CN111488592A - 数据加解密方法、装置及网络设备 - Google Patents

Abstract

本发明提供了一种数据加解密方法、装置及网络设备。本发明实施例中，通过采集用户的指定数量的脸部图像，利用预设的卷积神经网络对脸部图像进行特征提取，得到脸部特征数据，根据脸部特征数据生成密钥，利用密钥对数据进行加密或解密，使用能够体现差异性的人的脸部图像的特征数据作为生成密钥的基础数据，并且特征数据是利用卷积神经网络提取的，精度高，因此加大了密钥的破解难度，从而提高了使用该密钥的数据的安全性。

Description

数据加解密方法、装置及网络设备

技术领域

本申请涉及存储技术领域，尤其涉及一种数据加解密方法、装置及网络设备。

背景技术

在当今的大数据时代，经常需要对数据进行加密、解密。数据加密是利用密钥将数据明文转换为数据密文的过程，而数据解密则是用密钥将数据密文转换为数据明文的过程。

相关技术中，使用用户输入的简单的数字、字母或其他已知符号的组合作为密钥，对用户数据进行加密和解密。这种加解密方式由于密钥较为简单，容易被破解，因此导致数据安全性较低。

发明内容

为克服相关技术中存在的问题，本说明书提供了一种数据加解密方法、装置及网络设备。

根据本申请实施例的第一方面，提供一种数据加解密方法，所述方法包括：

采集用户的指定数量的脸部图像；

利用预设的卷积神经网络对所述脸部图像进行特征提取，得到脸部特征数据；

根据所述脸部特征数据生成密钥；

利用所述密钥对数据进行加密或解密。

根据本申请实施例的第二方面，提供一种数据加解密装置，所述装置包括：

图像采集模块，用于采集用户的指定数量的脸部图像；

特征提取模块，用于利用预设的卷积神经网络对所述脸部图像进行特征提取，得到脸部特征数据；

密钥生成模块，用于根据所述脸部特征数据生成密钥；

加解密模块，用于利用所述密钥对数据进行加密或解密。

根据本申请实施例的第三方面，提供一种网络设备，包括第二方面所述的数据加解密装置。

本发明实施例提供的技术方案可以包括以下有益效果：

本发明实施例中，通过采集用户的指定数量的脸部图像，利用预设的卷积神经网络对脸部图像进行特征提取，得到脸部特征数据，根据脸部特征数据生成密钥，利用密钥对指定数据进行加密或解密，使用能够体现差异性的人的脸部图像的特征数据作为生成密钥的基础数据，并且特征数据是利用卷积神经网络提取的，精度高，因此加大了密钥的破解难度，从而提高了使用该密钥的数据的安全性。并且，本发明实施例通过从脸部图像提取出特征，再根据特征生成密钥，增加了密钥获取过程的复杂度，因此进一步加大了密钥的破解难度，提高了密钥的安全性。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本说明书。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本说明书的实施例，并与说明书一起用于解释本说明书的原理。

图1为本发明实施例提供的数据加解密方法的一个应用场景示例图。

图2为本发明实施例提供的一种数据加解密方法的流程示例图。

图3为本发明实施例提供的一种数据加解密装置的功能方块图。

图4为本发明实施例提供的网络设备的一个硬件结构图。

具体实施方式

这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。

在本申请使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本申请。在本申请和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。

应当理解，尽管在本申请可能采用术语第一、第二、第三等来描述各种信息，但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如，在不脱离本申请范围的情况下，第一信息也可以被称为第二信息，类似地，第二信息也可以被称为第一信息。取决于语境，如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”。

图1为本发明实施例提供的数据加解密方法的一个应用场景示例图。如图1所示，一方面，当客户端想要将用户数据存储到NAS(Network Attached Storage，网络附属存储)设备上时，NAS设备可以采用本说明书实施例提供的数据加解密方法对用户数据进行加密，然后将加密后的数据存储在NAS设备上；另一方面，当客户端想要从NAS设备上读取已存储的用户数据时，NAS设备可以采用本说明书实施例提供的数据加解密方法对用户数据进行解密。

