CN111612079A - 数据确权方法、设备及可读存储介质 - Google Patents

数据确权方法、设备及可读存储介质 Download PDF

Info

Publication number
CN111612079A
CN111612079A CN202010446692.8A CN202010446692A CN111612079A CN 111612079 A CN111612079 A CN 111612079A CN 202010446692 A CN202010446692 A CN 202010446692A CN 111612079 A CN111612079 A CN 111612079A
Authority
CN
China
Prior art keywords
data
hash
preset
code value
value
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.)
Granted
Application number
CN202010446692.8A
Other languages
English (en)
Other versions
CN111612079B (zh
Inventor
吴锦和
范力欣
张天豫
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.)
WeBank Co Ltd
Original Assignee
WeBank Co Ltd
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 WeBank Co Ltd filed Critical WeBank Co Ltd
Priority to CN202010446692.8A priority Critical patent/CN111612079B/zh
Publication of CN111612079A publication Critical patent/CN111612079A/zh
Priority to PCT/CN2020/133421 priority patent/WO2021232747A1/zh
Application granted granted Critical
Publication of CN111612079B publication Critical patent/CN111612079B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • G06N3/044—Recurrent networks, e.g. Hopfield 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
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L9/00—Cryptographic mechanisms or cryptographic arrangements for secret or secure communications; Network security protocols
    • H04L9/06—Cryptographic mechanisms or cryptographic arrangements for secret or secure communications; Network security protocols the encryption apparatus using shift registers or memories for block-wise or stream coding, e.g. DES systems or RC4; Hash functions; Pseudorandom sequence generators
    • H04L9/0643—Hash functions, e.g. MD5, SHA, HMAC or f9 MAC

