基于类属性肖像的访问控制策略确定方法及系统技术方案

本发明专利技术涉及信息安全技术领域，特别涉及一种基于类属性肖像的访问控制策略确定方法及系统，通过利用已知图像类的正向语义描述来建立该已知图像类的类语义描述空间，其中，已知类图像设置有相应的访问控制策略；针对类语义描述空间，利用支持向量机进行学习并生成分类器，利用已知图像类的类名、类语义描述空间和分类器来刻画类属性肖像；针对待测未知类图像，利用类属性肖像判断其与已知图像类相似性并依据相似性判断结果来确定该未知类图像对应的访问控制策略。本发明专利技术引入图像内容类属性肖像的概念，增强图像分类推力能力，能够对未知图像推荐有效的访问控制控制策略，便于图像分类访问控制在大数据领域中动态环境、细粒度应用场景下的应用。应用场景下的应用。应用场景下的应用。

【技术实现步骤摘要】
基于类属性肖像的访问控制策略确定方法及系统


[0001]本专利技术涉及信息安全
，特别涉及一种基于类属性肖像的访问控制策略确定方法及系统。

技术介绍

[0002]基于属性的访问控制(Attribute
‑
Based Access Control,ABAC)机制使用实体属性作为访问控制的基本要素，较传统访问控制更适用于大数据条件下动态环境、细粒度的应用场景。在ABAC中，高质量的属性是有效实施访问控制的关键。图像是一种维度极高的非结构化数据，其内容的获取长期以来都依赖人工标注。在基于深度学习的图像分类方法取得成功后，类别标签成了图像内容最简单有效的描述。使用分类模型预测图像类别时会给出所有标签对应的归一化概率，概率最大的类别即为预测结果。目前普遍采用的图像分类方法基于有监督学习，各个类别是并列的语义，对于未知类别就无法给出推理结果。而实际的访问控制场景中，图像的内容是多样化的，有许多图像并不属于已经学习过的类别，基于监督的分类模型并不适用，需要对其内容属性做进一步的推理。且图像数据的访问控制目前主要集中在一些特殊领域，如地理图像数据和医疗图像数据，这主要是由于这些领域的图像视觉相似度高、内容属性明确，使用图像分类方法就能够容易的获取访问控制属性，无需进一步推理。当在更广泛的领域应用图像数据的访问控制时，由于图像来源的多样化，单纯使用图像分类的属性提取并不能满足访问控制对于属性的要求，迫切需要增强算法的推理能力。
[0003]近年来用户画像在电子商务、精准营销等领域得到了广泛的应用，构建用户画像模型有助于更好地理解用户需求，实现个性化、精准化信息服务。用户画像是真实用户的虚拟表示，是基于一系列真实数据(Marketing data，Usability data)的目标用户模型。在精准营销领域，通过建立用户画像，可以挖掘出某类商品潜在的用户群体，从而向用户推荐此类商品。用户画像的构建可以分成两个过程：首先给用户打上多种标签；然后通过计算和分析从标签中提取新的属性，从而进一步划分用户群体。常见的标签体系结构可以分成三种：结构化标签，半结构化标签和非结构化标签。结构化标签具有规整的结构体系，通常是树状结构，带有顺序层级关系，逻辑严密，解释性强。半结构化标签相较于结构化标签灵活性较高，只保留了并列关系。非结构化标签拥有最大的自由度，没有规整的组织型态。标签的属性可以分成两种：客观属性和推理属性。客观属性表示客观事实，如用户的性别、年龄。推理属性指通过已知的数据进行抽象和判断，获得与目标任务相关的信息，常用的方法有因子分解机等。因此，设置一种将用户画像应用在图像内容属性推理中来提升访问控制场景中图像分类效果，以提升图像数据访问控制在大数据领域中的动态环境、细粒度的应用场景下的适用性。