其中，客户端可以是智能手机、平板电脑、笔记本电脑等等。

需要说明的是，图1仅为可以使用本说明书实施例提供的数据加解密方法的应用场景的一个示例，并不用于对本说明书实施例提供的数据加解密方法的应用场景进行限定。本说明书实施例提供的数据加解密方法可以应用于任何需要对用户数据进行加解密的场景。例如，当用户想要将数据存储到云存储设备上时，或者用户想要读取存储在云存储设备上的数据时。

图2为本发明实施例提供的一种数据加解密方法的流程示例图。如图2所示，本实施例中，数据加解密方法可以包括：

S201，采集用户的指定数量的脸部图像。

S202，利用预设的卷积神经网络对脸部图像进行特征提取，得到脸部特征数据。

S203，根据脸部特征数据生成密钥。

S204，利用密钥对数据进行加密或解密。

其中，指定数据可以是文件、图片、视频等等。

在步骤S201中，指定数量可以根据具体应用需要设定。通过步骤S201，以用户的脸部图像作为生成密钥的基础数据，由于不同用户具有不同的脸部图像，而脸部图像又经过一定的算法才得到密钥，因此密钥很难被破解，从而提高了密钥的安全性，进而提高了用密钥加密的数据的安全性。

在一个示例性的实现过程中，步骤S201中，采集指定数量的用户的脸部图像，可以包括：

对用户进行拍照，得到指定数量的原始图像；

利用开源计算机视觉库(Open Source Computer Vision Library，OpenCV)检测原始图像中的脸部区域；

从原始图像中截取脸部区域，作为用户的脸部图像。

本示例利用OpenCV从原始图像中检测脸部区域，不需要用户在采集图像时精确对准摄像头，避免了用户反复调整对准的麻烦，提升了用户使用体验。如果OpenCV从原始图像中检测不到脸部区域，可以提示用户将脸部对准摄像头，重新拍照。

步骤S202中的卷积神经网络(Convolutional Neural Networks，CNN)包括卷积层和池化层，是一类包含卷积或相关计算且具有深度结构的前馈神经网络(FeedforwardNeural Networks)，它能够对输入数据进行深度的学习，从而提取到反映输入数据深层次特征的特征数据。

