SRIM方案：面向隐私照片共享用户的印象管理方案---网络安全研究文章

工程4（2018）85研究网络安全-文章SRIM方案：一种面向隐私敏感照片共享用户的印象管理方案李丰华a，b，孙哲a，b，牛本a，刘云川a，郭云川a，刘子文a，ba中国科学院信息工程研究所信息安全国家重点实验室，北京100093b中国科学院大学网络安全学院，北京100049阿提奇莱因福奥文章历史记录：2017年12月8日收到2017年12月23日修订2017年12月27日接受在线提供2018年保留字：印象管理关系隐私照片共享政策建议A B S T R A C T随着在线社交网络（OSN）和现代智能手机的发展，与朋友分享照片已经成为最流行的社交活动之一。由于人们通常更喜欢给别人一个积极的印象，在照片分享过程中的印象管理变得越来越重要。然而，大多数现有的隐私感知解决方案具有两个主要缺点：①用户必须手动决定是否与其他人共享每张照片，以建立期望的印象;以及②用户在照片共享过程中泄露集体照片中的敏感关系信息的风险很高在本文中，我们提出了一个社会关系印象管理（SRIM）计划，以保护关系隐私，并自动推荐一个适当的照片共享政策给用户。更具体地说，我们设计了一个轻量级的人脸距离测量，通过依赖于照片元数据和人脸检测结果来计算组照片中用户人脸之间的距离这些距离，然后转换成关系，使用化学。此外，我们提出了一个关系印象评估算法来评估和管理关系印象。我们开发了一个原型，并雇用了21名志愿者以验证SRIM方案的功能。评估结果表明，我们提出的计划的有效性和效率。©2018 The Bottoms.由爱思唯尔有限公司代表中国工程院和高等教育出版社有限公司出版。这是一个在CC BY-NC-ND许可下的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）中找到。1. 介绍在线社交网络（OSN）和移动设备的快速发展加速了在线照片共享平台（PSP）的普及。通过集成摄像头的智能手机，用户可以随时随地拍摄照片，然后通过微信，Facebook或Flickr等PSP分享。他们还可以立即（或稍后）查看朋友或陌生人发布的照片，并对其进行评论。但是，共享的照片可能包含敏感信息，这些信息可用于推断用户的隐私信息。一般来说，共享的照片总是有三种信息[1]：内容信息（可用于推断“谁”，“什么”等），简档信息（即，诸如“何时”、“何地”等的元数据），以及关系信息（即，用户之间的隐含关系，尤其是在组照片中）。例如，考虑一个典型的场景，其中爱丽丝很兴奋，*通讯作者。电子邮件地址：niuben@iie.ac.cn（B. Niu）。除了她的父母，每个人都知道她的感受。然而，考虑到照片内容的不可分割性和隐含关系的相关性，当Alice和她的朋友与其他人共享照片时，可能会暴露出不期望的信息。从这个角度来看，爱丽丝应该仔细考虑与鲍勃的合影（即使是那些包括其他人的合影），然后再把它们发布到PSP上。否则，有关Alice的内容、简档和关系信息可能会泄露给不受欢迎的用户。在心理学中，改善或保持给人的印象被称为“印象管理”;这里，Alice通过故意不向她的父母透露她与Bob的关系来执行印象管理。印象管理包括避免在不必要的情况下对印象进行重大更改，因此会受到PSP中照片共享期间隐私泄露问题的影响。许多研究揭示了印象人的重要性已经提出了许多专注于每个单独步骤的方法，例如图像识别方法[2https://doi.org/10.1016/j.eng.2018.02.0032095-8099/©2018 THE COMEORS.由爱思唯尔有限公司代表中国工程院和高等教育出版社有限公司出版。这是一篇基于CC BY-NC-ND许可证的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。可在ScienceDirect上获得目录列表工程杂志主页：www.elsevier.com/locate/eng86F. Li等/ Engineering 4（2018）85[1、5、6]。据我们所知，这些研究中没有一项能够以方便用户的方式解决这个问题Besmer和Lipford[7]报告说，对照片政策的担忧是由Klemperer等人[8]还利用照片标签来控制PSP中的用户访问，并允许用户使用关键字和标题来直观地创建和维护访问控制策略。然而，这些方案将共享决策的负担Hoyle等人[9]从“生活日志”中收集了14477张照片现有的工作在这一领域的共同问题是，这样的计划很少全面考虑的内容，配置文件和关系信息-特别是敏感的信息暗示的照片-共享它们之前。