CN111159200B - 一种基于深度学习的数据存储方法和装置 - Google Patents

一种基于深度学习的数据存储方法和装置 Download PDF

Info

Publication number
CN111159200B
CN111159200B CN201911422069.2A CN201911422069A CN111159200B CN 111159200 B CN111159200 B CN 111159200B CN 201911422069 A CN201911422069 A CN 201911422069A CN 111159200 B CN111159200 B CN 111159200B
Authority
CN
China
Prior art keywords
data
neural network
tensor
target
feature information
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
CN201911422069.2A
Other languages
English (en)
Other versions
CN111159200A (zh
Inventor
杨天若
任志安
冯君
张顺利
朱宇翔
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.)
Huazhong University of Science and Technology
Ezhou Institute of Industrial Technology Huazhong University of Science and Technology
Original Assignee
Huazhong University of Science and Technology
Ezhou Institute of Industrial Technology Huazhong University of Science and Technology
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 Huazhong University of Science and Technology, Ezhou Institute of Industrial Technology Huazhong University of Science and Technology filed Critical Huazhong University of Science and Technology
Priority to CN201911422069.2A priority Critical patent/CN111159200B/zh
Publication of CN111159200A publication Critical patent/CN111159200A/zh
Application granted granted Critical
Publication of CN111159200B publication Critical patent/CN111159200B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/22—Indexing; Data structures therefor; Storage structures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/27—Replication, distribution or synchronisation of data between databases or within a distributed database system; Distributed database system architectures therefor
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
    • G06F21/60—Protecting data
    • G06F21/602—Providing cryptographic facilities or services
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
    • G06F21/60—Protecting data
    • G06F21/62—Protecting access to data via a platform, e.g. using keys or access control rules
    • G06F21/6218—Protecting access to data via a platform, e.g. using keys or access control rules to a system of files or objects, e.g. local or distributed file system or database
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
    • G06F21/60—Protecting data
    • G06F21/64—Protecting data integrity, e.g. using checksums, certificates or signatures
    • 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
    • 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
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Computer Security & Cryptography (AREA)
  • Bioethics (AREA)
  • Computer Hardware Design (AREA)
  • Computing Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Mathematical Physics (AREA)
  • Storage Device Security (AREA)

Abstract

本发明涉及区块链领域，具体涉及一种基于深度学习的数据存储方法和装置。该方法包括：获取预设新闻网站的目标新闻数据；将所述目标新闻数据输入至预设混合深度计算模型中，以获得所述预设混合深度计算模型输出的目标特征信息；将所述目标特征信息存储至区块链数据库中。由于区块链数据库中的目标特征信息不可篡改，提高了目标特征信息的安全性和可靠性，并且只需存储目标新闻数据的目标特征信息，无需存储所述目标新闻数据，降低了存储压力，从而解决了数据存储难以兼顾安全性和存储量的技术问题。

