CN110427769A - 基于智能看护***面向用户活动模式隐私保护实施方法 - Google Patents

Abstract

本发明提出了一种基于智能看护***面向用户活动模式隐私保护实施方法，包括：S1，部署智能节点与智能网关，以轻量级脚本驱动智能节点收集、推理、计算、匹配用户日常活动数据，传递到智能网关进行集中处理；S2，通过智能网关统计用户活动模式，并基于活动模式的多粒度特性以及活动模式之间的时空关联性对活动模式进行脱敏；S3，将脱敏的活动模式上传到具有大数据挖掘与分析能力的数据分析机构，以获取可能符合用户看护需求的服务规则；S4，智能网关上构建专家知识库，存储验证服务规则与未脱敏活动模式之间匹配性的知识，实现对不符用户看护需求的服务规则的过滤，且搭建规则推理引擎实现面向活动模式的实时看护服务。

Description

基于智能看护***面向用户活动模式隐私保护实施方法

技术领域

本发明属于智能环境技术领域，具体地涉及对智能环境下面向用户行为模式的隐私保护体系进行设计。

背景技术

传统的智能环境隐私保护方法研究以及在隐私保护的情况下的服务体系存在这不适应，主要包括以下两点：

1、以传统数据加密或添加噪声的隐私保护方法不适合面向活动模式；

传统数据加密的方式主要是防止明文在传输中被劫持说导致隐私泄露，所以将明文通过对称加密、哈希算法等生成密文，以密文的形式传输到第三方数据分析机构。如果第三方数据分析机构能够通过解密获取明文，则可准确获取用户的活动模式。若是第三方数据分析机构从密文中挖掘，可能会导致过大的信息损失或数据失真。另外，通过添加噪音的方式如差分隐私等方式主要防止由于统计数据库的查询而带来的数据隐私泄露，却不是考虑哪种查询在会导致隐私泄露。然而，面向用户活动模式的隐私保护是需要考虑在何种聚合程度上发布数据不会导致敏感信息的泄露，经过隐私保护的活动模式需要保持真实性使得第三方数据分析机构能够提供有效的且与活动模式匹配的看护服务建议。

2、智能看护***缺乏高效的隐私保护策略实施方法

智能看护***基于无线传感网络将用户群体的数据进行汇集，再采用集中式的方法实现隐私保护。采用集中式频繁模式挖掘的方式获得频繁事件序列形成活动模式所耗费的时间空间资源较大。另外，智能看护***需要应对由用户的隐私需求变化所引起的设备配置更新需求，若是每次需求变化都影响到所有智能设备，则会给智能设备带来巨大的负担。

发明内容

本发明旨在至少解决现有技术中存在的技术问题，特别创新地提出了一种基于智能看护***面向用户活动模式隐私保护实施方法。

为了实现本发明的上述目的，本发明提供了一种基于智能看护***面向用户活动模式隐私保护实施方法，其特征在于，包括如下步骤：

S1，部署智能节点与智能网关，以轻量级脚本驱动智能节点收集、推理、计算、匹配用户日常活动数据，传递到智能网关进行集中处理；

S2，通过智能网关统计用户活动模式，并基于活动模式的多粒度特性以及活动模式之间的时空关联性对活动模式进行脱敏；

S3，将脱敏的活动模式上传到具有大数据挖掘与分析能力的数据分析机构，以获取可能符合用户看护需求的服务规则；

S4，智能网关上构建专家知识库，存储验证服务规则与未脱敏活动模式之间匹配性的知识，实现对不符用户看护需求的服务规则的过滤，且搭建规则推理引擎实现面向活动模式的实时看护服务。

优选的，所述S1中智能节点所采集的日常生活数据来源于一段时间内智能节点每次触发状态更新记录ds_c＝(Sensor_c,Time_c,Space_c,Status_c)，所述下标c代表日常生活原始数据记录序号，第c条智能节点触发状态更新记录，Sensor_c为智能节点特征包括节点类型以及参数，Time_c为智能节点触发状态改变的时间，Space_c为智能节点所部署地点，Status_c为智能节点的触发状态：

