CN106203165A

CN106203165A - 基于可信云计算的信息大数据分析支撑方法

Info

Publication number: CN106203165A
Application number: CN201610525169.8A
Authority: CN
Inventors: 陈祖斌; 谢铭; 胡继军; 翁小云; 袁勇; 邓戈锋; 莫英红; 谢菁; 张鹏; 唐玲丽; 黄连月; 杭聪; 贺冠博; 苏宇琦; 宋骏豪
Original assignee: Individual
Current assignee: Guangzhou Isomorphism Mdt Infotech Ltd
Priority date: 2016-07-01
Filing date: 2016-07-01
Publication date: 2016-12-07
Anticipated expiration: 2036-07-01
Also published as: CN106203165B

Abstract

本发明公开了基于可信云计算的信息大数据分析支撑方法，该方法是在具有保护性功能、认证和完整性度量等特征基础上构建一种可信度评估机制和可信关系传递机制，通过关键词和标记的运用，预先将数据库划分为多个子数据库，检索时先在相关度高的子数据库中进行检索，减少了计算量，提高了运算速度；基于单词包表示图像时，提出了加权表示和第一视觉相似度，减少了时间开销；基于特征组合表示图像时，利用了局部特征之间的空间包含关系，提出将相关的局部特征组合在一起以增强其视觉表达能力；该特征组合不但具有良好的尺度和旋转不变性，而且还能够自然地利用各特征元素之间的相对位置信息进行局部几何校验，剔除可能存在的错误匹配，以提高图像检索的准确率；特征量化以及组合表达大幅地提高了检索的精度。

Description

基于可信云计算的信息大数据分析支撑方法

技术领域

本发明涉及大数据领域，具体涉及基于可信云计算的信息大数据分析支撑方法。

背景技术

随着移动互联网、物联网等技术的兴起，全球范围内数据量迅猛增长，大数据时代己经来临。伴随着大数据的产生，其在现代社会和经济活动中发挥着极其重要的作用。

大数据基本都是基于云计算，在这其中，数据的分析以及检索技术，是整个大数据领域的关键支撑技术。大规模数据给传统的多媒体研究，尤其是基于图像的应用和研究带来了新的挑战和机遇。

可信计算是在计算和通信系统中广泛使用基于硬件安全模块支持下的可信计算平台，以提高系统整体的安全性。信息安全具有四个侧面:设备安全、数据安全、内容安全与行为安全。行为安全包括：行为的机密性、行为的完整性、行为的真实性等特征。可信计算为行为安全而生。

发明内容

针对上述问题，本发明提供基于可信云计算的信息大数据分析支撑方法。

本发明的目的采用以下技术方案来实现：

基于可信云计算的信息大数据分析支撑方法，其特征是，包括以下步骤：

(1)由云服务器获取信息数据，将图像信息和非图像信息进行分类后，分别储存到图像数据库和非图像数据库中，并将来源相同的图像信息和非图像信息作标记；

(2)将非图像数据库按照预先设定的多个关键词划分为多个第一子数据库，同时按照所述关键词对非图像信息进行分类，分别储存到对应的所述第一子数据库中，未匹配到关键词的非图像信息单独划分为一类；

(3)将图像数据库按照所述关键词划分为多个第二子数据库，并对图像信息根据与其来源相同的非图像信息进行分类，分别储存到对应所述第二子数据库中，无来源相同标记的图像信息，或者其对应的非图像信息未匹配到关键词的图像信息单独划分为一类；

(4)当用户输入关键词进行检索时，按照输入的关键词与预先设定的关键词的相关度排序依次在各个第一字数据库和第二子数据库中分别进行检索，并分别输出图像数据和非图像数据的检索结果；每个第二子数据库的图像检索中还提供了通过输入查询图像I_p来检索相似图像的功能，该功能由以下步骤实现：

