CN115665704B - 一种基于大数据的活动隐私安全推荐方法 - Google Patents
一种基于大数据的活动隐私安全推荐方法 Download PDFInfo
- Publication number
- CN115665704B CN115665704B CN202211453275.1A CN202211453275A CN115665704B CN 115665704 B CN115665704 B CN 115665704B CN 202211453275 A CN202211453275 A CN 202211453275A CN 115665704 B CN115665704 B CN 115665704B
- Authority
- CN
- China
- Prior art keywords
- sequence
- data
- list1
- page data
- server
- 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
Images
Landscapes
- Mobile Radio Communication Systems (AREA)
Abstract
本发明属于大数据技术领域，提供了一种基于大数据的活动隐私安全推荐方法，通过接收各个移动终端的访问请求信号；根据访问请求信号构建对应移动终端的元序列和数据序列；根据各个元序列计算得到对应移动终端的分配刷新时间；根据分配刷新时间实时调整元序列和数据序列；在移动终端输出数据序列中的页面数据。避免了移动终端网络带宽消耗和预存页面上限过小的局限性，降低了移动终端的信息泄露风险。避免了服务器端中元序列的刷新过于频繁，使得服务器端并行处理的效率提高，在保证隐私信息安全的前提下，能够降低在多个移动终端频繁访问同一页面数据时服务器端响应的延迟，均衡了服务器端的负载。
Description
技术领域
本发明属于大数据技术、信息安全技术领域，具体是一种基于大数据的活动隐私安全推荐方法。
背景技术
通过个性化的大数据推荐服务，用户可以享受各种有针对性的推荐，如电影、书籍、广告等信息，而采用个性化推荐服务通常需要收集用户的个人数据以进行处理和分析，可能会存在隐私泄漏问题。 推荐系统采集到的个人大数据越多，推荐的信息也越来越准确，隐私风险也越来越大，因为这些信息会对隐私非常敏感。例如，人口统计资料是指顾客的人口特征，如年龄、性别、体重和教育程度；行为数据是指客户的动态数据，如位置、活动状态和浏览历史；评级历史是指顾客在物品上提供的投票。向推荐人明确提供这些信息会造成不良的隐私风险。例如，用户数据可能会在未经用户同意的情况下被推荐人出售给第三方。因此，保护推荐系统中的用户数据至关重要。
现有技术一般是采用本地定位策略同时实现行为定位和隐私，并通过隐私保护定向广告架构Adnostic进行隐私保护，Adnostic架构首先预先获取广告列表并在用户访问广告服务器之前将其存储在本地。当用户浏览广告页面时，广告服务器将多个广告页面发送给用户。判断用户想要访问的广告页面是否已经存在于预先获取的列表中。如果所选广告页面已经存储在本地，浏览器会立即显示它，从而使页面显示速度加快；否则，用户需要从广告页面服务器下载所选广告进行显示。Adnostic架构预先存储在本地的广告越多，越可以实现更精确的目标定位，但会导致网络带宽消耗更多，反之亦然。但在Adnostic架构中由于预存的广告是有限的，所以存在所提取的广告均无法精确地匹配用户偏好的风险，并且传播广告的数量带来了上限的限制很大。
发明内容
本发明的目的在于提出一种基于大数据的活动隐私安全推荐方法，以解决现有技术中所存在的一个或多个技术问题，至少提供一种有益的选择或创造条件。
为了实现上述目的，本发明提出一种基于大数据的活动隐私安全推荐方法，具体包括以下步骤：
S1，接收各个移动终端的访问请求信号；
S2，在服务器端实时的根据访问请求信号构建对应移动终端的元序列和数据序列；
S3，在服务器端根据各个元序列计算得到对应移动终端的分配刷新时间；
S4，根据分配刷新时间实时调整元序列和数据序列；
S5，移动终端接收对应的元序列并根据元序列获取服务器端对应的数据序列；
S6，在移动终端输出数据序列中的页面数据。
进一步地，在S1中，所述移动终端包括手机、笔记本、平板电脑或车载电脑中任意一种。
进一步地，在S1中，所述移动终端有一个或多个，通过有线网络或无限网络与服务器端连接，所述服务器端为云端服务器、机架式服务器、刀片式服务器或塔式服务器中任意一种或多种的组合。
进一步地，在S1中，所述访问请求信号包括移动终端的ID编号（ID编号是移动终端的唯一编码或者手机号）、时间戳（发出访问请求信号的时刻）、深层链接（深层链接又称内链、深度链接，是指设链网站所提供的链接服务使得用户在未脱离设链网站页面的情况下，即可获得被链接网站上的内容，此时页面地址栏里显示的是设链网站的网址，而非被链接网站的网址。但该内容并非储存于设链网站，而是储存于被链接网站）。
优选地，所述访问请求信号还包括深层链接所对应网站IP地址、网站统一资源定位符、超文本传输协议、安全超文本传输协议以及媒体接入控制地址。
进一步地，在S2中，根据访问请求信号构建对应移动终端的元序列和数据序列的方法包括以下步骤：
如果访问请求信号对应的移动终端是首次访问服务器端，则在服务器端新建一个该移动终端对应的空序列List1作为元序列（每个元序列对应一个移动终端），并构建一个和List1对应的空序列List2作为数据序列；服务器端通过访问请求信号中的深层链接获取深层链接对应的页面数据，将时间戳存储到数据序列List1中，将页面数据和与页面数据对应的加载时长（即服务器端获取页面数据的耗时）存储到数据序列List2中；
如果访问请求信号对应的移动终端不是首次访问服务器端，服务器端通过访问请求信号中的深层链接获取深层链接对应的页面数据，将访问请求信号中的时间戳存储到元序列List1中，将页面数据和与页面数据对应的加载时长存储到数据序列List2中。