优选的，所述S1中智能节点中轻量级脚本可驱动、推理、计算、匹配，其更新算法包括：

S1-1，所部署智能传感网络具有N个智能节点，智能节点i存储脚本配置P_ij，代表该节点与智能节点j间的定义通讯规则、统计算数计算规则，推理规则，特征数据匹配规则；根节点r(1≤r≤N)存储由智能网关所赋予的配置{P_ij|1≤i≤j≤N}，脚本配置由智能根节点开始跳转并分配到其余汇集节点以及传感节点，其中最大跳数为T；

S1-2，检查智能节点i所存储的配置脚本是否需要更新，如果需要更新则执行S1-3，否则智能节点i的配置脚本保持不变；

S1-3，判断智能节点i是否为根节点或汇聚节点，如果是根节点，则执行S1-4；如果是汇聚节点而不是根节点则执行S1-6；如果即不是汇聚节点也不是根节点则执行S1-7；

S1-4，更新智能节点i的配置脚本{P_ij|j∈Near(i)}，其中智能节点j为且将智能节点i的邻近节点；且将智能节点i更新的脚本配置P_ij的任务进行划分得到智能节点j更新的配置子脚本{P_jk|k∈Near(j)}；

S1-5，对智能节点i更新的配置脚本P_ij进行划分，得到智能节点j更新的配置脚本{P_jk|k∈Near(j)}，匹配并更新根节点的所有邻近节点j的配置子脚本{P_jk|k∈Near(j)}，直到所有节点的配置脚本都更新为止；

S1-6，通过最短路径，将更新的配置脚本由根节点r传递到智能节点i，再匹配并更新智能节点i的所有邻近智能节点j的配置脚本，再更新智能节点j的另一邻近智能节点k的配置脚本，直到传感节点达到最大跳数T；

S1-7，通过最短路径，只更新智能节点i的配置脚本，智能节点i没有其它可跳转的传感节点，所以其它节点的配置脚本保持不变。

优选的，所述S2中用户活动模式的统计包括：

S2-1，智能传感网络所收集的智能节点触发状态更新记录ds_c汇集到根节点，再上传给智能网关进行集中处理，其中1≤c≤Count(DS)，其中Count(DS)为触发状态更新记录DS总量；

S2-2，基于智能节点触发状态更新记录ds_c构建频繁模式树FP，从频繁模式序列中获取频繁支持度不小于阈值γ₁的基础事件Event_l(1≤l≤L)，其中L为用户所执行基础事件的总次数；

S2-3，获取智能网关的专家知识库中复杂事件的上下文验证信息，如果事件u，v间关联关系包括因果依赖u→v、时间关系u.EndTime≥v.StartTime、数据参数Count(计数)或Degree(程度)可通过上下文验证，则激活具备该上下文验证的专家知识，生成用户的原始活动模式AP_m，其中1≤m≤M，M为智能网关挖掘所得活动模式总量。

优选的，所述S2中对用户多粒度的活动模式进行脱敏：

S2-4，设定活动模式多粒度分级H＝<Time_H,Space_H>用于表示活动模式在时间与空间上不同程度的聚集，其中Time_H为时间粒度分级，Space_H为空间粒度分级；

S2-5，将目标用户群体在活动模式上的不同的隐私保护需求映射到Time_H和Space_H上，并基于时空粒度等级聚集原始活动模式AP_m，获取所需保护的活动模式RAP_b，其中1≤m≤M，M为活动模式的总量；1≤b≤B，其中B是所需保护的活动模式总量；

S2-6，用户群体所有的活动模式RAP_b初始化为待发布活动模式PAP_b；

S2-7，基于PAP_b中活动之间的时空关联性，获取在PAP_b前提下推断出RAP_b中精确时空信息的概率p_j，并从B个活动模式RAP_b中得到概率均值μ与标准差σ；概率均值μ接近于隐私保护阈值γ₂，标准差σ符合限制条件，则执行S2-8，如果不满足则执行S2-9；

S2-8，将待发布数据PAP_b发布到数据分析机构获取看护服务建议；

S2-9，如果PAP_j在时空粒度上并未达到最高聚集程度，则在时间粒度或空间粒度上提升相同活动类别的活动模式的聚集程度，再执行S2-7，否则执行S2-10；

S2-10，难以满足用户隐私保护需求，即发布最高聚集程度的PAP_b。

优选的，所述S3中获取符合看护需求的服务规则包括：

向第三方数据分析机构获取用户所需的服务建议，该服务建议基于用户群体的活动模式进行生成，并以IF-THEN规则的形式反馈给智能看护***；由于活动模式经过脱敏处理，其信息不精确，故而基于脱敏活动模式所生成的规则也不精确，智能看护***下每类用户活动会被反馈多种服务建议。