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Power Engineering (AREA)
  • Computer Security & Cryptography (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Storage Device Security (AREA)

Abstract

本申请公开了一种数据确权方法、设备及可读存储介质，所述数据确权方法包括：向第二设备发送数据确权配合要求，以供所述第二设备确定所述数据确权配合要求对应的待确权数据，并将所述待确权数据输入预设哈希编码模型，以基于所述待确权数据对应的类别特征信息，对所述待确权数据进行哈希编码，获得输出哈希编码值，并获取基于所述预设哈希编码模型生成的各预设哈希编码值，进而基于所述输出哈希编码值和各所述预设哈希编码值，确定所述待确权数据的数据来源。本申请解决了数据确权准确性低的技术问题。

Description

数据确权方法、设备及可读存储介质
技术领域
本申请涉及金融科技(Fintech)的人工智能领域，尤其涉及一种数据确权方法、设备及可读存储介质。
背景技术
随着金融科技，尤其是互联网科技金融的不断发展，越来越多的技术(如分布式、区块链Blockchain、人工智能等)应用在金融领域，但金融业也对技术提出了更高的要求，如对金融业对应待办事项的分发也有更高的要求。
随着计算机软件和人工智能的不断发展，市场上出现了越来越多的大数据产品，其中，许多数据购买者在平台上购买了合法数据源之后，将合法数据源进行转卖，以获取巨大的经济利益，进而严重损害了的数据源持有者的合法权益，目前，通常通过检验数据源对应的哈希编码值，以确定数据源的来源，也即，对数据源进行确权，但是，由于通常的哈希函数非常敏感，数据购买者只需向数据源中加入一些噪音数据，即可导致数据源对应的哈希编码值发生较大的改变，进而导致数据源的来源难以确定，降低了数据确权的准确性。
发明内容
本申请的主要目的在于提供一种数据确权方法、设备及可读存储介质，旨在解决现有技术中数据确权准确性低的技术问题。
为实现上述目的，本申请提供一种数据确权方法，所述数据确权方法应用于第一设备，所述数据确权方法包括：
向第二设备发送数据确权配合要求，以供所述第二设备确定所述数据确权配合要求对应的待确权数据，并将所述待确权数据输入预设哈希编码模型，以基于所述待确权数据对应的类别特征信息，对所述待确权数据进行哈希编码，获得输出哈希编码值；
接收所述第二设备反馈的所述输出哈希编码值，并获取基于所述预设哈希编码模型生成的各预设哈希编码值；
基于所述输出哈希编码值和各所述预设哈希编码值，确定所述待确权数据的数据来源。
可选地，所述基于所述输出哈希编码值和各所述预设哈希编码值，确定所述待确权数据的数据来源的步骤包括：
在各所述预设哈希编码值中确定所述输出哈希编码值对应的标准哈希编码值；
将所述输出哈希编码值输入预设极化哈希编码模型，对所述输出哈希编码值进行极化哈希编码，获得第一极化哈希编码值；
将所述标准哈希编码值输入所述预设极化哈希编码模型，对所述标准哈希编码值进行极化哈希编码，获得第二极化哈希编码值；
基于所述第一极化哈希编码值和所述第二极化哈希编码值，确定所述待确权数据的数据来源。
可选地，所述基于所述输出哈希编码值和各所述预设哈希编码值，确定所述待确权数据的数据来源的步骤包括：
分别计算所述输出哈希编码值和各所述预设哈希编码值之间的吻合度，并在各所述吻合度中确定目标吻合度；
基于所述目标吻合度，确定所述待确权数据的数据来源。
可选地，所述将所述待交易数据输入所述预设哈希编码模型，对所述待交易数据进行哈希编码，获得所述预设哈希编码值的步骤包括：
将所述待交易数据输入所述预设哈希编码模型的隐藏层，对所述待交易数据进行数据处理，获得所述待交易数据对应的待哈希数据；
将所述待哈希数据输入所述预设哈希编码模型的哈希层，对所述待哈希数据进行极化哈希，获得极化哈希结果；
提取所述极化哈希结果中的各极化标识，并基于各所述极化标识，生成所述预设哈希编码值。