在一个示例性的实现过程中，步骤S202中，利用预设的卷积神经网络对脸部图像进行特征提取，得到脸部特征数据，可以包括：

对脸部图像进行灰度化处理和尺寸变换，得到输入图像；

利用预设的卷积神经网络对输入图像进行处理，得到脸部特征数据。

其中，灰度化处理和尺寸变换的目的是获取符合卷积神经网络的输入图像要求的图像。

步骤S202基于卷积神经网络对脸部图像进行特征提取，提高了特征数据的精度，使得根据该特征数据生成密钥的破解难度进一步加大，从而提高被加密数据的安全性。

在一个示例性的实现过程中，步骤S203中，根据脸部特征数据生成密钥，可以包括：

对脸部特征数据进行二值化处理，得到二值化特征矩阵；

提取二值化特征矩阵中列数据符合指定条件的列序号，组成二值化位置矩阵；

根据二值化位置矩阵生成符合企业级文件加密系统(Enterprise CryptographicFilesystem，eCryptfs)要求的密钥。

其中，eCryptfs系统的密钥数据长度为128比特。

本示例能够生成符合eCryptfs系统要求的密钥，从而能够支持使用eCryptfs系统对数据进行加密，有助于提高数据的安全性。

在其他实施例中，在上述示例的基础上，还可以对生成的密钥进行纠错编码，以对密钥进行校正。

步骤S203以步骤S202提取到的高精度的脸部特征数据为基础生成密钥，加大了密钥的破解难度，从而提高了用该密钥加密的数据的安全性。

并且，在每次需要加密或解密时，都需要根据实时采集的用户脸部图像重新生成密钥，不对密钥进行存储，因此避免了密钥泄露，从而提高了数据安全性。

在一个示例性的实现过程中，步骤S204中，利用密钥对数据进行加密或解密，可以包括：

使用密钥并利用eCryptfs系统对数据进行加密或解密。

在一个示例性的实现过程中，使用密钥并利用eCryptfs系统对数据进行加密，可以包括：

使用密钥将eCryptfs系统挂载到指定文件夹；

将数据移动到指定文件夹中；

将eCryptfs系统从指定文件夹卸载；

使用密钥并利用eCryptfs系统对数据进行解密，可以包括：

确定存储数据的指定文件夹；

使用密钥将eCryptfs系统挂载到指定文件夹。

其中，eCryptfs加密文件系统选择的加密算法是AES(Advanced EncryptionStandard，高级加密标准)128bit的加密算法。

步骤S204使用步骤S203得到的破解难度大的密钥对数据进行加密或解密，提高了数据的安全性。

下面通过示例对本说明书实施例提供的数据加解密方法作进一步详细说明。

假设用户甲通过图1的客户端向NAS设备发出对文件A的存储请求，NAS设备的处理过程如下：

NAS设备通过客户端采集用户甲的20张图像，利用OpenCV从该20张图像中分别检测脸部区域，然后截取每张图像中的脸部区域，得到20张用户甲的脸部图像；

NAS设备对20张脸部图像进行灰度化处理和尺寸变换，得到符合卷积神经网络输入要求的20张输入图像，然后依次将20张输入图像输入卷积神经网络中，得到一个包含用户甲的脸部特征的20*N的特征矩阵，其中每一张输入图像经过卷积神经网络后均会得到一个包含N个数据点的一维向量；

NAS设备将20*N的特征矩阵中大于0的数据全部置1，将该矩阵中小于或等于0的数据全部置0，得到一个20*N的二值化特征矩阵；

NAS设备对20*N的二值化特征矩阵进行检测，以列为单位，如果每一列数据中有3/4以上的数据为1，则认为该列数据为有效的特征数据，并记录该列的位置，否则认为该列数据为无效的特征数据，最后将记录的有效特征数据的位置组成一个包含M个数据点的一维向量，该一维向量即为位置矩阵；

NAS设备将位置矩阵中的每一个元素进行奇偶判断，若为奇数则将该数据置为1，若为偶数则将该数据置为0，得到一个包含M个数据点的二值化位置矩阵；

NAS设备对M进行判断，当M大于128时，取二值化位置矩阵的前128个数据组成一个128bit(比特)的密钥；当M在64和128之间时，则将二值化位置矩阵的每6个元素组成一个数值，将该数值作为二值化位置矩阵的索引，取得索引位置的值，插入二值化位置矩阵后面，直到二值化位置矩阵的元素个数达到128个，得到一个128bit的密钥；由于人脸可能由于光照等一些因素的影响，造成得到的密钥和之前的密钥并不完成相同，因此可以在使用余弦距离判断是同一个人脸后，对密钥进行纠错编码，以对密钥进行校正，得到的正确的密钥；当M小于64时，NAS设备确认本次密钥生成失败，向客户端返回错误提示信息；

在成功生成128bit的密钥后，NAS设备使用该密码将eCryptfs加密文件系统挂载到NAS设备本地的指定文件夹(假设为文件夹1)，将文件A移动至文件夹1中即可完成对文件A的加密，加密后将eCryptfs加密文件系统从文件夹1卸载，此时查看加密后的文件A，会发现该文件A是乱码，至此，NAS设备实现了对文件A的加密和存储功能。