优选的，所述S4中实时看护服务包括：

S4-1，看护服务建议是以IF-THEN规则的形式，其前置条件与专家知识中复杂事件的上下文验证进行匹配，如果匹配失败，执行S4-2；如果匹配成功，执行S4-3；

S4-2，匹配失败规则可暂时存储于知识库中作为备选规则，可进行迁移并为其它有需求的用户提供服务建议；

S4-3，将所有匹配成功的看护服务规则放入规则引擎；

S4-4，规则引擎采用RETE网络在用户的日常活动进行推理，推理得到看护服务任务Task；

S4-5，基于智能环境***下不同功能的智能设备，将看护服务任务Task划分得到子任务{st_q|1≤q≤Q&st_q∈Task&∪st_q＝Task}，并把Q个看护子任务st_q分配到智能设备中，指导智能设备提供实时看护服务。

综上所述，由于采用了上述技术方案，本发明的有益效果是：

智能看护***通过智能感知、信息传输，计算与推理来引导用户尤其是老年人的生活，为他们提供一个更舒适、更安全、更节能的服务环境。如今用户不只满足于智能服务，还需防止其隐私泄露。该***着力于满足用户所需的隐私保护，且基于用户在不同时间、空间下的活动模式，包括睡觉，吃饭，个人卫生等为提供用户所需的实时看护。不同年龄、不同病情甚至于不同性别的用户对于隐私保护和智能看护的需求不同。由于智能看护***下的隐私保护体系具有可访问性，用户即使不是智能环境的专家，也可以自己调控该***的隐私保护程度。另外，面向用户活动模式的隐私保护体系使得智能保护***可以适应由用户的需求变化，智能设备可以自我配置，高效地维护用户隐私并提供看护服务。总之，一个实现隐私保护且高效服务的智能看护***更容易普及。

本发明的附加方面和优点将在下面的描述中部分给出，通过本发明的实践更明显了解其作用。

附图说明

本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解，其中：

图1是基于智能看护***的面向用户活动模式隐私保护实施方法流程图；

图2是智能看护***中智能节点配置脚本的更新流程图；

图3是面向活动模式隐私保护的具体算法流程图；

图4是智能看护***的结构示例图。

具体实施方式

下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的设备或具有相同或类似功能的配置文件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能理解为对本发明的限制。

一种基于智能看护***面向用户活动模式隐私的保护实施方法，其特征与该方法所包含的环境布置：对在一社区中所需智能看护服务的X个用户的家庭中安装传感器节点Node(index)个(index＝1,2,3…..X)，位于用户的各个房间如卧室、客厅、厕所、玄关、厨房等。并为该社区布置智能网关负责汇集所有采集的日常生活数据。

如图1所示，本发明提供了一种基于智能看护***面向用户活动模式隐私的保护实施方法，其关键在于，包括如下步骤：

步骤1，部署智能节点与智能网关，以轻量级脚本驱动智能节点收集、推理、计算、匹配用户日常活动数据，传递到智能网关进行集中处理；

步骤2，通过智能网关统计用户活动模式，并基于活动模式的多粒度特性以及活动模式之间的时空关联性对活动模式进行脱敏；

步骤3，将脱敏的活动模式上传到具有大数据挖掘与分析能力的数据分析机构，以获取可能符合用户看护需求的服务规则；

步骤4，智能网关上构建专家知识库，存储验证服务规则与未脱敏活动模式之间匹配性的知识，实现对不符用户看护需求的服务规则的过滤，且搭建规则推理引擎实现面向活动模式的实时看护服务。

图2智能看护***中智能节点配置脚本的更新流程图；

初始化脚本配置：所部署智能传感网络具有N个智能节点，智能节点i(1≤i≤N)存储脚本配置P_ij，代表该智能节点与智能节点j间的定义通讯规则、统计算数计算规则，推理规则，特征数据匹配规则等多个模块。根节点r(1≤r≤N)存储由智能网关所赋予的配置{P_ij|1≤i≤j≤N}，脚本配置由根节点开始跳转并分配到其余汇集节点以及传感节点，其中最大跳数为T。