可选地，在所述向第二设备发送数据确权配合要求，以供所述第二设备确定所述数据确权配合要求对应的待确权数据，并将所述待确权数据输入预设哈希编码模型，以基于所述待确权数据对应的类别特征信息，对所述待确权数据进行哈希编码，获得输出哈希编码值的步骤之前，所述数据确权方法还包括：
获取待训练哈希编码模型和训练样本，并基于预设目标哈希编码方式，确定所述训练样本对应的目标哈希编码值；
基于所述目标哈希编码值和所述训练样本，对所述待训练哈希编码模型进行迭代训练，以优化所述待训练哈希编码模型对应的预设极化损失函数，直至所述待训练哈希编码模型达到预设迭代结束条件，获得所述预设哈希编码模型；
将所述预设哈希编码模型发送至所述第二设备。
可选地，所述基于所述目标哈希编码值和所述训练样本，对所述待训练哈希编码模型进行迭代训练，以优化所述待训练哈希编码模型对应的预设极化损失函数，直至所述待训练哈希编码模型达到预设迭代结束条件，获得所述预设哈希编码模型的步骤包括：
将所述训练样本输入所述待训练哈希编码模型，以基于所述预设极化损失函数，对所述训练样本进行哈希编码，获得初始哈希编码值；
计算所述初始哈希编码值和所述目标哈希编码值之间的训练汉明距离，并将所述训练汉明距离与预设汉明距离阀值进行比对；
若所述训练汉明距离大于所述预设汉明距离阀值，则判定所述待训练哈希编码模型未达到所述预设迭代结束条件，并基于所述初始哈希编码值优化所述预设极化损失函数；
基于优化后的所述预设极化损失函数，重新进行所述待训练哈希编码模型的迭代训练，直至所述训练汉明距离小于或者等于所述预设汉明距离阀值；
若所述训练汉明距离小于或者等于所述预设汉明距离阀值，则判定所述待训练哈希编码模型达到所述预设迭代结束条件，并将所述待训练哈希编码模型作为所述预设哈希编码模型。
为实现上述目的，本申请还提供一种数据确权方法，所述数据确权方法应用于第二设备，所述数据确权方法包括：
接收第一设备发送的数据确权配合要求，并确定所述数据确权配合要求对应的待确权数据；
将所述待确权数据输入所述第一设备给定的哈希编码模型，以基于所述待确权数据的类别特征信息，对所述待确权数据进行极化哈希编码，获得输出哈希编码值；
将所述输出哈希编码值发送至所述第一设备，以供所述第一设备基于所述输出哈希编码值，确定所述待确权数据的数据来源。
本申请还提供一种数据确权装置，所述数据确权装置为虚拟装置，且所述数据确权装置应用于第一设备，所述数据确权装置包括：
第一发送模块，用于向第二设备发送数据确权配合要求，以供所述第二设备确定所述数据确权配合要求对应的待确权数据，并将所述待确权数据输入预设哈希编码模型，以基于所述待确权数据对应的类别特征信息，对所述待确权数据进行哈希编码，获得输出哈希编码值；
第一获取模块，用于接收所述第二设备反馈的所述输出哈希编码值，并获取基于所述预设哈希编码模型生成的各预设哈希编码值；
确定模块，用于基于所述输出哈希编码值和各所述预设哈希编码值，确定所述待确权数据的数据来源。
可选地，所述确定模块包括：
第一确定单元，用于在各所述预设哈希编码值中确定所述输出哈希编码值对应的标准哈希编码值；
第一哈希编码单元，用于将所述输出哈希编码值输入预设极化哈希编码模型，对所述输出哈希编码值进行极化哈希编码，获得第一极化哈希编码值；
第二哈希编码单元，用于将所述标准哈希编码值输入所述预设极化哈希编码模型，对所述标准哈希编码值进行极化哈希编码，获得第二极化哈希编码值；
第二确定单元，用于基于所述第一极化哈希编码值和所述第二极化哈希编码值，确定所述待确权数据的数据来源。
可选地，所述确定模块还包括：
第一计算单元，用于分别计算所述输出哈希编码值和各所述预设哈希编码值之间的吻合度，并在各所述吻合度中确定目标吻合度；
第三确定单元，用于基于所述目标吻合度，确定所述待确权数据的数据来源。
可选地，所述确权装置还包括：
接收模块，用于接收与所述第一设备存储关联的第三设备上传的待交易数据；
哈希编码模型，用于将所述待交易数据输入所述预设哈希编码模型，对所述待交易数据进行哈希编码，获得所述预设哈希编码值。
可选地，所述哈希编码模块包括：
