[发明专利]基于模糊信任预测和回归分析的医疗数据访问控制系统

说明书

本发明公开了一种基于模糊信任预测和回归分析的医疗数据访问控制模型，由以下部分组成：医疗信息系统数据库HIS‑DB、身份认证及请求处理模块IAM、行为行为预警模块BWM、可信数字证书数据库ATDC‑DB、访问策略模块AP，信任管理中心Trust Management Center，TMC；其中身份认证及请求处理模块IAM，包括执行点REP，身份验证检查点ICP；可信数字证书数据库ATDC‑DB，存放访问信任数字证书ATDC；访问策略模块AP,包括访问策略模块数据库AP‑DB；医疗信息系统数据库HIS‑DB，存放医疗记录MR；所述信任管理中心TMC，包括信任量化、信任评估、信任校正三个功能模块。该模型有效评估医疗大数据访问者的信誉度，减少隐私泄漏和恶意访问。

技术领域

本发明涉及种基于请求用户可信度的访问控制方法，特别是基于模糊信任预测和回归分析的医疗数据访问控制系统。

背景技术

大数据为医疗行业发现新价值带来了新的机遇，医疗信息化进入高速发展时期并积累了海量结构化和非结构化的医疗数据，为提升医疗机构现代化管理水平和诊疗效率发挥了极大的作用，成为医疗活动中必不可少的技术手段。医疗大数据作为大数据的一种，拥有大数据的基本数据特性：大量性、多样性、快速性、价值大数据的应用和发展有利于节约医疗成本、提升医疗服务水平，将对经济、社会、人民生活等各方面产生极大影响，尤其是在临床辅助诊疗、健康管理、精准医疗和传染病监测方面。

然而，在采集、治理和分析这些医疗大数据并发掘和利用其潜在价值的同时，也不可避免的带来了很多隐私泄露问题。

医疗大数据最主要的使用者是医院的医护人员，医护人员主要包括医生、护士、医疗专业人员、药剂师等。随着医疗大数据和医疗信息化的快速发展，大数据背景下的医疗用户信任评估变得更加复杂。同时，医疗数据的专业性和复杂性以及获取医疗知识的昂贵性，使得医患之间存在着天然的不对等关系。拥有专业知识跟技能的医护人员处于天然的强势地位，而作为信息来源者和拥有者的病人却处于弱势地位，只能寄希望于医生能在“最小特权原则”下提供服务，然而随着大数据的发展，这种不对等关系越发严重。

目前现有两种方式来评估医疗大数据访问者的信誉度，以便减少隐私泄漏和恶意访问：

一、动态信任评估：

可以及时的更新用户信誉度，具有很高的时效性，但是这种通过降低用户信誉来打击和威慑恶意访问者的方法均为“事后惩罚”，即用户进行恶意访问所带来的后果只有在下个周期的动态评估后才能体现。“事后惩罚”对于正在进行的恶意行为的用户几乎没有任何影响，在打击恶意行为时效果并不明显。

二、访问控制模型

一般都是采用单值平均量化(信任值、风险值)后与预设的访问控制策略结合进而达到访问控制的目的，但是单一的平均信任值可能不能很好地反映真实的信任状况。例如，如果医生A和医生B的信任值如下：TA＝TB＝0.7(在[0,1]范围内)，那么是否意味着A和B具有相同的信任水平？如果A的信任值正在变差，并积累到0.7，而B的信任值正在变好，也积累到了0.7，这显然是不正确的。因此，在预测即将到来的信任水平方面，B明显优于A，通常采用历史行为进行信任的单值平均量化不能反映真实的信任水平的。

发明内容

针对现有技术中存在的缺陷，本发明的目的在于提供一种基于模糊信任预测和回归分析的医疗数据访问控制系统。本发明利用回归分析将医生历史行为趋势融入信任评估模型当中，并在访问控制模型中加入了预警体系，提出了一种基于模糊信任预测的访问控制模型(fuzzy trust predictive access control model，FTPACM)，很大程度上缓解了单值信任量化带来的弊端，从多个方面提高了模型的性能。

为了实现上述目的，本发明所述的基于模糊信任预测和回归分析的医疗数据访问控制系统由以下部分组成：