CN111461558B - 关键数据安全销毁评估方法 - Google Patents

关键数据安全销毁评估方法 Download PDF

Info

Publication number
CN111461558B
CN111461558B CN202010261642.2A CN202010261642A CN111461558B CN 111461558 B CN111461558 B CN 111461558B CN 202010261642 A CN202010261642 A CN 202010261642A CN 111461558 B CN111461558 B CN 111461558B
Authority
CN
China
Prior art keywords
index
data
destruction
evaluation
matrix
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202010261642.2A
Other languages
English (en)
Other versions
CN111461558A (zh
Inventor
付钰
许炎义
于游
俞艺涵
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Naval University of Engineering PLA
Original Assignee
Naval University of Engineering PLA
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Naval University of Engineering PLA filed Critical Naval University of Engineering PLA
Priority to CN202010261642.2A priority Critical patent/CN111461558B/zh
Publication of CN111461558A publication Critical patent/CN111461558A/zh
Application granted granted Critical
Publication of CN111461558B publication Critical patent/CN111461558B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Economics (AREA)
  • Educational Administration (AREA)
  • Development Economics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Molecular Biology (AREA)
  • Mathematical Physics (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Game Theory and Decision Science (AREA)
  • Health & Medical Sciences (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了关键数据安全销毁评估方法，该方法根据数据安全销毁与实际场景之间的利益关系及数据销毁方法自身的性能，给出了合理的指标体系以及权重确定方法，以便后续效果评估的展开。另外，考虑到评判过程中存在着非线性关系，依据指标体系、专家打分、实际销毁数据统计等给出了一种基于AHP和卷积神经网络的关键数据安全销毁方法，从而得到每种销毁方法的合理评估值，为数据销毁方案的制定提供依据。

