基于BP神经网络的用户信息隐私查询访问控制

发布时间：2024-03-13 05:04

　　为了解决传统的自主访问、强制访问和基于角色的访问控制方法中存在的隐私信息分级准确性低、数据泄露数量多的问题,提出一种基于反向传播(Back propagation,BP)神经网络的用户信息隐私查询访问控制方法。首先收集用户行为数据,计算用户信任值及用户信息隐私度,将用户信息隐私数据分级,最后将用户行为数据、用户信息隐私度值和用户信息隐私查询要素输入到BP神经网络中,依据BP神经网络实现用户信息隐私查询访问控制。仿真结果表明,与传统方法相比,上述访问控制方法大大降低了误判偏差率,隐私信息分级准确性高,用户信息隐私数据泄露数量少,保证了用户信息隐私安全。

【文章页数】：5 页

【部分图文】：

图1用户信任值计算过程

用户信任值主要来自间接信任,计算过程如图1所示。根据动态信誉树模型,能够清晰构造出与主体存在间接信任关系的其它个体,并能够规定不同等级间的权重,根据信任个体与主体重要程度调节相应权值,达到动态控制。

图2隐私数据合并过程

根据收集到的用户行为数据,对用户信息隐私度计算,隐私数据访问日数据用K表示,Ki与Kj代表K的节点,每个节点对应可读取的隐私属性集,在对隐私度计算时,将Ki与Kj合并,合并过程如图2所示。隐私度代表该节点查询存在隐私数据泄露风险的程度,在计算时,节点隐私度不仅要考虑节点本身存在隐....

图3访问控制流程图

根据上述计算不断调整神经网络权值和阈值,对风险大小计算,以确定访问控制的最优策略[12]。则基于BP神经网络的用户信息隐私查询访问控制流程图如图3所示。图3为基于BP神经网络的用户信息隐私查询访问控制过程,方法中控制度替代了风险大小,风险越小代表信息隐私查询访问控制范围越大。由上....

图4Matlab操作界面

选用windows2000,CPU2.8GMHz,内存为64GB的操作系统作为仿真平台,使用Matlab进行操作如图4,对仿真进行验证。为更好验证传统的访问控制方法和本文访问控制方法的性能,设计实验样本,本实验选择Registerlens100k数据集,其中包含表2中1....

本文编号：3927230