有益效果为：通过设置元序列和对应的数据序列，将各个预先获取推荐页面列表设置在相对于移动终端更加安全的服务器端，避免了移动终端网络带宽消耗和预存页面上限过小的局限性，通过将数据分开2个独立的序列，从而降低隐私泄露的风险。
进一步地，在S3中，在服务器端根据各个元序列计算得到对应移动终端的分配刷新时间的方法包括以下步骤：
令服务器端中的元序列List1的数量为N个，令服务器端中的第i个元序列为List1(i)，List1(i)对应的数据序列为List2(i)，则每个元序列List1(i)中各个时间戳在数据序列List2(i)中都对应有一个页面数据和与页面数据对应的加载时长；其中，i是服务器端中的元序列的序号，数据序列由于和元序列中的元素是一一对应的，所以数据序列的序号也为i，i∈[1,N]；
依次计算各个List1(i)对应移动终端的分配刷新时间，具体为：
遍历元序列List1(i)中各个时间戳在数据序列List2(i)中对应的页面数据和与页面数据对应的加载时长，计算List1(i)对应移动终端的分配刷新时间MetaTime(i)为：
MetaTime(i)=List1(i)LT+|MeanList2(i)×MeanList1|；
其中，List1(i)LT是元序列List1(i)中与当前时间最近的一个时间戳对应的时间；MeanList2(i)是数据序列List2(i)中所有页面数据的加载时长的平均值；其中，MeanList1是List1(i)的服务器安全响应比；
令List1(i)LT在数据序列List2(i)中对应的页面数据为PageC，当PageC的加载时长大于或等于MeanList2(i)和/或除了数据序列List2(i)之外在服务器端的任意一个数据序列中存在与PageC相同的页面数据，则标记List1(i)的状态为风险状态，否则标记List1(i)的状态为安全状态；（即当访问加载服务器中已经预存有的页面数据，则此时服务器实际上的web缓存或cookie信息中已经预存有此页面数据，如果加载相同页面数据的过长甚至有可能增加被植入木马/病毒的页面数据访问风险，需要降低分配响应时长以快速刷新元序列和对应的数据序列降低安全风险）；
其中，服务器安全响应比MeanList1的计算方法为：以List2(i)中最近的一次大于MeanList2(i)的页面数据对应的加载时长为KS，以List2(i)中最近的一次小于或等于MeanList2(i)的页面数据对应的加载时长为KL，令差值K1=KS-KL；以服务器端中的所有的元序列List1中与当前时间最近的一个时间戳对应数据序列的页面数据对应的加载时长的平均值为Kmean1，令差值K2=|Kmean1-MeanList2(i)|或者K2=|KS-Kmean1|；令KMax1的值为K1和K2中的最大值；令KMin1的值为K1和K2中的最小值；
如果List1(i)的状态为安全状态则MeanList1=KMax1÷KMin1；
如果List1(i)的状态为风险状态则MeanList1=KMin1÷KMax1；
其中，在安全状态则为了使对应移动终端的有足够的分配刷新时间，需使服务器端安全响应比的比值大于1，而在风险状态则为了降低分配响应时长以快速刷新元序列和对应的数据序列降低安全风险，需使服务器端安全响应比的比值小于1；
有益效果为：分配刷新时间MetaTime(i)是服务器端拟分配给List1(i)对应移动终端的元序列和对应数据序列的响应时间，如果过短则会导致刷新过于频繁，如果过长则会提高隐私泄漏的风险，通过计算分配刷新时间能够合理地安排服务器对元序列刷新时间，以刷新时间动态更新的元序列和对应数据序列以保障服务器端的隐私安全性，降低移动终端的信息泄露风险。
以上动态的分配刷新时间尽管提高了安全性，但是服务器端在并行处理多个元序列时，部分移动终端访问服务器端的时间过短，会导致分配相应时长短，元序列刷新过于频繁，在多个移动终端访问同样的页面数据时会产生服务器端高频重复的刷新统一页面的情况，从而致使服务器端承受过载压力过大，负载不均衡，导致整个大数据系统产生高延迟，为解决该问题，提出了以下优先的方案：
优选地，或者，服务器安全响应比MeanList1的计算方法为：
设元序列List1(i)中有M个时间戳，以元序列List1(i)中第p个时间戳为List1(i,p)，以List2(i,p)为时间戳List1(i,p)在数据序列List2(i)中的对应时刻的页面数据的加载时长，p是List1(i)中时间戳序号，
如果List1(i)的状态为安全状态，则计算List1(i)的服务器安全响应比MeanList1为：
如果List1(i)的状态为风险状态，则计算List1(i)的服务器安全响应比MeanList1为：
其中，i1是变量，i1∈[1,N]，以服务器端中第i1个元序列List1(i1)中第p个时间戳为List1(i1,p)，List1(i1)对应的数据序列为List2(i1)，则List2(i1,p)为时间戳List1(i1,p)在数据序列List2(i1)中的对应时刻的页面数据的加载时长，MaxList2(i1,p)是数据序列List2(i1)中所有页面数据的加载时长的最大值；MinList2(i1,p)是数据序列List2(i1)中所有页面数据的加载时长的最小值；
函数MinFind(MaxList2(i1,p),MinList2(i1,p),List2(i,p),List2(i1,p))是计算MaxList2(i1,p)、MinList2(i1,p)、List2(i,p)和List2(i1,p)的两两之间的非零差值中的最小值；函数MaxFind(MaxList2(i1,p),MinList2(i1,p),List2(i,p),List2(i1,p))是计算MaxList2(i1,p)、MinList2(i1,p)、List2(i,p)和List2(i1,p)的两两之间的非零差值中的最大值。
