基于人工智能的物流信息数据隐私保护方法及系统与流程

摘要: 本发明涉及物流信息数据隐私保护,具体为基于人工智能的物流信息数据隐私保护方法及系统。背景技术:1、物流信息数据包含大量用户隐私、货物详情及流转路径等敏感内容,在...
基于人工智能的物流信息数据隐私保护方法及系统与流程

本发明涉及物流信息数据隐私保护,具体为基于人工智能的物流信息数据隐私保护方法及系统。

背景技术:

1、物流信息数据包含大量用户隐私、货物详情及流转路径等敏感内容,在数据共享、分析及存储环节中,需要对原始数据进行隐私保护处理,以防止敏感信息泄露。现有的物流数据隐私保护方法主要采用数据脱敏、泛化、差分隐私加噪等手段,通过对单一字段或整体数据集施加随机噪声或规则替换,破坏数据的可识别性。这些方法在处理结构化物流数据时,通常将各数据字段视为独立单元,忽略不同字段之间存在的潜在语义关联。物流数据中收件人地址、货物名称、运输路线等字段在语义上具有内在联系,独立处理会破坏这种关联结构,导致隐私保护后的数据在后续聚类分析、异常检测等任务中可利用价值大幅下降。部分方法引入词向量对文本型字段进行语义表示,但在施加扰动时仅采用全局一致的高斯噪声或其他随机扰动方式,未考虑数据内部语义子簇的分布特征,容易造成局部语义信息严重失真。同时,现有方案难以量化不同数据属性分区之间的语义依存程度,对哪些字段应当联合扰动、如何保持联合扰动下的整体语义一致性缺少合理依据,使得隐私保护后的数据在保真度和隐私强度之间难以取得平衡。如何依据数据属性分区之间的语义关联关系进行自适应聚合,并在聚合分区内对词向量进行结构化扰动和噪声叠加,以兼顾数据语义完整性和隐私保护强度,是当前物流数据隐私保护中亟待解决的问题。

技术实现思路

1、本发明提供了一种基于人工智能的物流信息数据隐私保护方法及系统,目的之一在于解决现有物流数据隐私保护方法忽略字段间语义关联、导致数据可用性受损的问题,通过划分数据属性分区并构建词向量空间,采用相对熵度量分区间的语义关联度,实现基于语义关联的自适应分区聚合;目的之二在于解决现有扰动方式未充分考虑数据内部语义子簇分布、导致局部语义失真严重的问题,通过以词向量类簇的簇中心为锚点进行方向性扰动,并与差异化噪声基底叠加,生成在保持语义结构前提下具备隐私保护能力的向量序列。

2、为了实现上述目的,本发明提供如下技术方案:本发明提供一种基于人工智能的物流信息数据隐私保护方法,包括:获取待保护的物流信息数据,按照数据属性划分所述物流信息数据,得到多个数据属性分区;根据各所述数据属性分区中的词向量分布,构建各所述数据属性分区的词向量空间;基于各所述词向量空间之间的相对熵,计算各所述数据属性分区之间的语义关联度;根据所述语义关联度,对各所述数据属性分区进行聚合,得到语义关联分区;对所述语义关联分区中的词向量进行聚类,得到所述语义关联分区中的多个词向量类簇;以各所述词向量类簇的簇中心为锚点,对所述语义关联分区中的所有词向量进行扰动处理,生成扰动后的词向量序列;将所述扰动后的词向量序列与预设的噪声基底进行叠加,得到隐私保护向量序列;根据所述隐私保护向量序列,重构所述物流信息数据对应的隐私保护数据。该方法利用数据属性分区与词向量空间构建,从语义层面捕捉物流数据的结构特征,通过基于相对熵的语义关联度计算和分区聚合,将语义关联紧密的数据块归入同一分区,保证后续处理能够充分保留数据内部的语义一致性;在词向量类簇约束下,以簇中心为锚点进行扰动,能够有针对性地偏离原始语义中心,去除敏感信息的同时避免数据整体语义的过度扭曲,叠加随局部稀疏度变化的噪声基底,进一步增强隐私保护强度,最终重构出的隐私保护数据既维持了原有字段结构模板的兼容性,又实现了对原始物流信息的高强度隐私保护。

3、作为本发明的一个技术方案,在按照数据属性划分物流信息数据时,提取各数据字段的字段标签,识别对应的数据类型和数据结构,进行一致性校验后,将数据类型和结构一致的字段记录划分至同一数据属性分区。优选的,识别数据类型和数据结构的过程包括:解析字段标签中的编码前缀,匹配预设的类型映射表得到候选数据类型,读取样本数据进行格式解析获得结构模式,当候选数据类型与结构模式匹配时,确定出字段的数据类型和数据结构。该划分方式能够自动化地识别物流数据中字段的真实含义与格式,确保各分区内数据的同质性,为后续词向量空间的准确构建奠定基础。

4、构建各数据属性分区的词向量空间时,对各分区文本内容进行分词处理,将所得词序列映射至预训练的词嵌入矩阵得到初始词向量,并依据词汇的文档频率和词频计算权重系数,得到加权词向量后按词汇共现关系拼接生成词向量空间。优选的,分词处理基于物流领域词典进行最大正向匹配分词,并剔除停用词和数字占位符。由此得到的词向量空间融合了物流领域语义知识和词汇重要性差异,有效表达了数据属性分区内文本的语义分布特征。