本文设计了一个社会关系印象管理（SRIM）方案来改善PSP中用户的关系印象。我们的SRIM方案不仅可以防止社交关系被泄露，而且还可以自动推荐合适的共享策略。基于照片元数据和人脸检测结果，我们首先设计了一个轻量级的人脸距离测量，计算距离并将它们转换为关系。然后，我们提出了一个关系印象评估算法来评估和管理关系印象。本文的主要贡献如下：我们提出了一个轻量级的人脸距离测量方法来量化组照片中出现的每对用户之间的距离基于语义学理论，我们将这些面子距离转化为关系强度。我们确定了影响用户印象的重要因素，包括团体照片中的人脸距离和信任系数朋友们考虑到这些因素，我们设计了一个关系印象评估算法来测量和管理关系印象。我们开发了一个SRIM原型来实现我们的想法。评估结果表明，我们的算法可以有效地实现我们的目标，并揭示了SRIM方案如何提高关系隐私和改善印象。本文的其余部分组织如下：第2节介绍了相关工作，第3节介绍了本文的一些要点。在第四节中，我们提出了人脸距离测量和关系印象评估算法。第5节提供了我们开发的SRIM原型的一些评估结果。最后，我们将在第6节中结束我们的工作。2. 相关工作随着大量照片在PSP上共享，照片中隐含的敏感信息正在被泄露，特别是在团体照片中。在这里，我们回顾了与印象管理相关的两个主要步骤的现有工作：化学测量[10-2.1. 近距离测量大多数现有的计划试图解决化学问题的两种方式。第一种方法是基于姿态检测技术。Yang和Ramanan[10]描述了一种基于部件模型的新颖表示的静态图像中的人体姿势估计方法。他们发现，同现和空间关系是树结构，因此可以有效地捕获关系基于这项工作，Yang等人[11]进一步提出了图像处理，以使用姿势，图像结构和“触摸代码”的特征来构建社会关系分类模型他们确定了六种特定的触摸代码，如手-手、肩-肩、手-肩、手-肘、肘-肩和手-躯干。然后，他们用这些姿势来分类用户第二种方法是基于位置预测技术。Fathi等人[12]提出了一种用于检测和识别社交事件中的社交互动的方法。他们估计并计算了每一张脸的视线然后，他们通过使用个人的角色和位置来检测和识别随着时间的推移的社会互动Chakraborty等人[13]试图将二维（2D）图像中的人/脸他们利用空间和结构特征来预测用户之间的距离，使用支持向量机（SVM）分类器，其准确率达到76.4%。与以前的工作不同，我们建议使用一个轻量级的测量，以减少计算使用相机成像理论。2.2. 政策建议Squicciarini等人[19]设计了一个推荐系统来帮助用户制定分享策略。该系统使用视觉内容和元数据对照片进行分类，然后基于历史策略为每个类别的照片建议策略凯拉姆等人[20]设计了一个首先考虑美学因素的政策推荐系统结合共享行为和内容特征等因素，该系统能够满足受访者的需求Ni等人[21]对Twitter和Instagram上的用户访问控制使用情况进行了大规模实证研究研究表明，共享政策的变化受到全球事件和节日的影响。根据这一趋势，他们设计了一个推荐系统，自动为用户分配访问控制设置。然而，这些推荐系统忽略了关系信息。在我们的工作中，我们提供了一个解决这个问题的方法，通过仔细结合化学测量与印象管理。3. 预赛在这一部分中，我们介绍了本文所采用的一些基本概念，然后介绍了我们的计划的动机和基本思想。3.1. 基本概念在本节中，我们将讨论社交互动中照片分享所涉及的两个心理学概念：印象管理和社交网络。印象管理最早由欧文·戈夫曼（Erving Goffman）于1959年提出，它被定义为人们通过调节和控制社交互动中的信息来执行印象管理，例如通过在OSN中共享团体照片在这里，我们专注于提供一个自动或半自动的工具，允许用户控制其他人如何查看他们的照片。由于集体照片中描绘的关系在一定程度上反映了用户近位学是研究人口密度对行为、沟通和社会互动的影响霍尔[23]将化学定义为●●●F. Li等/ Engineering 4（2018）8587表1化学中的人际距离人际距离（相位）距离注意到亲密接触（I-C）15cm或更小留给亲密的朋友、爱人、孩子和亲密的家庭成员亲密远距离（I-F）15个人关闭（P-C）46用于与朋友对话、与同事聊天以及在组个人远距离（P-F）76社交亲密（S-C）122为陌生人、新成立的团体和新认识的人社会远（S-F）213公开关闭（Pu-C）366用于演讲，讲座和戏剧公共远（Pu-F）762 cm或以上人类对空间的利用是对文化的一种专门化的阐述。”