有益效果为：通过以上的服务器端安全响应比计算，综合的考虑了服务器端中所有的页面数据的加载时间的变化趋势，通过元序列和数据序列之间的变化趋势以识别出当前状态是否是隐私保护的安全状态还是风险状态，在不同的状态下计算出服务器安全响应比和分配刷新时间，通过刷新时间能够判断出正常或者异常的网页刷新时间，进而对访问状态隐私安全的控制，同时也避免了服务器端中元序列的刷新过于频繁，使得服务器端并行处理的效率提高，在保证隐私信息安全的前提下，能够降低在多个移动终端频繁访问同一页面数据时服务器端响应的延迟，均衡了服务器端的负载。
进一步地，在S4中，根据分配刷新时间实时调整元序列和数据序列的方法包括以下步骤：
计算时间List1(i)LT和分配刷新时间MetaTime(i)之间的时间长度为RefTime；
如果服务器端在List1(i)LT时间以后，接收到List1(i)对应移动终端的访问请求信号，则服务器端通过访问请求信号中的深层链接获取深层链接对应的页面数据PageA，如果所述页面数据对应的加载时长大于RefTime，则标记List1(i)为待处理状态，否则为标记List1(i)为已处理状态；将页面数据PageA获取时的时间戳存储到数据序列List1(i)中，将页面数据和与页面数据对应的加载时长存储到数据序列List2(i)中；
如果List1(i)为待处理状态，则在i取值范围内遍历数据序列List2(i)中各个页面数据，删除元序列List1(i)中与当前时间最远的一个时间戳和所述时间戳对应的List2(i)中的页面数据和与页面数据对应的加载时长，和/或，删除List2(i)中的页面数据在除了数据序列List2(i)之外在服务器端的任意一个数据序列中同样被存储的各个页面数据中与当前时间最远的页面数据。
优选地，在S4中，如果List1(i)为待处理状态还包括：在服务器端的所有的数据序列中获取与页面数据PageA的页面相似度最高的页面数据PageB，将时间戳存储到数据序列List1(i)中，将页面数据PageB和与页面数据PageA对应的加载时长（注：由于页面数据PageB源自于服务器内部，所以此处是填入PageA的加载时长）存储到数据序列List2(i)中；
优选地，在S4中，如果List1(i)为已处理状态，则在服务器端的所有的数据序列中获取与页面数据PageA的页面相似度最高的页面数据PageB，将时间戳存储到数据序列List1(i)中，将页面数据PageB和与页面数据PageA对应的加载时长（注：由于页面数据PageB源自于服务器内部，所以此处是填入PageA的加载时长）存储到数据序列List2(i)中；
有益效果为：通过以上对元序列和数据序列的实时调整，在尽可能多的保留个人大数据同时，提高推荐的信息数据的准确性，此外，通过页面相似度对活动的页面数据PageB进行推荐，由于推荐的页面数据PageB源自于服务器端，不会留下页面数据的访问痕迹，因此能保障数据的隐私安全性。
进一步地，在S5中，移动终端接收对应的元序列并根据元序列获取服务器端对应的数据序列的方法为：如果移动终端通过有线网络或无限网络与服务器端连接进而接收到元序列List1(i)，则从服务器端获取List1(i)对应的数据序列List2(i)。
进一步地，在S6中，在移动终端输出数据序列中的页面数据的方法为：在移动终端输出元序列List1(i)中与当前时间最近的一个时间戳对应的时间的数据序列List2(i)中的页面数据。
本发明还提供了一种基于大数据的活动隐私安全推荐系统，所述一种基于大数据的活动隐私安全推荐系统包括：处理器、存储器及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现所述一种基于大数据的活动隐私安全推荐方法中的步骤，所述一种基于大数据的活动隐私安全推荐系统可以运行于桌上型计算机、笔记本电脑、掌上电脑及云端数据中心等计算设备中，可运行的系统可包括，但不仅限于，处理器、存储器、服务器集群，所述处理器执行所述计算机程序运行在以下系统的单元中：
请求接收单元，用于接收各个移动终端的访问请求信号；
序列构建单元，用于在服务器端实时的根据访问请求信号构建对应移动终端的元序列和数据序列；
刷新分配单元，用于在服务器端根据各个元序列计算得到对应移动终端的分配刷新时间；
序列调整单元，用于根据分配刷新时间实时调整元序列和数据序列；
序列获取单元，用于移动终端接收对应的元序列并根据元序列获取服务器端对应的数据序列；
终端输出单元，用于在移动终端输出数据序列中的页面数据。
本发明的有益效果为：本发明通过提供一种基于大数据的活动隐私安全推荐方法，将各个预先获取推荐页面列表设置在相对于移动终端更加安全的服务器端，避免了移动终端网络带宽消耗和预存页面上限过小的局限性。通过计算分配刷新时间能够合理地安排服务器对元序列刷新时间，以刷新时间动态更新的元序列和对应数据序列以保障服务器端的隐私安全性，降低移动终端的信息泄露风险。综合的考虑了服务器端中所有的页面数据的加载时间的变化趋势，避免了服务器端中元序列的刷新过于频繁，使得服务器端并行处理的效率提高，在保证隐私信息安全的前提下，能够降低在多个移动终端频繁访问同一页面数据时服务器端响应的延迟，均衡了服务器端的负载。
附图说明
通过对结合附图所示出的实施方式进行详细说明，本发明的上述以及其他特征将更加明显，本发明附图中相同的参考标号表示相同或相似的元素，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图，在附图中：
图1为一种基于大数据的活动隐私安全推荐方法的流程图；
图2为一种基于大数据的活动隐私安全推荐系统的结构图。
具体实施方式
以下将结合实施例和附图对本发明的构思、具体结构及产生的技术效果进行清楚、完整的描述，以充分地理解本发明的目的、方案和效果。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。附图中各处使用的相同的附图标记指示相同或相似的部分。
如图1所示为根据本发明的一种基于大数据的活动隐私安全推荐方法的流程图，根据图1来阐述根据本发明的实施方式的一种基于大数据的活动隐私安全推荐方法，对优选实施例作详细说明。应该强调的是，下述说明仅仅是示例性的，而不是为了限制本发明的范围及其应用。