Description

一种基于深度学习的数据存储方法和装置
技术领域
本发明涉及区块链技术领域，具体涉及一种基于深度学习的数据存储方法和装置。
背景技术
在工业4.0时代，像电子商务这样的垂直行业产生了大量的多源异构数据，包括视频、图像、音频、文本和数字，垂直行业的数据共享和数据安全性是必不可少的。尽管区块链应用程序，试验和项目在许多垂直行业的广度和深度都在扩大，但由于许多挑战无法克服，日常生活中区块链应用程序的例子相对较少，比如，区块链上的每个块只能存储少量数据，其存储容量有限，无法满足垂直行业日益增长的数据存储需求，因此，对于我们来说，将这些巨大的数据存储在区块链上几乎是不可能完成的任务。传统的云存储可以解决存储问题，但缺点也很明显，即传统的云存储是集中式的操作模式，安全性不足，一旦这些数据，例如政府数据，医疗保健，财务数据和其他隐私数据被泄漏和篡改，将造成不可估量的损失。
因此，现有技术中存在数据存储难以兼顾安全性和存储量的技术问题。
发明内容
本发明的目的是提供一种基于深度学习的数据存储方法和装置，以解决现有技术中数据存储难以兼顾安全性和存储量的技术问题。
本发明实施例提供了以下方案：
依据本发明的第一个方面，本发明实施例提供一种基于深度学习的数据存储方法，所述方法应用于电子设备，其特征在于，包括：
获取预设新闻网站的目标新闻数据；
将所述目标新闻数据输入至预设混合深度计算模型中，以获得所述预设混合深度计算模型输出的目标特征信息；
对所述目标特征信息进行加密，并将加密后的目标特征信息存储至区块链数据库中。
优选的，所述获取预设新闻网站的目标新闻数据之前，所述方法还包括：
获取样本新闻数据和所述样本新闻数据对应的样本特征信息；
根据所述样本新闻数据和所述样本新闻数据对应的样本特征信息对所述待训练模型进行训练，获得预设混合深度计算模型。
优选的，所述将所述目标新闻数据输入至预设混合深度计算模型中，以获得所述预设混合深度计算模型输出的目标特征信息之前，所述方法还包括：
将所述目标新闻数据转化为张量新闻数据；
所述将所述目标新闻数据输入至预设混合深度计算模型中，以获得所述预设混合深度计算模型输出的目标特征信息，包括：
将所述张量新闻数据输入至预设混合深度计算模型中，以获得所述预设混合深度计算模型输出的目标特征信息。
优选的，所述将所述张量新闻数据输入至预设混合深度计算模型中，以获得所述预设混合深度计算模型输出的目标特征信息，包括：
将所述张量新闻数据输入至预设混合深度计算模型中，以使所述预设混合深度计算模型通过反向传播算法对所述张量新闻数据进行特征提取，并输出目标特征信息。
优选的，所述预设混合深度计算模型包括：张量卷积层、张量池化层、张量自动编码层和特征融合层；
所述将所述张量新闻数据输入至预设混合深度计算模型中，以使所述预设混合深度计算模型通过反向传播算法对所述张量新闻数据进行特征提取，并输出目标特征信息，包括：
将所述张量新闻数据输入至预设混合深度计算模型中，并按照数据类型将所述张量新闻数据划分为第一类张量数据和第二类张量数据；
将所述第一类张量数据输入至所述张量卷积层中，并将所述第二类张量数据输入至所述张量自动编码层中；
通过所述张量卷积层和所述张量池化层对所述第一类张量数据进行特征提取，获得第一类特征信息；
通过所述张量自动编码层对所述第二类张量数据进行特征提取，获得第二类特征信息；
通过所述特征融合层对所述第一类特征信息和所述第二类特征信息进行融合，获得目标特征信息。
优选的，所述对所述目标特征信息进行加密，并将加密后的目标特征信息存储至区块链数据库中之后，所述方法还包括：
获取所述预设混合深度计算模型的模型参数；
对所述模型参数进行加密，并将加密后的模型参数存储至所述区块链数据库中。
优选的，所述对所述模型参数进行加密，并将加密后的模型参数存储至所述区块链数据库中之后，所述方法还包括：
