一种个人信息风险预警方法以及装置与流程

1.本技术请求保护一种信息风险预警技术，尤其涉及一种个人信息风险预警方法。本技术还涉及一种个人信息风险预警装置。


背景技术：

2.个人信息风险，是指在信息数据使用过程中，对个人信息的处理是否会触犯法律法规，以及对个人信息保护是否完善的判断或者描述。
3.现有技术中，个人信息的保护主要是依据人工审核的方法进行风险预判，再进行保护，这种方法使得个人信息保护难以全面进行，并且在耗费大量人力物力的基础上依然无法的到根本性的改善。


技术实现要素：

4.为了解决个人信息保护评估不完善的问题，本技术提供一种个人信息风险预警方法。本技术还涉及一种个人信息风险预警装置。
5.本技术提供一种个人信息风险预警方法，包括：
6.获取用户的个人信息数据与所述个人信息数据对应的数据处理类型；
7.调用第一ai模型和第二ai模型并输入所述人信息数据和数据处理类型，分别得到所述个人信息数据对应的个人权益影响程度，以及所述个人权益影响程度对应的安全保障程度；
8.调用第三ai模型，并输入所述个人权益影响程度和安全保障程度的数据，确定个人信息的风险级别，并根据所述风险等级发出风险预警信息。
9.可选的，所述个人权益影响程度根据所述数据处理类型设置为不同的预设等级，其中，所述数据处理类型包括：数据的获取、使用和传播。
10.可选的，所述预设等级为三级，包括：未发现风险、风险或严重风险。
11.可选的，所述风险级别根据所述个人权益影响程度或安全保障程度中最高风险的项目确定。
12.可选的，所述预警信息包括：弹窗、禁止操作、以及光信号或声信号。
13.本技术还提供一种个人信息风险预警装置，包括：
14.接收模块，用于获取用户的个人信息数据与所述个人信息数据对应的数据处理类型；
15.确定模块，用于调用第一ai模型和第二ai模型并输入所述人信息数据和数据处理类型，分别得到所述个人信息数据对应的个人权益影响程度，以及所述个人权益影响程度对应的安全保障程度；
16.判断模块，用于调用第三ai模型，并输入所述个人权益影响程度和安全保障程度的数据，确定个人信息的风险级别，并根据所述风险等级发出风险预警信息。
17.可选的，所述个人权益影响程度根据所述数据处理类型设置为不同的预设等级，
其中，所述数据处理类型包括：数据的获取、使用和传播。
18.可选的，所述预设等级为三级，包括：未发现风险、风险或严重风险。
19.可选的，所述风险级别根据所述个人权益影响程度或安全保障程度中最高风险的项目确定。
20.可选的，所述预警信息包括：弹窗、禁止操作、以及光信号或声信号。
21.本技术相较于现有技术的优点是：
22.本技术提供一种个人信息风险预警方法，包括：获取用户的个人信息数据与所述个人信息数据对应的数据处理类型；调用第一ai模型和第二ai模型并输入所述人信息数据和数据处理类型，分别得到所述个人信息数据对应的个人权益影响程度，以及所述个人权益影响程度对应的安全保障程度；调用第三ai模型，并输入所述个人权益影响程度和安全保障程度的数据，确定个人信息的风险级别，并根据所述风险等级发出风险预警信息。本技术通过设置个人信息类型、权益影响以及保障程度，可以自动进行个人信息保护评估，提高了个人信息保护评估的准确性与评估效率。
附图说明
23.图1是本技术中个人信息风险预警流程图。
24.图2是本技术中个人信息数据处理的权益影响程度确定流程图。
25.图3是本技术中个人信息风险预警装置示意图。
具体实施方式
26.以下内容均是为了详细说明本技术要保护的技术方案所提供的具体实施过程的示例，但是本技术还可以采用不同于此的描述的其他方式实施，本领域技术人员可以在本技术构思的指引下，采用不同的技术手段实现本技术，因此本技术不受下面具体实施例的限制。
27.本技术提供一种个人信息风险预警方法，包括：获取用户的个人信息数据与所述个人信息数据对应的数据处理类型；调用第一ai模型和第二ai模型并输入所述人信息数据和数据处理类型，分别得到所述个人信息数据对应的个人权益影响程度，以及所述个人权益影响程度对应的安全保障程度；调用第三ai模型，并输入所述个人权益影响程度和安全保障程度的数据，确定个人信息的风险级别，并根据所述风险等级发出风险预警信息。本技术通过设置个人信息类型、权益影响以及保障程度，可以自动进行个人信息保护评估，提高了个人信息保护评估的准确性与评估效率。
28.图1是本技术中个人信息风险预警流程图。
29.请参照图1所示，s101获取用户的个人信息数据与所述个人信息数据对应的数据处理类型。
30.所示个人信息数据是用户在使用某一产品时提供的个人信息，所述个人信息具有多个类别，所述类别包括：身份信息、职业信息、地址信息，关系图信息等。所述类别中还可以分为多个小类，例如身份信息，可以包括年龄信息，性别信息、学历信息等；所述职业信息可以包括：职业类别信息，从业经历信息、薪资信息等，所述地址信息可以包括住址信息、户籍信息等。
31.所述不同类别的个人信息，可以进行不同的数据信息处理，其中每一种信息类别的处理，对导致对个人权益的影响是不同的。所述数据处理类型包括：数据的获取、使用和传播。
32.在本技术中，每个种类的个人信息，与所述信息处理类型具有映射关系，因此当获取到所述个人信息数据后，根据所述映射关系可以同时确定所述个人信息数据的数据处理类型。所述个人信息数据可以进行用户画像、需求分析、兴趣分析等各种应用，每一种应用对应的数据处理类型也不相同。
33.因此，本技术所述个人信息数据的数据处理类型，可以根据数据的类型和数据的应用具体进行设置，在此不再赘述。
34.请参照图1所示，s102调用ai模型并输入所述人信息数据和数据处理类型得到所述个人信息数据对应的个人权益影响程度，以及所述个人权益影响程度对应的安全保障程度。
35.所述权益影响程度是根据数据处理类型确定的，因此在确定数据处理类型后，可以确定所述数据处理类型的权益影响程度和安全保障程度。
36.具体的，本技术通过ai模型进行个人信息数据对应的个人权益影响程度计算，通过第一ai模型计算个人权益影响程度，通过第二ai模型计算安全保障程度。
37.所述ai模型是预先训练的卷积神经网络模型，用于计算人信息数据和数据处理类型对应的人权益影响程度和安全保障程度。
38.具体的，所述训练方法包括：
39.获取多个数据样本，所述数据样本是多个个人信息数据，将所述数据样本中的个人敏感信息进行删除，所述敏感信息包括性别、年龄、居所等信息。
40.将多个样本数据分为训练数据集和测试数据集，依次将训练数据集中的样本数据输入到卷积神经网络中，并根据计算结果进行参数调整。
41.完成后输入测试数据集，若所述测试数据集的计算结果符合结果要求，完成所述ai模型训练，否则从新设置样本进行重复训练。
42.调用训练完成的预训练ai模型，输入所述人信息数据和数据处理类型得到所述个人信息数据对应的个人权益影响程度，以及所述个人权益影响程度对应的安全保障程度。
43.本技术中，所述不同ai模型的样本数据相同，关键在于，所述卷积神经网络对特征的抽取，通过设置参数，使得最终的计算结果符合相应的结果。
44.请参照图1所示，s103调用第三ai模型，并输入所述个人权益影响程度和安全保障程度的数据，确定个人信息的风险级别，并根据所述风险等级发出风险预警信息。
45.当用户的数据处理类型确定后，即可根据所述数据处理的具体操作，进行权益影响程度分析。
46.具体的，所述个人信息数据的处理，首先判断所述个人信息数据的处理是否符合法律法规，若否则可以判定所述个人信息处理是严重影响个人的权益的。若是，则进行下一步操作。
47.图2是本技术中个人信息数据处理的权益影响程度确定流程图。
48.请参照图2所示，s201确定所述数据处理类型的权益影响类别。
49.任何一个个人信息数据的处理，分别可以有以下结果，包括：权益不受影响、权益
受到影响，严重影响权益。
50.在获取到所述权益影响类别后，分别为每个权益影响类别确定权益影响的结果，这些结果和所述权益影响类别具有一一对应的关系。
51.s201确定权益影响程度。
52.具体的，首先判断所述权益影响类别的数目；基于所述权益响应的数目，判断是否有权益影响类型是权益受到影响或者严重影响权益的结果，若否则判断为权益影响第，若是则可以进行权益影响程度的确定。
53.例如：
54.一条个人信息数据s，其对应的数据处理类型是a，则可以确定所述a的权益影响数目是n。
55.设权益影响程度是d，则d可以用如下公式表示：
56.dfn(a1*a2*a3*...*an)
57.其中f是根据权益影响的结果确定的参数，每个数据处理类型是a所述对应的f可以相同，也可以不同。所述a是每个权益影响类别的基数，是预先设置的，所述n是权益影响类别的个数。优选的，所述n＜4。
58.所述风险级别根据所述个人权益影响程度和安全保障程度中的参数确定。所述每个权益影响类别对应有相应的权益保障程度，所述权益保障程度是预设的。
59.针对每一条所述权益影响类别，所述权益保障程度若无则参数取1，若有则取0。设所述权益保障的参数为k，则：
60.d＝k
nfn
(ai*a2*a3*...*an)
61.需要清楚的是，所述k和f针对每一条权益响应类型是不同的，因此应当将上述公式中的每个a相乘与其对应的k和f后再次相乘，其中，若有ankf＝0,则将所述ankf赋值为1参与计算。
62.当确定了d后，即可根据所述d在风险范围表中的位置确定预设等级，并根据所述预设等级发出风险预警信息。优选的，所述预设等级为三级，包括：未发现风险、风险或严重风险，所述预警信息包括：弹窗、禁止操作、以及光信号或声信号。
63.具体的，根据所述权益影响程度进行风险等级判定，通过调用第三ai模型进行计算。
64.具体的，调用所述第三ai模型，输入所述d数据，获得风险等级。
65.所述第三ai模型是卷积神经网络训练而成的，该卷积升神经网络具有三个卷积层，其训练方法是：
66.将d数据集合分为训练集和测试集；
67.首先将训练集数据数据输入到第一卷积层，根据所述第一卷积层的第一输出结果，对第二卷积层进行参数调整，并输入所述第一输出数据。
68.根据所述第二卷积层输出的第二输出数据进行第三卷积层的调整，并输出第三输出数据。
69.根据所述第三输出数据调整第一卷积层参数，完成卷积神经网络的训练。输入测试集数据，判断结果是否符合预期，若是则完成训练，若否则重新开始训练，知道测试集结果符合预期。
70.本技术还提供一种个人信息风险预警装置，包括：接收模块301、确定模块302和判断模块303。
71.图3是本技术中个人信息风险预警装置示意图。
72.请参照图3所示，接收模块301，用于获取用户的个人信息数据与所述个人信息数据对应的数据处理类型。
73.所示个人信息数据是用户在使用某一产品时提供的个人信息，所述个人信息具有多个类别，所述类别包括：身份信息、职业信息、地址信息，关系图信息等。所述类别中还可以分为多个小类，例如身份信息，可以包括年龄信息，性别信息、学历信息等；所述职业信息可以包括：职业类别信息，从业经历信息、薪资信息等，所述地址信息可以包括住址信息、户籍信息等。
74.所述不同类别的个人信息，可以进行不同的数据信息处理，其中每一种信息类别的处理，对导致对个人权益的影响是不同的。所述数据处理类型包括：数据的获取、使用和传播。
75.在本技术中，每个种类的个人信息，与所述信息处理类型具有映射关系，因此当获取到所述个人信息数据后，根据所述映射关系可以同时确定所述个人信息数据的数据处理类型。所述个人信息数据可以进行用户画像、需求分析、兴趣分析等各种应用，每一种应用对应的数据处理类型也不相同。
76.因此，本技术所述个人信息数据的数据处理类型，可以根据数据的类型和数据的应用具体进行设置，在此不再赘述。
77.请参照图3所示，确定模块302，用于根据所述数据处理类型确定所述个人信息数据对应的个人权益影响程度，以及所述个人权益影响程度对应的安全保障程度。
78.所述权益影响程度是根据数据处理类型确定的，因此在确定数据处理类型后，可以确定所述数据处理类型的权益影响程度和安全保障程度。
79.请参照图3所示，判断模块303，用于根据所述个人权益影响程度和安全保障程度确定个人信息的风险级别，并根据所述风险等级发出风险预警信息。
80.当用户的数据处理类型确定后，即可根据所述数据处理的具体操作，进行权益影响程度分析。
81.具体的，所述个人信息数据的处理，首先判断所述个人信息数据的处理是否符合法律法规，若否则可以判定所述个人信息处理是严重影响个人的权益的。若是，则进行下一步操作。
82.请参照图2所示，s201确定所述数据处理类型的权益影响类别。
83.任何一个个人信息数据的处理，分别可以有以下结果，包括：权益不受影响、权益受到影响，严重影响权益。
84.在获取到所述权益影响类别后，分别为每个权益影响类别确定权益影响的结果，这些结果和所述权益影响类别具有一一对应的关系。
85.s201确定权益影响程度。
86.具体的，首先判断所述权益影响类别的数目；基于所述权益响应的数目，判断是否有权益影响类型是权益受到影响或者严重影响权益的结果，若否则判断为权益影响第，若是则可以进行权益影响程度的确定。
87.例如：
88.一条个人信息数据s，其对应的数据处理类型是a，则可以确定所述a的权益影响数目是n。
89.设权益影响程度是d，则d可以用如下公式表示：
90.d＝fn(a1*a2*a3*...*an)
91.其中f是根据权益影响的结果确定的参数，每个数据处理类型是a所述对应的f可以相同，也可以不同。所述a是每个权益影响类别的基数，是预先设置的，所述n是权益影响类别的个数。优选的，所述n＜4。
92.所述风险级别根据所述个人权益影响程度和安全保障程度中的参数确定。所述每个权益影响类别对应有相应的权益保障程度，所述权益保障程度是预设的。
93.针对每一条所述权益影响类别，所述权益保障程度若无则参数取1，若有则取0。设所述权益保障的参数为k，则：
94.d＝k
nfn
(a1*a2*a3*...an)
95.需要清楚的是，所述k和f针对每一条权益响应类型是不同的，因此应当将上述公式中的每个a相乘与其对应的k和f后再次相乘，其中，若有ankf＝0,则将所述ankf赋值为1参与计算。
96.当确定了d后，即可根据所述d在风险范围表中的位置确定预设等级，并根据所述预设等级发出风险预警信息。优选的，所述预设等级为三级，包括：未发现风险、风险或严重风险，所述预警信息包括：弹窗、禁止操作、以及光信号或声信号。