S1，接收各个移动终端的访问请求信号；
S2，在服务器端实时的根据访问请求信号构建对应移动终端的元序列和数据序列；
S3，在服务器端根据各个元序列计算得到对应移动终端的分配刷新时间；
S4，根据分配刷新时间实时调整元序列和数据序列；
S5，移动终端接收对应的元序列并根据元序列获取服务器端对应的数据序列；
S6，在移动终端输出数据序列中的页面数据。
进一步地，在S1中，所述移动终端包括手机、笔记本、平板电脑或车载电脑中任意一种。
进一步地，在S1中，所述移动终端有一个或多个，通过有线网络或无限网络与服务器端连接，所述服务器端为云端服务器、机架式服务器、刀片式服务器或塔式服务器中任意一种或多种的组合。
进一步地，在S1中，所述访问请求信号包括移动终端的ID编号（ID编号是移动终端的唯一编码或者手机号）、时间戳（发出访问请求信号的时刻）、深层链接（深层链接又称内链、深度链接，是指设链网站所提供的链接服务使得用户在未脱离设链网站页面的情况下，即可获得被链接网站上的内容，此时页面地址栏里显示的是设链网站的网址，而非被链接网站的网址。但该内容并非储存于设链网站，而是储存于被链接网站）。
优选地，所述访问请求信号还包括深层链接所对应网站IP地址、网站统一资源定位符、超文本传输协议、安全超文本传输协议以及媒体接入控制地址。
进一步地，在S2中，根据访问请求信号构建对应移动终端的元序列和数据序列的方法包括以下步骤：
如果访问请求信号对应的移动终端是首次访问服务器端，则在服务器端新建一个该移动终端对应的空序列List1作为元序列（每个元序列对应一个移动终端），并构建一个和List1对应的空序列List2作为数据序列；服务器端通过访问请求信号中的深层链接获取深层链接对应的页面数据，将时间戳存储到数据序列List1中，将页面数据和与页面数据对应的加载时长（即服务器端获取页面数据的耗时）存储到数据序列List2中；
如果访问请求信号对应的移动终端不是首次访问服务器端，服务器端通过访问请求信号中的深层链接获取深层链接对应的页面数据，将访问请求信号中的时间戳存储到元序列List1中，将页面数据和与页面数据对应的加载时长存储到数据序列List2中。
有益效果为：通过设置元序列和对应的数据序列，将各个预先获取推荐页面列表设置在相对于移动终端更加安全的服务器端，避免了移动终端网络带宽消耗和预存页面上限过小的局限性，通过将数据分开2个独立的序列，从而降低隐私泄露的风险。
进一步地，在S3中，在服务器端根据各个元序列计算得到对应移动终端的分配刷新时间的方法包括以下步骤：
令服务器端中的元序列List1的数量为N个，令服务器端中的第i个元序列为List1(i)，List1(i)对应的数据序列为List2(i)，则每个元序列List1(i)中各个时间戳在数据序列List2(i)中都对应有一个页面数据和与页面数据对应的加载时长；其中，i是服务器端中的元序列的序号，数据序列由于和元序列中的元素是一一对应的，所以数据序列的序号也为i，i∈[1,N]；
依次计算各个List1(i)对应移动终端的分配刷新时间，具体为：
遍历元序列List1(i)中各个时间戳在数据序列List2(i)中对应的页面数据和与页面数据对应的加载时长，计算List1(i)对应移动终端的分配刷新时间MetaTime(i)为：
MetaTime(i)=List1(i)LT+|MeanList2(i)×MeanList1|；
其中，List1(i)LT是元序列List1(i)中与当前时间最近的一个时间戳对应的时间；MeanList2(i)是数据序列List2(i)中所有页面数据的加载时长的平均值；其中，MeanList1是List1(i)的服务器安全响应比；
令List1(i)LT在数据序列List2(i)中对应的页面数据为PageC，当PageC的加载时长大于或等于MeanList2(i)和/或除了数据序列List2(i)之外在服务器端的任意一个数据序列中存在与PageC相同的页面数据，则标记List1(i)的状态为风险状态，否则标记List1(i)的状态为安全状态；（即当访问加载服务器中已经预存有的页面数据，则此时服务器实际上的web缓存或cookie信息中已经预存有此页面数据，如果加载相同页面数据的过长甚至有可能增加被植入木马/病毒的页面数据访问风险，需要降低分配响应时长以快速刷新元序列和对应的数据序列降低安全风险）；
其中，服务器安全响应比MeanList1的计算方法为：以List2(i)中最近的一次大于MeanList2(i)的页面数据对应的加载时长为KS，以List2(i)中最近的一次小于或等于MeanList2(i)的页面数据对应的加载时长为KL，令差值K1=KS-KL；以服务器端中的所有的元序列List1中与当前时间最近的一个时间戳对应数据序列的页面数据对应的加载时长的平均值为Kmean1，令差值K2=|Kmean1-MeanList2(i)|或者K2=|KS-Kmean1|；令KMax1的值为K1和K2中的最大值；令KMin1的值为K1和K2中的最小值；
如果List1(i)的状态为安全状态则MeanList1=KMax1÷KMin1；
如果List1(i)的状态为风险状态则MeanList1=KMin1÷KMax1；
其中，在安全状态则为了使对应移动终端的有足够的分配刷新时间，需使服务器端安全响应比的比值大于1，而在风险状态则为了降低分配响应时长以快速刷新元序列和对应的数据序列降低安全风险，需使服务器端安全响应比的比值小于1；
有益效果为：分配刷新时间MetaTime(i)是服务器端拟分配给List1(i)对应移动终端的元序列和对应数据序列的响应时间，如果过短则会导致刷新过于频繁，如果过长则会提高隐私泄漏的风险，通过计算分配刷新时间能够合理地安排服务器对元序列刷新时间，以刷新时间动态更新的元序列和对应数据序列以保障服务器端的隐私安全性，降低移动终端的信息泄露风险。