数据处理单元，用于将所述待交易数据输入所述预设哈希编码模型的隐藏层，对所述待交易数据进行数据处理，获得所述待交易数据对应的待哈希数据；
极化哈希单元，用于将所述待哈希数据输入所述预设哈希编码模型的哈希层，对所述待哈希数据进行极化哈希，获得极化哈希结果；
生成单元，用于提取所述极化哈希结果中的各极化标识，并基于各所述极化标识，生成所述预设哈希编码值。
可选地，所述数据确权装置还包括：
第二获取模块，用于获取待训练哈希编码模型和训练样本，并基于预设目标哈希编码方式，确定所述训练样本对应的目标哈希编码值；
迭代训练模块，用于基于所述目标哈希编码值和所述训练样本，对所述待训练哈希编码模型进行迭代训练，以优化所述待训练哈希编码模型对应的预设极化损失函数，直至所述待训练哈希编码模型达到预设迭代结束条件，获得所述预设哈希编码模型；
第二发送模块，用于将所述预设哈希编码模型发送至所述第二设备。
可选地，所述迭代训练模块包括：
第三哈希编码单元，用于将所述训练样本输入所述待训练哈希编码模型，以基于所述预设极化损失函数，对所述训练样本进行哈希编码，获得初始哈希编码值；
第二计算单元，用于计算所述初始哈希编码值和所述目标哈希编码值之间的训练汉明距离，并将所述训练汉明距离与预设汉明距离阀值进行比对；
优化单元，用于若所述训练汉明距离大于所述预设汉明距离阀值，则判定所述待训练哈希编码模型未达到所述预设迭代结束条件，并基于所述初始哈希编码值优化所述预设极化损失函数；
重新训练单元，用于基于优化后的所述预设极化损失函数，重新进行所述待训练哈希编码模型的迭代训练，直至所述训练汉明距离小于或者等于所述预设汉明距离阀值；
判定单元，用于若所述训练汉明距离小于或者等于所述预设汉明距离阀值，则判定所述待训练哈希编码模型达到所述预设迭代结束条件，并将所述待训练哈希编码模型作为所述预设哈希编码模型。
为实现上述目的，本申请还提供一种数据确权装置，所述数据确权装置为虚拟装置，且所述数据确权装置应用于第二设备，所述数据确权装置包括：
确定模块，用于接收第一设备发送的数据确权配合要求，并确定所述数据确权配合要求对应的待确权数据；
极化哈希编码模块，用于将所述待确权数据输入所述第一设备给定的哈希编码模型，以基于所述待确权数据的类别特征信息，对所述待确权数据进行极化哈希编码，获得输出哈希编码值；
发送模块，用于将所述输出哈希编码值发送至所述第一设备，以供所述第一设备基于所述输出哈希编码值，确定所述待确权数据的数据来源。
本申请还提供一种数据确权设备，所述数据确权设备为实体设备，所述数据确权设备包括：存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的所述数据确权方法的程序，所述数据确权方法的程序被处理器执行时可实现如上述的数据确权方法的步骤。
本申请还提供一种可读存储介质，所述可读存储介质上存储有实现数据确权方法的程序，所述数据确权方法的程序被处理器执行时实现如上述的数据确权方法的步骤。
本申请向第二设备发送数据确权配合要求，以供所述第二设备确定所述数据确权配合要求对应的待确权数据，并将所述待确权数据输入预设哈希编码模型，以基于所述待确权数据对应的类别特征信息，对所述待确权数据进行哈希编码，获得输出哈希编码值，进而接收所述第二设备反馈的所述输出哈希编码值，并获取基于所述预设哈希编码模型生成的各预设哈希编码值，进而基于所述输出哈希编码值和各所述预设哈希编码值，确定所述待确权数据的数据来源。也即，本申请中的输出哈希编码值是通过预设哈希编码模型，以所述待确权数据对应的类别特征信息，对所述待确权数据进行哈希编码获得的，相同地，各所述预设哈希编码值同样也是基于所述预设哈希编码模型获得的，进而若预设哈希编码值与所述输出哈希编码值之间的吻合度较高，则可判定预设哈希编码值对应的数据源为输出哈希编码对应的待确权数据的数据来源，进而可在不用检查待确权数据的情况下，完成待确权数据的确权，提高了数据确权的效率，进一步地，即使所述待确权数据为针对于所述预设哈希编码值对应的数据源增加了噪音数据的数据源，所述待确权数据和所述待交易数据的类别特征信息也不会发生太大波动，也即，所述待确权数据和所述待交易数据仍属于同一数据类别，所以，通过预设哈希编码模型，以类别特征信息进行哈希编码获得的输出哈希编码值和预设哈希编码值仍然具有极高的吻合度，进而基于所述输出哈希编码值和各所述预设哈希编码值，仍可以确定所述待确权数据的数据来源为所述预设哈希编码值对应的数据源，所以，实现了所述待确权数据即使为增加了噪音数据的数据源，仍可确定所述待确权数据的数据来源的目的，进而提高了数据确权的准确性，所以，解决了数据确权准确性低的技术问题。