Description

关键数据安全销毁评估方法
技术领域
本发明属于数据销毁技术领域，具体涉及一种关键数据安全销毁评估方法。
技术背景
目前，常用的数据安全销毁效果评估方法有：层次分析法、线性加权平均法、基于灰色理论的评估方法和模糊综合评估方法。
其中，层次分析法是通过对评价标准进行量化从而为决策者提供决策依据的方法。首先，找出影响问题评判的主要因素，分析其关联隶属关系，构成递阶层次结构模型，通过各层次中各因素间的两两比较确定其相对重要性，最后进行综合判断。该方法有数学理论基础，结论较为可靠。
线性加权平均是指通过计算得到指标无量纲化结果后，从而对各项指标结果进行加权合成，该种方法计算简单方便，理论不复杂逻辑清晰。
基于灰色理论的评估方法分为基于灰色关联分析和基于灰色白化权函数两种方法，该方法需要的信息不多，不要求大量样本，计算工作量小，定性和定量均可采用。
模糊综合评估方法首先需要确定隶属度矩阵，根据选择的合成算子和权重向量合成从而确定隶属度矩阵需要，进而构造隶度函数，该方法结果直观，有数学依据，不要求样本量，定性和定量指标皆可采用。
但是，上述几种方法一旦评估中的各个参数确定后，在进行评估的过程中系统无法根据评估数据的现实情况对其进行调整，人为干预因素多，评估结果主观因数大，准确性较低。
参考文献：
[1]赵战生、谢宗晓.信息安全风险评估(第二版)[M].中国标准出版社,2016.
[2]lanGoodfellow.赵申剑,樊姚君,符天凡,等[译].深度学习[M].人民邮电出版社,2017.
发明内容
本发明的目的是针对上述技术问题，提供一种关键数据安全销毁评估方法，该方法针对数据安全销毁的效果与实际场景的利益关系，给出了合理的销毁效果评估指标，并鉴于评价过程中的非线性因素，提出了销毁效果的神经网络评判方法，从而得到不同销毁方法的销毁效果的量化表示，为数据销毁方案的制定提供了依据。
为实现此目的，本发明所设计的一种关键数据安全销毁评估方法，它包括如下步骤：
步骤1：建立数据销毁效果的评估指标体系，该评估指标体系包括经济性指标、快捷性指标、适用性指标、完备性指标和可靠性指标，经济性指标用于体现所选用的数据销毁方法对存储资源的耗费是否小于要销毁的数据的价值，快捷性指标用于体现所选用的数据销毁方法所耗费的时间，适用性指标用于表示所选用的数据销毁方法对特定介质产生效果是否适用，以上三种指标主要用于对数据销毁的消耗进行评判，可归属于条件性指标；完备性指标用于表示所选用的数据销毁方法对数据进行销毁操作后是否仍然有残留的数据信息，可靠性指标表示采用所选用的数据销毁方法对数据进行销毁操作后，数据恢复的可能性，以上两种指标主要用于判断数据销毁的程度，可以归属于有效性指标；
步骤2：采用层次分析法对所述评估指标体系中的指标进行权重赋予，权重赋予的具体方法如下；
在层次分析法中，将评估指标体系中的每两个特征要素进行两两判断时，一共进行n(n-1)/2次两两判断，其中，n为特征数，特征要素为评估指标体系中的指标；
根据所述评估指标体系，通过专家咨询法问卷调查，选取数据销毁领域n位专家，分别对所述评估指标体系中的各个指标的重要程度进行打分，并根据打分的结果，得到评估指标体系的两两判别矩阵；
对所得的两两判别矩阵进行层次单排序，计算对于上一层次中某个因素而言本层次中与之有联系的因素的重要性次序的权值，并通过公式：
AW＝λmaxW
得到两两判别矩阵的特征值及特征向量，其中A为两两判别矩阵，λmax为两两判别矩阵的最大特征值，W就是相应的特征向量，组成特征向量的每一个元素Wi即为所要求的层次单排序的权重值；
步骤3：结合评估指标体系中的指标及数据安全销毁的评判标准，给出数据销毁评估结果，具体如下：
给出p种数据销毁后的销毁程度结果，请q位专家对每种销毁情况下对评估指标体系中的各个分别打分，作为评分依据，利用步骤2中得到的权重计算得到数据销毁结果，共p×q条；
步骤4：结合层次分析法方法得到的数据销毁评估结果，利用卷积神经网络方法，构建数据销毁效果评估模型。
本发明相对于现有数据安全销毁评估方法主要有以下优势：
1、所设计的数据销毁方案充分考虑了实际场景中数据与利益的关系。
现有的数据安全销毁方法没有考虑场景与数据销毁结果之间的关系，仅是针对数据本身的销毁效果。本发明考虑到在不同实际场景中，数据安全销毁的程度对该场景下数据泄露的影响，因此设计了条件性指标和有效性指标两部分评判标准，更加全面、合理的对数据安全销毁结果进行评估。
2、所设计的数据销毁方案考虑了评估过程中的非线性关系。
现有的数据安全销毁评估方法没有对数据销毁后的指标的复杂非线性关系进行考虑，仅是考虑了数据销毁后的各项数值统计。本发明结合专家经验和AHP(AnalyticHierarchy Process，层次分析法)方法，考虑了评估过程中动态性等复杂非线性因素，给出了一种基于AHP和卷积神经网络的数据安全销毁评估方法，从而更加合理对销毁结果进行评估，为销毁方案的制定提供依据。
附图说明