以上动态的分配刷新时间尽管提高了安全性，但是服务器端在并行处理多个元序列时，部分移动终端访问服务器端的时间过短，会导致分配相应时长短，元序列刷新过于频繁，在多个移动终端访问同样的页面数据时会产生服务器端高频重复的刷新统一页面的情况，从而致使服务器端承受过载压力过大，负载不均衡，导致整个大数据系统产生高延迟，为解决该问题，提出了以下优先的方案：
优选地，或者，服务器安全响应比MeanList1的计算方法为：
设元序列List1(i)中有M个时间戳，以元序列List1(i)中第p个时间戳为List1(i,p)，以List2(i,p)为时间戳List1(i,p)在数据序列List2(i)中的对应时刻的页面数据的加载时长，p是List1(i)中时间戳序号，
如果List1(i)的状态为安全状态，则计算List1(i)的服务器安全响应比MeanList1为：
如果List1(i)的状态为风险状态，则计算List1(i)的服务器安全响应比MeanList1为：
其中，i1是变量，i1∈[1,N]，以服务器端中第i1个元序列List1(i1)中第p个时间戳为List1(i1,p)，List1(i1)对应的数据序列为List2(i1)，则List2(i1,p)为时间戳List1(i1,p)在数据序列List2(i1)中的对应时刻的页面数据的加载时长，MaxList2(i1,p)是数据序列List2(i1)中所有页面数据的加载时长的最大值；MinList2(i1,p)是数据序列List2(i1)中所有页面数据的加载时长的最小值；
函数MinFind(MaxList2(i1,p),MinList2(i1,p),List2(i,p),List2(i1,p))是计算MaxList2(i1,p)、MinList2(i1,p)、List2(i,p)和List2(i1,p)的两两之间的非零差值中的最小值；函数MaxFind(MaxList2(i1,p),MinList2(i1,p),List2(i,p),List2(i1,p))是计算MaxList2(i1,p)、MinList2(i1,p)、List2(i,p)和List2(i1,p)的两两之间的非零差值中的最大值。
有益效果为：通过以上的服务器端安全响应比计算，综合的考虑了服务器端中所有的页面数据的加载时间的变化趋势，通过元序列和数据序列之间的变化趋势以识别出当前状态是否是隐私保护的安全状态还是风险状态，在不同的状态下计算出服务器安全响应比和分配刷新时间，通过刷新时间能够判断出正常或者异常的网页刷新时间，进而对访问状态隐私安全的控制，同时也避免了服务器端中元序列的刷新过于频繁，使得服务器端并行处理的效率提高，在保证隐私信息安全的前提下，能够降低在多个移动终端频繁访问同一页面数据时服务器端响应的延迟，均衡了服务器端的负载。
进一步地，在S4中，根据分配刷新时间实时调整元序列和数据序列的方法包括以下步骤：
计算时间List1(i)LT和分配刷新时间MetaTime(i)之间的时间长度为RefTime；
如果服务器端在List1(i)LT时间以后，接收到List1(i)对应移动终端的访问请求信号，则服务器端通过访问请求信号中的深层链接获取深层链接对应的页面数据PageA，如果所述页面数据对应的加载时长大于RefTime，则标记List1(i)为待处理状态，否则为标记List1(i)为已处理状态；将页面数据PageA获取时的时间戳存储到数据序列List1(i)中，将页面数据和与页面数据对应的加载时长存储到数据序列List2(i)中；
如果List1(i)为待处理状态，则在i取值范围内遍历数据序列List2(i)中各个页面数据，删除元序列List1(i)中与当前时间最远的一个时间戳和所述时间戳对应的List2(i)中的页面数据和与页面数据对应的加载时长，和/或，删除List2(i)中的页面数据在除了数据序列List2(i)之外在服务器端的任意一个数据序列中同样被存储的各个页面数据中与当前时间最远的页面数据。
优选地，在S4中，如果List1(i)为待处理状态还包括：在服务器端的所有的数据序列中获取与页面数据PageA的页面相似度最高的页面数据PageB，将时间戳存储到数据序列List1(i)中，将页面数据PageB和与页面数据PageA对应的加载时长（注：由于页面数据PageB源自于服务器内部，所以此处是填入PageA的加载时长）存储到数据序列List2(i)中；
优选地，在S4中，如果List1(i)为已处理状态，则在服务器端的所有的数据序列中获取与页面数据PageA的页面相似度最高的页面数据PageB，将时间戳存储到数据序列List1(i)中，将页面数据PageB和与页面数据PageA对应的加载时长（注：由于页面数据PageB源自于服务器内部，所以此处是填入PageA的加载时长）存储到数据序列List2(i)中；
有益效果为：通过以上对元序列和数据序列的实时调整，在尽可能多的保留个人大数据同时，提高推荐的信息数据的准确性，此外，通过页面相似度对活动的页面数据PageB进行推荐，由于推荐的页面数据PageB源自于服务器端，不会留下页面数据的访问痕迹，因此能保障数据的隐私安全性。
进一步地，在S5中，移动终端接收对应的元序列并根据元序列获取服务器端对应的数据序列的方法为：如果移动终端通过有线网络或无限网络与服务器端连接进而接收到元序列List1(i)，则从服务器端获取List1(i)对应的数据序列List2(i)。
进一步地，在S6中，在移动终端输出数据序列中的页面数据的方法为：在移动终端输出元序列List1(i)中与当前时间最近的一个时间戳对应的时间的数据序列List2(i)中的页面数据。
本发明的实施例提供的一种基于大数据的活动隐私安全推荐系统，如图2所示，该实施例的一种基于大数据的活动隐私安全推荐系统包括：处理器、存储器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述一种基于大数据的活动隐私安全推荐方法实施例中的步骤，所述处理器执行所述计算机程序运行在以下系统的单元中：
请求接收单元，用于接收各个移动终端的访问请求信号；
