隐私信息描述、迭代延伸控制、出行服务应用场景、信用计算应用场景示例.docxVIP

（资料性）

隐私信息描述示例

概述

隐私信息可由隐私信息六元组描述，具体如下：

隐私信息向量，根据文件标识符确定信息的类型，并根据语义特征将信息进行拆分，得到n个在语义上不可分割的隐私信息分量，则隐私信息向量可以表示为I=id,i1,…,i

约束条件集合，由隐私信息分量对应的约束条件向量组成的集合θ=θ1,θ2?,θk,…,θn，用于描述在不同场景下实体访问隐私信息分量ik所需的访问权限。根据隐私信息向量中的隐私信息分量的应用场景，可对隐私信息分量设置相应的约束条件向量θ

隐私属性向量，通过预先标记或隐私保护程度量化操作函数，结合约束条件集合，对隐私信息向量进行隐私度量，度量结果存入隐私属性向量A=a1,a2,?,

广义定位信息集合，分别获取隐私信息分量在信息中的广义定位信息向量γ1、γ

审计控制信息集合，分别获取隐私信息分量的审计控制信息向量ω1,ω2,?,ω

传播控制操作集合，针对隐私属性向量和约束条件集合，根据操作判别函数或人工标记生成隐私信息向量及其组合的传播控制操作集合Ψ=Ψ1,

隐私信息描述六元组生成过程

本附录以文本、图像模态数据为例，介绍隐私信息描述的生成方法和过程，供设计实现隐私信息描述与处理功能时参考。针对待处理的多模态数据，进行隐私抽取，确定隐私信息分量模态，并进行定位，生成隐私信息向量和广义定位信息集合；通过隐私数据分类分级规则对识别和抽取的隐私信息分量进行分类，根据分类结果确定隐私信息向量的约束条件集合；根据约束条件集合以及隐私数据分类分级规则对隐私信息向量进行隐私度量，生成隐私属性向量和传播控制操作集合；记录对隐私信息向量执行的所有操作，生成审计控制信息集合。隐私信息描述六元组生成过程如图A.1所示。

图A.1隐私信息描述六元组生成过程

文本类隐私信息描述生成示例

隐私信息向量

隐私信息向量生成过程如下：

隐私信息处理者根据文件标识符等信息确定信息的类型，并读取其内容。例如：可以通过Apachepoi等工具读取Word文档信息、Excel表格信息；通过Spire.PDF等工具读取PDF文档信息；

通过正则文本匹配、自然语言处理识别文件中的隐私信息并进行切割。以文本信息“张三和李四去中关村参加活动”为例，使用基于BiLSTM+CRF模型的命名实体识别算法对姓名、组织名、地名等实体进行识别；

生成隐私信息向量I=

约束条件集合

约束条件集合生成过程如下：

隐私信息处理者获取文本类数据对应的分类分级规则；

根据当前隐私信息处理者的意愿，生成隐私信息向量对应的约束条件集合。例如：若当前隐私信息处理者仅向197.224.*.*网段的用户赋予文档读写权限，则非该网段下的用户无法读取该文件；

生成约束条件集合θ1

隐私属性向量

隐私属性向量生成过程如下：

隐私信息处理者根据文本类数据对应的分类分级规则和隐私信息分量的约束条件集合，确定待处理文本信息对应的分类分级规则；

根据约束条件集合、分类分级规则以及文档创建者的意愿，通过预先标记或隐私保护程度量化操作函数，依次计算隐私信息向量和隐私信息分量组合对应的隐私属性向量，生成各个隐私信息分量的隐私属性向量；

如度量结果为0.4，包含X1至Xn的隐私属性向量可表示为

广义定位信息集合

广义定位信息集合生成过程如下：

隐私信息处理者采用合适的位置标识信息，对隐私信息在文档中的位置进行编码。例如：

Word文档可利用页码、段落、行数、起始位和终止位等表示定位信息；

Excel表格可利用表单号、行号、列号等表示定位信息。

生成隐私信息分量对应的广义定位信息向量。例如：对于Word、Excel文档，可使用Apachepoi工具对隐私信息向量进行索引，统一设置字符在文档中的范围标签和批注引用，生成广义定位信息集合；

生成广义定位信息集合Γ，例如：

γ1=X1,P11,S3,R2,0,4表示记为X1

γ2=X2,T

审计控制信息集合

审计控制信息集合生成过程如下：

隐私信息处理者记录其对文档的隐私信息分量进行的所有操作，并生成审计控制信息集合；

将生成的审计控制信息集合存储于对应的隐私信息描述六元组。

传播控制操作集合

传播控制操作集合生成过程如下：

隐私信息处理者获取文本类数据对应的分类分级规则和隐私信息分量的约束条件集合、隐私属性向量；

根据当前隐私信息处理者流转共享意愿，生成隐私信息向量对应的传播控制操作集合。例如：当前的传播控制操作集合Ψ=Ψ1,Ψ2

隐私信息六元组的生成结果如图A.2所示。识别文档中的隐私信息实体，例如：“北京市消防局”记为X1，X1的位置在文档中的第2页、第2段、第2行上，起始位置是35，终止位置是41。提取外部文本数据分类分级规则，结合使用意愿，得到其对应的隐私属性向量为a1=(X1,0.4)，表示隐私信息分量X1的隐私属性度量结果为0.4。