(1-1)采用SIFT特征对图像局部区域进行描述；

(1‐2)基于单词包的图像表示：

a.采用基于单词包模型对局部特征进行量化，设由M个局部特征向量组成的样本空间X＝{x₁，…，x_M}，以无监督方式快速聚类生成初始视觉码本，采用最近邻策略建立局部特征x_j与相对应的视觉单词的映射关系，j＝1，…，M；

b.设码本空间中包含N个视觉单词，则任一图像表示为高维稀疏向量{w₁,…,w_N}，w_i表示视觉单词i的权值，i＝1,…,N；

w_{i} = \frac{t_{i}^{p}}{t_{i} - t_{i}^{p}} \times \frac{1}{f_{i}}

式中，表示该图像中视觉单词i出现的次数，t_i表示图像数据库中视觉单词i出现的总次数，f_i表示图像数据库中包含视觉单词i的图像数目；

对权值w_i进行归一化处理，令∑_iδ_i＝1，此时任一图像的高维稀疏向量表示为{δ₁,…,δ_N}；

c.对于任意两幅图像p和q，定义两幅图像之间的第一视觉相似度S(p,q)：

S (p, q) = \frac{1}{\sqrt{Σ_{i = 1}^{N} {(\frac{\frac{t_{i}^{p}}{t_{i} - t_{i}^{p}} \times \frac{1}{f_{i}}}{Σ_{i} \frac{t_{i}^{p}}{t_{i} - t_{i}^{p}} \times \frac{1}{f_{i}}} - \frac{\frac{t_{i}^{q}}{t_{i} - t_{i}^{q}} \times \frac{1}{f_{i}}}{Σ_{i} \frac{t_{i}^{q}}{t_{i} - t_{i}^{q}} \times \frac{1}{f_{i}}})}^{2}}}

S(p,q)越大，表明两幅图像越接近；

(5)对计算结果进行可信评估。

优选地，其特征是，步骤(4)还包括：

(1‐3)基于特征组合的图像表示:

a、将包含一个具有较大尺度的主特征和由这个主特征空间覆盖的若干个具有较小尺度的元素特征的集合定义为特征组合，给定任一图像P，抽取其包含的特征组合集其中，C_l＝(Z_l,Y_l)；

式中，C_l表示第l个特征组合，Z_l为第l个特征组合的主特征，Y_l为第l个特征组合的一组元素特征，Z_l和Y_l满足0.02×a(P)＜a(Z_l),a(Y_l)＜0.2×a(P)，且Y_l对应的局部空间区域完全被主特征C_l的局部空间覆盖，a(·)表示覆盖空间区域的面积；

b、对于任意两个特征组合C_f(Z_f，Y_f)和C_g(Z_g，Y_g)，定义两个特征组合的第二视觉相似度R：

当cos(Z_f，Z_g)＞T₁时：

R(C_f,C_g)＝1{(Y_fi,Y_gj)|Y_fi∈Y_f,Y_gj∈Y_g,cos(Y_f，Y_g)＞T₁}

当T₁≥cos(Z_f，Z_g)＞T₂时：

R(C_f,C_g)＝0.5{(Y_fi,Y_gj)|Y_fi∈Y_f,Y_gj∈Y_g,cos(Y_f，Y_g)＞T₁}

当cos(Z_f，Z_g)≤T₂时：

R(C_f,C_g)＝0

式中，T₁＝(0.8，1)，T₂＝(0.5，0.8]，cos(·，·)表示两个特征的余弦相似度，Y_fi是Y_f中的元素，Y_fi是Y_g中的元素，{(Y_fi,Y_gj)|Y_fi∈Y_f,Y_gj∈Y_g,cos(Y_f，Y_g)＞T₁}表示Y_f和Y_g中匹配的元素特征数；

(1‐4)图像检索：对于给定的查询图像I_p，首先提取其特征组合集，将每个特征的主特征映射到视觉单词，找出包含该视觉单词的数据库图像I_q，计算其与查询图像的相似度距离，通过将相似度距离与设定阈值比较，完成图像检索；

所述的相似度距离采用以下公式计算：

d＝S(I_p,I_q)×maxR(I_p,I_q)

其中，S(p,q)表示两幅图像的第一视觉相似度度量，maxR(I_p,I_q)表示对两幅图像的所有特征组合进行第二视觉相似度度量的最大值。

优选地，所述可信评估包含以下步骤：

步骤1：定义用于评估的各项可信属性，可信属性是分类的，可信属性可以向下分解为子属性；

步骤2：对于每项可信属性或子属性，提炼出对它的评价指标，可以用这些评价指标从不同的侧面对可信属性或子属性进行评价；

步骤3：对于每项可信属性或子属性，定义出对它的评价标准，评价标准分为四级：优、良、中、差，评价标准是基于评价指标的，即根据每个评价指标的取值组合来决定可信属性或子属性达到了哪一级评价标准；