通过智能合约从所述区块链数据库中提取所述模型参数和所述目标特征信息；
根据所述模型参数构建所述预设混合深度计算模型；
将所述目标特征信息输入至所述预设混合深度计算模型中，以获得所述目标混合深度计算模型输出的目标新闻数据。
基于同一发明构思，依据本发明的第二个方面，本发明实施例提供一种基于深度学习的数据存储装置，包括：
数据获取模块，用于获取预设新闻网站的目标新闻数据；
特征提取模块，用于将所述目标新闻数据输入至预设混合深度计算模型中，以获得所述预设混合深度计算模型输出的目标特征信息；
信息存储模块，用于对所述目标特征信息进行加密，并将加密后的目标特征信息存储至区块链数据库中。
基于同一发明构思，依据本发明的第三个方面，提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本发明的第一方面中任一方法步骤。
基于同一发明构思，依据本发明的第四个方面，提供了一种图片处理设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如本发明的第一方面中任一方法步骤。
本发明与现有技术相比，具有如下的优点和有益效果：
本发明通过获取预设新闻网站的目标新闻数据；将所述目标新闻数据输入至预设混合深度计算模型中，以获得所述预设混合深度计算模型输出的目标特征信息；将所述目标特征信息存储至区块链中。由于区块链数据库中的目标特征信息不可篡改，提高了目标特征信息的安全性和可靠性，并且只需存储目标新闻数据的目标特征信息，无需存储所述目标新闻数据，降低了存储压力，从而解决了数据存储难以兼顾安全性和存储量的技术问题。
附图说明
为了更清楚地说明本说明书实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本说明书的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明基于深度学习的数据存储方法第一实施例的流程示意图；
图2为本发明基于深度学习的数据存储方法第二实施例的流程示意图；
图3为本发明预设神经网络结构示意图；
图4为本发明基于深度学习的数据存储装置第一实施例的结构示意图。
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、完整的描述，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，基于本发明实施例，本领域普通技术人员所获得的所有其他实施例，都属于本发明实施例保护的范围。
参照图1，图1为本发明基于深度学习的数据存储方法第一实施例的流程示意图。在本实施例中，所述基于深度学习的数据存储方法应用于电子设备，所述方法包括：
步骤S10：获取预设新闻网站的目标新闻数据。
本实施例的解决思路是：由于传统的云存储是集中式的操作模式，安全性不足，而区块链的每个块只能存储少量数据，存储容量有限，因此，本实施例将提取数据的特征信息，并将数据的特征信息存储至区块链数据库中，以保证数据存储的安全性，并能够存储足量的数据。所述特征信息是用于识别数据的特殊标志，代表了数据的关键含义，因此，将数据的特征信息存储在区块链数据库中，不仅能够反映数据的本质，而且能够减小存储量。
所述目标新闻数据为目前需要存储的大数据，包括多种类型的数据，例如视频、图像、音频、文本和数字，每种类型具有多种结构形式，例如结构化数据、半结构化数据和非结构化数据，因此，所述目标新闻数据具有高度的异构性和复杂的相关性。
步骤S20：将所述目标新闻数据输入至所述预设混合深度计算模型中，以获得所述预设混合深度计算模型输出的目标特征信息。