更新配置脚本：配置脚本包括通讯规则、上下文配置、活动特征规则，各类别的配置脚本可存储于智能节点的不同模块。更新配置脚本首先确定哪个智能节点的配置脚本需要更新和哪种类型的配置脚本需要更新，如果该智能节点i为根节点，则更新只能节点i的配置脚本{P_ij|j∈Near(i)}，其中智能节点j为且将智能节点i的邻近节点。再对智能节点i更新的配置脚本P_ij进行划分，得到智能节点j更新的配置脚本{P_jk|k∈Near(j)}，匹配并更新根节点的所有邻近智能节点j的配置子脚本{P_jk|k∈Near(j)}，直到所有智能节点的配置脚本都更新为止。如果该智能节点i为汇聚节点，则通过最短路径，将更新的配置脚本由根节点r传递到智能节点i，再匹配并更新智能节点i的所有邻近智能节点j的配置脚本，再更新智能节点j的邻近智能节点k的配置脚本，直到传感节点达到最大跳数T；如果该智能节点为传感节点，则通过最短路径，只更新智能节点i的配置脚本，智能节点i没有其它可跳转的传感节点，所以其它智能节点的配置脚本保持不变。

图3是面向活动模式隐私保护的具体算法流程图；

日常数据收集：所采集的日常生活数据来源于一段时间内智能节点每次触发状态更新的记录ds_c＝(Sensor_c,Time_c,Space_c,Status_c)，所述下标c代表日常生活原始数据记录序号，第c条智能节点触发状态更新记录，Sensor_c为智能节点特征包括节点类型以及参数，Time_c为智能节点触发状态改变的时间，Space_c为智能节点所部署地点，Status_c为智能节点的触发状态：

活动模式生成：用户的活动模式表示用户所执行的复杂事件，待发布活动模式生成的算法描述如下：

1、智能传感网络所收集的智能节点触发状态更新记录ds_c汇集到根节点，再上传给智能网关进行集中处理，其中1≤c≤Count(DS)，其中Count(DS)为触发状态更新记录DS总量。

2、基于智能节点触发状态更新记录ds_c构建频繁模式树FP，从频繁模式序列中获取频繁支持度不小于阈值γ₂的基础事件Event_l(1≤l≤L)，其中L为用户所执行基础事件的总次数。

3、获取智能网关的专家知识库中复杂事件的上下文验证信息，如果事件u，v间关联关系包括因果依赖u→v、时间关系u.EndTime≥v.StartTime、数据参数Count(计数)或Degree(程度)可通过上下文验证，则激活具备该上下文验证的专家知识，生成用户的原始活动模式AP_m，其中1≤m≤M，M为智能网关挖掘所得活动模式总量。

4、将目标用户群体在活动模式上的不同的隐私保护需求映射到Time_H和Space_H上，并基于时空粒度等级聚集原始活动模式AP_m，获取所需保护的活动模式RAP_b，其中1≤m≤M，M为活动模式的总量；1≤b≤B，其中B是所需保护的活动模式总量。

5、用户群体所有的活动模式RAP_b初始化为待发布活动模式PAP_b。

表1STRAW-EPL下的复杂事件

活动模式脱敏：用户待发布活动模式PAP_b受到本身和其它种类活动模式之间时空关联性的影响，可能会导致敏感活动模式RAP_b过度泄露，通过在时间、空间粒度上改变PAP_b的聚集程度可以防止隐私泄露，其粒度调控算法描述如下：

基于PAP_b中活动模式间的时空关联性<R₁,R₂,R₃>，以获取在PAP_b前提下推断出RAP_b中精确时空信息的概率p_j，并从B个活动模式RAP_b中得到概率均值μ与标准差σ。粒度调控是的概率均值μ接近于隐私保护阈值γ₂，如果标准差σ符合限制条件，则粒度调控完成。如果难以满足用户隐私保护需求，即发布最高聚集程度的PAP_b。

表2活动模式的时空关联性

图4是智能看护***的结构示例图。

智能节点层：由携带各种用于采集用户数据的传感网络并以配置脚本驱动方式进行推理、匹配、计算。另外，可基于服务规则指导智能设备为用户提供看护服务。

智能网关层：实现数据的汇集，并基于模式之间时空相关性的专家知识实现活动模式脱敏，再将反馈所得看护服务规则进行统一管理、优化分配，而且负责管理智能节点的运作，包括脚本配置更新、看护任务分配。

