一种隐私保护方法及装置、移动终端与流程

本发明涉及信息安全技术领域，特别是涉及一种隐私保护方法及装置、移动终端。

背景技术：

在信息时代，随着信息量的加大，财产信息、隐私信息等个人信息的安全性逐渐成为人们关注的问题。由于手机等移动智能终端已经成为人们生活的必需品，而其往往会保存用户大量的个人信息，例如，银行账户信息、隐私照片等等。一旦移动终端丢失，用户的个人信息就可能存在泄露的风险，尤其是用户的财产信息和隐私信息等将受到极大的挑战，给用户带来极大的不变。

技术实现要素：

本发明实施例提供一种隐私保护方法及装置、移动终端，以解决用户终端被他人使用所带来的个人信息等泄露的技术问题。

本发明提供一种隐私保护方法，其包括：

获取预设时间内每个应用程序的使用时长；

根据预设转换规则将所述使用时长生成系数向量；

判断所述系数向量与系数矩阵是否满足预设关系，其中所述系数矩阵为根据用户使用每个所述应用程序的历史使用时长数据生成的矩阵；

若所述系数向量与所述系数矩阵满足所述预设关系，则进入隐私保护模式。

本发明还提供一种隐私保护装置，其包括：

获取单元，用于获取预设时间内每个应用程序的使用时长；

转换单元，用于根据预设转换规则将所述使用时长生成系数向量；

判断单元，用于判断所述系数向量与系数矩阵是否满足预设关系，其中所述系数矩阵为根据用户使用每个所述应用程序的历史使用时长数据生成的矩阵；

隐私保护单元，用于若所述系数向量与所述系数矩阵满足所述预设关系，则进入隐私保护模式。

本发明又提供一种移动终端，其包括：

存储有可执行程序代码的存储器；

与所述存储器耦合的处理器；

所述处理器调用所述存储器中存储的所述可执行程序代码，执行本发明提供的任一种隐私保护方法。

本发明提供一种隐私保护方法及装置、移动终端。该隐私保护方法通过获取预设时间内每个应用程序的使用时长；根据预设转换规则将所述使用时长生成系数向量；判断所述系数向量与系数矩阵是否满足预设关系，其中所述系数矩阵为根据用户使用每个所述应用程序的历史使用时长数据生成的矩阵；若所述系数向量与所述系数矩阵满足所述预设关系，则进入隐私保护模式。该方法利用当前用户使用每个应用程序的使用时长来判断是否为机主本人，当判断出当前用户不是机主本人时，终端进入隐私保护模式，从而保护机主本人的个人信息的安全性，尤其是在终端丢失的情况下，可以在预设时间后使终端进入隐私保护模式，避免机主本人的个人信息长时间暴漏给他人。

附图说明

图1为本发明优选实施例中隐私保护方法的流程图。

图2为本发明优选实施例中隐私保护方法的又一流程图。

图3为本发明优选实施例中隐私保护装置的结构示意图。

图4为本发明优选实施例中隐私保护装置的另一结构示意图。

图5为本发明优选实施例中隐私保护装置的又一结构示意图。

图6为本发明的移动终端的结构示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明中的术语“第一”、“第二”等可在本文中用于描述各种元件，但这些元件不受这些术语限制。这些术语仅用于将第一个元件与另一个元件区分。例如，在不脱离本发明的范围的情况下，可以将第一控件称为第二控件，且类似地，可将第二控件称为第一控件。第一控件与第二控件两者都是控件，但其不是同一控件。此外，术语“包括”和“具有”以及它们任何变形，意图在于覆盖不排他的包含。

请参照图1，图1为本发明优选实施例中隐私保护方法的流程图。该隐私保护方法可以应用于个人计算机、手持式或膝上型设备、移动电话、个人数字助理(PDA)等电子设备上，在此不做具体限制。

下面对本优选实施例中的隐私保护方法做详细地说明。

一般来说，不同用户在终端内安装的应用程序不同，而且不同用户对每个应用程序使用时长也不同，因此可以采用用户使用每个应用程序的使用时长来表征用户习惯，从而根据使用时长来区分不同用户。

为了可以通过使用时长来区分机主本人和其他用户，需要获取机主本人的历史使用时长数据，通过历史使用时长数据来描述机主本人使用应用程序的使用习惯。具体地，获取预设周期中多个预设时间内每个应用程序的历史使用时长数据以及预设周期中每个应用程序的历史使用时长数据的平均值。

在本优选实施例中，预设周期为30天，预设时间为1天，假设终端内安装有M款应用程序，那么终端将获取30天中每天每个应用程序的历史使用时长数据。可以理解的是，在30天中，每个应用程序将对应了30个历史使用时长数据，通过对每个应用程序对应的30个历史使用时长数据取平均值来获得30天内每个应用程序的历史使用时长数据的平均值。

需要说明的是，预设周期不局限于30天，还可以为更长或更短的周期。另外，预设时间也不局限于以天为单位。在其优选实施例中，也可以以时间段为单位，例如，预设时间可以为上午8点至晚上8点的12小时内等，在此不做具体限制。

终端根据这些历史使用时长数据生成历史使用时长矩阵。该历史使用时长矩阵包括M个行向量和30个列向量。每个行向量分别对应每个应用程序的30个历史使用时长数据，每个列向量对应了每天M个应用程序的历史使用时长数据。

若用字母A表示历史使用时长矩阵，则历史使用时长矩阵A表达式为：A＝[X₁,X₂,...,X₃₀]_M×30。这里X₁、X₂和X₃₀均为列向量，其分别表示为第一天、第二天和第30天机主本人使用各个应用程序的历史使用时长向量。为了清楚地表述历史使用时长向量的意义，下面给出历史使用时长向量X₁的表达式：X₁＝[x₁,x₂,...,x_M]^T，其中，x₁、x₂和x_M分别表示在第一天内第一款应用程序、第二款应用程序和第M款应用程序的历史使用时长数据。由于X₂、X₃₀等其余的列向量的表达式与X₁的表达式的形式相同，为了说明书的简洁性，在此不进行一一列举。很容易理解的是，历史使用时长矩阵A的维数为M×30。

在获取到历史使用时长矩阵A后，将对历史使用时长矩阵A的每个行向量中的元素取平均值操作，从而获得在30天内每个应用程序的历史使用时长数据的平均值。为了便于理解，用表示M款应用程序的历史使用时长数据的平均值向量，的表达式为：其中，和分别表示在30天内第一款应用程序、第二款应用程序和第M款应用程序的历史使用时长数据的平均值。很容易理解的是，平均值向量的维数为M×1。