所述预设混合深度计算模型是根据预设神经网络结构创建的神经网络模型，其中包含有新闻数据和特征信息之间的对应关系，从而用于提取数据的特征信息，所述预设神经网络结构包括张量卷积层、张量池化层、张量自动编码层和特征融合层。将所述目标新闻数据输入至所述预设混合深度计算模型中后，所述预设混合深度计算模型将对所述目标新闻数据进行特征提取，并输出所述目标新闻数据对应的目标特征信息。
进一步地，所述获取预设新闻网站的目标新闻数据之前，所述方法还包括：获取样本新闻数据和所述样本新闻数据对应的样本特征信息；根据所述样本新闻数据和所述样本新闻数据对应的样本特征信息对所述待训练模型进行训练，获得预设混合深度计算模型。为了提取新闻数据的特征信息，本实施例将根据所述预设神经网络结构建立待训练模型，并采集大量样本数据，该样本数据包括样本新闻数据和所述样本新闻数据对应的样本特征信息，通过所述样本新闻数据和所述样本新闻数据对应的样本特征信息对所述待训练模型进行训练，获得预设混合深度计算模型，从而根据所述预设混合深度计算模型预测新闻数据对应的特征信息，提高了特征提取的准确性和提取效率。
步骤S30：对所述目标特征信息进行加密，并将加密后的目标特征信息存储至区块链数据库中。
在通过所述预设混合深度计算模型提取所述目标新闻数据的目标特征信息之后，对所述目标特征信息进行加密，并将加密后的目标特征信息存储至区块链数据库中，区块链是一种基于分布式数字分类帐的技术，可以有效地实现数据共享并保护垂直行业的数据安全，由于所述区块链数据库中的目标特征信息不可篡改，提高了目标特征信息的安全性和可靠性，并且只需存储目标新闻数据的目标特征信息，无需存储所述目标新闻数据，降低了存储压力，从而解决了数据存储难以兼顾安全性和存储量的技术问题。
进一步地，所述步骤S30之后，所述方法还包括：
获取所述预设混合深度计算模型的模型参数；
对所述模型参数进行加密，并将加密后的模型参数存储至所述区块链数据库中。
所述预设混合深度计算模型是训练好的神经网络模型，将所述预设混合深度计算模型的模型参数加密后存储在区块链数据库中，能够保证所述预设混合深度计算模型的安全性。
进一步地，所述对所述模型参数进行加密，并将加密后的模型参数存储至所述区块链数据库中之后，所述方法还包括：
通过智能合约从所述区块链数据库中提取所述模型参数和所述目标特征信息；
根据所述模型参数构建所述预设混合深度计算模型；
将所述目标特征信息输入至所述预设混合深度计算模型中，以获得所述目标混合深度计算模型输出的目标新闻数据。
将加密后的目标特征信息和模型参数存储在所述区块链数据库中，能够保证目标特征信息、模型参数和预设混合深度计算模型的安全性，并且无需存储目标新闻数据，只需存储目标新闻数据对应的目标特征信息，节省了大量存储空间，还保证了所述目标新闻数据的安全性。
通过智能合约从所述区块链数据库中提取所述模型参数和所述目标特征信息。当数据使用者想要使用这些目标特征信息或者所述预设混合深度计算模型时，他们可以通过智能合约在区块链数据库中搜索并发送数据请求，并通过适当的访问控制和气体消耗来获取解密后的目标特征信息，从而实现了数据共享。
本申请实施例中提供的技术方案，至少具有如下技术效果或优点：
本实施例通过获取预设新闻网站的目标新闻数据；将所述目标新闻数据输入至预设混合深度计算模型中，以获得所述预设混合深度计算模型输出的目标特征信息；将所述目标特征信息存储至区块链数据库中。由于区块链数据库中的目标特征信息不可篡改，提高了目标特征信息的安全性和可靠性，并且只需存储目标新闻数据的目标特征信息，无需存储所述目标新闻数据，降低了存储压力，从而解决了数据存储难以兼顾安全性和存储量的技术问题。
参照图2和图3，图2为本发明基于深度学习的数据存储方法第二实施例的流程示意图，图3为本发明预设神经网络结构示意图，基于上述第一实施例，提出本发明基于深度学习的数据存储方法第二实施例。
