[发明专利]一种基于大数据分析的个人隐私价值计算方法

权利要求书

1.一种基于大数据分析的个人隐私价值计算方法，其特征在于：所述基于大数据分析的个人隐私价值计算方法包括：

步骤一，对原始数据进行模拟，包括数据清洗、通过模糊匹配修改离群、填补缺失值以及原始标准化处理，完成原始数据分类；

步骤二，构建隐私价值评分模型计算隐私价值总分，将隐私价值总分定义为由预期收益价值、风险价值以及信息相关价值计算组成；

步骤三，根据历史数据，进行数据库动态优化，更新隐私价值基础评分模型：

步骤四，进行隐私价值评分情景分析：建立了基于小世界网络的改良模型,通过对数据关联情况的模拟分析，模拟出了在不同泄露程度下对相关团体的信息安全的影响；使用博弈论的方法分析出加权有团体利益的总体隐私利益，定义动态博弈时达到帕雷托最优时对应最大的团体总体利益；

步骤五，对步骤四的更新隐私价值基础评分模型的稳定性进行灵敏度检验。

2.根据权利要求1所述的基于大数据分析的个人隐私价值计算方法，其特征在于：步骤二中的预期收益价值的计算包括：

步骤2.1，定义预期收益价值总分值为

其中，α_j为第j个参数的隐私预期收益价值系数，C_j为第j个参数的隐私预期收益价值；

步骤2.2，使用层次分析法给公民隐私信息赋权：将个人隐私信息进行量化，将量化过程中的有关因素分解为目标、准则以及方案，量化后进行定性和定量分析；

步骤2.2，使用收益现值法量化隐私的未来价值，确定隐私信息的隐私预期收益价值；

步骤2.3，使用梯度提升树方法计算隐私预期收益价值系数：通过使用基于机器学习的组合算法，采用向前分布的算法进行迭代，不断更新权重；每一轮迭代得到一个强学习器和损失函数，下一轮迭代的目标是迭代出一个回归树模型的弱学习器；将第j个参数的权重定义为第j个参数的隐私预期收益价值系数：

3.根据权利要求2所述的基于大数据分析的个人隐私价值计算方法，其特征在于：步骤2.2中包括：

步骤2.2.1，构建成对比较矩阵，表征y个参数间的相互关系及重要性大小，y为正整数；

步骤2.2.2，进行层次单排序：将成对比较矩阵的每一列元素进行归一化处理，然后运用和积法，将每一列元素经归一化处理后的成对比矩阵按行相加，得到W_i，构建特征向量W＝(W₁,W₂,...,W_n)^T，对特征向量W进行归一化处理，得到特征向量的近似解，计算出对比较矩阵的最大特征根λ_max，再进行一致性检验，确认层次排序；所述一致性检验定义为对A确定不一致的允许范围；

其中，W_i的元素为同一层次因素对于上一层次因素某因素的相对重要性的排序权重值；

步骤2.2.4，进行成对比较矩阵一致性检验：定义成对比较矩阵一致性参数为CI，引入随机一致性参数RI衡量CI大小；随机构造x个成对比较矩阵，可得到一致性参数，x为正整数；定义矩阵一致性参数CI与同阶平均随机一致性参数RI之比称为随机一致性比率CR；

步骤2.2.5，计算得出特征向量W＝α_j∈[1，x]表征第j个参数的权重。

4.根据权利要求3所述的基于大数据分析的个人隐私价值计算方法，其特征在于：步骤二中的风险价值的计算包括：

步骤2.A,计算标准离差率

其中，Cof为标准离差率，E为期望值，σ为标准离差；

步骤2.B，确定风险系数，将第j个参数的权重作为风险价值系数，计算个人隐私的预期风险报酬率：

其中，R_j为第j个参数的风险报酬率，r_j为第j个参数的风险系数；

步骤2.C，计算隐私风险报酬额作为隐私风险分值：

其中，K为隐私风险价值，I_j为第j个参数的预期收益价值。