将平均值向量变换成维数为M×30的平均值矩阵其中，平均值矩阵的每个列向量均为平均值向量也就是说，平均值矩阵是以30个平均值向量为列向量的矩阵。

本优选实施例中，采用历史使用时长数据与所述平均值之差生成用于表征机主本人使用应用程序习惯的特征矩阵。具体地，将历史使用时长矩阵A与平均值矩阵做差生成特征矩阵。用字母B表示特征矩阵，表达式为

在获得用户使用习惯的特征矩阵B后，将对该特征矩阵B进行求解，从而获得该特征矩阵B的特征值和特征向量。可以理解的是，特征值的数量为30个，特征向量的个数也为30个。在本优选实施例中，将30个特征向量生成一个特征向量矩阵。

具体地，特征向量矩阵中的30个特征向量按照对应的特征值从大到小的顺序排列，即最大特征值对应的特征向量为特征向量矩阵的第一个列向量，最小特征值对应的特征向量为特征向量矩阵的最后一个列向量，其他的28个特征向量按照对应的特征值大小进行排列放置，从而形成特征向量矩阵。

若特征向量矩阵用表式，特征向量矩阵的表达式为：可以理解的是，每个特征向量均为一个30×1的列向量(如：为一个30×1的列向量)，那么特征向量矩阵的维数为30×30。

将特征矩阵B映射到特征向量矩阵以生成系数矩阵。具体地，系数矩阵等于特征向量的转置右乘以特征矩阵B。可以理解的是，系数矩阵的维数为30×30，这样在后续进行判断时，会导致终端计算量较大，占用终端内中央处理器较多，使得终端出现卡顿等问题。

一般采用几个特征向量即可以描述机主本人的使用习惯。因此，为了降低终端的计算量，我们选取特征向量矩阵的前N个列向量生成一个新的特征向量矩阵，新的特征向量矩阵用表示，其表达式为：可以理解的是，当N取30时，新的特征向量矩阵将与特征向量矩阵相同。

将特征矩阵B映射到新的特征向量矩阵以生成系数矩阵，其中，系数矩阵用W表示，其表达式为一般来说，N的取值在2至5范围内，因此，系数矩阵的维数相对减少，大大降低终端的计算量，提高计算速度，避免占用过多的中央处理器。

由于不同用户的使用习惯不同，N值也不同，若采用相同的N值来描述不同的机主本人的习惯，那么势必会降低准确率。为了可以找到与机主本人对应的N值，下面将给出计算N值的步骤。

获取机主本人在某一个预设时间内每个应用程序的历史使用时长数据。在本优选实施例中，获取第31天内机主本人使用每个应用程序的历史使用时长数据。在此可以将第31天划分到预设周期内，即预设周期为从30天变为31天，前30天的历史使用时长数据用于计算获取系数矩阵，第31天的历史使用时长数据用于计算N值。当然也可以采用31天中任意30天的历史使用时长数据来计算获取系数矩阵，剩余一天的历史使用时长数据用于计算N值，在此不做具体限制。

根据第31天的历史使用时长数据生成历史使用时长向量X₃₁，历史使用时长向量X₃₁为一个M×1的列向量，每个元素对应一款应用程序的历史使用时长数据。

N值为使得历史使用时长向量X₃₁和系数矩阵满足第一预设关系的最小值。具体地，其中，第一预设阈值ε₁可以根据实际情况进行选取，一般第一预设阈值ε₁取值越小，表征用户行为习惯的精度越高。

在获取到N值后，将N值带入新的特征向量矩阵和系数矩阵W中，就可以获得最终的新的特征向量矩阵和系数矩阵W的表达式。

在步骤S101中，获取预设时间内每个应用程序的使用时长；

在本优选实施例中，获取当前用户在一天时间内使用每款应用程序的使用时长。例如，当前用户在一天内多次使用“微信”应用，终端就会获取一天时间内每次使用“微信”应用的时长，并将多个使用“微信”应用的时长求和作为该“微信”应用的使用时长；而对于一些未使用的应用程序，终端将会获取到未使用的应用程序的使用时长为零。

可以理解的是，当终端中有M款应用程序时，终端每天都会获取M个使用时长，这M个使用时长对应了这M款应用程序。当终端获取到M个使用时长后，将根据M个使用时长生成使用时长向量。

在本优选实施例中，用X_λ表示使用时长向量，则使用时长向量X_λ表示为X_λ＝[x_λ1,x_λ2,...,x_λM]^T，其中，x_λ1表示预设时间内第一款应用程序的使用时长，x_λ2表示预设时间内第二款应用程序的使用时长，x_λM表示预设时间内第M款应用程序的使用时长。在本优选实施例中，使用时长向量X_λ为一个M×1的列向量。当然在其他实施例中，使用时长向量也可以为行向量，在此不做具体限制。

在步骤S102中，根据预设转换规则将所述使用时长生成系数向量；

在本优选实施例中，根据预设转换规则将所述使用时长生成系数向量具体为：根据预设转换规则将所述使用时长向量转换为系数向量。预设转换规则为一降维系数关系式。具体地，以P表示系数向量，那么根据预设转换规则，系数向量P与使用时长向量X_λ之间的转换关系为：

通过上述预设转换规则后，维数为M×1的使用时长向量X_λ转换至维数为N×1的系数向量P。一般来说，N的取值在2至5之间，因此，通过上述预设转换规则的转换后，生成的系数向量P的维数将大大降低，从而降低终端的计算量，减少对中央处理器的占用时间。

在步骤S103中，判断所述系数向量与系数矩阵是否满足预设关系，其中所述系数矩阵为根据用户使用每个所述应用程序的历史使用时长数据生成的矩阵；

在本优选实施例中，判断系数向量与系数矩阵是否满足预设关系，具体包括：判断系数向量中的元素与系数矩阵中的元素之差的平方和是否大于第二预设阈值。也就是说，判断系数向量中的元素与系数矩阵中的元素是否满足如下关系：其中ε₂为第二预设阈值。若系数向量中的元素与系数矩阵中的元素之差的平方和大于第二预设阈值ε₂，则判定系数向量与系数矩阵满足预设关系。

在步骤S104中，若所述系数向量与所述系数矩阵满足所述预设关系，则进入隐私保护模式。

若系数向量与系数矩阵满足预设关系，则说明当前用户不是机主本人。为了保护机主本人的个人信息的安全性，终端将进入隐私保护模式。本优选实施例中的隐私保护方法，尤其在终端丢失的情况下，可以在预设时间后使终端进入隐私保护模式，避免机主本人的个人信息长时间暴漏给他人，不给他人进行非法操作留下时间，间接地保护了机主本人的个人信息的安全。