图1为本发明中数据销毁效果评估模型；
图2为本发明中一致性检验流程图；
图3为本发明中数据销毁效果评估指标体系。
具体实施方式
以下结合附图和实施例对本发明作进一步的详细说明：
如图1～3所示的一种关键数据安全销毁评估方法，其特征在于，它包括如下步骤：
步骤1：建立数据销毁效果的评估指标体系，该评估指标体系包括条件性指标和有效性指标，其中条件性指标包括经济性指标、快捷性指标、适用性指标，有效性指标包括完备性指标和可靠性指标。经济性指标用于体现所选用的数据销毁方法对存储资源的耗费是否小于要销毁的数据的价值，即在经济方面方法得选择是否合理，量化计算后的值越大经济型越好，快捷性指标用于体现所选用的数据销毁方法所耗费的时间，也就是数据销毁的速度，量化计算后的数值越大则表示数据销毁速度越快，适用性指标用于表示所选用的数据销毁方法对特定介质产生效果是否适用，比如消磁法只对磁介质存储装置产生效果，所以在评估时，要考虑的方法对不同介质是否适用。量化计算后的数值越大就表示此销毁方法的适用性越好，完备性指标用于表示所选用的数据销毁方法对数据进行销毁操作后是否仍然有残留的数据信息，量化计算后数值越大表示越彻底，完备性越好，可靠性指标表示采用所选用的数据销毁方法对数据进行销毁操作后，数据恢复的可能性，量化计算后所得到的数值越大，就表示数据销毁方法的可靠性越好；
步骤2：采用层次分析法对所述评估指标体系中的指标进行权重赋予，权重赋予的具体方法如下；
在层次分析法中，将评估指标体系中的每两个特征要素进行两两判断时，一共进行n(n-1)/2次两两判断，其中，n为特征数，特征要素为评估指标体系中的指标；
在层次分析法中，经过研究表明，当两两比较的因素过多，人的判断会受到很大影响，普遍来说尺度在7±2范围比较合适，比如以9个为限，用1至9的尺度表示它们之间的差别，如下表所示：
重要性等级及其赋值表
Figure BDA0002439533310000051
根据所述评估指标体系，通过专家咨询法问卷调查，选取数据销毁领域n位专家，分别对所述评估指标体系中的各个指标的重要程度进行打分，并根据打分的结果，得到评估指标体系的两两判别矩阵；
判别矩阵表
经济性 快捷性 适用性 完备性 可靠性
经济性 1 1/a 1/b 1/c 1/d
快捷性 a 1 1/e 1/f 1/g
适用性 b e 1 1/h 1/i
完备性 c f h 1 1/j
可靠性 d g i j 1
对所得的两两判别矩阵进行层次单排序，计算对于上一层次中某个因素而言本层次中与之有联系的因素的重要性次序的权值，并通过公式：
AW＝λmaxW
得到两两判别矩阵的特征值及特征向量，其中A为两两判别矩阵，λmax为两两判别矩阵的最大特征值，W就是相应的特征向量，组成特征向量的每一个元素Wi即为所要求的层次单排序的权重值；
步骤3：结合评估指标体系中的指标及数据安全销毁的评判标准，给出数据销毁评估结果，具体如下：
给出p种数据销毁后的销毁程度结果，请q位专家对每种销毁情况下对评估指标体系中的各个分别打分，作为评分依据，利用步骤2中得到的权重计算得到数据销毁结果，共p×q条；
上述技术方案的步骤2中，所述两两判别矩阵的特征向量W和最大特征值λmax采用正规化求和法进行计算，其计算步骤如下：
首先对两两判别矩阵的每一列进行正规化，即：
Figure BDA0002439533310000061
其中，aij表示第i行的第j个元素，bij表示正规化之后的元素，n表示两两判别矩阵的阶数，即特征数，正规化后，每一列元素之和都是1。
各列正规化后的判断矩阵按行相加，即：
Figure BDA0002439533310000062
其中，vi表示第i行元素之和；
再对向量v＝[v1,v2,…,vn]T进行正规化，v1表示第1行元素之和，v2表示第2行元素之和，vn表示第n行元素之和，T表示矩阵的转置：
Figure BDA0002439533310000063
这样得到的向量[W1,W2,…Wn]T即为权重向量，其中，Wi表示所要求的层次单排序的权重值，W1为所要求的第一层次单排序的权重值，W2为所要求的第一层次单排序的权重值，Wn为所要求的第一层次单排序的权重值；
最后计算两两判别矩阵的最大特征值λmax：
Figure BDA0002439533310000071
上式中(AW)i表示AW的第i个元素，其中A为两两判别矩阵，λmax为两两判别矩阵的最大特征值，W就是相应的特征向量，组成特征向量的每一个元素Wi即为所要求的层次单排序的权重值。
上述技术方案的步骤2中，为避免专家对每两个特征要素进行两两比较时出现的自相矛盾现象，在进行层次单排序时要进行检验一致性，检验的步骤如下：
首先计算一致性指标CI:
Figure BDA0002439533310000072
其中，λmax为两两判别矩阵的最大特征值，n表示两两判别矩阵的阶数；
一致性指标CI是衡量两两判别矩阵A对其特征向量矩阵偏离程度的一个尺度；