步骤4：在开展可信评估活动之前，根据评估重点的不同，形成不同可信评估模板，并基于此模板开展可信评估活动，从而使得可信评估更有针对性，评估的结果更精确。

本发明的有益效果为：通过关键词和标记的运用，预先将数据库划分为多个子数据库，检索时先在相关度高的子数据库中进行检索，减少了计算量，提高了运算速度；基于单词包表示图像时，提出了加权表示和第一视觉相似度，减少了时间开销；基于特征组合表示图像时，利用了局部特征之间的空间包含关系，提出将相关的局部特征组合在一起以增强其视觉表达能力；该特征组合不但具有良好的尺度和旋转不变性，而且还能够自然地利用各特征元素之间的相对位置信息进行局部几何校验，剔除可能存在的错误匹配，以提高图像检索的准确率；特征量化以及组合表达大幅地提高了检索的精度；保护了指定的数据存储区，防止敌手实施特定类型的物理访问；赋予了所有在计算平台上执行的代码以证明它在一个未被篡改环境中运行的能力，从广义的角度，可信计算平台为网络用户提供了一个更为宽广的安全环境，它从安全体系的角度来描述安全问题，确保用户的安全执行环境，突破被动防御打补丁方式。

附图说明

利用附图对本发明作进一步说明，但附图中的实施例不构成对本发明的任何限制，对于本领域的普通技术人员，在不付出创造性劳动的前提下，还可以根据以下附图获得其它的附图。

图1是基于可信云计算的信息大数据分析支撑方法的示意图。

具体实施方式

结合以下实施例对本发明作进一步描述。

实施例1：基于可信云计算的信息大数据分析支撑方法，包括以下步骤：

(1)由云服务器获取信息数据，将图像信息和非图像信息进行分类后，分别储存到图像数据库和非图像数据库中，并将来源相同的图像信息和非图像信息作标记，例如将一张图片和对这张图片的说明信息视为来源相同，并作对应标记。这里所指的来源相同，一般是指在在同一时间接收到的来自同一网络地址的图像信息和非图像信息。

(2)将非图像数据库按照预先设定的多个关键词划分为多个第一子数据库，同时按照所述关键词对非图像信息进行分类，分别储存到对应的所述第一子数据库中，未匹配到关键词的非图像信息单独划分为一类。

(3)将图像数据库按照所述关键词划分为多个第二子数据库，并对图像信息根据与其来源相同的非图像信息进行分类，分别储存到对应所述第二子数据库中，无来源相同标记的图像信息，或者其对应的非图像信息未匹配到关键词的图像信息单独划分为一类。

(4)当用户输入关键词进行检索时，按照输入的关键词与预先设定的关键词的相关度排序依次在各个第一字数据库和第二子数据库中分别进行检索，并分别输出图像数据和非图像数据的检索结果。关键词的相关度计算，可以按照顺序、同字符数量等标准来计算，这类计算方法在现有技术中已经很成熟，在此不再详述。

每个第二子数据库的图像检索中还提供了通过输入查询图像I_p来检索相似图像的功能，该功能由以下步骤实现：

(1-1)采用SIFT特征对图像局部区域进行描述；

(1‐2)基于单词包的图像表示：

a.采用基于单词包模型对局部特征进行量化，设由M个局部特征向量组成的样本空间X＝{x₁,…,x_M}，以无监督方式快速聚类生成初始视觉码本，采用最近邻策略建立局部特征x_j与相对应的视觉单词的映射关系，j＝1,…,M；

w_{i} = \frac{t_{i}^{p}}{t_{i} - t_{i}^{p}} \times \frac{1}{f_{i}}

对权值w_i进行归一化处理，令∑_iδ_i＝1，此时任一图像的高维稀疏向量表示为｛δ₁,…,δ_N｝；

S (p, q) = \frac{1}{\sqrt{Σ_{i = 1}^{N} {(\frac{\frac{t_{i}^{p}}{t_{i} - t_{i}^{p}} \times \frac{1}{f_{i}}}{Σ_{i} \frac{t_{i}^{p}}{t_{i} - t_{i}^{p}} \times \frac{1}{f_{i}}} - \frac{\frac{t_{i}^{q}}{t_{i} - t_{i}^{q}} \times \frac{1}{f_{i}}}{Σ_{i} \frac{t_{i}^{q}}{t_{i} - t_{i}^{q}} \times \frac{1}{f_{i}}})}^{2}}}