在此，隐私保护模式可以为仅部分功能可以使用模式，其他涉及机主个人信息的功能无法访问。例如，在隐私保护模式中，当前用户只能拨打电话，而无法查看通讯录、相册、使用应用程序等功能。当然，隐私保护模式不局限于上述形式，也可以采用其他形式，在此不做具体限制。

另外，隐私保护模式也可以根据机主本人的选择设置来生成。例如，机主本人将相册、银行应用程序设置在隐私保护模式中，那么当其他用户使用该终端时，其他用户将无法访问相册和银行应用程序，但可以访问通讯录、聊天应用程序等未设置在隐私保护模式中的功能。

本优选实施例中的隐私保护方法，其通过获取预设时间内每个应用程序的使用时长；根据预设转换规则将所述使用时长生成系数向量；判断所述系数向量与系数矩阵是否满足预设关系；若所述系数向量与所述系数矩阵满足所述预设关系，则进入隐私保护模式。该方法利用当前用户使用每个应用程序的使用时长来判断是否为机主本人，当判断出当前用户不是机主本人时，终端进入隐私保护模式，从而保护机主本人的个人信息的安全性。

请参照图2，图2为本发明优选实施例中隐私保护方法的又一流程图。该隐私保护方法可以应用于个人计算机、手持式或膝上型设备、移动电话、个人数字助理(PDA)等电子设备上，在此不做具体限制。

下面对本优选实施例中的隐私保护方法做详细地说明。

在步骤S201中，获取预设周期中多个所述预设时间内每个所述应用程序的历史使用时长数据以及所述预设周期中每个所述应用程序的历史使用时长数据的平均值；

一般来说，不同用户在终端内安装的应用程序不同，而且不同用户对每个应用程序使用时长也不同，因此可以采用用户使用每个应用程序的使用时长来表征用户习惯，从而根据使用时长来区分不同用户。

为了可以通过使用时长来区分机主本人和其他用户，需要获取机主本人的历史使用时长数据，通过历史使用时长数据来描述机主本人使用应用程序的使用习惯。具体地，获取预设周期中多个预设时间内每个应用程序的历史使用时长数据以及预设周期中每个应用程序的历史使用时长数据的平均值。

在本优选实施例中，预设周期为30天，预设时间为1天，假设终端内安装有M款应用程序，那么终端将获取30天中每天每个应用程序的历史使用时长数据。可以理解的是，在30天中，每个应用程序将对应了30个历史使用时长数据，通过对每个应用程序对应的30个历史使用时长数据取平均值来获得30天内每个应用程序的历史使用时长数据的平均值。

需要说明的是，预设周期不局限于30天，还可以为更长或更短的周期。另外，预设时间也不局限于以天为单位。在其优选实施例中，也可以以时间段为单位，例如，预设时间可以为上午8点至晚上8点的12小时内等，在此不做具体限制。

根据这些历史使用时长数据生成历史使用时长矩阵。该历史使用时长矩阵包括M个行向量和30个列向量。每个行向量分别对应每个应用程序的30个历史使用时长数据，每个列向量对应了每天M个应用程序的历史使用时长数据。

若用字母A表示历史使用时长矩阵，则历史使用时长矩阵A表达式为：A＝[X₁,X₂,...,X₃₀]_M×30。这里X₁、X₂和X₃₀均为列向量，其分别表示为第一天、第二天和第30天机主本人使用各个应用程序的历史使用时长向量。为了清楚地表述历史使用时长向量的意义，下面给出历史使用时长向量X₁的表达式：X₁＝[x₁,x₂,...,x_M]^T，其中，x₁、x₂和x_M分别表示在第一天内第一款应用程序、第二款应用程序和第M款应用程序的历史使用时长数据。由于X₂、X₃₀等其余的列向量的表达式与X₁的表达式的形式相同，为了说明书的简洁性，在此不进行一一列举。很容易理解的是，历史使用时长矩阵A的维数为M×30。

在获取到历史使用时长矩阵A后，将对历史使用时长矩阵A的每个行向量中的元素取平均值操作，从而获得在30天内每个应用程序的历史使用时长数据的平均值。为了便于理解，用表示M款应用程序的历史使用时长数据的平均值向量，的表达式为：其中，和分别表示在30天内第一款应用程序、第二款应用程序和第M款应用程序的历史使用时长数据的平均值。很容易理解的是，平均值向量的维数为M×1。

将平均值向量变换成维数为M×30的平均值矩阵其中，平均值矩阵的每个列向量均为平均值向量也就是说，平均值矩阵是以30个平均值向量为列向量的矩阵。

在步骤S202中，根据所述历史使用时长数据与所述平均值之差生成特征矩阵，其中所述特征矩阵用于表征用户使用所述应用程序的习惯；

本优选实施例中，采用历史使用时长数据与所述平均值之差生成用于表征机主本人使用应用程序习惯的特征矩阵。具体地，将历史使用时长矩阵A与平均值矩阵做差生成特征矩阵。用字母B表示特征矩阵，表达式为

在步骤S203中，计算所述特征矩阵的特征向量矩阵；

在获得用户使用习惯的特征矩阵B后，将对该特征矩阵B进行求解，从而获得该特征矩阵B的特征值和特征向量。可以理解的是，特征值的数量为30个，特征向量的个数也为30个。在本优选实施例中，将30个特征向量生成一个特征向量矩阵。

具体地，特征向量矩阵中的30个特征向量按照对应的特征值从大到小的顺序排列，即最大特征值对应的特征向量为特征向量矩阵的第一个列向量，最小特征值对应的特征向量为特征向量矩阵的最后一个列向量，其他的28个特征向量按照对应的特征值大小进行排列放置，从而形成特征向量矩阵。

若特征向量矩阵用表式，特征向量矩阵的表达式为：可以理解的是，每个特征向量均为一个30×1的列向量(如：为一个30×1的列向量)，那么特征向量矩阵的维数为30×30。

在步骤S204中，将所述特征矩阵映射到所述特征向量矩阵以生成系数矩阵；

将特征矩阵B映射到特性向量矩阵以生成系数矩阵。具体地，系数矩阵等于特征向量的转置右乘以特征矩阵B。可以理解的是，系数矩阵的维数为30×30，这样在后续进行判断时，会导致终端计算量较大，占用终端内中央处理器较多，使得终端出现卡顿等问题。

