实施例中,说明书和权利要求中使用的数值参数均为近似值,该近似值根据个别实施例所需特点可以发生改变。在一些实施例中,数值参数应考虑规定的有效数位并采用一般位数保留的方法。尽管本申请一些实施例中用于确认其范围广度的数值域和参数为近似值,在具体实施例中,此类数值的设定在可行范围内尽可能精确。
针对本申请引用的每个专利、专利申请、专利申请公开物和其他材料,如文章、书籍、说明书、出版物、文档等,特此将其全部内容并入本申请作为参考。与本申请内容不一致或产生冲突的申请历史文件除外,对本申请权利要求最广范围有限制的文件(当前或之后附加于本申请中的)也除外。需要说明的是,如果本申请附属材料中的描述、定义、和/或术语的使用与本申请所述内容有不一致或冲突的地方,以本申请的描述、定义和/或术语的使用为准。
最后,应当理解的是,本申请中所述实施例仅用以说明本申请实施例的原则。其他的变形也可能属于本申请的范围。因此,作为示例而非限制,本申请实施例的替代配置可视为与本申请的教导一致。相应地,本申请的实施例不仅限于本申请明确介绍和描述的实施例。
Claims (9)
1.一种在线教育大数据场景下的信息防护方法,应用于在线教育信息防护系统中的信息安防服务器,其特征在于,所述方法包括:
确定所述在线教育信息防护系统中的多个教学业务交互服务器当前的隐私保护测评结果,所述隐私保护测评结果是基于教学业务交互服务器的各个隐私保护测评事项的结果确定得到,且用于表征教学业务交互服务器当前识别敏感操作行为的能力;
基于待输出的多个在线教育课程内容的数量和所述多个教学业务交互服务器的隐私保护测评结果,确定下发给各个教学业务交互服务器的在线教育课程内容的下发数量,所述在线教育课程内容用于表征在线教育业务端输出可视化课程内容的课程内容分布信息;
按照确定的所述下发数量,将所述多个在线教育课程内容下发给所述多个教学业务交互服务器;
其中,所述确定所述在线教育信息防护系统中的多个教学业务交互服务器当前的隐私保护测评结果之后,还包括:确定所述多个教学业务交互服务器中当前正在识别的在线教育课程内容的课程内容可视化信息;基于所述多个教学业务交互服务器的课程内容可视化信息和所述多个教学业务交互服务器的隐私保护测评结果,确定所述多个教学业务交互服务器中各个教学业务交互服务器的操作行为识别状态;当所述多个教学业务交互服务器中存在操作行为识别状态为非安全状态的教学业务交互服务器时,对处于所述非安全状态的教学业务交互服务器当前正在识别的在线教育课程内容的当前数量重新进行调整;
所述基于所述多个教学业务交互服务器的课程内容可视化信息和所述多个教学业务交互服务器的隐私保护测评结果,确定所述多个教学业务交互服务器中各个教学业务交互服务器的操作行为识别状态,包括:根据所述各个教学业务交互服务器的局部隐私保护测评结果以及所述多个教学业务交互服务器的全局隐私保护测评结果,得到所述各个教学业务交互服务器的课程内容测评系数,所述全局隐私保护测评结果为所述各个教学业务交互服务器的局部隐私保护测评结果的全局识别结果;根据所述多个教学业务交互服务器的课程内容可视化信息以及所述各个教学业务交互服务器的课程内容测评系数,得到所述各个教学业务交互服务器当前正在识别的在线教育课程内容的目标数量;当所述多个教学业务交互服务器中存在当前正在识别的在线教育课程内容的当前数量与所述目标数量不相同的教学业务交互服务器时,确定所述多个教学业务交互服务器中存在操作行为识别状态为所述非安全状态的教学业务交互服务器;
所述确定所述多个教学业务交互服务器中当前正在识别的在线教育课程内容的课程内容可视化信息之前,还包括:每隔第二设定时长,执行所述确定所述多个教学业务交互服务器中当前正在识别的在线教育课程内容的课程内容可视化信息的步骤。
2.根据权利要求1所述的方法,其特征在于,所述基于待输出的多个在线教育课程内容的数量和所述多个教学业务交互服务器的隐私保护测评结果,确定下发给各个教学业务交互服务器的在线教育课程内容的下发数量,包括:
根据所述各个教学业务交互服务器的隐私保护测评结果以及所述多个教学业务交互服务器的隐私保护测评内容集,得到所述各个教学业务交互服务器的课程内容测评系数,所述隐私保护测评内容集为所述多个教学业务交互服务器的隐私保护测评结果的融合结果;
通过所述多个在线教育课程内容的数量以及所述各个教学业务交互服务器的课程内容测评系数,得到下发给所述各个教学业务交互服务器的在线教育课程内容的下发数量。
3.根据权利要求1所述的方法,其特征在于,所述按照确定的所述下发数量,将所述多个在线教育课程内容下发给所述多个教学业务交互服务器,包括:
获取所述多个在线教育课程内容的课程内容重要度;
按照所述多个在线教育课程内容的课程内容重要度排序和确定的下发数量,将所述多个在线教育课程内容下发给所述多个教学业务交互服务器。
4.根据权利要求1或3所述的方法,其特征在于,所述将所述多个在线教育课程内容下发给所述多个教学业务交互服务器,包括:
对于所述多个在线教育课程内容中的任一在线教育课程内容,获取所述任一在线教育课程内容的在先识别记录,所述在先识别记录用于表征所述任一在线教育课程内容在先被识别的教学业务交互服务器以及识别的课程内容特征信息;
基于所述在先识别记录,从所述多个教学业务交互服务器中确定识别所述任一在线教育课程内容时未存在异常的教学业务交互服务器;