5、基于词向量空间之间的相对熵计算语义关联度时,将两个分区的词向量空间互相投影,获得各自的概率分布,利用两概率分布之间的相对熵确定分区间的语义关联度。优选的,以相对熵的倒数作为基础关联度,取两概率分布的jensen-shannon散度作为调节因子,将基础关联度与调节因子的乘积确定为语义关联度。该方式能够稳定且准确地度量不同分区间的语义差异程度,使得语义关联度的计算对数据稀疏性具有较好的鲁棒性。

6、根据语义关联度对各数据属性分区进行聚合时,以分区为节点、语义关联度为边权重构建分区关联图,按边权重从高到低依次合并连通分量直至收敛或达到预设聚类数量,得到分区聚类树,再根据各层级聚类内平均语义关联度选取目标切割层级,切割后同一子树下的分区聚合为同一个语义关联分区。这种聚合策略能够自适应地发现物流信息数据中存在的天然语义分组,避免人为预设分区数量带来的主观偏差,提升隐私保护操作对数据内在结构的适应性。

7、对语义关联分区中的词向量进行聚类时,以随机选取的词向量为初始类簇中心,基于余弦距离将词向量迭代分配并更新类簇中心,直至类簇中心偏移量小于预设阈值,得到多个词向量类簇。以各词向量类簇的簇中心为锚点进行扰动处理时,计算各类簇的类内偏移向量并提取主偏移方向,将各词向量沿主偏移方向的投影分量去除,并叠加指向簇中心方向的反向扰动向量,得到各词向量对应的扰动向量,再按原始顺序组合生成扰动后的词向量序列。该扰动方法能够抑制类簇内的语义主成分,使得扰动后的词向量在语义上偏离原来的敏感指向,但类簇间的相对结构仍得以保留,为后续的隐私保护与数据可用性平衡提供支撑。

8、在将扰动后的词向量序列与噪声基底叠加时,根据扰动序列相邻词向量差分向量的模长分布确定局部稀疏度,依据局部稀疏度从预设噪声分布中采样对应噪声向量进行叠加,并对加噪向量进行能量归一化处理,使加噪向量的能量与扰动序列平均能量一致,得到隐私保护向量序列。这种针对局部稀疏度自适应的噪声注入方式,能够对语义变换剧烈的区域施加更强的干扰,降低攻击者通过局部纹理恢复原始语义的风险,同时保持序列整体能量平稳,避免因能量异常引入新的识别特征。

9、重构物流信息数据对应的隐私保护数据时,将隐私保护向量序列中的各向量进行逆词嵌入映射得到隐私保护词汇,按序列顺序拼接成隐私保护文本片段,再获取物流信息数据中各数据字段的字段结构模板,将隐私保护文本片段填充至对应位置,得到结构化的隐私保护数据。通过保持原字段结构模板,重构后的隐私保护数据能够直接回填至业务系统中的数据表单,无需改动下游数据接口,使隐私保护过程对业务透明。

10、本发明还提供一种基于人工智能的物流信息数据隐私保护系统,包括存储器和处理器,所述存储器中存储有计算机程序,所述处理器在执行所述计算机程序时,实现上述基于人工智能的物流信息数据隐私保护方法的步骤。该系统能够将物流数据的语义分析与自适应扰动、噪声叠加相结合,在保障数据可用格式的前提下,显著降低物流信息数据中敏感内容的泄露风险,适用于对海量物流数据进行批量隐私脱敏的场景。

11、在上述技术方案中,本发明提供的技术效果和优点:

12、通过对物流信息数据按数据属性划分,并利用词向量空间之间的相对熵计算语义关联度,将具有强语义关联的数据属性分区聚合为语义关联分区。相较于独立处理各数据字段的方式,该方案能够自动识别并量化字段间在语义层面的依存关系,相对熵衡量不同词向量空间概率分布的差异性,准确反映分区间的语义贴近程度。由此生成的语义关联分区将语义上高度相关的字段归入同一处理单元,使得后续扰动施加在同一语义上下文中进行,避免因割裂相关字段而引入额外的语义失真,保持隐私保护后数据在关联分析中的可用性。在语义关联分区内进行词向量聚类,获取多个词向量类簇及其簇中心,以簇中心为锚点对所有词向量进行扰动处理。该扰动方法提取各词向量类簇的类内偏移向量并进行主成分分解,确定各簇的主偏移方向,将原始词向量中沿主偏移方向的分量减去并叠加反向扰动向量。这一操作在保留词向量在次要方向上具有的个体差异特征的同时,抑制最为显著的类别区分性语义特征,使得扰动后的词向量在不同类簇之间的区分度降低,达到隐私保护目的。同时,扰动围绕簇中心进行方向性调整,而非全局随机扰动,能够维持同一类簇内词向量的相对位置关系和语义紧凑性,避免局部语义结构被过度破坏。将扰动后的词向量序列与依据局部稀疏度采样得到的噪声基底进行叠加,进一步模糊化处理后,生成的隐私保护向量序列既有效掩盖了原始数据中可被攻击者利用的类簇中心结构与方向性语义信息,又保持了数据整体能量分布和内部语义拓扑,从而在隐私保护强度和数据保真度之间实现优化。