S(p,q)越大，表明两幅图像越接近；

(5)对计算结果进行可信评估。

优选地，其特征是，步骤(4)还包括：

(1‐3)基于特征组合的图像表示:

b、对于任意两个特征组合C_f(Z_f,Y_f)和C_g(Z_g,Y_g)，定义两个特征组合的第二视觉相似度R：

当cos(Z_f，Z_g)＞T₁时：

R(C_f,C_g)＝1{(Y_fi,Y_gj)|Y_fi∈Y_f,Y_gj∈Y_g,cos(Y_f，Y_g)＞T₁}

当T₁≥cos(Z_f，Z_g)＞T₂时：

R(C_f，C_g)＝0.5{(Y_fi，Y_gj)|Y_fi∈Y_f，Y_gj∈Y_g,cos(Y_f，Y_g)＞T₁}

当cos(Z_f，Z_g)≤T₂时：

R(C_f,C_g)＝0

式中，T₁＝(0.8，1)，T₂＝(0.5，0.8]，cos(·，·)表示两个特征的余弦相似度，Y_fi是Y_f中的元素，Y_gi是Y_g中的元素，{(Y_fi,Y_gj)|Y_fi∈Y_f,Y_gj∈Y_g,cos(Y_f，Y_g)＞T₁}表示Y_f和Y_g中匹配的元素特征数；

所述的相似度距离采用以下公式计算：

d＝S(I_p,I_q)×maxR(I_p,I_q)

优选地，所述可信评估包含以下步骤：

在本实施例的基于可信云计算的信息大数据分析支撑方法中，通过关键词和标记的运用，预先将数据库划分为多个子数据库，检索时先在相关度高的子数据库中进行检索，减少了计算量，提高了运算速度；基于单词包表示图像时，提出了加权表示和第一视觉相似度，减少了时间开销；基于特征组合表示图像时，利用了局部特征之间的空间包含关系，提出将相关的局部特征组合在一起以增强其视觉表达能力；该特征组合不但具有良好的尺度和旋转不变性，而且还能够自然地利用各特征元素之间的相对位置信息进行局部几何校验，剔除可能存在的错误匹配，以提高图像检索的准确率；特征量化以及组合表达大幅地提高了检索的精度；T₁＝0.95，T₂＝0.78，检索精度提高了50％，检索速度提高了1％；保护了指定的数据存储区，防止敌手实施特定类型的物理访问；赋予了所有在计算平台上执行的代码以证明它在一个未被篡改环境中运行的能力，从广义的角度，可信计算平台为网络用户提供了一个更为宽广的安全环境，它从安全体系的角度来描述安全问题，确保用户的安全执行环境，突破被动防御打补丁方式。

实施例2：基于可信云计算的信息大数据分析支撑方法，包括以下步骤：

(1-1)采用SIFT特征对图像局部区域进行描述；

(1‐2)基于单词包的图像表示：

a.采用基于单词包模型对局部特征进行量化，设由M个局部特征向量组成的样本空间X＝{x₁，…，x_M}，以无监督方式快速聚类生成初始视觉码本，采用最近邻策略建立局部特征x_j与相对应的视觉单词的映射关系，j＝1,…,M；

w_{i} = \frac{t_{i}^{p}}{t_{i} - t_{i}^{p}} \times \frac{1}{f_{i}}

S (p, q) = \frac{1}{\sqrt{Σ_{i = 1}^{N} {(\frac{\frac{t_{i}^{p}}{t_{i} - t_{i}^{p}} \times \frac{1}{f_{i}}}{Σ_{i} \frac{t_{i}^{p}}{t_{i} - t_{i}^{p}} \times \frac{1}{f_{i}}} - \frac{\frac{t_{i}^{q}}{t_{i} - t_{i}^{q}} \times \frac{1}{f_{i}}}{Σ_{i} \frac{t_{i}^{q}}{t_{i} - t_{i}^{q}} \times \frac{1}{f_{i}}})}^{2}}}