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，示出了符合本申请的实施例，并与说明书一起用于解释本申请的原理。
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本申请数据确权方法第一实施例的流程示意图；
图2为本申请数据确权方法第二实施例的流程示意图；
图3为本申请数据确权方法第三实施例的流程示意图；
图4为本申请实施例方案涉及的硬件运行环境的设备结构示意图。
本申请目的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅用以解释本申请，并不用于限定本申请。
本申请实施例提供一种数据确权方法，在本申请数据确权方法的第一实施例中，所述数据确权方法应用于第一设备，参照图1，所述数据确权方法包括：
步骤S10，向第二设备发送数据确权配合要求，以供所述第二设备确定所述数据确权配合要求对应的待确权数据，并将所述待确权数据输入预设哈希编码模型，以基于所述待确权数据对应的类别特征信息，对所述待确权数据进行哈希编码，获得输出哈希编码值；
在本实施例中，需要说明的是，所述第一设备为进行大数据交易的平台方，所述第二设备为数据源的数据使用方，所述预设哈希编码模型为基于预设类别信息优化的深度极化网络构建的神经网络模型，且所述深度极化网络包括隐藏层和哈希层，其中，所述隐藏层为所述预设深度极化网络的数据处理层，用于进行卷积处理、池化处理等数据处理过程，且所述隐藏层为基于深度学习训练好的一层或者多层神经网络，所述哈希层为所述深度极化网络的输出层，用于对所述待哈希数据进行哈希编码，并输出对应的哈希编码结果，且所述哈希层为基于深度学习训练好的一层或者多层神经网络。
另外地，需要说明的是，在所述数据使用方使用了未指明数据来源的数据或者数据使用方使用了来自第一购买者的数据源但并未得到平台方的授权等脱敏处理触发条件时，所述第一设备将向所述第二设备发送数据确权配合要求，其中，所述第一购买者为从第一设备处购买数据的数据购买方，所述数据确权配合要求为用于通知所述第二设备执行脱敏处理规则的信息，其中，所述脱敏处理规则为验证数据的数据来源的规则，例如，生成数据源的哈希编码、展示数据源的确权证书等，所述预设类别信息为用于优化所述预设哈希编码模型的，且与数据类别相关的信息，使得优化后的所述预设哈希编码模型，对于属于同一数据类别的输入数据，均可输出所述输入数据所属的数据类别对应的预设哈希编码值，其中，对于任意两个输入数据，若两个输入数据之间的汉明距离小于预设汉明距离阀值，则可确定两个输入数据属于同一数据类别，所述类别特征信息为所述隐藏层输出的所述待确权数据对应的特征表示矩阵，其中，对于属于同一数据类别的各输入数据，各输入数据对应的特征表示矩阵具有高度的相似性。
向第二设备发送数据确权配合要求，以供所述第二设备确定所述数据确权配合要求对应的待确权数据，并将所述待确权数据输入预设哈希编码模型，以基于所述待确权数据对应的类别特征信息，对所述待确权数据进行哈希编码，获得输出哈希编码值，具体地，当检测到与所述第一设备使用关联的第二设备达到所述脱敏处理触发条件时，向所述第二设备发送数据确权配合要求，以要求所述第二设备对所述数据确权配合要去对应的待确权数据进行确权，进而所述第二设备在接收所述数据确权配合要求之后，基于所述数据确权配合要求中的数据信息，确定所述数据确权配合要求对应的待确权数据，进而将所述待确权数据输入预设哈希编码模型的隐藏层，对所述待确权数据进行数据处理，生成所述待确权数据对应的特征表示矩阵，其中，所述数据处理包括卷积、池化等，进而将所述特征表示矩阵输入所述预设哈希编码模型的哈