将所述任一在线教育课程内容下发给所述未存在异常的教学业务交互服务器。
5.根据权利要求1所述的方法,其特征在于,所述基于待输出的多个在线教育课程内容的数量和所述多个教学业务交互服务器的隐私保护测评结果,确定下发给各个教学业务交互服务器的在线教育课程内容的下发数量之前,还包括:
当检测到所述多个教学业务交互服务器中任一教学业务交互服务器触发识别通过条件时,执行所述基于待输出的多个在线教育课程内容的数量和所述多个教学业务交互服务器的隐私保护测评结果,确定下发给各个教学业务交互服务器的在线教育课程内容的下发数量的步骤;
或者,每隔第一设定时长,执行所述基于待输出的多个在线教育课程内容的数量和所述多个教学业务交互服务器的隐私保护测评结果,确定下发给各个教学业务交互服务器的在线教育课程内容的下发数量的步骤。
6.根据权利要求1所述的方法,其特征在于,所述对处于所述非安全状态的教学业务交互服务器当前正在识别的在线教育课程内容的当前数量重新进行调整,包括:
对于处于所述非安全状态的教学业务交互服务器中的任一教学业务交互服务器,确定所述教学业务交互服务器对应的第一课程内容识别数量或者第二课程内容识别数量;其中,所述第一课程内容识别数量是指所述任一教学业务交互服务器当前正在识别的在线教育课程内容的当前数量多于所述任一教学业务交互服务器当前正在识别的在线教育课程内容的目标数量的数量,所述第二课程内容识别数量是指所述任一教学业务交互服务器当前正在识别的在线教育课程内容的当前数量少于所述任一教学业务交互服务器当前正在识别的在线教育课程内容的目标数量的数量;
从所述任一教学业务交互服务器当前正在识别的在线教育课程内容中移出数量为所述第一课程内容识别数量的在线教育课程内容,或者,基于处于所述非安全状态的教学业务交互服务器中的其他教学业务交互服务器中移出的在线教育课程内容,向所述任一教学业务交互服务器下发数量为所述第二课程内容识别数量的在线教育课程内容。
7.根据权利要求1所述的方法,其特征在于,所述确定所述在线教育信息防护系统中的多个教学业务交互服务器当前的隐私保护测评结果,包括:
对于所述多个教学业务交互服务器中的任一教学业务交互服务器,基于所述任一教学业务交互服务器上报的多个隐私保护测评事项的测评事项标签信息,确定所述任一教学业务交互服务器中所述多个隐私保护测评事项的结果;
当所述任一教学业务交互服务器中所述多个隐私保护测评事项的结果对应的测评值均高于预设测评值时,将所述多个隐私保护测评事项的结果对应的测评值进行加权,得到所述任一教学业务交互服务器当前的隐私保护测评结果;
当所述任一教学业务交互服务器中所述多个隐私保护测评事项的结果对应的测评值不均高于所述预设测评值时,将所述多个隐私保护测评事项中结果对应的测评值最低的隐私保护测评事项的结果确定为所述任一教学业务交互服务器当前的隐私保护测评结果。
8.根据权利要求1所述的方法,其特征在于,在按照确定的所述下发数量,将所述多个在线教育课程内容下发给所述多个教学业务交互服务器的步骤之后,所述方法还包括:
根据获得的授课资源数据,确定针对所述在线教育业务端的待分配资源信息;
优选的,根据获得的授课资源数据,确定针对所述在线教育业务端的待分配资源信息,包括:
获得针对在线教育课程信息的当前组授课资源数据;各组授课资源数据的每个相同教学科目的师资状态信息对应一组资源分配策略,每组资源分配策略包含设定数量个根据在线教育课程信息的授课资源数据的更新情况预设的第一资源分配策略;所述在线教育课程信息的授课资源数据的更新情况为所述在线教育课程信息中存在学员信息变动的课堂交互数据的实时更新情况;
针对所述当前组授课资源数据中的每个当前师资状态信息,将所述当前师资状态信息的教学状态特征与所述当前师资状态信息对应的一组资源分配策略进行匹配;根据得到的匹配结果确定针对所述在线教育业务端的待分配资源信息。
9.一种计算机可读存储介质,其特征在于,其上存储有计算机程序,所述计算机程序在运行时实现权利要求1-8任一项所述的方法。
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111178601.8A CN113918991A (zh) | 2021-04-22 | 2021-04-22 | 基于大数据的信息防护方法及可读存储介质 |
CN202111178590.3A CN113886879A (zh) | 2021-04-22 | 2021-04-22 | 应用于大数据的隐私信息处理方法及可读存储介质 |
CN202110432919.8A CN113221161B (zh) | 2021-04-22 | 2021-04-22 | 在线教育大数据场景下的信息防护方法及可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110432919.8A CN113221161B (zh) | 2021-04-22 | 2021-04-22 | 在线教育大数据场景下的信息防护方法及可读存储介质 |
Related Child Applications (2)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111178601.8A Division CN113918991A (zh) | 2021-04-22 | 2021-04-22 | 基于大数据的信息防护方法及可读存储介质 |