S(p,q)越大，表明两幅图像越接近；

(5)对计算结果进行可信评估。

优选地，其特征是，步骤(4)还包括：

(1‐3)基于特征组合的图像表示:

当cos(Z_f，Z_g)＞T₁时：

R(C_f,C_g)＝1{(Y_fi,Y_gj)|Y_fi∈Y_f，Y_gj∈Y_g，cos(Y_f，Y_g)＞T₁}

当T₁≥cos(Z_f，Z_g)＞T₂时：

R(C_f，C_g)＝0.5{(Y_fi，Y_gj)|Y_fi∈Y_f，Y_gj∈Y_g，cos(Y_f，Y_g)＞T₁}

当cos(Z_f，Z_g)≤T₂时：

R(C_f，C_g)＝0

所述的相似度距离采用以下公式计算：

d＝S(I_p,I_q)×maxR(I_p,I_q)

优选地，所述可信评估包含以下步骤：

实施例3：基于可信云计算的信息大数据分析支撑方法，包括以下步骤：

(1-1)采用SIFT特征对图像局部区域进行描述；

(1‐2)基于单词包的图像表示：

b.设码本空间中包含N个视觉单词，则任一图像表示为高维稀疏向量{w₁,…,w_N｝，w_i表示视觉单词i的权值，i＝1,…,N；

w_{i} = \frac{t_{i}^{p}}{t_{i} - t_{i}^{p}} \times \frac{1}{f_{i}}

c.对于任意两幅图像p和q，定义两幅图像之间的第一视觉相似度S(p，q)：

S (p, q) = \frac{1}{\sqrt{Σ_{i = 1}^{N} {(\frac{\frac{t_{i}^{p}}{t_{i} - t_{i}^{p}} \times \frac{1}{f_{i}}}{Σ_{i} \frac{t_{i}^{p}}{t_{i} - t_{i}^{p}} \times \frac{1}{f_{i}}} - \frac{\frac{t_{i}^{q}}{t_{i} - t_{i}^{q}} \times \frac{1}{f_{i}}}{Σ_{i} \frac{t_{i}^{q}}{t_{i} - t_{i}^{q}} \times \frac{1}{f_{i}}})}^{2}}}

S(p，q)越大，表明两幅图像越接近；

(5)对计算结果进行可信评估。

优选地，其特征是，步骤(4)还包括：

(1‐3)基于特征组合的图像表示:

a、将包含一个具有较大尺度的主特征和由这个主特征空间覆盖的若干个具有较小尺度的元素特征的集合定义为特征组合，给定任一图像P，抽取其包含的特征组合集其中，C_l＝(Z_l，Y_l)；

当cos(Z_f，Z_g)＞T₁时：

R(C_f,C_g)＝1{(Y_fi,Y_gj)|Y_fi∈Y_f,Y_gj∈Y_g,cos(Y_f，Y_g)＞T₁}

当T₁≥cos(Z_f，Z_g)＞T₂时：

R(C_f,C_g)＝0.5{(Y_fi,Y_gj)|Y_fi∈Y_f,Y_gj∈Y_g,cos(Y_f，Y_g)＞T₁}

当cos(Z_f，Z_g)≤T₂时：

R(C_f,C_g)＝0

式中，T₁＝(0.8，1)，T₂＝(0.5，0.8]，cos(·，·)表示两个特征的余弦相似度，Y_fi是Y_f中的元素，Y_gi是Y_g中的元素，｛(Y_fi,Y_gj)|Y_fi∈Y_f,Y_gj∈Y_g,cos(Y_f，Y_g)＞T₁}表示Y_f和Y_g中匹配的元素特征数；

所述的相似度距离采用以下公式计算：

d＝S(I_p,I_q)×maxR(I_p,I_q)