在本实施例中，所述步骤S20之前，所述方法还包括：
步骤S200：将所述目标新闻数据转化为张量新闻数据；相应地，所述步骤S20，包括：将所述张量新闻数据输入至预设混合深度计算模型中，以获得所述预设混合深度计算模型输出的目标特征信息。
所述目标新闻数据包括多种结构形式，例如结构化数据、半结构化数据和非结构化数据，具有高度的异构性和复杂的相关性，为了有效利用异构空间上的相关性，本实施例在进行特征提取之前，将所述目标新闻数据转化为张量新闻数据，张量是一个可用来表示在一些矢量、标量和其他张量之间的线性关系的多线性函数，将所述目标新闻数据转化为张量新闻数据，能够将各种结构形式的目标新闻数据表示为统一的格式，降低了数据的复杂度，进而提高了特征提取的效率。
进一步地，所述将所述张量新闻数据输入至预设混合深度计算模型中，以获得所述预设混合深度计算模型输出的目标特征信息，包括：
将所述张量新闻数据输入至预设混合深度计算模型中，以使所述预设混合深度计算模型通过反向传播算法对所述张量新闻数据进行特征提取，并输出目标特征信息。
进一步地，所述预设混合深度计算模型包括：张量卷积层、张量池化层、张量自动编码层和特征融合层；
所述将所述张量新闻数据输入至预设混合深度计算模型中，以使所述预设混合深度计算模型通过反向传播算法对所述张量新闻数据进行特征提取，并输出目标特征信息，包括：
步骤S201：将所述张量新闻数据输入至预设混合深度计算模型中，并按照数据类型将所述张量新闻数据划分为第一类张量数据和第二类张量数据；
所述目标新闻数据不仅包括多种结构形式，还包括多种数据类型，例如视频、图像、音频、文本和数字，现有的神经网络模型只能对单个类型的数据进行特征提取，不能同时对多种类型的数据进行特征提取。因此，本实施例将根据不同的数据类型设置不同的神经网络结构，首先，按照数据类型将所述张量新闻数据划分为第一类张量数据和第二类张量数据，所述第一类张量数据为图像类数据，所述第二类张量数据为文本类数据。
步骤S202：将所述第一类张量数据输入至所述张量卷积层中，并将所述第二类张量数据输入至所述张量自动编码层中；
步骤S203：通过所述张量卷积层和所述张量池化层对所述第一类张量数据进行特征提取，获得第一类特征信息；
接着，在所述预设混合深度计算模型中设置张量卷积层、张量池化层、张量自动编码层和特征融合层，通过所述张量卷积层和所述张量池化层对所述第一类张量数据进行特征提取，获得第一类特征信息。每个张量卷积层都能实现权重分配机制，从而达到减少模型训练参数的目的。所述张量池化层实现了空间范围内的降维，因此该模型可以提取更大范围的特征，同时，减小了下一层的输入大小，从而减少了计算量和参数数量，而且在一定程度上能够防止过度拟合，优化起来更方便。
所述张量卷积层具有多层，上一层张量卷积层的输出作为下一层张量卷积层的输入，所述张量卷积层的第l_c层的输出为：
Ac lc＝fc(Zc lc)，
其中，Zc lc＝Klc·Ac lc-1+Bc lc，c为张量卷积层，Ac lc为第l_c层的输出，f为非线性函数，Zc lc为预设混合深度计算模型中第l_c层未经过非线性函数作用的输出，Klc为预设混合深度计算模型中第l_c层的卷积核，Bc lc为预设混合深度计算模型中第l_c层的偏置。
步骤S204：通过所述张量自动编码层对所述第二类张量数据进行特征提取，获得第二类特征信息；
然后，通过所述张量自动编码层对所述第二类张量数据进行特征提取，获得第二类特征信息。使用张量自动编码器来堆叠张量自动编码层，不仅可以加快模型训练速度，而且在大数据特征学习，尤其是文本大数据方面具有更好的性能。所述张量自动编码层的第l_a层的输出为：
Aa la＝fa(Za la)，
