為了解決傳統(tǒng)的自主訪問、強(qiáng)制訪問和基于角色的訪問控制方法中存在的隱私信息分級準(zhǔn)確性低、數(shù)據(jù)泄露數(shù)量多的問題,提出一種基于反向傳播(Back propagation,BP)神經(jīng)網(wǎng)絡(luò)的用戶信息隱私查詢訪問控制方法。首先收集用戶行為數(shù)據(jù),計算用戶信任值及用戶信息隱私度,將用戶信息隱私數(shù)據(jù)分級,最后將用戶行為數(shù)據(jù)、用戶信息隱私度值和用戶信息隱私查詢要素輸入到BP神經(jīng)網(wǎng)絡(luò)中,依據(jù)BP神經(jīng)網(wǎng)絡(luò)實現(xiàn)用戶信息隱私查詢訪問控制。仿真結(jié)果表明,與傳統(tǒng)方法相比,上述訪問控制方法大大降低了誤判偏差率,隱私信息分級準(zhǔn)確性高,用戶信息隱私數(shù)據(jù)泄露數(shù)量少,保證了用戶信息隱私安全。

【文章頁數(shù)】：5 頁

【部分圖文】：

圖1用戶信任值計算過程

用戶信任值主要來自間接信任,計算過程如圖1所示。根據(jù)動態(tài)信譽(yù)樹模型,能夠清晰構(gòu)造出與主體存在間接信任關(guān)系的其它個體,并能夠規(guī)定不同等級間的權(quán)重,根據(jù)信任個體與主體重要程度調(diào)節(jié)相應(yīng)權(quán)值,達(dá)到動態(tài)控制。

圖2隱私數(shù)據(jù)合并過程

根據(jù)收集到的用戶行為數(shù)據(jù),對用戶信息隱私度計算,隱私數(shù)據(jù)訪問日數(shù)據(jù)用K表示,Ki與Kj代表K的節(jié)點(diǎn),每個節(jié)點(diǎn)對應(yīng)可讀取的隱私屬性集,在對隱私度計算時,將Ki與Kj合并,合并過程如圖2所示。隱私度代表該節(jié)點(diǎn)查詢存在隱私數(shù)據(jù)泄露風(fēng)險的程度,在計算時,節(jié)點(diǎn)隱私度不僅要考慮節(jié)點(diǎn)本身存在隱....

圖3訪問控制流程圖

根據(jù)上述計算不斷調(diào)整神經(jīng)網(wǎng)絡(luò)權(quán)值和閾值,對風(fēng)險大小計算,以確定訪問控制的最優(yōu)策略[12]。則基于BP神經(jīng)網(wǎng)絡(luò)的用戶信息隱私查詢訪問控制流程圖如圖3所示。圖3為基于BP神經(jīng)網(wǎng)絡(luò)的用戶信息隱私查詢訪問控制過程,方法中控制度替代了風(fēng)險大小,風(fēng)險越小代表信息隱私查詢訪問控制范圍越大。由上....

圖4Matlab操作界面

選用windows2000,CPU2.8GMHz,內(nèi)存為64GB的操作系統(tǒng)作為仿真平臺,使用Matlab進(jìn)行操作如圖4,對仿真進(jìn)行驗證。為更好驗證傳統(tǒng)的訪問控制方法和本文訪問控制方法的性能,設(shè)計實驗樣本,本實驗選擇Registerlens100k數(shù)據(jù)集,其中包含表2中1....

本文編號：3927230