一般采用几个特征向量即可以描述机主本人的使用习惯。因此，为了降低终端的计算量，我们选取特征向量矩阵的前N个列向量生成一个新的特征向量矩阵，新的特征向量矩阵用表示，其表达式为：可以理解的是，当N取30时，新的特征向量矩阵将与特征向量矩阵相同。

将特征矩阵B映射到新的特征向量矩阵以生成系数矩阵，其中，系数矩阵用W表示，其表达式为一般来说，N的取值在2至5范围内，因此，系数矩阵的维数相对减少，大大降低终端的计算量，提高计算速度，避免占用过多的中央处理器。

由于不同用户的使用习惯不同，N值也不同，若采用相同的N值来描述不同的机主本人的习惯，那么势必会降低准确率。为了可以找到与机主本人对应的N值，下面将给出计算N值的步骤。

获取机主本人在某一个预设时间内每个应用程序的历史使用时长数据。在本优选实施例中，获取第31天内每个应用程序的历史使用时长数据，在此可以将第31天划分到预设周期内，即预设周期为从30天变为31天，前30天的历史使用时长数据用于计算获取系数矩阵，第31天的历史使用时长数据用于计算N值。当然也可以采用31天中任意30天的历史使用时长数据来计算获取系数矩阵，剩余一天的历史使用时长数据用于计算N值，在此不做具体限制。

根据第31天的历史使用时长数据生成历史使用时长向量X₃₁，历史使用时长向量X₃₁为一个M×1的列向量，每个元素对应一款应用程序的历史使用时长数据。

N值为使得历史使用时长向量X₃₁和系数矩阵满足第一预设关系的最小值。具体地，其中，第一预设阈值ε₁可以根据实际情况进行选取，一般第一预设阈值ε₁取值越小，表征用户行为习惯的精度越高。

在获取到N值后，将N值带入新的特征向量矩阵和系数矩阵W中，就可以获得最终的新的特征向量矩阵和系数矩阵W的表达式。

在步骤S205中，获取预设时间内每个应用程序的使用时长；

在本优选实施例中，获取当前用户在预设时间内(如：1天内)使用每个应用程序的使用时长。例如，当前用户在一天内多次使用“微信”应用，终端就会获取一天时间内每次使用“微信”应用的时长，并将多个使用“微信”应用的时长求和作为该“微信”应用的使用时长；而对于一些未使用的应用程序，终端将会获取到未使用的应用程序的使用时长为零。

可以理解的是，当终端中有M款应用程序时，终端每天都会获取M个使用时长，这M个使用时长对应了这M款应用程序。当终端获取到M个使用时长后，将根据M个使用时长生成使用时长向量。

在本优选实施例中，用X_λ表示使用时长向量，则使用时长向量X_λ表示为X_λ＝[x_λ1,x_λ2,...,x_λM]^T，其中，x_λ1表示预设时间内第一款应用程序的使用时长，x_λ2表示预设时间内第二款应用程序的使用时长，x_λM表示预设时间内第M款应用程序的使用时长。在本优选实施例中，使用时长向量X_λ为一个M×1的列向量。当然在其他实施例中，使用时长向量也可以为行向量，在此不做具体限制。

在步骤S206中，根据预设转换规则将所述使用时长生成系数向量；

在本优选实施例中，根据预设转换规则将所述使用时长生成系数向量具体为：根据预设转换规则将所述使用时长向量转换为系数向量。预设转换规则为一降维系数关系式，即将使用时长向量X_λ的维数降低。具体地，以P表示系数向量，那么根据预设转换规则，系数向量P与使用时长向量X_λ之间的转换关系为：

通过上述预设转换规则后，维数为M×1的使用时长向量X_λ转换至维数为N×1的系数向量P。一般来说，N的取值在2至5之间，因此，通过上述预设转换规则的转换后，生成的系数向量P的维数将大大降低，从而降低终端的计算量，减少对中央处理器的占用时间。

在步骤S207中，判断所述系数向量中的元素与所述系数矩阵中的元素之差的平方和是否大于预设阈值；若所述系数向量中的元素与所述系数矩阵中的元素之差的平方和大于所述预设阈值，则执行步骤S208；若所述系数向量中的元素与所述系数矩阵中的元素之差的平方和不大于所述预设阈值，则执行步骤S211；

在本实施例中，判断系数向量中的元素与系数矩阵中的元素是否满足如下关系：其中ε₂为预设阈值。若系数向量中的元素与系数矩阵中的元素之差的平方和大于预设阈值ε₂，则说明当前用户可能不是机主本人，为了进一步确定当前用户是否为机主本人，终端将执行步骤S208。若系数向量中的元素与系数矩阵中的元素之差的平方和不大于预设阈值ε₂，则说明当前用户是机主本人，此时终端将执行步骤S211。

在步骤S208中，获取用户输入的身份验证信息；

在步骤S207判断出当前用户可能不是机主本人的情况下，终端将弹出提示对话框，以提示当前用户输入其身份验证信息。在此，身份验证信息可以为用户名、电话号码、密码等，在此不做具体限制。

在步骤S209中，判断所述身份验证信息是否与预设验证信息相匹配；

在获取到身份验证信息后，将判断该身份验证信息是否与预设验证信息相匹配；若该身份验证信息与预设验证信息相匹配，则说明当前用户为机主本人，此时当前用户可以正常使用终端；若身份验证信息与预设验证信息不匹配，则进一步说明当前用户不是机主本人，此时终端执行步骤S210。

在步骤S210中，若所述身份验证信息与预设验证信息不相匹配，则进入隐私保护模式；

在通过步骤S209进一步判断出当前用户不是机主本人时，终端进入隐私保护模式，从而使得机主本人的个人信息不被其他用户看到，保证机主本人的个人信息的安全性。本优选实施例中的隐私保护方法，尤其在终端丢失的情况下，可以在预设时间后使终端进入隐私保护模式，避免机主本人的个人信息长时间暴漏给他人，不给他人进行非法操作留下时间，间接地保护了机主本人的个人信息的安全。

在步骤S211中，保存所述使用时长至下一个所述预设周期内的历史使用时长数据。

若步骤S207判断出系数向量中的元素与系数矩阵中的元素之差的平方和不大于预设阈值ε₂，则说明当前用户是机主本人，此时当前用户可以正常使用终端。

为了可以更加准确的将机主本人和其他用户区分开，机主本人的历史使用时长数据是非常重要的数据，其必须可以反映出机主本人的使用习惯才行。由于机主本人在不同阶段会使用不同的应用程序，或者不同阶段对每个应用程序的使用情况不同。若一直使用同一个预设周期内的历史使用时长数据，那么必然会降低根据使用时长区分不同用户的准确率，因此，终端需要间隔预设周期对历史使用时长数据进行更新。