其中，Za la＝Wa la⊙Aa la-1+Ba la，a为张量自动编码层，Aa la为第l_a层的输出，Za la为预设混合深度计算模型中第l_a层未经过非线性函数作用的输出，Wa la为预设混合深度计算模型中第l_a层的权重，Ba la为预设混合深度计算模型中第l_a层的偏置。
步骤S205：通过所述特征融合层对所述第一类特征信息和所述第二类特征信息进行融合，获得目标特征信息。
最后，通过所述特征融合层对所述第一类特征信息和所述第二类特征信息进行融合，获得目标特征信息。从而能够同时对多种类型的目标新闻数据进行特征提取，提高了特征提取的实用性。所述特征融合层的输出结果为：
Af＝ff(Zf)，
其中，Zf＝Wa la+1⊙Aa la+Wc⊙Ac lc+Bf，f为特征融合层，Af为特征融合层的输出，Zf为预设混合深度计算模型中特征融合层未经过非线性函数作用的输出。
通常，在特征融合层之后添加一个额外的张量交叉熵层以对所述目标特征信息进行分类。
Ao＝fo(Zo)，
其中，Zo＝Wo⊙Af+Bo，o为张量交叉熵层，Ao为张量交叉熵层的输出。
本发明实施例与现有技术相比，具有如下的优点和有益效果：
本实施例通过在预设混合深度计算模型设置张量卷积层、张量池化层、张量自动编码层和特征融合层，将所述第一类张量数据输入至所述张量卷积层中，并将所述第二类张量数据输入至所述张量自动编码层中；通过所述张量卷积层和所述张量池化层对所述第一类张量数据进行特征提取，获得第一类特征信息；通过所述张量自动编码层对所述第二类张量数据进行特征提取，获得第二类特征信息；通过所述特征融合层对所述第一类特征信息和所述第二类特征信息进行融合，获得目标特征信息。所述张量池化层实现了空间范围内的降维，因此该模型可以提取更大范围的特征，同时，减小了下一层的输入大小，从而减少了计算量和参数数量，而且在一定程度上能够防止过度拟合，优化起来更方便。使用张量自动编码器来堆叠张量自动编码层，不仅可以加快模型训练速度，而且在大数据特征学习，尤其是文本大数据方面具有更好的性能。
基于同一发明构思，本发明实施例还提供了一种基于深度学习的数据存储装置，具体来说，参照图4，所述基于深度学习的数据存储装置包括：
数据获取模块10，用于获取预设新闻网站的目标新闻数据；
特征提取模块20，用于将所述目标新闻数据输入至预设混合深度计算模型中，以获得所述预设混合深度计算模型输出的目标特征信息；
信息存储模块30，用于对所述目标特征信息进行加密，并将加密后的目标特征信息存储至区块链数据库中。
基于同一发明构思，本发明实施例还提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现前述任一所述的方法步骤。
基于同一发明构思，本发明实施例还提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现前述任一所述的方法步骤。
本发明实施例与现有技术相比，具有如下的优点和有益效果：
本实施例通过获取预设新闻网站的目标新闻数据；将所述目标新闻数据输入至预设混合深度计算模型中，以获得所述预设混合深度计算模型输出的目标特征信息；将所述目标特征信息存储至区块链中。由于区块链数据库中的目标特征信息不可篡改，提高了目标特征信息的安全性和可靠性，并且只需存储目标新闻数据的目标特征信息，无需存储所述目标新闻数据，降低了存储压力，从而解决了数据存储难以兼顾安全性和存储量的技术问题。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、装置(模块、系统)、和计算机程序产品的流程图和/或方框图来描述。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式计算机或者其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包括这些改动和变型在内。