技术实现思路

[0004]为此，本专利技术提供一种基于类属性肖像的访问控制策略确定方法及系统，解决现
有图像数据访问控制领域应用限制，能够为未知类别的图像提供合理的访问控制策略。
[0005]按照本专利技术所提供的设计方案，提供一种基于类属性肖像的访问控制策略确定方法，包含：
[0006]利用已知图像类的正向语义描述来建立该已知图像类的类语义描述空间，其中，已知类图像设置有相应的访问控制策略；
[0007]针对类语义描述空间，利用支持向量机进行学习并生成分类器，利用已知图像类的类名、类语义描述空间和分类器来刻画类属性肖像；
[0008]针对待测未知类图像，利用类属性肖像判断其与已知图像类相似性并依据相似性判断结果来确定该未知类图像对应的访问控制策略。
[0009]作为本专利技术基于类属性肖像的访问控制策略确定方法，进一步地，利用已知图像类的正向语义描述来建立已知图像类的类语义描述空间，包含：
[0010]首先，依据图像特征从已知图像类集合中选取用于构建类属性肖像的目标图像类，并依据主观感受从目标图像类中人工选取当前构建类属性肖像的已知图像类；
[0011]然后，利用预训练的网络模型提取已知图像类的相关特征，并利用提取的相关特征来组建类语义描述空间，其中，网络模型包含图像分类模型、边缘检测模型、目标检测模型和图像检索，相关特征包含：用于描述图像所属类别的分类概率特征向量、用于边缘图像所属类别的边缘分类概率特征向量、用于描述图像中所有局部特征检测概率和位置的目标检测特征向量和用于描述图像特征空间距离的检索距离特征向量。
[0012]作为本专利技术基于类属性肖像的访问控制策略确定方法，进一步地，利用预训练的网络模型提取已知图像类的相关特征，包含：
[0013]首先，利用选取的目标图像类构建用于图像分类模型、边缘检测模型、目标检测模型和图像检索模型训练用的样本数据；
[0014]接着，利用样本数据分别对图像分类模型、边缘检测模型、目标检测模型和图像检索模型进行训练优化；
[0015]然后，利用训练优化后的图像分类模型、边缘检测模型、目标检测模型和图像检索模型来获取人工选取的已知图像类的相关特征数据描述空间。
[0016]作为本专利技术基于类属性肖像的访问控制策略确定方法，进一步地，构建用于图像分类模型、边缘检测模型、目标检测模型和图像检索模型训练用的样本数据，包含：
[0017]首先，利用图像增强方法对目标图像类中各类图像进行扩充，使每类图像具有相同数量，将扩充后的图像数据作为用于训练优化图像分类模型的第一样本数据，并对第一样本数据集按预设比例划分为模型训练优化中的训练集、测试集和验证集；
[0018]然后，将第一样本数据中所有图像转换为边缘图像，将边缘图像作为用于训练优化边缘检测模型的第二样本数据；通过对第一样本数据中每一个目标类设置局部特征并标注特征位置来生成用于训练优化目标检测模型的第三样本数据；依据第一样本数据中划分训练集和验证集来组成图像检索模型训练优化的样本训练集，并利用第一样本数据中划分的测试集作为图像检索模型训练优化的测试集。
[0019]作为本专利技术基于类属性肖像的访问控制策略确定方法，进一步地，对图像检索模型训练优化中，依据图像检索向量集和预设的用于度量特征空间距离标准的已知图像类参考距离来建立图像检索库，利用图像检索库来存储图像之间视觉相似性度量用相关数据。
[0020]作为本专利技术基于类属性肖像的访问控制策略确定方法，进一步地，建立图像检索库中，包含：
[0021]首先，利用特征提取模型将图像检索模型训练优化用样本数据的图像转换为特征向量，将所有图像特征向量构成图像检索向量集，以将最相似图像检索问题转化为图像特征空间最近邻样本点搜索；
[0022]接着，针对图像检索向量集每个图像类别特征向量，搜索包含自身的k个最近邻样本点，将最大距离作为当前图像类别的参考距离，并生成已知图像类所有图像的参考距离集合；