在终端判断出当前用户是机主本人后，将该使用时长保存在下一个预设周期内的历史使用时长数据，这样便于对预设周期内的历史使用时长数据进行更新。

本优选实施例中的隐私保护方法，其利用当前用户使用每个应用程序的使用时长来判断是否为机主本人，当判断出当前用户可能不是机主本人时，通过获取身份验证信息进一步判断当前用户是否为机主本人。若判断出当前用户不是机主本人时，终端进入隐私保护模式，从而保护机主本人的个人信息的安全性。当判断出当前用户是机主本人时，终端保存此次使用时长向量至下一个预设周期内的历史使用时长数据，以便于按照预设周期更新历史使用时长数据，使得历史使用时长数据可以准确地表征机主本人的使用习惯，增加该方法判断的准确性。

请参照图3，图3为本发明优选实施例的隐私保护装置的结构示意图。该隐私保护装置300可以应用于个人计算机、手持式或膝上型设备、移动电话、个人数字助理(PDA)等电子设备上，在此不做具体限制。

本实施例中的隐私保护装置300包括：获取单元301、转换单元302、判断单元303和隐私保护单元304。其中，获取单元301用于获取预设时间内每个应用程序的使用时长；转换单元302用于根据预设转换规则将所述使用时长生成系数向量；判断单元303用于判断所述系数向量与系数矩阵是否满足预设关系，其中所述系数矩阵为根据用户使用每个所述应用程序的历史使用时长数据生成的矩阵；隐私保护单元304用于若所述系数向量与所述系数矩阵满足所述预设关系，则进入隐私保护模式。

下面对本优选实施例中的隐私保护装置300进行详细地说明。

一般来说，不同用户在终端内安装的应用程序不同，而且不同用户对每个应用程序使用时长也不同，因此可以采用用户使用每个应用程序的使用时长来表征用户习惯，从而根据使用时长来区分不同用户。

为了可以使得隐私保护装置300通过使用时长来区分机主本人和其他用户，隐私保护装置300需要获取机主本人的历史使用时长数据，通过历史使用时长数据来描述机主本人使用应用程序的使用习惯。

在一优选实施例中，隐私保护装置300还包括获取映射单元，如图4所示。获取映射单元305包括获取子单元3051、生成子单元3052、计算子单元3053和映射子单元3054。

获取子单元3051获取预设周期中多个预设时间内每个应用程序的历史使用时长数据以及预设周期中每个应用程序的历史使用时长数据的平均值。

在本优选实施例中，预设周期为30天，预设时间为1天，假设终端内安装有M款应用程序，那么获取子单元3051将获取30天中每天每个应用程序的历史使用时长数据。可以理解的是，在30天中，每个应用程序将对应了30个历史使用时长数据，通过对每个应用程序对应的30个历史使用时长数据取平均值来获得30天内每个应用程序的历史使用时长数据的平均值。

获取子单元3051根据这些历史使用时长数据生成历史使用时长矩阵。该历史使用时长矩阵包括M个行向量和30个列向量。每个行向量分别对应每个应用程序的30个历史使用时长数据，每个列向量对应了每天M个应用程序的历史使用时长数据。

若用字母A表示历史使用时长矩阵，则历史使用时长矩阵A表达式为：A＝[X₁,X₂,...,X₃₀]_M×30。这里X₁、X₂和X₃₀均为列向量，其分别表示为第一天、第二天和第30天机主本人使用各个应用程序的历史使用时长向量。历史使用时长向量X₁的表达式：X₁＝[x₁,x₂,...,x_M]^T，其中，x₁、x₂和x_M分别表示在第一天内第一款应用程序、第二款应用程序和第M款应用程序的历史使用时长数据。由于X₂、X₃₀等其余的列向量的表达式与X₁的表达式的形式相同，为了说明书的简洁性，在此不进行一一列举。很容易理解的是，历史使用时长矩阵A的维数为M×30。

在获取子单元3051获取到历史使用时长矩阵A后，将对历史使用时长矩阵A的每个行向量中的元素取平均值操作，从而获得在30天内每个应用程序的历史使用时长数据的平均值。为了便于理解，用表示M款应用程序的历史使用时长数据的平均值向量，的表达式为：其中，和分别表示在30天内第一款应用程序、第二款应用程序和第M款应用程序的历史使用时长数据的平均值。很容易理解的是，平均值向量的维数为M×1。

获取子单元3051将平均值向量变换成维数为M×30的平均值矩阵其中，平均值矩阵的每个列向量均为平均值向量也就是说，平均值矩阵是以30个平均值向量为列向量的矩阵。

获取子单元3051将获取的历史使用时长矩阵A和平均值矩阵传递至生成子单元3052，生成子单元3052将根据历史使用时长矩阵A与平均值矩阵做差生成用于表征机主本人使用应用程序习惯的特征矩阵。用字母B表示特征矩阵，表达式为

生成子单元3052将生成的特征矩阵B传递至计算子单元3053，由计算子单元3053对该特征矩阵B进行求解，从而获得该特征矩阵B的特征值和特征向量。可以理解的是，特征值的数量为30个，特征向量的个数也为30个。在本优选实施例中，计算子单元3053将30个特征向量生成一个特征向量矩阵。

具体地，特征向量矩阵中的30个特征向量按照对应的特征值从大到小的顺序排列，即最大特征值对应的特征向量为特征向量矩阵的第一个列向量，最小特征值对应的特征向量为特征向量矩阵的最后一个列向量，其他的28个特征向量按照对应的特征值大小进行排列放置，从而形成特征向量矩阵。

若特征向量矩阵用表式，特征向量矩阵的表达式为：可以理解的是，每个特征向量均为一个30×1的列向量(如：为一个30×1的列向量)，那么特征向量矩阵的维数为30×30。

一般采用几个特征向量即可以描述机主本人的使用习惯。因此，为了降低计算量，计算子单元3053在计算特征向量矩阵后，需要进一步计算N值，根据N值选取特征向量矩阵的前N个列向量生成一个新的特征向量矩阵，新的特征向量矩阵用表示，其表达式为：可以理解的是，当N取30时，新的特征向量矩阵将与特征向量矩阵相同。

计算子单元3053计算N值具体步骤为：计算子单元3053获取机主本人在某一个预设时间内每个应用程序的历史使用时长数据。在本优选实施例中，计算子单元3053获取第31天内每个应用程序的历史使用时长数据。在此可以将第31天划分到预设周期内，即预设周期为从30天变为31天，前30天的历史使用时长数据用于计算获取系数矩阵，第31天的历史使用时长数据用于计算N值。当然也可以采用31天中任意30天的历史使用时长数据来计算获取系数矩阵，剩余一天的历史使用时长数据用于计算N值，在此不做具体限制。