如表1所示，我们使用了化学中提出的人际距离阈值来识别关系类型。3.2. 意见和基本想法我们的工作源于日常生活中的两个观察观察结果一：每个人在社交网络中扮演着不同的角色，并负责各种社交活动。例如，如果孩子和父母之间没有共同的兴趣，那么孩子和父母之间的关系被归类为“伙伴”;但是，当孩子和有共同兴趣的朋友在一起时，他们的一般来说，不同社交圈的人对印象管理的偏好不同因为即使是你最好的朋友也可能不知道你的一切，亲密程度不足以评估朋友之间的关系观察二：社会关系是社会活动的重要组成部分它们是我们所有人都认为理所当然的东西：用户不断巩固他们的社会关系的积极印象，并压制消极印象。Hoyle等人[9]收集了14477张偷拍照片，并获得了1015张照片的详细分享原因。根据这项研究，印象管理是影响OSN中用户照片共享策略的最重要因素。在印象管理中，两个或多个人共同出现在一张照片中是很常见的然而，目前的PSP，如Facebook或微信，无法提供成熟的印象管理工具。尽管已经进行了许多关于印象管理的研究[7，8，24，25]，但大多数研究仅关注直接信息（例如，内容[7，24]或配置文件[25]信息）。仍然迫切需要一种社会关系印象管理工具。为了解决上述问题，我们提出了一个SRIM该方案为用户提供了管理其关系印象的工具，并有效地减轻了用户在社交网络活动中我们设计了一个策略推荐框架，它包括一个面距离测量方法，语义学，和关系印象评估。首先，我们使用人脸检测和照片元数据计算用户脸部之间的实际物理距离。基于语义学的理论，我们用这些距离来估计关系的亲密度。朋友收到的所有共享组照片有助于形成用户社交关系的印象如果这个印象发生了巨大的变化，这表明用户的印象管理可能出现了否则，如果一张照片将顺利增强用户的期望关系印象，它将被推荐发布到一个特定的组。4. SRIM方案在本节中，我们将介绍我们的SRIM方案。接下来，我们提出面部距离测量来计算距离用户之间的照片。然后，我们提出了一个关系印象评估算法来管理关系印象。最后，我们讨论实施问题。4.1. 系统概述根据用户的历史共享行为，我们的SRIM方案提供建议和警告;例如，它可能会建议适当的（实施细节见第4.4节。）如图 1.当上传新的合影时，首先检测并识别人脸。如果照片中有两个以上的用户，则通过面部距离测量来测量每对用户之间的距离。然后使用近似阈值对关系类型进行分类。如果分类结果从未出现在某人此外，我们提出了一个关系印象评估算法来分析每个剩余用户一组推荐接收者和一组非推荐接收者）。最后，在做出共享决定之后，使用照片中的新距离来更新历史记录。4.2. 面距测量已经提出了许多方法来测量团体照片中的社会关系，包括基于姿势的测量[11]和基于距离的测量[13]。在基于姿态的测量中，姿态和联合出现位置是对用户关系的定性分析。关系的变化很难量化使用这种测量，所以它不能用来检测异常的关系变化在我们的计划。现有的基于距离的测量是一种计算消耗的方法，其使用机器学习和图像处理技术来量化用户这些方法高度依赖于训练数据。与大多数现有的测量方法相比，我们的计划使用一个轻量级的脸距离测量测量组照片中的用户之间的距离。该方法基于摄像机的成像原理，利用数学阈值来识别用户它充分利用了摄像机的多条内部信息，具有精度高、计算量小的特点。为了提供在同一张照片中显示的用户之间的面部距离，我们的方案使用面部检测和来自照片的可交换图像文件（EXIF）元数据的35mm大多数现代数码相机将焦距改为35 mm等效焦距，并使用35mm 胶 片 来 成 像 数 码 照 片 ， 而 不 是 使 用 一 般 的 电 荷 耦 合 器 件（CCD）。因此，很容易将照片中任意两点之间的距离换算成35毫米胶片的比例(36宽24 mm，高24 mm）。当新用户创建帐户时，他们需要上传一张或多张面部照片我们鼓励用户提供他们脸部的宽度值，因为我们的88F. Li等/ Engineering 4（2018）85¼¼¼¼Fig. 1. 我们的SRIM计划流程图。L：两个用户的面部之间的距离方法是基于用户的脸的宽度。如果用户没有输入他们的脸宽，我们使用默认值14厘米。(This默认值仍然会产生可接受的结果，如5.1节所述。）我们的方法简化了典型相机的成像系统，如图2所示。参数w1和w2分别表示用户1和用户2的物理脸部宽度参数l1h21/4l2d1=f; 摄影投影和垂直定位投影之间的差 h3 可以计算为：h31/3d2-d1=f;h1 和h4等于面宽的一半，分别可以描述为h1w1=2和h4w2=因此，Eq. （1）可以改写如下：s。