随着数据技术的飞速发展,数据资源已成为推动经济转型和发展的重要动力。近年来随着智能移动终端普及、医疗管理的数字化,健康医疗数据也呈爆发式地增长,我们把目前所有健康医疗数据的聚合体称为医疗大数据。我国看到发展医疗大数据的战略价值,正加大力度号召各单位积极建设医疗大数据。但医疗大数据中包含有大量患者和从业者的个人隐私信息,容易遭受外部攻击或出现部分从业者从内部泄露并以此牟利,使得相关医院不愿意将自己信息系统的数据共享出去,因此在数据共享时提供一系列的防护措施显得尤为重要。其中访问控制作为数据安全的一个重要手段,在处理合理的用户访问合适的共享资源时有着独特的优势。但是传统的访问控制方法由于其静态的权限分配方法显然不能支撑如此大体量的数据,所以迫切的需要适合医疗大数据的动态访问控制方法。其中基于信任的访问控制方法是其中一个较有潜力的方法,但是目前的基于信任的访问控制方法中对信任的量化与医疗大数据结合度不高、权限分配的细粒度不够,因此本文着重探究适合目前医疗大数据环境下信任访问控制的信任量化方法如下:1.构建基于医生历史行为的综合信任量化模型,旨通过深度神经网络学习到医生历史行为的低维表示,通过对比整个科室内医生低维表示的关系得到其综合信任值。该模型首先将病案所含有的信息进行n-hot编码,然后根据医生的历史访问的病案,通过移动指数平均法将每个特征按照从老到新聚合在一起,并且使用熵权法得到医生关注的特征的权重,并将两者按元素相乘得到医生的历史访问特征。然后按照一定的策略将医生的访问病案过程转化为医生向另一个医生学习的过程,从而构建了一份医生-医生的有向交互拓扑图。最后采用多层图卷积神经网络（GCN）将医生特征仿射变换预测医生所属的科室,并将最后一层隐藏层特征作为每位医生的低维表示,用医生与科室中心表示的余弦距离表示医生的综合信任值。最后通过模拟实验与现有模型对比,证明本模型更能够有效的分辨出具有恶意访问行为的医生。2.构建医生当前访问的可信度量化模型,旨通过深度神经网络学习到病案数据之间的联系以及访问历史与当前访问行为的联系,得到病案和医生当前工作目标的低维表示,通过工作目标与下次访问的病案表示的相似性得到当前访问的可信度。该模型由于从病案关系入手,病案-病案的交互矩阵会非常大,所以该用随机游走的方式进行病案特征的聚合,使得聚合的病案表示既有自身和邻居节点的特征又有拓扑关系。然后通过GRU网络将医生的访问记录输入,以最后一层隐藏层的输出作为医生当前的工作状态表示。简单的将表示向量归一化后进行乘积就能得到本次访问行为的可信度。由于缺少的相关研究,本模型主要探究各种超参数对模型的影响。