计算子单元3053根据第31天的历史使用时长数据生成历史使用时长向量X₃₁，历史使用时长向量X₃₁为一个M×1的列向量，每个元素对应一款应用程序的历史使用时长数据。

计算子单元3053计算N值，使得历史使用时长向量X₃₁和系数矩阵满足关系式：其中，第一预设阈值ε₁可以根据实际情况进行选取，一般第一预设阈值ε₁取值越小，表征用户行为习惯的精度越高。

计算子单元3053在计算出N值后，将根据N值和特征向量矩阵生成新的特征向量矩阵用并将新的特征向量矩阵用传递至映射子单元3054，由映射子单元3054将特征矩阵B映射到特征向量矩阵以生成系数矩阵，其中，系数矩阵用W表示，其表达式为一般来说，N的取值在2至5范围内，因此，系数矩阵的维数相对减少，大大降低计算量。

当获取单元301获取当前用户在预设时间内使用每个应用程序的使用时长后，将根据该使用时长生成使用时长向量。在本优选实施例中，预设时间为1天，获取单元301将获取当前用户在一天时间内使用每款应用程序的使用时长。例如，当前用户在一天内多次使用“微信”应用，获取单元301就会获取一天时间内每次使用“微信”应用的时长，并将多个使用“微信”应用的时长求和作为该“微信”应用的使用时长；而对于一些未使用的应用程序，获取单元301将会获取到未使用的应用程序的使用时长为零。

可以理解的是，当终端中有M款应用程序时，获取单元301每天都会获取M个使用时长，这M个使用时长对应了这M款应用程序。当获取单元301获取到M个使用时长后，将根据M个使用时长生成使用时长向量。

在本优选实施例中，用X_λ表示使用时长向量，则使用时长向量X_λ表示为X_λ＝[x_λ1,x_λ2,...,x_λM]^T，其中，x_λ1表示预设时间内第一款应用程序的使用时长，x_λ2表示预设时间内第二款应用程序的使用时长，x_λM表示预设时间内第M款应用程序的使用时长。在本优选实施例中，使用时长向量X_λ为一个M×1的列向量。当然在其他实施例中，使用时长向量也可以为行向量，在此不做具体限制。

获取单元301将生成的使用时长向量传递至转换单元302。转换单元302根据预设转换规则将所述使用时长生成系数向量具体为：通过预设转换规则将使用时长向量转换成系数向量。在本优选实施例中，预设转换规则为一降维系数关系式。具体地，以P表示系数向量，那么根据预设转换规则，系数向量P与使用时长向量X_λ之间的关系为：通过上述预设转换规则后，维数为M×1的使用时长向量X_λ转换至维数为N×1的系数向量P。

转换单元302将转换生成的系数向量P传递至判断单元303，判断单元303将判断系数向量与系数矩阵是否满足预设关系。

在一优选实施例中，判断单元303具体用于判断系数向量中的元素与系数矩阵中的元素之差的平方和是否大于第二预设阈值。也就是说，判断系数向量中的元素与系数矩阵中的元素是否满足如下关系：

若判断单元303判断出系数向量中的元素与系数矩阵中的元素之差的平方和大于第二预设阈值ε₂，则判断单元303判定系数向量与系数矩阵满足预设关系，说明当前用户不是机主本人。判断单元303将向隐私保护单元304发送第一信号，使得隐私保护单元304根据第一信号使得终端进入隐私保护模式。

在此，隐私保护模式可以为仅部分功能可以使用模式，其他涉及机主个人信息的功能无法访问。例如，在隐私保护模式中，当前用户只能拨打电话，而无法查看通讯录、相册、使用应用程序等功能。当然，隐私保护模式不局限于上述形式，也可以采用其他形式，在此不做具体限制。

本优选实施例中的隐私保护装置300，其通过获取单元301获取预设时间内每个应用程序的使用时长；转换单元302根据预设转换规则将所述使用时长生成系数向量；判断单元303判断所述系数向量与系数矩阵是否满足预设关系；若所述系数向量与所述系数矩阵满足所述预设关系，则隐私保护单元304进入隐私保护模式。该装置利用当前用户使用每个应用程序的使用时长来判断是否为机主本人，当判断单元303判断出当前用户不是机主本人时，隐私保护单元304将使终端进入隐私保护模式，从而保护机主本人的个人信息的安全性。

请参照图5，图5为本发明优选实施例的隐私保护装置的又一结构示意图。该隐私保护装置400可以应用于个人计算机、手持式或膝上型设备、移动电话、个人数字助理(PDA)等电子设备上，在此不做具体限制。

本实施例中的隐私保护装置400包括：获取映射单元401、获取单元402、转换单元403、判断单元404、获取判断单元405、隐私保护单元406和保存单元407。其中，获取映射单元401包括获取子单元4011、生成子单元4012、计算子单元4013和映射子单元4014。

获取子单元4011获取预设周期中多个预设时间内每个应用程序的历史使用时长数据以及预设周期中每个应用程序的历史使用时长数据的平均值。在本优选实施例中，预设周期为30天，预设时间为1天，假设终端内安装有M款应用程序，那么获取子单元4011将获取30天中每天每个应用程序的历史使用时长数据。

可以理解的是，在30天中，每个应用程序将对应了30个历史使用时长数据，通过对每个应用程序对应的30个历史使用时长数据取平均值来获得30天内每个应用程序的历史使用时长数据的平均值.