然后，定义两两判别矩阵的随机一致性指标均值RI；n的取值为3-9阶，依据随机一致性指标对照表查出对应的RI，考虑到当n的取值为1、2阶判断矩阵总有完全一致性，其正互反矩阵总是一致阵，所以此时RI的数值自然为0。由此，1-9阶的判断矩阵的RI如表所示：
矩阵阶数为1-9的RI取值表
阶数 1 2 3 4 5 6 7 8 9
RI 0.00 0.00 0.58 0.90 1.12 1.24 1.32 1.41 1.45
最后计算两两判别矩阵的一致性比率CR:
Figure BDA0002439533310000081
利用一致性比率CR对两两判别矩阵A进行一致性检验，当通过一致性检验后，得到各个指标的权重。
利用一致性比率CR对两两判别矩阵A进行一致性检验的具体方法为，当CR≤0.1时认为两两判别矩阵A的不一致程度在容许范围之内，则表示通过检验；当CR＞0.1时，则判断矩阵没有通过一致性检验，需要对判断矩阵作适当的修正并继续检验直至通过。
上述技术方案的步骤4中，利用评估指标体系中的各个指标对数据销毁程度按预设规则进行评判，得到数据销毁程度对应的各个指标的指标值，将各个指标的指标值输入到数据销毁效果评估模型，最终得到关键数据安全销毁评估结果。
上述技术方案的步骤4中结合层次分析法方法得到的数据销毁评估结果，利用卷积神经网络方法，构建数据销毁效果评估模型的具体方法为：
首先对得到的数据销毁评估结果进行初步的处理，随机选取数据量的90％作为卷积神经网络的训练数据，另外10％作为测试数据；
根据评估指标体系中指标的个数设置输入层神经元的个数，根据卷积神经网络仿真实验的结果设置卷积核个数、卷积核大小、全连接层神经元个数、批尺寸、迭代训练次数、丢弃率、学习率，使得卷积神经网络仿真实验误差最小；
设有K个卷积核，对输入向量进行卷积操作，得到：
Hj c＝Sig(input*Kj+bj),j＝1,2,…,num
其中，Hj c表示卷积层c的第j个特征向量，Kj为卷积核，bj为偏置，Sig为sigmod函数，input表示输入，num为特征数量；
对卷积进行池化处理,卷积操作仅仅是加深了向量中的特征信息，但并未减少参数的数量，因此要对其进行池化操作，以达到降维的效果，并且经池化操作后还可以避免后续运算的过拟合现象，池化的方式对上一层特征图的相邻小区域进行聚合计算，常用的池化操作有最大池化、最小池化、平均池化，其中，最大池化操作最为常见，池化后的特征可以表示为：
HPj c＝Sig(βj*maxpool(Hj c)+bpj),j＝1,2,…,num
其中，HPj c表示池化层c的第j个特征向量，βj为池化层参数矩阵，bpj为池化层偏置量，maxpool表示最大池化操作，num为特征数量；
池化操作改变了数据的大小，而其深度不变，在进行池化操作后，需将所得到的结果进行连接，即全连接层，连接后的特征向量如下所示：
Hcon＝[HPj 1,HPj 2,…,HPj n]
其中，HPj 1表示池化层1的第j个特征向量，HPj 2表示池化层2的第j个特征向量，HPj n表示池化层n的第j个特征向量；
得到全连接向量Hcon后，再对得到的特征向量进行一个非线性转换：
O＝relu(Ω*Hcon+bo)其中，O是卷积神经网络全连接层中的特征向量，Ω是卷积神经网络全连接层中对应的参数矩阵，bo是偏置向量，Ω和bo均可通过学习得到,relu为线性整流函数(Rectified Linear Unit)；
最终将得到的特征向量输入到分类层中，得到最终的数据销毁评估结果；
y＝Ωy T*O+by其中，y为输出，表示为预测属于每个类别的预测值，Ωy为输出层的参数矩阵，T表示矩阵的转置，by为输出偏置，为更加清楚的对结果进行分析，进而采用softmax方法(一种归一化方法)对输出进行归一化；
数据销毁评估结果属于第i个安全级别的概率pi为：
Figure BDA0002439533310000101
其中，yi表示预测属于i个类别的预测值，e表示自然常数，在本发明的综合评价中，对于每一个指标设定t个级别的评价结果K，即K＝[K1,K2,…,Kt]＝[特别好，很好，好，……，一般，……，特别差]，并且赋值为K＝[t,t-1,…,1]由d位经验丰富的人员对指标价值体系进行评估，由每个专家单独对指标层的每个指标进行等级打分，通过本发明中提出方法，最终得到数据安全销毁效果的计算结果，结合设置的评价等级分数判定其等级。
Figure BDA0002439533310000102
本发明中步骤1～3说明数据安全销毁评估方法中的指标权重确定，其核心是如何合理的制定数据宝剑销毁评估过程中能够有效反映销毁效果的指标以及如何科学的通过计算得到对应的指标权重，从而利于后续评估的展开。步骤3～4说明数据安全销毁评估方法中销毁方法评估计算方法，其核心是如何通过制定合理的评估计算方法对不同的销毁方法的销毁效果进行量化表示，最终确定不同方法的安全销毁等，从而为数据销毁方案的制定提供依据。
本说明书未作详细描述的内容属于本领域专业技术人员公知的现有技术。