ffiffiffiwffiffiffiffi1ffiffiffiffiffiffiffiffiwffiffiffiffi2ffiffiΣffiffiffi2ffiffiffiffiffiffiffiffi2ffiffiffiffiffiffiffiffiΣffiffiwffiffiffiffi1ffiffiffiþffiffiffiffiffiwffiffiffiffi2ffiffiffiffiffiffiffiffiðffiffilffi2ffiffiffi-ffiffiffiffiffilffi3ffiffiÞffiffiwffiffiffiffi1ffiffiffiffiffiffiffiffilffi3ffiffiffiwffiffiffi2ffiffiffiΣffiffi2ffiffi和14表示照片中用户1和用户2的脸宽，分别参数l2表示照片中用户1和用户2的脸部之间的距离，并且l3表示照片中用户1和用户2的脸部之间的距离。l1-l4·f2件1件4件ð2Þ在照片中的用户2的面部（较远的一个）和照片的中心点之间。参数f表示相机的焦距。然后我们可以分别获得从相机到用户1和用户2的距离，分别表示为d1fw1=l1和d2fw2=l4.两个用户之间的距离面L计算如下：4.3. 关系印象评价算法我们首先从现实生活中介绍印象形成的两个基本现象。一个现象是，印象不是仅基于来自一个人的信息而形成的。启发通过这一点，我们的评估算法不仅考虑了共享L<$qd2-d12h1 h 2 h3h42ð1Þ所有者发布的照片，还有利益相关者（即， 除了主人之外，还出现在集体照片中的人的其中h2是用户1和用户20之间的面部距离，并且用户20是用户2在距相机距离dl处的表面上的摄影投影，使得面部距离可以表示为图二.面部距离测量。第二个现象是，印象不是几张照片就能形成的，而是日积月累的。直觉上，如果共享照片中的关系印象是足够的和稳定的，这种印象的变化更有可能被接收者评估。例如，让我们重温一下爱丽丝和鲍勃的故事卡罗尔是一名教师，爱丽丝想给卡罗尔留下一个好印象如图图3（a）中，在PSP中示出了Alice和Bob的不同照片集。我们将Alice发送给Carol的照片集表示为Dx，Bob发送给Carol的照片集表示为Dy，Bob发送给Alice的照片集表示为Dz。图3（b）描绘了爱丽丝如何评估她在卡罗尔心中的印象。(1) Alice想给Carol一个关系印象，这是由Alice上传的照片D x形成的(2) Carol(3) 然而，Alice不知道Bob向Carol展示的照片集Dy。她只能用Bob给Alice看的照片集Dz来一般来说，我们的模型包括三个角色：所有者（即，拥有照片的人，例如，爱丽丝），利益相关者（即，那些在集体照中同时出现的人，例如，Bob），以及接收者（即，接收照片的人，例如，Carol）。我们将这些F. Li等/ Engineering 4（2018）8589G;so;sPo;sP关系k1;k;j1; 2;.. . ; 8万8千;sjo;sj图3.第三章。关系印象评价模型（a）展示照片集;（b）猜测模型。角色分别为用户o、s和r。然后，我们定义了三种1vu8hq0印象如下：定义1（业主t0o;s¼1-2tj1io;spP关系，io;sP关系ð4Þ... m表示用户o在群组照片中的好友集合。PSP中的每个接收者具有用户o 该集合被描述为I ofi o;1;i o;2;. . ;i o;mg.为了量化关系，我们使用人脸距离的历史概况来初始化用户的关系印象，其被描述为oj为了简化模型的复杂性，我们的模型没有考虑转发对PSP的影响当评估完成时，可以如下确定两个印象之间的差异1uvX8Iinit½ fD o;1; D o;2;.. . ; D o;mg. 参数D o;1¼ fP关系jj 2 f 1; 2;...; 8 gg代表的分布的距离在历史记录，哪里P关系j给出了八个关系更换¼1-2吨 j1i0o0lP关系式-i00存在关联关系ð5Þ化学中的类型这些距离分为八个关系，其中每个关系的概率表示为P关系j 1/4m j=n，j 1/4; 2;. ; 8，其中参数m j表示结果o;s建议;如果更改阈值不推荐;否则ð6Þ关系j的数目，n表示总记录的数目。照片所有者并不是唯一提供导致接收者形成印象的信息的人;照片中的其他利益相关者如果是接收者的朋友，则可以将照片发布给接收者定 义 2 （ 接受 者 的印象）：真实印象定义为I 0 o <$f i 0 o ; 1 ; i 0 o ;2;. . ;i0o;mg/fD0o;1;D0o;2;.. . ;D0o;mg.