Claims (6)

1.一种基于深度学习的数据存储方法，所述方法应用于电子设备，其特征在于，所述基于深度学习的数据存储方法包括：
获取样本新闻数据和所述样本新闻数据对应的样本特征信息；
根据所述样本新闻数据和所述样本新闻数据对应的样本特征信息对待训练模型进行训练，获得卷积神经网络和自动编码神经网络的混合模型；
获取预设新闻网站的目标新闻数据；
将所述目标新闻数据转化为张量新闻数据；
所述将所述目标新闻数据输入至卷积神经网络和自动编码神经网络的混合模型中，以获得所述卷积神经网络和自动编码神经网络的混合模型输出的目标特征信息，包括：
将所述张量新闻数据输入至卷积神经网络和自动编码神经网络的混合模型中，以获得所述卷积神经网络和自动编码神经网络的混合模型输出的目标特征信息；
卷积神经网络和自动编码神经网络的混合模型卷积神经网络和自动编码神经网络的混合模型将所述张量新闻数据输入至卷积神经网络和自动编码神经网络的混合模型中，以使所述卷积神经网络和自动编码神经网络的混合模型通过反向传播算法对所述张量新闻数据进行特征提取，并输出目标特征信息；所述卷积神经网络和自动编码神经网络的混合模型包括：张量卷积层、张量池化层、张量自动编码层和特征融合层；
所述将所述张量新闻数据输入至卷积神经网络和自动编码神经网络的混合模型中，以使所述卷积神经网络和自动编码神经网络的混合模型通过反向传播算法对所述张量新闻数据进行特征提取，并输出目标特征信息，包括：
将所述张量新闻数据输入至卷积神经网络和自动编码神经网络的混合模型中，并按照数据类型将所述张量新闻数据划分为第一类张量数据和第二类张量数据；
将所述第一类张量数据输入至所述张量卷积层中，并将所述第二类张量数据输入至所述张量自动编码层中；
通过所述张量卷积层和所述张量池化层对所述第一类张量数据进行特征提取，获得第一类特征信息；
通过所述张量自动编码层对所述第二类张量数据进行特征提取，获得第二类特征信息；
通过所述特征融合层对所述第一类特征信息和所述第二类特征信息进行融合，获得目标特征信息；
对所述目标特征信息进行加密，并将加密后的目标特征信息存储至区块链数据库中。
2.根据权利要求1所述的基于深度学习的数据存储方法，其特征在于，所述对所述目标特征信息进行加密，并将加密后的目标特征信息存储至区块链数据库中之后，所述方法还包括：
获取所述卷积神经网络和自动编码神经网络的混合模型的模型参数；
对所述模型参数进行加密，并将加密后的模型参数存储至所述区块链数据库中。
3.根据权利要求2所述的基于深度学习的数据存储方法，其特征在于，所述对所述模型参数进行加密，并将加密后的模型参数存储至所述区块链数据库中之后，所述方法还包括：
通过智能合约从所述区块链数据库中提取所述模型参数和所述目标特征信息；
根据所述模型参数构建所述卷积神经网络和自动编码神经网络的混合模型；
将所述目标特征信息输入至所述卷积神经网络和自动编码神经网络的混合模型中，以获得所述混合模型输出的目标新闻数据。
4.一种基于深度学习的数据存储装置，用于实现权利要求1-3中任一项所述的基于深度学习的数据存储方法，其特征在于，包括：
数据获取模块，用于获取预设新闻网站的目标新闻数据；
特征提取模块，用于将所述目标新闻数据输入至卷积神经网络和自动编码神经网络的混合模型中，以获得所述卷积神经网络和自动编码神经网络的混合模型输出的目标特征信息；
信息存储模块，用于对所述目标特征信息进行加密，并将加密后的目标特征信息存储至区块链数据库中。
5.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-3中任一权利要求所述的方法步骤。
6.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-3中任一权利要求所述的方法步骤。
CN201911422069.2A 2019-12-31 2019-12-31 一种基于深度学习的数据存储方法和装置 Active CN111159200B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911422069.2A CN111159200B (zh) 2019-12-31 2019-12-31 一种基于深度学习的数据存储方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911422069.2A CN111159200B (zh) 2019-12-31 2019-12-31 一种基于深度学习的数据存储方法和装置

