[发明专利]一种平衡共赢的数据资产定价机制

摘要

本发明提出了一种平衡共赢的数据资产定价机制，定价是数据资产交易与共享的基础。公平合理的数据资产价格不仅取决于数据资产价值，还取决于数据资产交易和共享的参与双方的博弈结果。本文根据已有的平衡定价机制和Nash议价机制，从数据资产供应链的视角提出了一个平衡共赢定价机制。首先围绕数据资产的个性化隐私和多级权限等特点,我们在元组粒度级别上分析影响数据资产价格的因素。然后我们根据这些价格相关因素研究数据资产的价格。最后我们通过Nash议价机制获得各个阶段的数据资产价格。实验结果表明，B2WPM能够反映数据资产个性化隐私和多级权限等特点，具有较高的利润绩效，并且基于该定价机制共享的数据是高可用性的。

主权项

1.一种平衡共赢的数据资产定价机制，其特征在于如下：/nA数据资产价格评估Data asset price assessment/n古典经济学以及马克思主义经济学认为价格是价值的外在体现；现代市场经济学认为价格是由市场调节决定的；事实上，这两种说法辩证地存在，即价值和市场调节共同在影响价格的制定；本章重点介绍价值如何影响数据资产价格，而把关于市场调节的内容放到第三部分；为了可靠的计量数据资产的价格，我们先介绍一些关于价格评估的标准设定；/n1)标准设定standard setting/n标准是衡量事物优劣的基准，在不同的应用场景中被赋予了不同的涵义；所有的标准设定方法,尽管其很详尽、系统化,仍不能脱离人的主观判断；从这个意义上看，标准并不能完全客观的设定，只能一定程度反应客观事实；在本文，我们讨论了价值量、隐私损失等级和权限开放等级三类标准设定；隐私损失等级越大代表隐私损失越大；权限开放等级越大则表示权限损失越大；/n隐私损失容忍度指的是数据所有者能接受的最大隐私损失量；注意，隐私损失容忍度不同于隐私损失；比如，John的隐私损失容忍度为0.3；数据需求方对数据的隐私损失要求为0.2(或者任意小于等于0.3的值)；那么，系统在提供数据时将纳入John的数据，并按0.2对数据进行加噪；当然，隐私损失补偿也会按照0.2来计算，因为实际的隐私损失是0.2；反之，如果数据需求方对数据的隐私损失要求为0.4(或者任意大于0.3的值)；那么，系统在提供数据时将不纳入John的数据，因为John不能接受比0.3大的隐私损失并且系统必须满足John的隐私保护需求；/n2)属性选择Attribute selection/n影响数据资产价格的因素有许多，比如成本、质量、时效、可信度、数量等；所以几乎不可能设计出一个覆盖所有价格相关因素的定价机制；为了通用地、合理地定价数据资产，我们研究了多种典型数据资产的定价策略；这包括数字媒体(图像、音频、视频)、知识产权和软件即服务产品的定价策略；在此基础上，我们选出了成本、数据质量、数据权威度、隐私损失和权限等级五个主要属性用于评估数据资产的价格；/n·成本cost/n成本是指卖方生产数据资产的各种成本，由固定成本和边际成本构成；固定成本指一个组织或企业收集、整合和加工数据，然后形成第一个中间数据产品或最终数据产品的成本；边际成本指每新增一个单位的数据产品所增加的成本；由于数据资产具有数量大的特性，其固定成本相对很小；因此在估计数据资产的成本时，常常指边际成本；/n·数据质量Data Quality/n数据质量是保障数据分析结论有效和准确的基础；狭义的数据质量包括数据的准确性、及时性、完整性和一致性；数据的准确性指数据是否有错误；及时性指数据的最新程度；完整性指数据内容的完整程度；一致性指数据是否以相同的格式呈现；广义的数据质量还包括数据整体的有效性，例如，数据整体是否是可信的、数据的取样是否合理等；狭义的数据质量针对的是数据原生属性值的质量，而广义的数据质量更倾向于数据的信息质量；数据质量越好意味着数据可用性越高，因此数据资产价格和数据质量成正相关关系；/n·数据权威度data authority/n在《新现代汉语词典》中，对于权威的解释是：(1)使人信从的力量和威望；(2)是在某种范围里最有地位的人或事物；权威强调的是某个人、某种组织或某种思想体系被社会所认可、信任并自愿支持；数据权威度来源于微博用户权威度，指数据在数据市场中的影响力和社会对其信服的程度；/n数据权威度由数据影响力和数据可信度两部分组成；数据影响力指数据对数据市场的作用程度及数据被传播的程度；关于数据影响力的定量评价方法有很多，如影响因子，H指数和自引率等；数据可信度指数据被公众信任和支持的程度；数据可信度与数据监管平台的可靠性、数据提供者的素质有关，比如权威机构或信用良好的用户提供的数据可信度一般较高；/n数据权威度反映的是公众对于数据的评价和认可程度，对数据资产价格具有正向影响作用；/n·隐私损失privacy loss/nCHAO Li&Rachana Nget等人指出分析数据信息会损害数据所有者的隐私，数据买方必须为此付费并且数据所有者应该因失去数据隐私而获得补偿；在本文中，数据所有者需要设置自己的隐私损失容忍度；买方选择需要的隐私损失，并根据系统检测的实际隐私损失支付相应的补偿价格；卖方和买方通过选择隐私损失等级可以控制自己的收益和支出；/n数据资产交易中可能存在隐私的套利；比如，一个精明商家想获取“John是否有糖尿病”的数据信息(标记为info 1)；假设他已经知道John是第100号糖药病检查者，那么他就可以通过同时购买数据信息“医院前99名糖药病检查者的患病人数”(标记为info 2)和数据信息“前100名糖药病检查者的患病人数”(标记为info 3)来得知答案；这个例子中，info2和info 3的隐私含量极低，相应的价格也极低(价格分别为1美元和2美元)；但info 1的隐私含量却极高，相应的该数据信息价格也极高(价格为100美元)；这样一来，这个精明商家应该花100美元才能搞定的事情现在用3美元就完成了；套利交易会侵犯数据所有者的隐私，损害卖方潜在收益；因此，合理的隐私补偿机制一定是无套利的；/n我们从推测糖尿病患者的例子中发现，正是数据中的细小差异导致了潜在的隐私泄露和提供了隐私套利的条件；差分隐私(Differential Privacy)是一种安全计算方法，不仅可以保证对手无法从部分数据信息中了解到关于整个数据的有用信息，还可以确保对手对具体数据所有者一无所知；/nDefinition 1:(ε-DifferentialPrivacy)A randomized algorithm M:D→Rsatisfies ε-DifferentialPrivacy(orε-DP)if for every pair of neighboringdatasets x,y∈D where x and y differs by only one record,and for any set O