[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

说明书

本发明涉及一种基于深度神经网络的个性化隐私风险动态度量方法，具体包括以下步骤：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、预测个性化隐私特征向量的泄露风险。本发明是基于深度神经网络设计的，从用户共享隐私图像历史行为特征的角度解决隐私风险评估的问题，以度量用户隐私信息泄露的风险大小，从源头上降低用户的隐私信息泄露风险，增强用户的隐私意识。

技术领域

本发明涉及一种网络安全技术，具体地说是一种基于深度神经网络的个性化隐私风险动态度量方法。

背景技术

近年来，在线社交网络已经逐渐成为人们生活的一部分，目前全球有42亿的社交媒体用户，社交网络已然成为人们获取和共享信息的主要方式，在Facebook、微信等社交平台中，用户之间频繁进行学习、生活和工作等各类信息的交互，其中不乏图像和媒体文件。通过对这些图像进行分析，可能获得相关用户非常详细的个人信息(例如位置、社会关系和财产等)，这无疑会使用户处于垃圾邮件、网络钓鱼、身份盗窃等风险之中，给用户带来巨大损失。随着深度学习技术的应用与发展，越来越多的领域采用了深度学习的方法和模型对用户海量的数据进行分析建模，从而解决人们生产生活中的一些列问题。

社交网络用户经常在社交网络中分享图片，这些图片可能会涉及到关于用户的大量隐私信息，从而造成用户的隐私信息泄露。用户分享信息的行为具有一定的特征，图1给出了用户的分享行为特征的示例。在用户U₀与用户U₁分享的图片中，用户U₁通常会将其收到的有趣的图片分享给用户U₂，将关于生活的图片分享给用户U₃，将关于工作的图片分享给用户U₄。由于每个人的性格、对隐私信息的看法等存在不同，用户U₁的上述分享行为可能就在无意之间泄露了用户U₀的隐私信息。

CN202210277708.6公开了一种基于LSTM+CRF的用户隐私动态度量的方法，该度量方法通过构建LSTM+CRF网络模型，不断抽取用户输入的文本特征，同时与第三方库中的隐私信息进行对比，从而构建度量知识图谱，揭示用户的敏感特征的动态变化趋势。该度量方法是从文本特征的角度出发来度量用户隐私状态的。

CN202210138181.9公开了一种图像隐私信息的度量和保护方法，该方法是先对图像隐私信息距离这一指标进行新的定义，选择一个概率分布作为接近机制的分布并从中生成扰动图像，然后使用新定义的图像隐私信息距离这一度量指标度量原始图像与扰动处理后的保护图像，最后，重复前述步骤，直到隐私信息距离指标达到理想值并输出保护图像。该方法中的隐私度量属于对隐私图片中隐私信息保护效果的度量。

目前有关社交网络图像分享造成隐私信息泄露的度量方法并不多，且图像中是否包括敏感隐私信息取决于图像所有者的个性特征、个人对分享的偏好差异以及对隐私的认知水平和信息内容的上下文完整性。而隐私信息是否泄露是一个事前概念，且隐私图像的泄露路径复杂，影响用户分享行为的因素繁多，例如用户的性格特征、与分享的目标对象的关系紧密程度等。而包括上述两篇专利文献在内的现有多数隐私信息度量方法，都是从已有的统计信息计算和量化用户的隐私风险入手，没有使用户意识到朋友之间的分享行为可能会带来的隐私风险。

发明内容

本发明的目的就是提供一种基于深度神经网络的个性化隐私风险动态度量方法，以解决社交网络环境中用户分享图片所带来的隐私信息泄露的问题。

本发明的目的是这样实现的：

一种基于深度神经网络的个性化隐私风险动态度量方法，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；