[发明专利]基于深度神经网络的个性化隐私风险动态度量方法

权利要求书

1.一种基于深度神经网络的个性化隐私风险动态度量方法，其特征是，包括以下步骤：

S1、收集用户的个性化隐私需求，建立个性化用户隐私需求向量；

S2、根据个性化用户隐私需求向量，利用卷积神经网络提取用户图片中的特征矩阵，将特征矩阵通过卷积神经网络计算出隐私特征向量，再与个性化用户隐私需求向量进行元素相乘，获得图片中关于用户的个性化隐私特征向量，识别出图片中的敏感隐私信息；

S3、对敏感隐私信息的泄露风险进行评估预测。

2.根据权利要求1所述的个性化隐私风险动态度量方法，其特征是，步骤S1的具体操作方式是：S1-1.根据已有可识别的隐私信息制作收集表，收集用户的个性化隐私需求，生成关于该用户的个性化隐私需求向量：Pri＝(req₁，req₂，……，req_n)，其中，req_i为向量中的元素，其数量代表隐私特征种类的数量；

令U＝{认为第i个特征包含隐私信息的用户}，则有：

如果req_i(u)＝1，则表示第i个特征属于用户u的隐私特征；如果req_i(u)＝0，则表示第i个特征所代表的信息不是用户U的隐私信息；

S1-2.若用户U的个性化隐私需求向量pri中的所有可识别的隐私特征元素req_i均为0，则表示用户U没有隐私需求，系统直接向用户U输出评估值为0的风险值；否则，执行后续步骤。

3.根据权利要求2所述的个性化隐私风险动态度量方法，其特征是，步骤S2的具体操作方式是：S2-1.将关于用户U的即将用于分享的图片输入Resnet50卷积神经网络，用以提取图像特征，并生成特征图；

S2-2.将特征图送入区域候选网络，用一个滑动窗口依次在特征图上滑动，生成相应的候选框，使用分类器筛选出包含隐私特征区域的目标候选框，根据区域候选网络生成的包含隐私特征区域的目标候选框与特征图的投影关系，获得对应的特征矩阵；

S2-3.将每个特征矩阵送入卷积神经网络，先通过其中的RoI pooling层，缩放成相同的大小，在依次通过两个全连接层(FC1,FC2)后，再经过分类器的处理和回归器的处理，提取出隐私特征向量，并确定隐私特征的位置；

S2-4.将最后提取出的隐私特征向量与用户U的个性化隐私需求向量pri按元素相乘，即获得该图片中关于用户U的个性化隐私特征向量。

4.根据权利要求3所述的个性化隐私风险动态度量方法，其特征是，根据步骤S2-4所获得图片中关于用户U的个性化隐私特征向量，对该向量中每个元素的数值进行区别处理：

如果某个位置上的元素为1，则将该位置对应的敏感隐私特征与发送方用户id以及接收方用户id一起组成敏感隐私共享行为：其中，sen_i表示该隐私图片的发送方用户，rec_i表示该隐私图片的接收方用户，表示即将共享的包含l种敏感隐私信息的图片；

如果全部元素均为0，则表示即将分享的图片中不包含隐私信息，或是表示用户U认为图片中包含的隐私信息的泄露不会对其产生任何影响，则系统直接向用户输出评估值为0的风险值。

5.根据权利要求3所述的个性化隐私风险动态度量方法，其特征是，步骤S3的具体操作方式是：

S3-1.将用户的每一条隐私图片共享的历史记录中发送方、接收方和发送时间与识别出图片中的敏感隐私信息拼接起来组成一个行为Pol，所有的行为Pol组成一个隐私图片共享历史行为序列：Seq＝{Pol₁,Pol₂,...,Pol_N}；用户的第i个图片共享行为是表示用户rec_i将来自用户sen_i共享的隐私图像共享给其他接收方PR_i的隐私图像传播记录，也被称为是用户历史行为记录；

S3-2.用户的隐私图片共享历史行为序列Seq通过embedding后，表示为：Seq'＝{p₁,p₂,...,p_N}∈R^N×size×dim，其中，size为embedding的大小，pi表示第i个行为的embedding；

S3-3.将经过embedding后的用户隐私图片共享历史行为序列Seq输入到GRU循环神经网络，用以提取用户的行为特征，其计算方式如下：

R_t＝σ(p_tW_pr+H_t-1W_hr+b_r) (2)

Z_t＝σ(p_tW_pz+H_t-1W_hz+b_z) (3)

其中，R_t为重置门，Z_t为更新门，σ(·)为sigmoid函数，p_t为用户图片共享历史行为记录，H_t-1为上一时间步的隐藏状态，W_pr、W_hr、W_pz、W_hz为权重矩阵，b_r、b_z为偏置向量；

时间步t的候选隐藏层状态及最终隐藏状态的计算为：

其中，为候选隐藏层状态，H_t为最终隐藏状态，⊙表示按元素相乘，W_ph、W_hh为权重矩阵，b_h为偏置向量；

S3-4.将用户的行为特征展平后馈入感知机，利用softmax函数，计算接收方用户可能会将隐私图片与其好友共享的概率，选取其中的最大值作为该隐私图像所包含的敏感隐私信息可能会被泄露的风险值；

S3-5.按照公式(6)计算同一张隐私图片的多种敏感隐私信息的泄露风险概率：

其中，表示包含敏感隐私信息k的隐私图片img_j被泄露的风险值，表示隐私图片泄露风险值，M表示接收方用户的好友个数，H为隐藏层状态，W_i为具有相应形状的权重矩阵，b_i为偏置向量；

S3-6.将同一张隐私图片的多种敏感隐私信息的泄露风险概率的最大值：作为该隐私图片将会被泄露的风险值，反馈给隐私图片的发送方。