假设用户甲已经通过图1的客户端在NAS设备的文件夹1中存储了文件A，当用户甲通过客户端向NAS设备发出对文件A的访问请求时，NAS设备的处理过程如下：

NAS设备通过同前述处理存储请求的流程相同的过程得到密钥；

NAS设备将eCryptfs加密文件系统挂载到文件夹1中，即可找到解密后的文件A。

本发明实施例提供的数据加解密方法，通过采集用户的指定数量的脸部图像，利用预设的卷积神经网络对脸部图像进行特征提取，得到脸部特征数据，根据脸部特征数据生成密钥，利用密钥对指定数据进行加密或解密，使用能够体现差异性的人的脸部图像的特征数据作为生成密钥的基础数据，并且特征数据是利用卷积神经网络提取的，精度高，因此加大了密钥的破解难度，从而提高了使用该密钥的数据的安全性。并且，本发明实施例通过从脸部图像提取出特征，再根据特征生成密钥，增加了密钥获取过程的复杂度，因此进一步加大了密钥的破解难度，提高了密钥的安全性。

并且，本说明书实施例中，脸部图像特征数据是利用卷积神经网络进行特征提取得到的，能够获得人脸的更多的深层次的特征信息，从而提高了特征数据的精度，进一步加大了密钥的破解难度，提高了数据的安全性。

基于上述的数据加解密方法实施例，本申请实施例还提供了相应的装置、设备及存储介质实施例。

图3为本发明实施例提供的一种数据加解密装置的功能方块图。如图3所示，本实施例中，数据加解密装置可以包括：

图像采集模块310，用于采集用户的指定数量的脸部图像；

特征提取模块320，用于利用预设的卷积神经网络对脸部图像进行特征提取，得到脸部特征数据；

密钥生成模块330，用于根据脸部特征数据生成密钥；

加解密模块340，用于利用密钥对数据进行加密或解密。

在一个示例性的实现过程中，特征提取模块320具体用于：

对脸部图像进行灰度化处理和尺寸变换，得到输入图像；

利用预设的卷积神经网络对输入图像进行处理，得到脸部特征数据。

在一个示例性的实现过程中，密钥生成模块330具体用于：

对脸部特征数据进行二值化处理，得到二值化特征矩阵；

提取二值化特征矩阵中列数据符合指定条件的列序号，组成二值化位置矩阵；

根据二值化位置矩阵生成符合eCryptfs系统要求的密钥。

在一个示例性的实现过程中，加解密模块340具体用于：

使用密钥并利用eCryptfs系统对数据进行加密或解密。

在一个示例性的实现过程中，加解密模块340具体用于：

使用密钥将eCryptfs系统挂载到指定文件夹；

将数据移动到指定文件夹中；

将所述eCryptfs系统从指定文件夹卸载；

在一个示例性的实现过程中，加解密模块340具体用于：

确定存储数据的指定文件夹；

使用密钥将eCryptfs系统挂载到指定文件夹。

在一个示例性的实现过程中，图像采集模块310具体用于：

对用户进行连续拍照，得到指定数量的原始图像；

利用计算机视觉库OpenCV检测原始图像中的脸部区域；

从原始图像中截取脸部区域，作为用户的脸部图像。

本发明实施例还提供了一种网络设备，该网络设备包括本发明实施例中的任一种数据加解密装置。图4为本发明实施例提供的网络设备的一个硬件结构图。如图4所示，网络设备包括：内部总线401，以及通过内部总线连接的存储器402，处理器403和外部接口404，其中，

所述处理器403，用于读取存储器402上的机器可读指令，并执行所述指令以实现如下操作：

采集用户的指定数量的脸部图像；

利用预设的卷积神经网络对脸部图像进行特征提取，得到脸部特征数据；

根据脸部特征数据生成密钥；

利用密钥对数据进行加密或解密。

其中，网络设备可以是NAS设备。

本发明实施例还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有若干计算机指令，所述计算机指令被执行时进行如下处理：