CN202111178590.3A Division CN113886879A (zh) | 2021-04-22 | 2021-04-22 | 应用于大数据的隐私信息处理方法及可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113221161A CN113221161A (zh) | 2021-08-06 |
CN113221161B true CN113221161B (zh) | 2022-01-18 |
Family
ID=77088324
Family Applications (3)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111178601.8A Withdrawn CN113918991A (zh) | 2021-04-22 | 2021-04-22 | 基于大数据的信息防护方法及可读存储介质 |
CN202110432919.8A Active CN113221161B (zh) | 2021-04-22 | 2021-04-22 | 在线教育大数据场景下的信息防护方法及可读存储介质 |
CN202111178590.3A Withdrawn CN113886879A (zh) | 2021-04-22 | 2021-04-22 | 应用于大数据的隐私信息处理方法及可读存储介质 |
Family Applications Before (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111178601.8A Withdrawn CN113918991A (zh) | 2021-04-22 | 2021-04-22 | 基于大数据的信息防护方法及可读存储介质 |
Family Applications After (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111178590.3A Withdrawn CN113886879A (zh) | 2021-04-22 | 2021-04-22 | 应用于大数据的隐私信息处理方法及可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (3) | CN113918991A (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114282758B (zh) * | 2021-11-19 | 2022-11-08 | 珠海读书郎软件科技有限公司 | 一种录播课程学习竞赛的方法、装置及电子设备 |
CN114155123B (zh) * | 2021-11-23 | 2023-04-25 | 北京正确云科技有限公司 | 应用于大数据和在线教育的业务处理方法及大数据服务器 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111737751A (zh) * | 2020-07-17 | 2020-10-02 | 支付宝(杭州)信息技术有限公司 | 实现隐私保护的分布式数据处理的方法及装置 |
CN112100606A (zh) * | 2020-09-28 | 2020-12-18 | 邓燕平 | 基于云端大数据计算的在线教育处理方法及在线教育平台 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9891973B2 (en) * | 2015-02-18 | 2018-02-13 | Seagate Technology Llc | Data storage system durability using hardware failure risk indicators |
-
2021
- 2021-04-22 CN CN202111178601.8A patent/CN113918991A/zh not_active Withdrawn
- 2021-04-22 CN CN202110432919.8A patent/CN113221161B/zh active Active
- 2021-04-22 CN CN202111178590.3A patent/CN113886879A/zh not_active Withdrawn
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111737751A (zh) * | 2020-07-17 | 2020-10-02 | 支付宝(杭州)信息技术有限公司 | 实现隐私保护的分布式数据处理的方法及装置 |
CN112100606A (zh) * | 2020-09-28 | 2020-12-18 | 邓燕平 | 基于云端大数据计算的在线教育处理方法及在线教育平台 |
Also Published As
Publication number | Publication date |
---|---|
CN113918991A (zh) | 2022-01-11 |
CN113886879A (zh) | 2022-01-04 |