既然业主不知道木桩的信息-如果持有者与接受者分享，则所有者只能制定其权限范围内的最佳策略定义3（所有者压痕定义为I0o0¼fi0o01;i0o02;. 。 . ;i0o0mg¼fD0o01;D0o02;. . ;在本文中，使用阈值来调整推荐范围。我们为敏感收件人选择了较低的阈值，为正常收件人选择了较高的阈值。多关系照片：一般来说，照片中参与者的数量可能会影响关系印象的产生：照片中出现的参与者越多，接受者感受到的印象强度就越小。例如，给定两张团体照片A和B，并假设A中有两个参与者，B中有20个参与者，即使用户我们假设，收件人将支付大约相等的注意力，以每一组照片。因此，多关系照片中的一个关系（即，至少有三个用户的照片）将只收到一个D0o0; mg.;;接收者注意力的一部分每一种关系都占据着2=原始大小的½nu]，其中nu表示数字因为我们的主要想法是评估从所有者到接收者的关系印象的变化，所以我们制定了评估算法如下：当上传新照片时，我们计算对所有可能的接收者的影响我们将用户o和用户s之间的面部距离表示为Lo，s。一旦用户r从用户o接收到照片l/ho;r;ho;s;Lo;sii，用户o就可以估计新他或她相信的印象C新的印象，i0o0l，描述如下：用户在集体合影。然而，接收者不会对照片中的每个关系给予同等的关注，照片中更接近摄像机时代的用户总是会受到更多的关注。因此，我们测量每个用户与摄像头之间的距离，并使用每对用户来呈现他们的关系印象的强度，如图所示。 四、因此，用户a和用户b的关系的权重可以表示如下：i00l¼t0·D00新轮胎1-t0·i00存在ð3Þ2daabbo;so;so;so;so;s重量a; b¼p-pð7Þ其中i00exist表示现有印象，D00new是共享照片集的新其中添加了新的照片并且删除了最旧的照片），并且t0;s表示用户0和用户r之间的信任系数。显然，I0与I越相似，来自主人的印象就越可信。但是，I0是2Xdj其中p是照片中关系的数量多关系照片中的每个关系的概率可以确定如下：用户o不知道，因此使用I00来计算t0o;s因此，t0大概吧PMJ 关系njk·weighto;s如下所示JNt1/2关系t·权重t.¼j1由海灵格距离计算，海灵格距离定义为90F. Li等/ Engineering 4（2018）85见图4。多关系测量。其中，mj是关系j的分配编号，n是总记录编号。随着照片中用户数量的增加，计算复杂度将是不可接受的：关系的数量以nu阶乘增长，其中nu表示组照片中的用户数量。幸运的是，人类在一瞬间只能记住有限数量的事情例如，对于显示聚会或毕业典礼的照片，接收者只能记住某人作为大团体的成员出席。因此，我们为照片中的用户数量设计了一个阈值：如果图像中有七个或更多人，我们的SRIM方案将图像视为4.4. 执行问题我们已经开发了一个SRIM计划的原型，其中包括四个具体的技术细节。该方案依赖于一个MySQL数据库服务器，用于存储历史共享记录和关系印象信息。(1) 人脸检测和识别：SRIM方案中的功能是通过在线应用程序接口（API）服务Face++实现的。yFace++的脸部侦测功能可定位脸部位置，并记录精确的像素坐标，以供脸部距离测量组件使用。其他识别功能可以识别组照片中的用户，并提供组照片中的用户与PSP中的此外，在Ref。[26]，作者指出，他们的Face++方法的识别率高达91.4%。(2)面部距离测量：我们提出的测量与以前的工作[13]之间的最大差异是计算成本和精度。尽管在参考文献[13]中，作者能够在较少的约束下测量人脸距离，但他们的方法计算成本高且准确度低（组照中为因此，该方法由于其低精度而难以用于诸如关系评估的实际应用，并且由于其高计算成本而难以用于移动设备。然而，在我们的面部距离测量组件中，我们从照片的EXIF元数据中提取35 mm等效焦距，数码相机（如单反（SLR）相机和移动设备）配备了该元数据通过这种方式，在了解相机的基本结构和工作原理的基础上，我们能够使用等式（1）测量具有低误差的人脸距离。（二）、(3) 更新机制：我们设计了一个滑动窗口来选择最近的团体照片（包含两张或更多）用户），以便计算随着时间的推移印象的变化在这项研究中，我们使用50张最近的照片作为滑动窗口;这个滑动窗口可以被其他数量的照片或其他时间段所取代。当现有的历史记录少于要求时，我们使用所有现有的照片来计算。为了模拟遗忘机制，当确认要共享新的集体照片时，更新机制将最旧的照片推出滑动窗口，并用新的照片替换它。