序列构建单元，用于在服务器端实时的根据访问请求信号构建对应移动终端的元序列和数据序列；
刷新分配单元，用于在服务器端根据各个元序列计算得到对应移动终端的分配刷新时间；
序列调整单元，用于根据分配刷新时间实时调整元序列和数据序列；
序列获取单元，用于移动终端接收对应的元序列并根据元序列获取服务器端对应的数据序列；
终端输出单元，用于在移动终端输出数据序列中的页面数据。
所述一种基于大数据的活动隐私安全推荐系统包括：处理器、存储器及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述一种基于大数据的活动隐私安全推荐方法实施例中的步骤，所述一种基于大数据的活动隐私安全推荐系统可以运行于桌上型计算机、笔记本电脑、掌上电脑及云端数据中心等计算设备中，可运行的系统可包括，但不仅限于，处理器、存储器、服务器集群。
所述一种基于大数据的活动隐私安全推荐系统可以运行于桌上型计算机、笔记本电脑、掌上电脑及云端数据中心等计算设备中。所述一种基于大数据的活动隐私安全推荐系统包括，但不仅限于，处理器、存储器。本领域技术人员可以理解，所述例子仅仅是一种基于大数据的活动隐私安全推荐方法的示例，并不构成对一种基于大数据的活动隐私安全推荐方法的限定，可以包括比例子更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述一种基于大数据的活动隐私安全推荐系统还可以包括输入输出设备、网络接入设备、总线等。
所称处理器可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器 (Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列 (Field-Programmable Gate Array，FPGA) 或者其他可编程逻辑器件、分立元器件门电路或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等，所述处理器是所述一种基于大数据的活动隐私安全推荐系统的控制中心，利用各种接口和线路连接整个一种基于大数据的活动隐私安全推荐系统的各个分区域。
所述存储器可用于存储所述计算机程序和/或模块，所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块，以及调用存储在存储器内的数据，实现所述一种基于大数据的活动隐私安全推荐方法的各种功能。所述存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序（比如声音播放功能、图像播放功能等）等；存储数据区可存储根据手机的使用所创建的数据（比如音频数据、电话本等）等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡（Smart Media Card, SMC），安全数字（Secure Digital, SD）卡，闪存卡（Flash Card）、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
尽管本发明的描述已经相当详尽且特别对几个所述实施例进行了描述，但其并非旨在局限于任何这些细节或实施例或任何特殊实施例，从而有效地涵盖本发明的预定范围。此外，上文以发明人可预见的实施例对本发明进行描述，其目的是为了提供有用的描述，而那些目前尚未预见的对本发明的非实质性改动仍可代表本发明的等效改动。
Claims (7)
1.一种基于大数据的活动隐私安全推荐方法，其特征在于，所述方法包括如下步骤：
S1，接收各个移动终端的访问请求信号；
S2，在服务器端实时的根据访问请求信号构建对应移动终端的元序列和数据序列；
S3，在服务器端根据各个元序列计算得到对应移动终端的分配刷新时间；
S4，根据分配刷新时间实时调整元序列和数据序列；
S5，移动终端接收对应的元序列并根据元序列获取服务器端对应的数据序列；
S6，在移动终端输出数据序列中的页面数据；
其中，令服务器端中的元序列List1的数量为N个，令服务器端中的第i个元序列为List1(i)，List1(i)对应的数据序列为List2(i)，则每个元序列List1(i)中各个时间戳在数据序列List2(i)中都对应有一个页面数据和与页面数据对应的加载时长；其中，i是服务器端中的元序列的序号，数据序列由于和元序列中的元素是一一对应的，所以数据序列的序号也为i，i∈[1,N]；
依次计算各个List1(i)对应移动终端的分配刷新时间，具体为：
遍历元序列List1(i)中各个时间戳在数据序列List2(i)中对应的页面数据和与页面数据对应的加载时长，计算List1(i)对应移动终端的分配刷新时间MetaTime(i)为：MetaTime(i)=List1(i)LT+|MeanList2(i)×MeanList1|；
其中，List1(i)LT是元序列List1(i)中与当前时间最近的一个时间戳对应的时间；MeanList2(i)是数据序列List2(i)中所有页面数据的加载时长的平均值；其中，MeanList1是List1(i)的服务器安全响应比；令List1(i)LT在数据序列List2(i)中对应的页面数据为PageC，当PageC的加载时长大于或等于MeanList2(i)和/或除了数据序列List2(i)之外在服务器端的任意一个数据序列中存在与PageC相同的页面数据，则标记List1(i)的状态为风险状态，否则标记List1(i)的状态为安全状态；
其中，服务器安全响应比MeanList1的计算方法为：以List2(i)中最近的一次大于MeanList2(i)的页面数据对应的加载时长为KS，以List2(i)中最近的一次小于或等于MeanList2(i)的页面数据对应的加载时长为KL，令差值K1=KS-KL；以服务器端中的所有的元序列List1中与当前时间最近的一个时间戳对应数据序列的页面数据对应的加载时长的平均值为Kmean1，令差值K2=|Kmean1-MeanList2(i)|或者K2=|KS-Kmean1|；令KMax1的值为K1和K2中的最大值；令KMin1的值为K1和K2中的最小值；如果List1(i)的状态为安全状态则MeanList1=KMax1÷KMin1；如果List1(i)的状态为风险状态则MeanList1=KMin1÷KMax1；