数据分析机构：通常是具有庞大专家知识库且具有大数据处理能力的企业，可汇集用户活动模式，并基于用户活动模式生成适合于用户的看护服务建议。

基于上述技术方案，本发明的有益效果为：

智能看护***通过智能感知、信息传输，计算与推理来引导用户尤其是老年人的生活，为他们提供一个更舒适、更安全、更节能的服务环境。如今用户不只满足于智能服务，还需防止其隐私泄露。该***着力于满足用户所需的隐私保护，且基于用户在不同时间、空间下的活动模式，包括睡觉，吃饭，个人卫生等为提供用户所需的实时看护。不同年龄、不同病情甚至于不同性别的用户对于隐私保护和智能看护的需求不同。由于智能看护***下的隐私保护体系具有可访问性，用户即使不是智能环境的专家，也可以自己调控该***的隐私保护程度。另外，面向用户活动模式的隐私保护体系使得智能保护***可以适应由用户的需求变化，智能设备可以自我配置，高效地维护用户隐私并提供看护服务。总之，一个实现隐私保护且高效服务的智能看护***更容易普及。

尽管已经示出和描述了本发明的实施例，本领域的普通技术人员可以理解：在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由权利要求及其等同物限定。

Claims (7)

1.一种基于智能看护***面向用户活动模式隐私保护实施方法，其特征在于，包括如下步骤：

S1，部署智能节点与智能网关，以轻量级脚本驱动智能节点收集、推理、计算、匹配用户日常活动数据，传递到智能网关进行集中处理；

S2，通过智能网关统计用户活动模式，并基于活动模式的多粒度特性以及活动模式之间的时空关联性对活动模式进行脱敏；

S3，将脱敏的活动模式上传到具有大数据挖掘与分析能力的数据分析机构，以获取可能符合用户看护需求的服务规则；

S4，智能网关上构建专家知识库，存储验证服务规则与未脱敏活动模式之间匹配性的知识，实现对不符用户看护需求的服务规则的过滤，且搭建规则推理引擎实现面向活动模式的实时看护服务。

2.根据权利要求1所述的基于智能看护***的面向用户活动模式隐私保护实施方法，其特征在于，所述S1中智能节点所采集的日常生活数据来源于一段时间内智能节点每次触发状态更新记录ds_c＝(Sensor_c,Time_c,Space_c,Status_c)，所述下标c代表日常生活原始数据记录序号，第c条智能节点触发状态更新记录，Sensor_c为智能节点特征包括节点类型以及参数，Time_c为智能节点触发状态改变的时间，Space_c为智能节点所部署地点，Status_c为智能节点的触发状态：

3.根据权利要求1所述的基于智能看护***的面向用户活动模式隐私保护实施方法，其特征在于，所述S1中智能节点中轻量级脚本可驱动、推理、计算、匹配，其更新算法包括：

S1-1，所部署智能传感网络具有N个智能节点，智能节点i存储脚本配置P_ij，代表该节点与智能节点j间的定义通讯规则、统计算数计算规则，推理规则，特征数据匹配规则；根节点r(1≤r≤N)存储由智能网关所赋予的配置{P_ij|1≤i≤j≤N}，脚本配置由智能根节点开始跳转并分配到其余汇集节点以及传感节点，其中最大跳数为T；

S1-2，检查智能节点i所存储的配置脚本是否需要更新，如果需要更新则执行S1-3，否则智能节点i的配置脚本保持不变；

S1-3，判断智能节点i是否为根节点或汇聚节点，如果是根节点，则执行S1-4；如果是汇聚节点而不是根节点则执行S1-6；如果即不是汇聚节点也不是根节点则执行S1-7；

S1-4，更新智能节点i的配置脚本{P_ij|j∈Near(i)}，其中智能节点j为且将智能节点i的邻近节点；且将智能节点i更新的脚本配置P_ij的任务进行划分得到智能节点j更新的配置子脚本{P_jk|k∈Near(j)}；

S1-5，对智能节点i更新的配置脚本P_ij进行划分，得到智能节点j更新的配置脚本{P_jk|k∈Near(j)}，匹配并更新根节点的所有邻近节点j的配置子脚本{P_jk|k∈Near(j)}，直到所有节点的配置脚本都更新为止；

S1-6，通过最短路径，将更新的配置脚本由根节点r传递到智能节点i，再匹配并更新智能节点i的所有邻近智能节点j的配置脚本，再更新智能节点j的另一邻近智能节点k的配置脚本，直到传感节点达到最大跳数T；