通过调整滑动窗口的参数，用户获得他们的关系印象随时间的趋势;该趋势可以用于引导用户期望的印象的发展。(4) 阈值调整：在所有接收者已经被分类为两个组（即，推荐组和非推荐组），生成用于共享策略的推荐。业主通过回复“满意”或“不满意”来向SRIM计划提供反馈当拥有者当分类为“不满意”时我们的SRIM计划将提高业主从推荐组转移到非推荐组的接收者的门槛，并将降低相反情况下的接收者的门槛5. 绩效评估我们使用Stanford SNAP模拟了Facebook的PSP环境。StanfordSNAP包含4039个节点和88234条边。我们邀请了21名志愿者扮演Facebook数据集中的随机节点的角色，以便构建一个小型的真实用户数据集。由于个人照片很难收集，许多现有的方案已经在这种规模的数据集上进行了测试[1，27]。我们还从21名志愿者和他们的朋友那里收集了1000张集体照片;每个受访者的照片都是长期使用他或她的智能手机拍摄的。5.1. 面距测量在这里，我们评估的有效性，面距测量。 由于两个用户之间的连接线与相机轴的不同相对角度可能会影响检测，因此我们在不同的相对角度进行了测试：30°，60°，90°，120°和150°。如图5所示，我们从正面和侧面的相对角度拍摄照片;这些角度在视觉效果方面表现出显着差异。为了验证我们的系统在使用默认面宽时仍然有效，我们使用默认值（14 cm）来测试我们的方法。由表2可知，在不同相对角度下，使用者之间的距离没有明显变化，大部分偏差分布在5随机偏差的一个可能的影响因素是用户转过脸时的身体运动。然而，我们实验中的面距测量偏差大多小于10 cm，这对于化学关系的测量是此外，默认值可以由实际的面宽度替换，以便在高级版本中获得更好的效果。5.2. SRIM计划我们收集的实验数据如下。首先，我们调查了志愿者（共33人）是否意识到集体照片共享中的关系信息泄漏风险的yhttp://www.faceplusplus.com。http://snap.stanford.edu/data.F. Li等/ Engineering 4（2018）8591图五. 不同相对角度的视觉效果。(a)正面位置;（b）侧面位置。表2面距测量试验结果（单位：m）。0.1433名志愿者中有24人回答“是”，这表明这些人认为当他们与其他人出现在同一张照片中时24名受访者中有3人还认识到，照片中用户之间的距离可以用来暗示他们的关系强度。调查结束后，21名志愿者愿意提供合影。我们要求他们提供真实生活中的集体照片，这些照片是按时间顺序展示给他们的朋友的。为了证明SRIM方案的有效性和实用性，我们要求志愿者在我们的然后，我们抽取了13组三个角色（一些志愿者扮演不止一个角色）来体验我们的SRIM。一开始，向志愿者详细解释了程序，如下所示：第一步：所有者和利益相关者分别从他们的团体照片中选择50张照片，以建立他们希望向收件人展示的印象。步骤2：利益相关者选择一组照片并将其显示给所有者。第三步：收件人选择10张测试照片（包括五张与印象相反的照片和五张正常照片）作为收件人的印象，i 0。步骤4：我们使用SRIM方案同时计算并记录系统运行的开销。推荐结果被认为是所有者步骤5：我们比较i00和i0来评估我们的SRIM方案的检测率。5.2.1. 开销与传统的OSN相比，我们提出的SRIM方案增加了两个新的模块：人脸距离测量和关系印象评估。我们独立测量了这两个部分的开销（使用配备Intel Core i7- 3517 U和16 G RAM的ThinkPadT430 u笔记本电脑）。我们从上面的步骤3中选择了130张照片（13组中的10张测试照片）进行处理。所示见图6。 处理照片的开销。图6，每张照片的人脸距离测量阶段平均花费0.0194 ms，关系印象评估阶段花费0.0144 ms。根据以前的工作[28]，每张照片需要330ms才能完成Facebook中的人脸处理，以及额外的传输时间。与传统的OSN相比，我们的SRIM中增加的两个模块的开销可以忽略不计为方便起见，我们按图1中的面距测量开销对结果进行排序。第六章 图6显示，大多数测试照片的分析不超过0.03 ms。此外，在关系印象评价中存在几个尖峰，这是由多关系照片中的关系计算引起的。幸运的是，即使在最坏的情况下，这也不会影响系统效率。5.2.2. 