获取子单元4011根据这些历史使用时长数据生成历史使用时长矩阵。该历史使用时长矩阵包括M个行向量和30个列向量。每个行向量分别对应每个应用程序的30个历史使用时长数据，每个列向量对应了每天M个应用程序的历史使用时长数据。

若用字母A表示历史使用时长矩阵，则历史使用时长矩阵A表达式为：A＝[X₁,X₂,...,X₃₀]_M×30。这里X₁、X₂和X₃₀均为列向量，其分别表示为第一天、第二天和第30天机主本人使用各个应用程序的历史使用时长向量。历史使用时长向量X₁的表达式：X₁＝[x₁,x₂,...,x_M]^T，其中，x₁、x₂和x_M分别表示在第一天内第一款应用程序、第二款应用程序和第M款应用程序的历史使用时长数据。由于X₂、X₃₀等其余的列向量的表达式与X₁的表达式的形式相同，为了说明书的简洁性，在此不进行一一列举。很容易理解的是，历史使用时长矩阵A的维数为M×30。

在获取子单元4011获取到历史使用时长矩阵A后，将对历史使用时长矩阵A的每个行向量中的元素取平均值操作，从而获得在30天内每个应用程序的历史使用时长数据的平均值。为了便于理解，用表示M款应用程序的历史使用时长数据的平均值向量，的表达式为：其中，和分别表示在30天内第一款应用程序、第二款应用程序和第M款应用程序的历史使用时长数据的平均值。很容易理解的是，平均值向量的维数为M×1。

获取子单元4011将平均值向量变换成维数为M×30的平均值矩阵其中，平均值矩阵的每个列向量均为平均值向量也就是说，平均值矩阵是以30个平均值向量为列向量的矩阵。

获取子单元4011将获取的历史使用时长矩阵A和平均值矩阵传递至生成子单元4012，生成子单元4012将根据历史使用时长矩阵A与平均值矩阵做差生成用于表征机主本人使用应用程序习惯的特征矩阵。用字母B表示特征矩阵，表达式为

生成子单元4012将生成的特征矩阵B传递至计算子单元4013，由计算子单元4013对该特征矩阵B进行求解，从而获得该特征矩阵B的特征值和特征向量。可以理解的是，特征值的数量为30个，特征向量的个数也为30个。在本优选实施例中，将30个特征向量生成一个特征向量矩阵。

具体地，特征向量矩阵中的30个特征向量按照对应的特征值从大到小的顺序排列，即最大特征值对应的特征向量为特征向量矩阵的第一个列向量，最小特征值对应的特征向量为特征向量矩阵的最后一个列向量，其他的28个特征向量按照对应的特征值大小进行排列放置，从而形成特征向量矩阵。

若特征向量矩阵用表式，特征向量矩阵的表达式为：可以理解的是，每个特征向量均为一个30×1的列向量(如：为一个30×1的列向量)，那么特征向量矩阵的维数为30×30。

一般采用几个特征向量即可以描述机主本人的使用习惯。因此，为了降低计算量，计算子单元4013在计算特征向量矩阵后，需要进一步计算N值，根据N值选取特征向量矩阵的前N个列向量生成一个新的特征向量矩阵，新的特征向量矩阵用表示，其表达式为：可以理解的是，当N取30时，新的特征向量矩阵将与特征向量矩阵相同。

计算子单元4013计算N值具体步骤为：计算子单元4013获取机主本人在某一个预设时间内每个应用程序的历史使用时长数据。在本优选实施例中，计算子单元4013获取第31天内每个应用程序的历史使用时长数据。在此可以将第31天划分到预设周期内，即预设周期为从30天变为31天，前30天的历史使用时长数据用于计算获取系数矩阵，第31天的历史使用时长数据用于计算N值。当然也可以采用31天中任意30天的历史使用时长数据来计算获取系数矩阵，剩余一天的历史使用时长数据用于计算N值，在此不做具体限制。

计算子单元4013根据第31天的历史使用时长数据生成历史使用时长向量X₃₁，历史使用时长向量X₃₁为一个M×1的列向量，每个元素对应一款应用程序的历史使用时长数据。

计算子单元4013计算N值，使得历史使用时长向量X₃₁和系数矩阵满足关系式：其中，第一预设阈值ε₁可以根据实际情况进行选取，一般第一预设阈值ε₁取值越小，表征用户行为习惯的精度越高。

计算子单元4013在计算出N值后，将根据N值和特征向量矩阵生成新的特征向量矩阵用并将新的特征向量矩阵用传递至映射子单元4014，由映射子单元4014将特征矩阵B映射到特征向量矩阵以生成系数矩阵，其中，系数矩阵用W表示，其表达式为一般来说，N的取值在2至5范围内，因此，系数矩阵的维数相对减少，大大降低计算量。

当获取单元402获取当前用户在预设时间内使用每个应用程序的使用时长后，将根据该使用时长生成使用时长向量。在本优选实施例中，预设时间为1天，获取单元402将获取当前用户在一天时间内使用每款应用程序的使用时长。例如，当前用户在一天内多次使用“微信”应用，获取单元402就会获取一天时间内每次使用“微信”应用的时长，并将多个使用“微信”应用的时长求和作为该“微信”应用的使用时长；而对于一些未使用的应用程序，获取单元402将会获取到未使用的应用程序的使用时长为零。

在本优选实施例中，用X_λ表示使用时长向量，则使用时长向量X_λ表示为X_λ＝[x_λ1,x_λ2,...,x_λM]^T，其中，x_λ1表示预设时间内第一款应用程序的使用时长，x_λ2表示预设时间内第二款应用程序的使用时长，x_λM表示预设时间内第M款应用程序的使用时长。在本优选实施例中，使用时长向量X_λ为一个M×1的列向量。当然在其他实施例中，使用时长向量也可以为行向量，在此不做具体限制。

获取单元402将生成的使用时长向量传递至转换单元403。转换单元403根据预设转换规则将使用时长生成系数向量具体为：通过预设转换规则将使用时长向量转换成系数向量，其中，该系数向量的维数小于使用时长向量的维数。在本优选实施例中，预设转换规则为一降维系数关系式。具体地，以P表示系数向量，那么根据预设转换规则，系数向量P与使用时长向量X_λ之间的关系为：通过上述预设转换规则后，维数为M×1的使用时长向量X_λ转换至维数为N×1的系数向量P。

转换单元403将转换生成的系数向量P传递至判断单元404，判断单元404将判断系数向量中的元素与系数矩阵中的元素之差的平方和是否大于预设阈值。

在本实施例中，判断单元404将判断系数向量中的元素与系数矩阵中的元素是否满足如下关系：若系数向量中的元素与系数矩阵中的元素之差的平方和大于预设阈值ε₂，则说明当前用户可能不是机主本人，为了进一步确定当前用户是否为机主本人，判断单元404将向获取判断单元405发送第二信号。

获取判断单元405将根据第二信号获取用户输入的身份验证信息，并判断该身份验证信息是否与预设验证信息相匹配。若身份验证信息与预设验证信息不匹配，则进一步说明当前用户不是机主本人，此时获取判断单元405将向隐私保护单元406发送第三信号，使得隐私保护单元406根据第三信号使得终端进入隐私保护模式，从而使得机主本人的个人信息不被其他用户看到，保证机主本人的个人信息的安全性。