Claims (6)

1.一种关键数据安全销毁评估方法，其特征在于，它包括如下步骤：
步骤1：建立数据销毁效果的评估指标体系，该评估指标体系包括对数据销毁消耗评判的条件性指标和对数据销毁程度进行评判的有效性指标，其中条件性指标包括经济性指标、快捷性指标、适用性指标，经济性指标用于体现所选用的数据销毁方法对存储资源的耗费是否小于要销毁的数据的价值，快捷性指标用于体现所选用的数据销毁方法所耗费的时间，适用性指标用于表示所选用的数据销毁方法对特定介质产生效果是否适用；有效性指标包括完备性指标和可靠性指标，完备性指标用于表示所选用的数据销毁方法对数据进行销毁操作后是否仍然有残留的数据信息，可靠性指标表示采用所选用的数据销毁方法对数据进行销毁操作后，数据恢复的可能性；
步骤2：采用层次分析法对所述评估指标体系中的指标进行权重赋予，权重赋予的具体方法如下；
在层次分析法中，将评估指标体系中的每两个特征要素进行两两判断时，一共进行n(n-1)/2次两两判断，其中，n为特征数，特征要素为评估指标体系中的指标；
根据所述评估指标体系，通过专家咨询法问卷调查，选取数据销毁领域n位专家，分别对所述评估指标体系中的各个指标的重要程度进行打分，并根据打分的结果，得到评估指标体系的两两判别矩阵；
对所得的两两判别矩阵进行层次单排序，计算对于上一层次中某个因素而言本层次中与之有联系的因素的重要性次序的权值，并通过公式：
AW＝λmaxW
得到两两判别矩阵的特征值及特征向量，其中A为两两判别矩阵，λmax为两两判别矩阵的最大特征值，W就是相应的特征向量，组成特征向量的每一个元素Wi即为所要求的层次单排序的权重值；
步骤3：结合评估指标体系中的指标及数据安全销毁的评判标准，给出数据销毁评估结果，具体如下：
给出p种数据销毁后的销毁程度结果，请q位专家对每种销毁情况下对评估指标体系中的各个分别打分，作为评分依据，利用步骤2中得到的权重计算得到数据销毁结果，共p×q条；
步骤4：结合层次分析法方法得到的数据销毁评估结果，利用卷积神经网络方法，构建数据销毁效果评估模型。
2.根据权利要求1所述的关键数据安全销毁评估方法，其特征在于：所述步骤2中，所述两两判别矩阵的特征向量W和最大特征值λmax采用正规化求和法进行计算，其计算步骤如下：
首先对两两判别矩阵的每一列进行正规化，即：
Figure FDA0002439533300000021
其中，aij表示第i行的第j个元素，b ij表示正规化之后的元素，n表示两两判别矩阵的阶数，即特征数；
各列正规化后的判断矩阵按行相加，即：
Figure FDA0002439533300000022
其中，vi表示第i行元素之和；
再对向量v＝[v1,v2,…,vn]T进行正规化，其中，v1表示第1行元素之和，v2表示第2行元素之和，vn表示第n行元素之和，T表示矩阵的转置：
Figure FDA0002439533300000023
这样得到的向量[w1,w2,…wn]T即为权重向量，其中，Wi表示所要求的层次单排序的权重值,W1为所要求的第一层次单排序的权重值，W2为所要求的第一层次单排序的权重值，Wn为所要求的第一层次单排序的权重值；
最后计算两两判别矩阵的最大特征值λmax：
Figure FDA0002439533300000031
上式中(AW)i表示AW的第i个元素，其中A为两两判别矩阵，λmax为两两判别矩阵的最大特征值，W就是相应的特征向量，组成特征向量的每一个元素Wi即为所要求的层次单排序的权重值。
3.根据权利要求1所述的关键数据安全销毁评估方法，其特征在于：所述步骤2中，为避免专家对每两个特征要素进行两两比较时出现的自相矛盾现象，在进行层次单排序时要进行检验一致性，检验的步骤如下：
首先计算一致性指标CI:
Figure FDA0002439533300000032
其中，λmax为两两判别矩阵的最大特征值，n表示两两判别矩阵的阶数；
一致性指标CI是衡量两两判别矩阵A对其特征向量矩阵偏离程度的一个尺度；
然后，定义两两判别矩阵的随机一致性指标均值RI，依据随机一致性指标对照表查出对应的RI；