优选地，所述可信评估包含以下步骤：

实施例4：基于可信云计算的信息大数据分析支撑方法，包括以下步骤：

(1-1)采用SIFT特征对图像局部区域进行描述；

(1‐2)基于单词包的图像表示：

a.采用基于单词包模型对局部特征进行量化，设由M个局部特征向量组成的样本空间X＝{x₁,…，x_M}，以无监督方式快速聚类生成初始视觉码本，采用最近邻策略建立局部特征x_j与相对应的视觉单词的映射关系，j＝1,…,M；

w_{i} = \frac{t_{i}^{p}}{t_{i} - t_{i}^{p}} \times \frac{1}{f_{i}}

S (p, q) = \frac{1}{\sqrt{Σ_{i = 1}^{N} {(\frac{\frac{t_{i}^{p}}{t_{i} - t_{i}^{p}} \times \frac{1}{f_{i}}}{Σ_{i} \frac{t_{i}^{p}}{t_{i} - t_{i}^{p}} \times \frac{1}{f_{i}}} - \frac{\frac{t_{i}^{q}}{t_{i} - t_{i}^{q}} \times \frac{1}{f_{i}}}{Σ_{i} \frac{t_{i}^{q}}{t_{i} - t_{i}^{q}} \times \frac{1}{f_{i}}})}^{2}}}

S(p,q)越大，表明两幅图像越接近；

(5)对计算结果进行可信评估。

优选地，其特征是，步骤(4)还包括：

(1‐3)基于特征组合的图像表示:

当cos(Z_f，Z_g)＞T₁时：

R(C_f,C_g)＝1{(Y_fi,Y_gj)|Y_fi∈Y_f,Y_gj∈Y_g,cos(Y_f，Y_g)＞T₁}

当T₁≥cos(Z_f，Z_g)＞T₂时：

R(C_f,C_g)＝0.5{(Y_fi,Y_gj)|Y_fi∈Y_f,Y_gj∈Y_g,cos(Y_f，Y_g)＞T₁}

当cos(Z_f，Z_g)≤T₂时：

R(C_f,C_g)＝0

所述的相似度距离采用以下公式计算：

d＝S(I_p,I_q)×maxR(I_p,I_q)

优选地，所述可信评估包含以下步骤：

实施例5：基于可信云计算的信息大数据分析支撑方法，包括以下步骤：

(1-1)采用SIFT特征对图像局部区域进行描述；

(1‐2)基于单词包的图像表示：

b.设码本空间中包含N个视觉单词，则任一图像表示为高维稀疏向量{w₁,…,w_N}，w_i表示视觉单词i的权值，i＝1,...,N；

w_{i} = \frac{t_{i}^{p}}{t_{i} - t_{i}^{p}} \times \frac{1}{f_{i}}

S (p, q) = \frac{1}{\sqrt{Σ_{i = 1}^{N} {(\frac{\frac{t_{i}^{p}}{t_{i} - t_{i}^{p}} \times \frac{1}{f_{i}}}{Σ_{i} \frac{t_{i}^{p}}{t_{i} - t_{i}^{p}} \times \frac{1}{f_{i}}} - \frac{\frac{t_{i}^{q}}{t_{i} - t_{i}^{q}} \times \frac{1}{f_{i}}}{Σ_{i} \frac{t_{i}^{q}}{t_{i} - t_{i}^{q}} \times \frac{1}{f_{i}}})}^{2}}}

S(p,q)越大，表明两幅图像越接近；

(5)对计算结果进行可信评估。

优选地，其特征是，步骤(4)还包括：

(1‐3)基于特征组合的图像表示:

式中，C_l表示第l个特征组合，Z_l为第l个特征组合的主特征，Y_l为第l个特征组合的一组元素特征，Z_l和Y_l满足0.02×a(P)＜a(Z_l)，a(Y_l)＜0.2×a(P)，且Y_l对应的局部空间区域完全被主特征C_l的局部空间覆盖，a(·)表示覆盖空间区域的面积；

当cos(Z_f，Z_g)＞T₁时：

R(C_f，C_g)＝1{(Y_fi,Y_gj)|Y_fi∈Y_f,Y_gj∈Y_g,cos(Y_f，Y_g)＞T₁}

当T₁≥cos(Z_f，Z_g)＞T₂时：

当cos(Z_f，Z_g)≤T₂时：

R(C_f，C_g)＝0

式中，T₁＝(0.8，1)，T₂＝(0.5，0.8]，cos(·，·)表示两个特征的余弦相似度，Y_fi是Y_f中的元素，Y_gi是Y_g中的元素，{(Y_fi，Y_gj)|Y_fi∈Y_f，Y_gj∈Y_g，cos(Y_f，Y_g)＞T₁}表示Y_f和Y_g中匹配的元素特征数；