检出率表3报告了成功检测率和错配原因在总共130张测试照片中，真实距离30°60°90°120°150°距离偏差距离偏差距离偏差距离偏差距离偏差1.000.950.050.930.070.960.040.910.090.970.030.701.200.661.120.040.080.591.180.110.020.661.290.04-0.090.751.10-0.050.100.781.06-0.0892F. Li等/ Engineering 4（2018）85表3SRIM方案的检测率。项类型计数试验照片培训照片1000-测试照片130-完全匹配的照片10883.08%不匹配的照片误差假阳性13百分之十假阴性96.92%错配原因利益相关者的巨大差异14百分之十点七七姿势和情绪64.62%其他21.54%我们达到了83.08%的总体准确率。我们发现总共有22张不匹配的照片。 误报占错误的59.09%;在这些情况下，所有者设置了比平常更高的限制阈值。由于利益相关者向所有者和接收者展示了完全不同的照片集，因此利益相关者导致的不匹配照片占总错误的63.64%。所有者并不知道利益相关者发送给接收者的照片;然而，他们利用有限的背景知识尽了最大努力。另一种常见的错误是由照片中的姿势和情绪引起的，这可能会损害接受者的判断力。5.2.3. 直接用户评价在我们的实验中，许多志愿者改变了主意，决定不与他们最初允许分享的收件人分享一些照片。这一发现表明，用户可能不会为个人关系的隐私设置设置限制性阈值;因此，可以准确预测关系印象的系统（如SRIM）将为用户提供可接受的管理水平。实验结束后，大多数志愿者对该项目表示了浓厚的兴趣，并期望在未来的PSP中享受我们的SRIM计划。6. 结论我们提出了一个SRIM方案，半自动地推荐一个共享政策的团体照片，从而帮助用户管理他们的社会关系印象的社会SRIM方案首先使用基于照片元数据和人脸检测结果的轻量级人脸距离测量方法来有效地获得群组照片中用户之间然后，它将获得的距离转换为关系使用数学阈值。接下来，我们设计了一种新的关系印象评估算法相结合的历史共享记录与照片所有者和其他可能的利益相关者收到的共享照片。最后，我们提出了一种照片用户分享策略，其中包括一组推荐用户分享照片，和一组不推荐用户分享照片。仿真结果表明了SRIM方案的有效性和效率。在未来的工作中，我们计划加入姿势和表情的因素，以提高关系印象评估的精度。确认本课题得到了国家重点研发计划（2016YFB0800303）和国家自然科学基金（61672515，U1401251）的资助。遵守道德操守准则Fenghua Li、Zhe Sun、Ben Niu、Yunchuan Guo和Ziwen Liu声明他们没有利益冲突或财务冲突需要披露。引用[1] Hu H，Ahn GJ，Jorgensen J.在线社交网络的多方访问控制：模型和机制。 IEEE跨知识数据 工程2013;25（7）：1614-27。[2] Zerr S，Siersdorfer S，Hare J，Demidova E.隐私感知图像分类和搜索。In ：Proceedings of the 35th International ACM SIGIR Conference on Research andDevelopment in Information Retrieval; 2012 Aug 12p. 35比44[3] Tran L，Kong D，Jin H，Liu J. Privacy-CNH：使用分层特征的卷积神经网络检测照片隐私的框架。在：第三十届AAAI人工智能会议论文集; 2016年2月12日p. 1317-23[4] Tonge AK，Caragea C.使用深度特征进行图像隐私预测。在：第三十届AAAI人工智能会议论文集; 2016年2月12日至17日;美国亚利桑那州凤凰城; 2016年。p.4266-7[5] 徐凯，郭毅，郭玲，方毅，李新.我的隐私我的决定：控制在线社交网络上的照片共享。IEEE Trans Depend Secure Comput 2015;14（2）：199-210.[6] Ilia P，Polakis I，Athanasopoulos E，Maggi F，Ioannians S. Face/off：防止社交网络中照片的隐私泄露。In：Proceedings of the 22nd ACM SIGSAC Conferenceon Computer and Communications Security; 2015 Oct 12p. 35比44[7] Beyond untaging：photo privacy in a taged world.