最后计算两两判别矩阵的一致性比率CR:
Figure FDA0002439533300000033
利用一致性比率CR对两两判别矩阵A进行一致性检验，当通过一致性检验后，得到各个指标的权重。
4.根据权利要求3所述的关键数据安全销毁评估方法，其特征在于：利用一致性比率CR对两两判别矩阵A进行一致性检验的具体方法为，当CR≤0.1时认为两两判别矩阵A的不一致程度在容许范围之内，则表示通过检验；当CR＞0.1时，则判断矩阵没有通过一致性检验。
5.根据权利要求1所述的关键数据安全销毁评估方法，其特征在于：所述步骤4中，利用评估指标体系中的各个指标对数据销毁程度进行评判，得到数据销毁程度对应的各个指标的指标值，将各个指标的指标值输入到数据销毁效果评估模型，最终得到关键数据安全销毁评估结果。
6.根据权利要求1所述的关键数据安全销毁评估方法，其特征在于：所述步骤4中结合层次分析法方法得到的数据销毁评估结果，利用卷积神经网络方法，构建数据销毁效果评估模型的具体方法为：
首先对得到的数据销毁评估结果进行初步的处理，随机选取数据量的90％作为卷积神经网络的训练数据，另外10％作为测试数据；
根据评估指标体系中指标的个数设置输入层神经的个数，根据卷积神经网络仿真实验的结果设置卷积核个数、卷积核大小、全连接层神经元个数、批尺寸、迭代训练次数、丢弃率、学习率，使得卷积神经网络仿真实验误差最小；
设有K个卷积核，对输入向量进行卷积操作，得到：
Hj c＝Sig(input*Kj+bj),j＝1,2,…,num
其中，Hj c表示卷积层c的第j个特征向量，Kj为卷积核，bj为偏置，Sig为sigmod函数，input表示输入，num为特征数量；
对卷积进行池化处理，池化后的特征可以表示为：
HPj c＝Sig(βj*maxpool(Hj c)+bpj),j＝1,2,…,num
其中，HPj c表示池化层c的第j个特征向量，βj为池化层参数矩阵，bpj为池化层偏置量，maxpool表示最大池化操作，num为特征数量；
在进行池化操作后，需将所得到的结果进行连接，即全连接层，连接后的特征向量如下所示：
Hcon＝[HPj 1,HPj 2,…,HPj n]
其中，HPj 1表示池化层1的第j个特征向量，HPj 2表示池化层2的第j个特征向量，HPj n表示池化层n的第j个特征向量；
得到全连接向量Hcon后，再对得到的特征向量进行一个非线性转换：
O＝relu(Ω*Hcon+bo)其中，O是卷积神经网络全连接层中的特征向量，Ω是卷积神经网络全连接层中对应的参数矩阵，bo是偏置向量；
最终将得到的特征向量输入到分类层中，得到最终的数据销毁评估结果；
y＝Ωy T*O+by其中，y为输出，表示为预测属于每个类别的预测值，Ωy为输出层的参数矩阵，T表示矩阵的转置，by为输出偏置，采用softmax归一化方法对输出进行归一化；
数据销毁评估结果属于第i个安全级别的概率pi为：
Figure FDA0002439533300000051
其中，yi表示预测属于i个类别的预测值，e表示自然常数，对于每一个指标设定t个级别的评价结果K，即K＝[K1,K2,…,Kt]，并且赋值为K＝[t,t-1,…,1]由d位经验丰富的人员对指标价值体系进行评估，由每个专家单独对指标层的每个指标进行等级打分，最终得到数据安全销毁效果的计算结果，结合设置的评价等级分数判定其等级。
CN202010261642.2A 2020-04-04 2020-04-04 关键数据安全销毁评估方法 Active CN111461558B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010261642.2A CN111461558B (zh) 2020-04-04 2020-04-04 关键数据安全销毁评估方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010261642.2A CN111461558B (zh) 2020-04-04 2020-04-04 关键数据安全销毁评估方法