其中，在S4中，根据分配刷新时间实时调整元序列和数据序列的方法包括以下步骤：计算时间List1(i)LT和分配刷新时间MetaTime(i)之间的时间长度为RefTime；
如果服务器端在List1(i)LT时间以后，接收到List1(i)对应移动终端的访问请求信号，则服务器端通过访问请求信号中的深层链接获取深层链接对应的页面数据PageA，如果所述页面数据对应的加载时长大于RefTime，则标记List1(i)为待处理状态，否则为标记List1(i)为已处理状态；将页面数据PageA获取时的时间戳存储到数据序列List1(i)中，将页面数据和与页面数据对应的加载时长存储到数据序列List2(i)中；如果List1(i)为待处理状态，则在i取值范围内遍历数据序列List2(i)中各个页面数据，删除元序列List1(i)中与当前时间最远的一个时间戳和所述时间戳对应的List2(i)中的页面数据和与页面数据对应的加载时长，和/或，删除List2(i)中的页面数据在除了数据序列List2(i)之外在服务器端的任意一个数据序列中同样被存储的各个页面数据中与当前时间最远的页面数据。
2.根据权利要求1所述的一种基于大数据的活动隐私安全推荐方法，其特征在于，在S1中，所述移动终端包括手机、笔记本、平板电脑或车载电脑中任意一种，所述移动终端通过有线网络或无限网络与服务器端连接，所述服务器端为云端服务器、机架式服务器、刀片式服务器或塔式服务器中任意一种或多种的组合，所述访问请求信号包括移动终端的ID编号、时间戳、深层链接。
3.根据权利要求1所述的一种基于大数据的活动隐私安全推荐方法，其特征在于，在S2中，根据访问请求信号构建对应移动终端的元序列和数据序列的方法包括以下步骤：
如果访问请求信号对应的移动终端是首次访问服务器端，则在服务器端新建一个该移动终端对应的空序列List1作为元序列，并构建一个和List1对应的空序列List2作为数据序列；服务器端通过访问请求信号中的深层链接获取深层链接对应的页面数据，将时间戳存储到数据序列List1中，将页面数据和与页面数据对应的加载时长存储到数据序列List2中；
如果访问请求信号对应的移动终端不是首次访问服务器端，服务器端通过访问请求信号中的深层链接获取深层链接对应的页面数据，将访问请求信号中的时间戳存储到元序列List1中，将页面数据和与页面数据对应的加载时长存储到数据序列List2中。
4.根据权利要求1所述的一种基于大数据的活动隐私安全推荐方法，其特征在于，在S4中，如果List1(i)为待处理状态还包括：在服务器端的所有的数据序列中获取与页面数据PageA的页面相似度最高的页面数据PageB，将时间戳存储到数据序列List1(i)中，将页面数据PageB和与页面数据PageA对应的加载时长存储到数据序列List2(i)中。
5.根据权利要求1所述的一种基于大数据的活动隐私安全推荐方法，其特征在于，在S4中，如果List1(i)为已处理状态，则在服务器端的所有的数据序列中获取与页面数据PageA的页面相似度最高的页面数据PageB，将时间戳存储到数据序列List1(i)中，将页面数据PageB和与页面数据PageA对应的加载时长存储到数据序列List2(i)中。
6.根据权利要求1所述的一种基于大数据的活动隐私安全推荐方法，其特征在于，在S5中，移动终端接收对应的元序列并根据元序列获取服务器端对应的数据序列的方法为：如果移动终端通过有线网络或无限网络与服务器端连接进而接收到元序列List1(i)，则从服务器端获取List1(i)对应的数据序列List2(i)。
7.一种基于大数据的活动隐私安全推荐系统，其特征在于，所述一种基于大数据的活动隐私安全推荐系统包括：处理器、存储器及存储在所述存储器中并在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如权利要求1到6中的任意一项所述的一种基于大数据的活动隐私安全推荐方法中的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211453275.1A CN115665704B (zh) | 2022-11-21 | 2022-11-21 | 一种基于大数据的活动隐私安全推荐方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211453275.1A CN115665704B (zh) | 2022-11-21 | 2022-11-21 | 一种基于大数据的活动隐私安全推荐方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115665704A CN115665704A (zh) | 2023-01-31 |
| CN115665704B true CN115665704B (zh) | 2023-03-14 |
Family
ID=85017293
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211453275.1A Active CN115665704B (zh) | 2022-11-21 | 2022-11-21 | 一种基于大数据的活动隐私安全推荐方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115665704B (zh) |