在：SIGCHI计算机系统人为因素会议论文集; 2010年4月10日至15日;亚特兰大，GA，美国; 2010年。p.1563-72年。[8] Klemperer P，Liang Y，Mazurek M，Sleeper M，Ur B，Bauer L，et al.标签，你可以看到它！在照片共享中使用标签进行访问控制。在：SIGCHI计算机系统人为因素会议论文集;2012年5月5日至10日;美国德克萨斯州奥斯汀; 2012年p.377比86[9] [10]杨文，杨文，李文，李文.Sensitive Lifelogs：对可穿戴相机照片的隐私分析在：第33届ACM计算机系统人为因素年会论文集;2015年4月18日至23日;韩国首尔; 2015年p. 1645-8年。[10] 作 者 ： Yang Y ， Ramanan D. 使 用 部 件 的 柔 性 混 合 物 的 关 节 姿 态 估 计 。 In ：Proceedings of the 2011 IEEE Conference on Computer Vision and PatternRecognition; 2011 Jun 20-25; Colorado Springs，CO，USA; 2011.第1385- 1392页。[11] Yang Y，Baker S，Kannan A，Ramanan D.在个人照片中识别化学物质。In：Proceedings of the 2012 IEEE Conference on Computer Vision and PatternRecognition; 2012; Jun 16p. 3522-9[12] Fathi A，Hodgins JK，Bogg JM.社交互动：第一人称视角。In：Proceedings ofthe 2012 IEEE Conference on Computer Vision and Pattern Recognition; 2012Jun 16p. 1226-33。[13] 放大图片创作者：Chakraborty I，Cheng H，Javed O. 3D视觉化学：从单个图像中识 别 3D 中 的 人 类 交 互 。 In ： Proceedings of the 2013 IEEE Conference onComputer Vision and Pattern Recognition; 2013 Jun 23-28; Portland，OR，USA;2013. p. 3406-13[14] 刘B，Gould S，Koller D.从预测的语义标签进行单图像深度估计。In：Proceedingsof the 2010 IEEE Conference on Computer Vision and Pattern Recognition; 2010Jun 13[15] Fesnin A ， Gouet-Brunet V ， Kominen S ， Oria V ， Sun J. Towards a privacypreserving personal photo album manager with semantic分类、索引和查询能力。在：第19届ACM多媒体国际会议论文集; 2011年11月28日至12月1日;斯科茨代尔，亚利桑那州，美国; 2011年。p. 835-6[16] Yang M，Yu Y，Bandara AK，Nuseibeh B.在线社交网络的自适应共享：隐私风险与社会效益之间的权衡。在：2014年IEEE第13届计算和通信中的信任，安全和隐私国际会议论文集; 2014年9月24日至26日;中国北京; 2014年第45-52页。F. Li等/ Engineering 4（2018）8593[17] 彭杰，张毅.一种新的facebook式社交网络访问控制方案。Comput Secur2015;54：44-59.[18] PalomarE，Gonzalez-Manzano L，Alcaide A，Galán M. 为具有共同所有权管理的在线社交网络实现隐私增强的基于属性的凭证系统。IET Inf Secur2016;10（2）：60-8.[19] Squicciarini AC，Lin D，Sundareswaran S，Wede J.内容共享网站上用户上传图像的隐私政策推断。IEEE Trans Knowl Data Eng2015;27（1）：193-206.[20] 凯拉姆S，凯伊J，格拉戈麦斯JA，沙姆马DA。快速决策？用户