采集用户的指定数量的脸部图像；

利用预设的卷积神经网络对脸部图像进行特征提取，得到脸部特征数据；

根据脸部特征数据生成密钥；

利用密钥对数据进行加密或解密。

对于装置实施例而言，由于其基本对应于方法实施例，所以相关之处参见方法实施例的部分说明即可。以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理模块，即可以位于一个地方，或者也可以分布到多个网络模块上。可以根据实际的需要选择其中的部分或者全部模块来实现本说明书方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。

上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。

本领域技术人员在考虑说明书及实践这里申请的发明后，将容易想到本说明书的其它实施方案。本说明书旨在涵盖本说明书的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本说明书的一般性原理并包括本说明书未申请的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本说明书的真正范围和精神由下面的权利要求指出。

应当理解的是，本说明书并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本说明书的范围仅由所附的权利要求来限制。

以上所述仅为本申请的较佳实施例而已，并不用以限制本申请，凡在本申请的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本申请保护的范围之内。

Claims (10)

1.一种数据加解密方法，其特征在于，所述方法包括：

采集用户的指定数量的脸部图像；

利用预设的卷积神经网络对所述脸部图像进行特征提取，得到脸部特征数据；

根据所述脸部特征数据生成密钥；

利用所述密钥对数据进行加密或解密。

2.根据权利要求1所述的方法，其特征在于，所述利用预设的卷积神经网络对所述脸部图像进行特征提取，得到脸部特征数据，包括：

对所述脸部图像进行灰度化处理和尺寸变换，得到输入图像；

利用预设的卷积神经网络对所述输入图像进行处理，得到脸部特征数据。

3.根据权利要求1所述的方法，其特征在于，所述根据所述脸部特征数据生成密钥，包括：

对所述脸部特征数据进行二值化处理，得到二值化特征矩阵；

提取所述二值化特征矩阵中列数据符合指定条件的列序号，组成二值化位置矩阵；

根据所述二值化位置矩阵生成符合企业级文件加密系统要求的密钥。

4.根据权利要求1所述的方法，其特征在于，所述利用所述密钥对数据进行加密或解密，包括：

使用所述密钥并利用企业级文件加密系统对数据进行加密或解密。

5.根据权利要求4所述的方法，其特征在于，所述使用所述密钥并利用企业级文件加密系统对数据进行加密，包括：

使用所述密钥将企业级文件加密系统挂载到指定文件夹；

将数据移动到所述指定文件夹中；

将所述企业级文件加密系统从所述指定文件夹卸载；

所述使用所述密钥并利用企业级文件加密系统对数据进行解密，包括：

确定存储数据的指定文件夹；

使用所述密钥将企业级文件加密系统挂载到所述指定文件夹。

6.根据权利要求1所述的方法，其特征在于，所述采集所述用户的指定数量的脸部图像，包括：

对所述用户进行连续拍照，得到指定数量的原始图像；

利用开源计算机视觉库检测所述原始图像中的脸部区域；

从所述原始图像中截取所述脸部区域，作为所述用户的脸部图像。

7.一种数据加解密装置，其特征在于，所述装置包括：

图像采集模块，用于采集用户的指定数量的脸部图像；

特征提取模块，用于利用预设的卷积神经网络对所述脸部图像进行特征提取，得到脸部特征数据；

密钥生成模块，用于根据所述脸部特征数据生成密钥；

加解密模块，用于利用所述密钥对数据进行加密或解密。

8.根据权利要求7所述的装置，其特征在于，所述特征提取模块具体用于：

对所述脸部图像进行灰度化处理和尺寸变换，得到输入图像；

利用预设的卷积神经网络对所述输入图像进行处理，得到脸部特征数据。

9.根据权利要求7所述的装置，其特征在于，所述加解密模块具体用于：

使用所述密钥并利用企业级文件加密系统对数据进行加密或解密。

10.一种网络设备，其特征在于，包括权利要求7-9任一项所述的数据加解密装置。

Images