S1-7，通过最短路径，只更新智能节点i的配置脚本，智能节点i没有其它可跳转的传感节点，所以其它节点的配置脚本保持不变。

4.根据权利要求1所述的基于智能看护***面向用户活动模式隐私保护实施方法，其特征在于，所述S2中用户活动模式的统计包括：

S2-1，智能传感网络所收集的智能节点触发状态更新记录ds_c汇集到根节点，再上传给智能网关进行集中处理，其中1≤c≤Count(DS)，其中Count(DS)为触发状态更新记录DS总量；

S2-2，基于智能节点触发状态更新记录ds_c构建频繁模式树FP，从频繁模式序列中获取频繁支持度不小于阈值γ₁的基础事件Event_l(1≤l≤L)，其中L为用户所执行基础事件的总次数；

S2-3，获取智能网关的专家知识库中复杂事件的上下文验证信息，如果事件u，v间关联关系包括因果依赖u→v、时间关系u.EndTime≥v.StartTime、数据参数Count(计数)或Degree(程度)可通过上下文验证，则激活具备该上下文验证的专家知识，生成用户的原始活动模式AP_m，其中1≤m≤M，M为智能网关挖掘所得活动模式总量。

5.根据权利要求1所述的基于智能看护***面向用户活动模式隐私保护实施方法，其特征在于，所述S2中对用户多粒度的活动模式进行脱敏：

S2-4，设定活动模式多粒度分级H＝<Time_H,Space_H>用于表示活动模式在时间与空间上不同程度的聚集，其中Time_H为时间粒度分级，Space_H为空间粒度分级；

S2-5，将目标用户群体在活动模式上的不同的隐私保护需求映射到Time_H和Space_H上，并基于时空粒度等级聚集原始活动模式AP_m，获取所需保护的活动模式RAP_b，其中1≤m≤M，M为活动模式的总量；1≤b≤B，其中B是所需保护的活动模式总量；

S2-6，用户群体所有的活动模式RAP_b初始化为待发布活动模式PAP_b；

S2-7，基于PAP_b中活动之间的时空关联性，获取在PAP_b前提下推断出RAP_b中精确时空信息的概率p_j，并从B个活动模式RAP_b中得到概率均值μ与标准差σ；概率均值μ接近于隐私保护阈值γ₂，标准差σ符合限制条件，则执行S2-8，如果不满足则执行S2-9；

S2-8，将待发布数据PAP_b发布到数据分析机构获取看护服务建议；

S2-9，如果PAP_j在时空粒度上并未达到最高聚集程度，则在时间粒度或空间粒度上提升相同活动类别的活动模式的聚集程度，再执行S2-7，否则执行S2-10；

S2-10，难以满足用户隐私保护需求，即发布最高聚集程度的PAP_b。

6.根据权利要求1所述的基于智能看护***面向用户活动模式隐私保护实施方法，其特征在于，所述S3中获取符合看护需求的服务规则包括：

向第三方数据分析机构获取用户所需的服务建议，该服务建议基于用户群体的活动模式进行生成，并以IF-THEN规则的形式反馈给智能看护***；由于活动模式经过脱敏处理，其信息不精确，故而基于脱敏活动模式所生成的规则也不精确，智能看护***下每类用户活动会被反馈多种服务建议。

7.根据权利要求1所述的基于智能看护***面向用户活动模式隐私保护实施方法，其特征在于，所述S4中实时看护服务包括：

S4-1，看护服务建议是以IF-THEN规则的形式，其前置条件与专家知识中复杂事件的上下文验证进行匹配，如果匹配失败，执行S4-2；如果匹配成功，执行S4-3；

S4-2，匹配失败规则可暂时存储于知识库中作为备选规则，可进行迁移并为其它有需求的用户提供服务建议；

S4-3，将所有匹配成功的看护服务规则放入规则引擎；

S4-4，规则引擎采用RETE网络在用户的日常活动进行推理，推理得到看护服务任务Task；

S4-5，基于智能环境***下不同功能的智能设备，将看护服务任务Task划分得到子任务{st_q|1≤q≤Q&st_q∈Task&∪st_q＝Task}，并把Q个看护子任务st_q分配到智能设备中，指导智能设备提供实时看护服务。