CN113221161A (zh) | 2021-08-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10795754B2 (en) | Automated testing error assessment system | |
CN106202453B (zh) | 一种多媒体资源推荐方法和装置 | |
US20190114937A1 (en) | Grouping users by problematic objectives | |
CN113221161B (zh) | 在线教育大数据场景下的信息防护方法及可读存储介质 | |
US11790303B2 (en) | Analyzing agent data and automatically delivering actions | |
CN109711200B (zh) | 基于区块链的精准扶贫方法、装置、设备及介质 | |
US20170154541A1 (en) | Stimulating online discussion in interactive learning environments | |
CN113222357B (zh) | 针对在线教育的大数据资源分配方法及可读存储介质 | |
US10541884B2 (en) | Simulating a user score from input objectives | |
US10866956B2 (en) | Optimizing user time and resources | |
US20150154564A1 (en) | Weighted evaluation comparison | |
CN108108446A (zh) | 视频推荐方法和装置、电子设备、存储介质、程序 | |
US11443647B2 (en) | Systems and methods for assessment item credit assignment based on predictive modelling | |
US11880662B2 (en) | Matrix based bot implementation | |
WO2021104387A1 (zh) | 一种自动识别有效数据采集模块的方法和系统 | |
CN109862037A (zh) | 基于区块链的数据设备管理方法、装置、介质及电子设备 | |
KR20190100538A (ko) | 학습을 지원하는 방법, 시스템 및 비일시성의 컴퓨터 판독 가능 기록 매체 | |
CN110223407A (zh) | 教学管理方法、装置及电子设备 | |
US20140178848A1 (en) | Method and apparatus for administering learning contents | |
Mougiakou et al. | Intelligent tutoring systems and transparency: The case of children and adolescents | |
CN114491454A (zh) | 请求校验方法、装置及计算机可读存储介质 | |
KR101451161B1 (ko) | 통합 학습관리 시스템, 학습용 애플리케이션 시스템, 및 그 제공방법 | |
GB2543479A (en) | Rating multimedia content | |
KR102245449B1 (ko) | 통합 퍼포먼스 마케팅 대시보드 제공 시스템 및 방법 | |
CN110717118B (zh) | 一种应用中的页面激活方法、装置、电子设备和存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
TA01 | Transfer of patent application right | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20211221 Address after: 518000 floor D8, building 5, Shenzhen software industry base, No. 11, 13 and 15, Haitian 1st Road, Binhai community, Yuehai street, Nanshan District, Shenzhen, Guangdong Applicant after: Shenzhen Shifang Ronghai Technology Co., Ltd Address before: 650000 room 8068, building A3, intelligent manufacturing industrial park, No. 1, Yunshui Road, Central Yunnan new area, Kunming, Yunnan Applicant before: Zhu Hongdong |
|
GR01 | Patent grant | ||
GR01 | Patent grant |