若判断单元404判断出系数向量中的元素与系数矩阵中的元素之差的平方和不大于预设阈值ε₂，则说明当前用户是机主本人，此时当前用户可以正常使用终端。

为了可以更加准确的将机主本人和其他用户区分开，机主本人的历史使用时长数据是非常重要的数据，其必须可以反映出机主本人的使用习惯才行，因此需要定期更换历史使用时长数据。在判断单元404判断出当前用户是机主本人后，判断单元404将向保存单元407发送第四信号，使得保存单元407根据第四信号将该使用时长保存在下一个预设周期内的历史使用时长数据，这样便于对预设周期内的历史使用时长数据进行更新。

本优选实施例中的隐私保护装置400，其利用当前用户使用每个应用程序的使用时长来判断是否为机主本人，当判断单元404判断出当前用户不是机主本人时，通过获取判断单元405获取身份验证信息进一步判断当前用户是否为机主本人。若判断出当前用户不是机主本人时，隐私保护单元406使得终端进入隐私保护模式，从而保护机主本人的个人信息的安全性。当判断出当前用户是机主本人时，保存单元407保存此次使用时长向量至下一个预设周期内的历史使用时长数据，以便于按照预设周期更新历史使用时长数据，使得历史使用时长数据可以准确地表征机主本人的使用习惯，增加该装置识别用户的准确性。

本发明还提供一种移动终端，如平板电脑、手机等移动终端，请参阅图6，图6为本发明实施例提供的移动终端结构示意图。该移动终端500可以包括射频(RF，Radio Frequency)电路501、包括有一个或一个以上计算机可读存储介质的存储器502、输入单元503、显示单元504、传感器505、包括有一个或者一个以上处理核心的处理器506、以及电源507等部件。本领域技术人员可以理解，图6中示出的移动终端结构并不构成对移动终端的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。

射频电路501可用于收发信息，或通话过程中信号的接收和发送，特别地，将基站的下行信息接收后，交由一个或者一个以上处理器506处理；另外，将涉及上行的数据发送给基站。此外，射频电路501还可以通过无线通信与网络和其他设备通信。

存储器502可用于存储应用程序和数据。存储器502存储的应用程序中包含有可执行代码。应用程序可以组成各种功能模块。处理器506通过运行存储在存储器502的应用程序，从而执行各种功能应用以及数据处理。

输入单元503可用于接收输入的数字、字符信息或用户特征信息(比如指纹)，以及产生与用户设置以及功能控制有关的键盘、鼠标、操作杆、光学或者轨迹球信号输入。输入单元503可包括触摸显示屏、物理键盘、功能键、指纹识别模组等中的一种或多种。

显示单元504可用于显示由用户输入的信息或提供给用户的信息以及移动终端的各种图形用户接口，这些图形用户接口可以由图形、文本、图标、视频和其任意组合来构成。

移动终端500还可包括至少一种传感器505，比如环境光传感器、接近传感器、重力加速度传感器等。

处理器506是移动终端500的控制中心，利用各种接口和线路连接整个移动终端500的各个部分，通过运行或执行存储在存储器502内的应用程序，以及调用存储在存储器502内的数据，执行移动终端500的各种功能和处理数据，从而对移动终端500进行整体监控。

移动终端500还包括电源507(比如电池)，用于给各个部件供电。当然，移动终端500还可以包括音频电路、摄像头、蓝牙模块等，在此不再赘述。

在本优选实施例中，移动终端中的处理器506会按照如下的指令，将一个或一个以上的应用程序的进程对应的可执行代码加载到存储器502中，并由处理器508来运行存储在存储器502中的应用程序，从而实现各种功能：获取预设时间内每个应用程序的使用时长；根据预设转换规则将所述使用时长生成系数向量；判断所述系数向量与系数矩阵是否满足预设关系，其中所述系数矩阵为根据用户使用每个所述应用程序的历史使用时长数据生成的矩阵；若所述系数向量与所述系数矩阵满足所述预设关系，则进入隐私保护模式。

在一优选实施例中，处理器506在执行获取预设时间内每个应用程序的使用时长之前，还执行：获取预设周期中多个所述预设时间内每个所述应用程序的历史使用时长数据以及所述预设周期中每个所述应用程序的历史使用时长数据的平均值；根据所述历史使用时长数据与所述平均值之差生成特征矩阵，其中所述特征矩阵用于表征用户使用所述应用程序的习惯；计算所述特征矩阵的特征向量矩阵；将所述特征矩阵映射到所述特征向量矩阵以生成系数矩阵。

在一优选实施例中，处理器506在执行判断所述系数向量与系数矩阵是否满足预设关系时，具体执行：判断所述系数向量中的元素与所述系数矩阵中的元素之差的平方和是否大于预设阈值；若所述系数向量中的元素与所述系数矩阵中的元素之差的平方和大于所述预设阈值，则判定所述系数向量与系数矩阵满足预设关系。

在一优选实施例中，处理器506在执行判断所述系数向量与系数矩阵是否满足预设关系之后，还执行：若所述系数向量与系数矩阵不满足预设关系，则保存所述使用时长为下一个所述预设周期内的历史使用时长数据。

在一优选实施例中，处理器506在执行进入隐私保护模式之前，还用于执行：获取输入的身份验证信息；判断所述身份验证信息是否与预设验证信息相匹配；若所述身份验证信息与预设验证信息不相匹配，则进入隐私保护模式。

在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见上文针对隐私保护方法的详细描述，此处不再赘述。

本发明实施例提供的隐私保护装置，譬如为计算机、平板电脑、具有触摸功能的手机等等，所述隐私保护装置与上文实施例中的隐私保护方法属于同一构思，在所述隐私保护装置上可以运行所述隐私保护方法实施例中提供的任一方法，其具体实现过程详见所述隐私保护方法实施例，此处不再赘述。

需要说明的是，对本发明所述隐私保护方法而言，本领域普通测试人员可以理解实现本发明实施例所述隐私保护方法的全部或部分流程，是可以通过计算机程序来控制相关的硬件来完成，所述计算机程序可存储于一计算机可读取存储介质中，如存储在终端的存储器中，并被该终端内的至少一个处理器执行，在执行过程中可包括如所述隐私保护方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储器(ROM，Read Only Memory)、随机存取记忆体(RAM，Random Access Memory)等。

本发明实施例中的各功能单元可以集成在一个处理模块中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。上述提到的存储介质可以是只读存储器，磁盘或光盘等。上述的各装置或系统，可以执行相应方法实施例中的方法。

综上所述，虽然本发明已以优选实施例揭露如上，但上述优选实施例并非用以限制本发明，本领域的普通技术人员，在不脱离本发明的精神和范围内，均可作各种更动与润饰，因此本发明的保护范围以权利要求界定的范围为准。