所述的相似度距离采用以下公式计算：

d＝S(I_p，I_q)×maxR(I_p，I_q)

其中，S(p，q)表示两幅图像的第一视觉相似度度量，maxR(I_p，I_q)表示对两幅图像的所有特征组合进行第二视觉相似度度量的最大值。

优选地，所述可信评估包含以下步骤：

最后应当说明的是，以上实施例仅用以说明本发明的技术方案，而非对本发明保护范围的限制，尽管参照较佳实施例对本发明作了详细地说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的实质和范围。

Claims

1.基于可信云计算的信息大数据分析支撑方法，其特征是，包括以下步骤：

(1)由云服务器获取信息数据，认证所需进行信息收集的网络中的硬件节点，判断网络硬件节点可信度，建立所采集信息的信任关系，将图像信息和非图像信息进行分类后，分别储存到图像数据库和非图像数据库中，并将来源相同的图像信息和非图像信息作标记；

(1-1)采用SIFT特征对图像局部区域进行可信描述；

(1‐2)基于单词包的图像可信表示：

a.采用基于单词包模型对局部特征进行量化，设由M个局部特征向量组成的样本空间X＝{x₁,…,x_M｝，以无监督方式快速聚类生成初始视觉码本，采用最近邻策略建立局部特征x_j与相对应的视觉单词的映射关系，j＝1,…,M；

w_{i} = \frac{t_{i}^{p}}{t_{i} - t_{i}^{p}} \times \frac{1}{f_{i}}

S (p, q) = \frac{1}{\sqrt{Σ_{i = 1}^{N} {(\frac{\frac{t_{i}^{p}}{t_{i} - t_{i}^{p}} \times \frac{1}{f_{i}}}{Σ_{i} \frac{t_{i}^{p}}{t_{i} - t_{i}^{p}} \times \frac{1}{f_{i}}} - \frac{\frac{t_{i}^{q}}{t_{i} - t_{i}^{q}} \times \frac{1}{f_{i}}}{Σ_{i} \frac{t_{i}^{q}}{t_{i} - t_{i}^{q}} \times \frac{1}{f_{i}}})}^{2}}}

S(p,q)越大，表明两幅图像越接近；

(5)对计算结果进行可信评估。

2.根据权利要求1所述的基于可信云计算的信息大数据分析支撑方法，其特征是，步骤(4)还包括：

(1‐3)基于特征组合的图像可信表示:

当cos(Z_f，Z_g)＞T₁时：

R(C_f,C_g)＝1{(Y_fi,Y_gj)|Y_fi∈Y_f,Y_gj∈Y_g,cos(Y_f，Y_g)＞T₁｝

当T₁≥cos(Z_f，Z_g)＞T₂时：

R(C_f,C_g)＝0.5{(Y_fi,Y_gj)|_fi∈Y_f,Y_gj∈Y_g,cos(Y_f，Y_g)＞T₁｝

当cos(Z_f，Z_g)≤T₂时：

R(C_f,C_g)＝0

式中，T₁＝(0.8，1)，T₁＝(0.5，0.8]，cos(·，·)表示两个特征的余弦相似度，Y_fi是Y_f中的元素，Y_gi是Y_g中的元素，{(Y_fi,Y_gj)|_fi∈Y_f,Y_gj∈Y_g,cos(Y_f，Y_g)＞T₁｝表示Y_f和Y_g中匹配的元素特征数；

(1‐4)图像可信检索：对于给定的查询图像I_p，首先提取其特征组合集，将每个特征的主特征映射到视觉单词，找出包含该视觉单词的数据库图像I_q，计算其与查询图像的相似度距离，通过将相似度距离与设定阈值比较，完成图像检索；

所述的相似度距离采用以下公式计算：

d＝S(I_p,I_q)×maxR(I_p,I_q)

3.根据权利要求1所述的基于大数据可信计算的信息运维服务知识共享方法，其特征在于，所述可信评估包含以下步骤：