Publications (2)

Publication Number Publication Date
CN111461558A CN111461558A (zh) 2020-07-28
CN111461558B true CN111461558B (zh) 2022-04-22

Family

ID=71683581

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010261642.2A Active CN111461558B (zh) 2020-04-04 2020-04-04 关键数据安全销毁评估方法

Country Status (1)

Country Link
CN (1) CN111461558B (zh)

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110266723A (zh) * 2019-07-08 2019-09-20 云南财经大学 一种云服务安全风险评估方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8158532B2 (en) * 2003-10-20 2012-04-17 Novellus Systems, Inc. Topography reduction and control by selective accelerator removal
US9378065B2 (en) * 2013-03-15 2016-06-28 Advanced Elemental Technologies, Inc. Purposeful computing

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110266723A (zh) * 2019-07-08 2019-09-20 云南财经大学 一种云服务安全风险评估方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
基于AHP与信息熵的个人云存储安全风险评估;程慧平等;《情报科学》;20180706(第07期);第27-30页 *
大数据安全保障框架与评价体系研究;吕欣等;《信息安全研究》;20161005(第10期);第112-116页 *

Also Published As

Publication number Publication date
CN111461558A (zh) 2020-07-28

Similar Documents

Publication Publication Date Title
CN113657545B (zh) 用户业务数据的处理方法、装置、设备及存储介质
Panoutsos et al. A neural-fuzzy modelling framework based on granular computing: Concepts and applications
CN106060008B (zh) 一种网络入侵异常检测方法
CN106845846A (zh) 大数据资产评估方法
CN112070357A (zh) 一种基于改进bp神经网络的雷达辐射源威胁评估方法
CN113822499B (zh) 一种基于模型融合的列车备件损耗预测方法
Handoyo et al. The varying threshold values of logistic regression and linear discriminant for classifying fraudulent firm
CN114764682B (zh) 一种基于多机器学习算法融合的大米安全风险评估方法
CN105262719B (zh) 一种Web环境下用户行为的信任评估方法
CN115422716A (zh) 一种适用于典型地面设施破坏失效的评估计算模型
CN116307103A (zh) 一种基于硬参数共享多任务学习的交通事故预测方法
CN113688458B (zh) 一种基于层次分析法的地基基础方案优选方法
CN115392619A (zh) 基于消防安全等级的预警方法、存储介质和电子设备
CN111461558B (zh) 关键数据安全销毁评估方法
CN113011788A (zh) 一种海上交通事故应急决策方法、终端设备及存储介质
CN116468273A (zh) 客户风险识别方法及装置
Li et al. A comparative analysis of predictive data mining techniques
KR20170087434A (ko) 테이블 구조 및 데이터 특성에 따른 통계 분석 함수 추천 시스템
CN111832854A (zh) 汽车研发质量管理体系的成熟度量化评价方法、系统及可读介质
CN116415836A (zh) 一种面向智能电网信息系统的安全性评价方法
Tunç Feature selection in credibility study for finance sector
CN114238852A (zh) 运营数据的分析方法、装置、存储介质及电子设备
CN114565457A (zh) 风险数据识别方法、装置、存储介质及电子设备
CN107526710A (zh) 一种基于蒙特卡罗算法的场地适宜性层次分析方法
CN113837913A (zh) 一种村镇耕地资源承载力关键阈值确定方法及装置

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant