基于属性加密的隐私保护与用户行为信任研究

摘要

作为一种新兴的电子医疗技术，WBANs在病情监测中起到重要作用，提高了医疗水平和效率。然而，不同于其他应用，医疗数据具有较高的隐私保护要求。在用户访问的过程中，必须考虑以下三个问题：第一，WBANs存储的医疗数据涉及患者的隐私，用户经密钥授权访问，KP-ABE可以实现细粒度的访问控制，然而，在WBANs资源受限环境下必须解决的是用户属性的动态性及能量消耗问题；第二，随着医疗数据的增加及访问树的复杂化，密文长度增大、加密解密效率降低，外包服务可以减轻本地存储与计算负担，然而，外包服务不完全可信，如何有效利用外包服务的同时增强患者隐私性；第三，对用户行为进行信任评估从动态方面确保医疗数据的安全共享和访问，如何根据用户在访问过程中的历史行为对其作出信任评估，提高预测的准确性。本文就 WBANs医疗数据的访问从静态和动态两个方面围绕 ABE 和用户行为信任评估展开研究，所取得的研究成果主要包括以下三个方面： （1）提出支持用户撤销的ABE算法 针对WBANs资源受限环境用户对医疗数据访问产生的用户撤销及能耗的问题，提出一种支持用户撤销的ABE算法。ABE是一种“一对多”的加密方式，适用于医疗数据细粒度的访问控制。由患者决定访问数据的用户，丰富了访问树的类型。拓展KP-ABE算法，加入用户撤销机制，解决了用户属性动态性问题。算法的理论分析与原型验证结果表明，算法在具备机密性、不可伪造性以及抵御合谋攻击的同时，提高了加密解密效率，节省存储空间，降低能耗。 （2）提出支持安全外包数据ABE算法 针对如何在外包环境保证医疗数据隐私性的问题，提出支持安全外包数据ABE算法。与已有方法相比，具有以下优点：第一，对医疗数据分类，细化了用户访问的数据；第二，将访问树分为两部分管理。拓展CP-ABE算法，分类的数据分别加密。算法的理论分析和原型验证结果表明，与现有算法相比，提出的算法在增强用户访问隐私性、机密性、抵抗合谋攻击和选择性密文攻击的同时，减轻了终端存储和计算负担，提高了加密解密的效率。 （3）提出用户行为信任评估算法 针对开放环境下提高用户行为预测准确性的问题，提出一种用户行为信任动态多维度量算法。本文算法采用集值统计来计算用户行为信任值，与已有方法相比，具有以下优点：第一，证据的收集在用户行为过程中进行，改变了以往对行为结果进行评判的方法；第二，行为数据值由“单点”扩大为值域，反映了行为证据的长期情况，使评估结果不会随着用户某一时刻证据值的变化而产生误差，充分体现数据的意义。对用户的行为数据建立层次模型，反映用户总体可信度与行为数据间的逻辑关系。引入集值统计度量算法计算用户行为预测值，并根据可信级别判定可疑用户。仿真实验结果表明，算法提高了用户行为预测的准确性，降低了异常用户的漏报率及正常用户的误报率。

目录

第一个书签之前