普适计算环境下CBR的隐私策略的生成方法及系统技术方案

本发明专利技术公开了一种普适计算环境下基于案例推理的隐私策略的生成方法及系统，其中该方法包括：对于待保护的用户隐私，提取用户的上下文信息作为特征值；在预先建立的隐私策略案例库中根据特征值进行检索，得到初始化隐私策略；对初始化隐私策略进行修正，生成可执行的隐私策略。本发明专利技术综合考虑用户上下文信息，能够更好地反应用户的隐私偏好。

【技术实现步骤摘要】

本专利技术涉及信息安全领域，尤其涉及一种普适计算环境下CBR (基于案例推理)的隐私策略的生成方法及系统。
技术介绍
普适计算具有前所未有的复杂性和多样性，国内外普适计算研究领域的研究内容、研究角度、研究层次呈现多样性。在物联网和移动互联网众多的研究内容中，普适计算环境中的隐私保护问题是最难研究的内容之一。这是因为普适计算的隐私不是一个绝对的概念，对隐私的研究不仅涉及到技术层面，而且与社会、法律和经济等非技术因素有关系。目前，国内外对普适计算隐私保护的研究，总体上表现为缺乏系统性和统一性，研究的角度和思路各异，研究的层次深浅不一，而且多数为针对具体应用问题展开研究，例如基于位置服务的普适计算应用。然而，普适计算为人们提供这种无所不在的便利性计算服务的同时，也引发出了一些新的问题，其中最主要之一就是个人隐私泄漏。隐私信息泄漏的种类有多种，比如用于存储隐私信息的数据库遭到攻击，在网上购物的消费记录被网站出售，或者是由于信用卡公司的疏忽泄漏了用户的婚姻状况、收入水平等信息等等，也使人们的个人隐私信息的面临新的挑战。因此近几年来，隐私保护技术已经成为一种新兴的信息安全技术，引起了许多学者和研究机构的重视。现有的隐私保护技术主要有两种不同的方法，一种是数据隐藏的方法来保护隐私信息，另一种是基于密码学的隐私信息保护。但是，传统的密码理论技术不能很好地解决普适计算环境的需求。综上所示，现有技术中缺少基于普适计算的用户隐私保护问题的有效解决方案。
技术实现思路
为解决上述问题，本专利技术的主要目的在于提供一种普适计算环境下基于案例推理的隐私策略的生成方法及系统，其中根据本专利技术实施例的普适计算环境下基于案例推理的隐私策略的生成方法包括对于待保护的用户隐私，提取用户的上下文信息作为特征值；在预先建立的隐私策略案例库中根据特征值进行检索，得到初始化隐私策略；对初始化隐私策略进行修正，生成可执行的隐私策略。其中，将可执行的隐私策略学习到隐私策略案例库。其中，隐私策略案例库中的案例使用特征值进行特征表达，并按照基于案例索引的分层结构进行存储。其中，在预先建立的隐私策略案例库中根据特征值进行检索，得到初始化隐私策略包括确定特征值的索引分类；在隐私策略案例库中根据索引分类进行检索，得到初始化隐私策略。其中，在隐私策略案例库中根据索引分类进行检索，得到初始化隐私策略包括若在隐私策略案例库中检索到与特征值相匹配的一个隐私策略案例，则该隐私策略案例为初始化隐私策略；若在隐私策略案例库中检索到与特征值相匹配的多个隐私策略案例，则从多个隐私策略案例选择相似特征值对多的案例作为初始化隐私策略；或提供用户界面，并通过该用户界面接收用户在多个隐私策略案例中选择的其中之一。其中，对初始化隐私策略进行修正进一步包括通过预先设置的模糊策略对初始化隐私策略自动进行修正；或提供用户界面，并通过该用户界面接收来自用户的对初始化隐私策略进行修正。其中，用户的上下文进一步包括用户的静态上下文和用户的动态上下文；用户的静态上下文，包括以下至少之一用户的个人信息、用户的社会和组织关系、用户的时间段设置；用户的动态上下文，包括以下至少之一用户的当前状态，用户的当前活动。根据本专利技术实施例的普适计算环境下基于案例推理的隐私策略的生成系统包括提取模块，用于提取待保护的用户隐私的用户的上下文信息作为特征值；检索模块，用于在预先建立的隐私策略案例库中根据特征值进行检索，得到初始化隐私策略；生成模块，用于对检索模块检索得到的初始化隐私策略进行修正，生成可执行的隐私策略。其中，该系统还包括学习模块，用于将生成模块生成的可执行的隐私策略学习到隐私策略案例库。