Publications (2)

Publication Number Publication Date
CN111159200A CN111159200A (zh) 2020-05-15
CN111159200B true CN111159200B (zh) 2023-10-17

Family

ID=70560629

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911422069.2A Active CN111159200B (zh) 2019-12-31 2019-12-31 一种基于深度学习的数据存储方法和装置

Country Status (1)

Country Link
CN (1) CN111159200B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113271319B (zh) * 2021-07-19 2021-09-14 广州市威士丹利智能科技有限公司 一种基于区块链的通讯数据加密方法及系统

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2017113232A1 (zh) * 2015-12-30 2017-07-06 中国科学院深圳先进技术研究院 一种基于深度学习的产品分类方法及装置
CN107301246A (zh) * 2017-07-14 2017-10-27 河北工业大学 基于超深卷积神经网络结构模型的中文文本分类方法
CN107392664A (zh) * 2017-07-20 2017-11-24 西南财经大学 基于媒体信息张量监督学习的股票价格波动预测系统及方法
CN107506848A (zh) * 2017-07-20 2017-12-22 西南财经大学 媒体信息张量监督学习方法
CN109446514A (zh) * 2018-09-18 2019-03-08 平安科技（深圳）有限公司 新闻实体识别模型的构建方法、装置和计算机设备
CN110019216A (zh) * 2017-12-07 2019-07-16 中国科学院上海高等研究院 基于区块链的知识产权数据存储方法、介质及计算机设备

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10776586B2 (en) * 2018-01-10 2020-09-15 International Business Machines Corporation Machine learning to integrate knowledge and augment natural language processing

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2017113232A1 (zh) * 2015-12-30 2017-07-06 中国科学院深圳先进技术研究院 一种基于深度学习的产品分类方法及装置
CN107301246A (zh) * 2017-07-14 2017-10-27 河北工业大学 基于超深卷积神经网络结构模型的中文文本分类方法
CN107392664A (zh) * 2017-07-20 2017-11-24 西南财经大学 基于媒体信息张量监督学习的股票价格波动预测系统及方法
CN107506848A (zh) * 2017-07-20 2017-12-22 西南财经大学 媒体信息张量监督学习方法
CN110019216A (zh) * 2017-12-07 2019-07-16 中国科学院上海高等研究院 基于区块链的知识产权数据存储方法、介质及计算机设备
CN109446514A (zh) * 2018-09-18 2019-03-08 平安科技（深圳）有限公司 新闻实体识别模型的构建方法、装置和计算机设备

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
基于深度学习的无人机目标识别算法研究;何志祥;胡俊伟;;滨州学院学报(02);全文 *
我国首部生物样本库伦理指南发布――"2017年第二届中国生物样本库伦理论坛暨第四届组学与生命伦理学研讨会"会议综述;雷瑞鹏;冀朋;冯君妍;;华中科技大学学报(社会科学版)(05);全文 *

Also Published As

Publication number Publication date
CN111159200A (zh) 2020-05-15

Similar Documents

Publication Publication Date Title
Feng et al. ZEN: An optimizing compiler for verifiable, zero-knowledge neural network inferences
Bharadiya Artificial intelligence and the future of web 3.0: Opportunities and challenges ahead
US11574239B2 (en) Outlier quantization for training and inference
Huang et al. Towards digital engineering: the advent of digital systems engineering
US20180181872A1 (en) Knowledge management system
CN113704531A (zh) 图像处理方法、装置、电子设备及计算机可读存储介质
Gadepally et al. Ai enabling technologies: A survey
CN111435367B (zh) 知识图谱的构建方法、系统、设备及存储介质
CN109344268A (zh) 图形数据库写入的方法、电子设备及计算机可读存储介质
CN111159200B (zh) 一种基于深度学习的数据存储方法和装置
CN113239184B (zh) 知识库获取方法、装置、计算机设备及存储介质
Zbakh et al. Cloud Computing and Big Data: Technologies, Applications and Security
Siewert Big data in the cloud
CN117252250A (zh) 大模型预训练方法及装置
Gupta et al. A Study of Cloud-Based Solution for Data Analytics
CN114493850A (zh) 基于人工智能的在线公证方法、系统及存储介质
Sahib et al. Proposed intelligence systems based on digital Forensics
Li et al. Community-aware efficient graph contrastive learning via personalized self-training
Liu et al. [Retracted] Video Image Processing Method Based on Cloud Platform Massive Data and Virtual Reality
CN112632054A (zh) 一种基于属性加密的数据集去重方法、存储介质及系统
Tazeen et al. A Survey on Some Big Data Applications Tools and Technologies
Singh et al. Application of error level analysis in image spam classification using deep learning model
CN113111181B (zh) 文本数据处理方法、装置、电子设备及存储介质
Almukahel et al. Hybrid approach using fuzzy logic and MapReduce to achieve meaningful used big data
Bikku et al. Analysis of disaster tweets using natural language processing

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