[0023]然后，依据迭代步长逐步减小k数值来优化已知图像类所有图像的参考距离，直至满足预设迭代终止条件，并利用图像检索向量集和优化之后参考距离及k值来表示图像检索库。
[0024]本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于类属性肖像的访问控制策略确定方法，其特征在于，包含：利用已知图像类的正向语义描述来建立该已知图像类的类语义描述空间，其中，已知类图像设置有相应的访问控制策略；针对类语义描述空间，利用支持向量机进行学习并生成分类器，利用已知图像类的类名、类语义描述空间和分类器来刻画类属性肖像；针对待测未知类图像，利用类属性肖像判断其与已知图像类相似性并依据相似性判断结果来确定该未知类图像对应的访问控制策略。2.根据权利要求1所述的基于类属性肖像的访问控制策略确定方法，其特征在于，利用已知图像类的正向语义描述来建立已知图像类的类语义描述空间，包含：首先，依据图像特征从已知图像类集合中选取用于构建类属性肖像的目标图像类，并依据主观感受从目标图像类中人工选取当前构建类属性肖像的已知图像类；然后，利用预训练的网络模型提取已知图像类的相关特征，并利用提取的相关特征来组建类语义描述空间，其中，网络模型包含图像分类模型、边缘检测模型、目标检测模型和图像检索，相关特征包含：用于描述图像所属类别的分类概率特征向量、用于边缘图像所属类别的边缘分类概率特征向量、用于描述图像中所有局部特征检测概率和位置的目标检测特征向量和用于描述图像特征空间距离的检索距离特征向量。3.根据权利要求2所述的基于类属性肖像的访问控制策略确定方法，其特征在于，利用预训练的网络模型提取已知图像类的相关特征，包含：首先，利用选取的目标图像类构建用于图像分类模型、边缘检测模型、目标检测模型和图像检索模型训练用的样本数据；接着，利用样本数据分别对图像分类模型、边缘检测模型、目标检测模型和图像检索模型进行训练优化；然后，利用训练优化后的图像分类模型、边缘检测模型、目标检测模型和图像检索模型来获取人工选取的已知图像类的相关特征数据描述空间。4.根据权利要求3所述的基于类属性肖像的访问控制策略确定方法，其特征在于，构建用于图像分类模型、边缘检测模型、目标检测模型和图像检索模型训练用的样本数据，包含：首先，利用图像增强方法对目标图像类中各类图像进行扩充，使每类图像具有相同数量，将扩充后的图像数据作为用于训练优化图像分类模型的第一样本数据，并对第一样本数据集按预设比例划分为模型训练优化中的训练集、测试集和验证集；然后，将第一样本数据中所有图像转换为边缘图像，将边缘图像作为用于训练优化边缘检测模型的第二样本数据；通过对第一样本数据中每一个目标类设置局部特征并标注特征位置来生成用于训练优化目标检测模型的第三样本数据；依据第一样本数据中划分训练集和验证集来组成图像检索模型训练优化的样本训练集，并利用第一样本数据中划分的测试集作为图像检索模型训练优化的测试集。5.根据权利要求3或4所述的基于类属性肖像的访问控制策略确定方法，其特征在于，对图像检索模型训练优化中，依据图像检索向量集和预设的用于度量特征空间距离标准的已知图像类参考距离来建立图像检索库，利用图像检索库来存储图像之间视觉相似性度量用相关数据。
6.根据权利要求5所述的基于类属性肖像的访问控制策略确定方法，其特征在于，建立图像检索库中，包含：首先，利用特征提取模型将图像检索模型训练优化用样本数据的图像转换为特征向量，将所有图像特征向量构成图像检索向量集，以将最相似图像检索问题转化为图像特征空间最近邻样本点搜...

【专利技术属性】
技术研发人员：杜学绘，李峰，王娜，任志宇，王文娟，
申请(专利权)人：中国人民解放军战略支援部队信息工程大学，
类型：发明
国别省市：