其中，隐私策略案例库中的案例使用特征值进行特征表达，并按照基于案例索引的分层结构进行存储。其中，检索模块进一步包括索引分类确定模块，用于确定特征值的索引分类；索引分类检索模块，用于在隐私策略案例库中根据索引分类进行检索，得到初始化隐私策略。其中，索引分类检索模块进一步用于若在隐私策略案例库中检索到与特征值相匹配的一个隐私策略案例，则该隐私策略案例为初始化隐私策略；若在隐私策略案例库中检索到与特征值相匹配的多个隐私策略案例，则从多个隐私策略案例选择相似特征值对多的案例作为初始化隐私策略；或提供用户界面，并通过该用户界面接收用户在多个隐私策略案例中选择的其中之其中，生成模块进一步包括自动修正模块，用于通过预先设置的模糊策略对初始化隐私策略自动进行修正；人工修正模块，用于通过提供的用户界面接收来自用户的对初始化隐私策略进行修正。其中，用户的上下文进一步包括用户的静态上下文和用户的动态上下文用户的静态上下文，包括以下至少之一用户的个人信息、用户的社会和组织关系、用户的时间段设置；用户的动态上下文，包括以下至少之一用户的当前状态，用户的当前活动。根据本专利技术的上述技术方案，通过基于普适计算的应用环境、以及基于案例推理生成隐私保护策略，在生成过程中，同时考虑用户上下文信息，该策略生成方式具有一定的学习能力，并可以通过模糊策略的自动修正和用户修正的方式进行反馈，更好的表达用户隐私偏好和适应紧急情况。生成的隐私保护策略可以应用于隐私策略应用框架以实现具体的隐私保护。附图说明此处所说明的附图用来提供对本专利技术的进一步理解，构成本申请的一部分，本专利技术的示意性实施例及其说明用于解释本专利技术，并不构成对本专利技术的不当限定。在附图中图1是本专利技术实施例的CBR流程的示意图；图2是本专利技术实施例的基于上下文和CBR的隐私策略学习模型的示意图；图3是本专利技术实施例的方法流程图；图4是本专利技术实施例的隐私策略案例库的索引结构的示意图；图5是本专利技术实施例的基于jCOLIBRI的CBR流程示意图；图6是本专利技术实施例的People Finder的系统结构的示意图；图7是根据本专利技术实施例的隐私策略应用框架的示意图；图8和图9是本专利技术实施例的系统框图。具体实施例方式为使本专利技术的目的、技术方案和优点更加清楚，以下结合附图及具体实施例，对本专利技术作进一步地详细说明。根据本专利技术的实施例，提供了一种普适计算环境下基于案例推理的隐私策略的生成方法。首先，对本专利技术涉及到的一些概念进行简单说明。本专利技术使用基于案例的推理(Case-Based Reasoning，简称CBR)技术，CBR是由目标案例的提示而得到历史记忆中的源案例、并由源案例来指导目标案例求解的一种策略。CBR基于经验知识进行推理，它是用案例来表达知识并把问题求解和学习相融合的一种推理方法，它强调人在解决新问题时，常常回忆起过去积累下来的类似情况的处理，并通过适当修改过去类似情况处理的方法来解决新问题。CBR的流程请参考图1，如图1所示，CBR的关键实现技术包括案例的表示，案例库的管理(案例的组织与存储、修正、保留)，以及案例的检索与匹配。CBR技术的特点主要体现在以下几个方面(I)CBR属于类比推理，通过适应性修改可以形成与旧案例处理方式不同的创新解答;(2)从存储结构看，CBR的知识以案例的形式存储在案例库中；(3)对于求解问题，CBR根据输入特征来匹配案例库中案例；(4) CBR主要适用于经验丰富的应用领域。在CBR系统中，在给定输入说明的情况下，CBR系统检索案例库，以搜索一个匹配输入特征的现有案例，检索结果分为两种情况检索到完本文档来自技高网...

【技术保护点】
一种普适计算环境下基于案例推理的隐私策略的生成方法，其特征在于，包括：对于待保护的用户隐私，提取用户的上下文信息作为特征值；在预先建立的隐私策略案例库中根据所述特征值进行检索，得到初始化隐私策略；对所述初始化隐私策略进行修正，生成可执行的隐私策略。

【技术特征摘要】

【专利技术属性】
技术研发人员：喻子达，王袭，赵向阳，安娜，
申请(专利权)人：海尔集团公司，海尔集团技术研发中心，
类型：发明
国别省市：