Family Cites Families (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9161219B2 (en) * | 2012-06-22 | 2015-10-13 | Guest Tek Interactive Entertainment Ltd. | Authorizing secured wireless access at hotspot having open wireless network and secure wireless network |
| CN104866505B (zh) * | 2014-02-25 | 2021-04-06 | 腾讯科技（深圳）有限公司 | 一种应用的推荐方法及装置 |
| CN106656889B (zh) * | 2017-01-31 | 2019-08-13 | 东南大学 | 一种基于调频连续波的超宽带室内定位方法 |
| CN111417121B (zh) * | 2020-02-17 | 2022-04-12 | 西安电子科技大学 | 具有隐私保护的多恶意软件混合检测方法、系统、装置 |
| CN111506804A (zh) * | 2020-03-18 | 2020-08-07 | 上海大犀角信息科技有限公司 | 一种基于用户终端行为的客户端内容推荐系统和方法 |
| CN114880562A (zh) * | 2022-05-10 | 2022-08-09 | 北京百度网讯科技有限公司 | 用于推荐信息的方法和装置 |
-
2022
- 2022-11-21 CN CN202211453275.1A patent/CN115665704B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN115665704A (zh) | 2023-01-31 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US8751435B2 (en) | System and method for determining client-based user behavioral analytics | |
| US20230319160A1 (en) | Systems and methods for utilizing unused network capacity for prefetch requests | |
| CN102985921B (zh) | 在具有电子资源数据库的客户端装置中高速缓存电子文档资源 | |
| US20140164401A1 (en) | Systems and Methods for Providing Personalized Recommendations for Electronic Content | |
| US9509548B2 (en) | Multimedia aggregation technique based on RSS feeds | |
| CN110233879B (zh) | 智能推送界面方法、装置、计算机设备及存储介质 | |
| US9787521B1 (en) | Concurrent loading of session-based information | |
| US11042693B2 (en) | Method and system for identifying and delivering enriched content | |
| JP7331073B2 (ja) | 強化されたオンラインプライバシ | |
| US11132721B1 (en) | Interest based advertising inside a content delivery network | |
| CN105450579A (zh) | 网络资源预加载方法、客户端及中间件服务器 | |
| US11431634B2 (en) | Client device and resource manager load sharing | |
| CN115665704B (zh) | 一种基于大数据的活动隐私安全推荐方法 | |
| US8756496B2 (en) | Generating reports in applications | |
| JP5220090B2 (ja) | 広告配信装置、広告配信方法及びプログラム | |
| JP2023089216A (ja) | データ配布制限のセキュアな管理 | |
| WO2015079556A1 (ja) | サーバ装置、情報処理方法及びプログラム | |
| US10936691B1 (en) | Stable identifier architecture | |
| US8380763B2 (en) | Method and system for managing cookies in web communications | |
| US10110427B2 (en) | Distributing content based on weights associated with users specified by content provider systems | |
| US8843817B2 (en) | System and method for obtaining user information | |
| CN115580848B (zh) | 一种基于大数据的移动设备隐私信息安全处理方法 | |
| AU2021297136B2 (en) | Dynamic trigger of web beacons | |
| US11080357B2 (en) | Dynamic edge content personalization | |
| WO2012057896A1 (en) | User feed data delivery |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |