[发明专利]基于用户意图的安卓资源权限动态管理系统及其实现方法

权利要求书

1.一种基于用户意图的安卓资源权限动态管理系统，其特征在于，包括四个组件，四个组件分别是：用作获取触摸行为数据的行为采集器，用作抽象手势数据的手势提取器，用作得到合适决策推理模型的模型训练器，以及在权限请求发生时做出关键决策的权限判别器。

2.根据权利要求1所述的基于用户意图的安卓资源权限动态管理系统，其特征在于，所述行为采集器需要设置在安卓设备处；所述行为采集器读取系统内存里的触摸数据，在试验阶段获得触摸数据；行为采集器在权限抽象阶段，进行不同实验下的触摸数据收集，获取到具有权限标签的一组组数据；行为采集器在行为权限匹配阶段，获取到的触摸数据是流式的原始数据，输出给手势提取器抽象和利用。

3.根据权利要求1所述的基于用户意图的安卓资源权限动态管理系统，其特征在于，在手势数据抽象的过程，手势提取器进行手势的提取和手势的分类归纳；手势的提取中，手势提取器使用事件变量ABS_MT_TRACKING_ID追踪每一个手势，其值变为16进制的0xffffffff时表示一次手势会话的终止，完成一次手势的提取；在手势的分类与归纳中，设置5种手势类型，包括四种基本类型和其他，四种基本类型是：点击，长按，滑动，缩放；随后提取的手势数据按照手势的类型和空间时间信息组织，以待后面的训练和预测。

4.根据权利要求1所述的基于用户意图的安卓资源权限动态管理系统，其特征在于，所述决策模型生成器是在权限抽象阶段获取了具有标签的手势数据之后，进行训练得到模型以供后续权限管理来推断的组件；该组件对“相机拍照”，“剪切板读”，“剪切板写”三种权限请求进行各自的模型训练，对具有权限标签的手势数据进行训练集和测试集的划分，再训练和测试使得各模型能够判断手势数据是否和自己对应的权限相符合；各模型训练和测试期间使用支持向量机、随机森林、卷积神经网络的三种方法进行训练和测试；并进行评估实验，比较三种方法的准确率、稳定性和效率，以选取合适的算法模型。

5.根据权利要求1所述的基于用户意图的安卓资源权限动态管理系统，其特征在于，权限判别器用于为系统中的每一次权限请求把关，做出授权与否的决策；在行为权限匹配阶段，权限判别器加载决策模型生成器提供的模型，持续读取着手势提取器提供的数据序列，在应用的权限请求发出时，前向选取多个不同尺寸的操作数据，根据权限请求使用对应权限的模型迅速进行推断，将多个推断结果进行投票，最终决定是否通过本次权限请求。

6.一种基于用户意图的安卓资源权限动态管理系统的实现方法，其特征在于，包括权限抽象阶段和行为权限匹配阶段两个阶段；

在权限抽象阶段，有以下步骤：

步骤101，在不同的移动端上进行不同权限请求的操作，将触摸数据收集起来；在权限抽象阶段获得的触摸数据是有具有事先标注权限类型标签的原始数据；

步骤102，将标记好权限类型的原始数据序列抽象出具有手势类型和时间空间信息的手势数据序列；

步骤103，将得到的手势数据序列进行训练测试；

步骤104，将有标签的手势数据序列进行训练集测试集划分之后，进行多种方式的训练，获得符合精度、稳定性和效率的模型，以待部署到移动设备上使用；

在行为权限匹配阶段，进行如下步骤：

步骤105，获得是用户在操作的过程中的流式数据；

步骤106，持续地将流式数据进行抽象化得到手势序列数据，与权限抽象阶段不同的是，这部分数据将实时地处理获取，但是在手势序列达到设定长度，便可将数据前端过期的数据释放；

步骤107，在移动端，加载步骤104获得的模型，去准备评估上一步骤处理得到的手势序列数据；

步骤108，在应用发生权限请求时，将从此刻向前选取不同尺寸的手势序列数据，进行推断；

步骤109，5次数据推断会得到5次推断结果，根据推断结果的投票，决定最终的授权结果。