希层，以基于所述哈希层中的各极化输出通道，对所述特征表示矩阵极化哈希，生成极化哈希向量，并提取所述极化哈希向量中各极化哈希向量比特位的比特位符号，进而基于各所述比特位符号，生成所述输出哈希编码值，其中，所述极化输出通道为对所述极化哈希向量中的各比特位进行极化的输出通道，所述比特位符号为所述极化哈希向量比特位的正负符号，例如，假设在经过各所述极化输出通道之前，所述特征表示矩阵对应的哈希向量为(-a，-b)，则经过各所述极化输出通道对所述哈希向量进行极化后，获得的极化哈希向量为(-a，b)，其中，比特位-a的极化标识为-1，比特位b的极化标识为+1，进而所述输出哈希编码值为(-1，1)。
步骤S20，接收所述第二设备反馈的所述输出哈希编码值，并获取基于所述预设哈希编码模型生成的各预设哈希编码值；
在本实施例中，需要说明的是，所述第一设备可接收与所述第一设备存储关联的第三设备上传的待交易数据，进而基于所述预设哈希编码模型，以所述待交易数据的类别特征信息，对所述待交易数据进行哈希编码，生成所述预设哈希编码值，并将所述预设哈希编码值存储于预设存储数据库，其中，所述预设存储数据库可基于区块链进行构建，进一步地，数据购买者可在所述第一设备处购买所述待交易数据。
接收所述第二设备反馈的所述输出哈希编码值，并获取基于所述预设哈希编码模型生成的各预设哈希编码值，具体地，接收所述第二设备反馈的所述输出哈希编码值，并基于所述预设哈希编码模型的模型标识，确定所述模型标识对应的目标区块，并在所述目标区块中提取各所述预设哈希编码值。
其中，在所述接收所述第二设备反馈的所述输出哈希编码值，并获取基于所述预设哈希编码模型生成的各预设哈希编码值的步骤之前，所述数据确权方法还包括：
步骤A10，接收与所述第一设备存储关联的第三设备上传的待交易数据；
在本实施例中，需要说明的是，所述第三设备为进行大数据交易的数据提供方，且所述第三设备将己方持有的待交易数据上传至所述第一设备进行存储，并生成对应的哈希编码值，在一种可实施的方案中，可将待交易数据及其对应的哈希编码值存储于所述第一设备在预设区块链系统中创建的区块中。
步骤A20，将所述待交易数据输入所述预设哈希编码模型，对所述待交易数据进行哈希编码，获得所述预设哈希编码值。
在本实施例中，需要说明的是，所述预设哈希编码模型为所述第一设备训练好并给定所述第二设备的，所述第一设备同样持有所述预设哈希编码模型。
将所述待交易数据输入所述预设哈希编码模型，对所述待交易数据进行哈希编码，获得所述预设哈希编码值，具体地，将所述待交易数据输入基于所述预设哈希编码模型，基于所述预设哈希编码模型的隐藏层，对所述待交易数据进行数据处理，获得所述待交易数据对应的中间矩阵，进而将所述中间矩阵输入所述预设哈希编码模型的哈希层，对所述中间矩阵进行极化哈希编码，获得所述预设哈希编码值，其中，所述中间矩阵为所述隐藏层输出的所述待交易数据对应的高维矩阵。
其中，所述将所述待交易数据输入所述预设哈希编码模型，对所述待交易数据进行哈希编码，获得所述预设哈希编码值的步骤包括：
步骤A21，将所述待交易数据输入所述预设哈希编码模型的隐藏层，对所述待交易数据进行数据处理，获得所述待交易数据对应的待哈希数据；
在本实施例中，需要说明的是，所述待哈希数据为所述隐藏层输出的高维矩阵。
将所述待交易数据输入所述预设哈希编码模型的隐藏层，对所述待交易数据进行数据处理，获得所述待交易数据对应的待哈希数据，具体地，将所述待交易数据输入所述预设哈希编码模型的隐藏层，对所述待交易数据进行预设次数的卷积和池化交替处理，获得所述待哈希数据。
步骤A22，将所述待哈希数据输入所述预设哈希编码模型的哈希层，对所述待哈希数据进行极化哈希，获得极化哈希结果；
在本实施例中，将所述待哈希数据输入所述预设哈希编码模型的哈希层，对所述待哈希数据进行极化哈希，获得极化哈希结果，具体地，将所述待哈希数据对应的中间矩阵输入所述预设哈希编码模型的哈希层，对所述中间矩阵进行全连接，获得全连接向量，进而为所述全连接向量中的各目标比特位匹配对应的极化输出通道，并基于各所述极化输出通道，对各所述极化输出通道各自对应的目标比特位进行极化，为各所述目标比特位赋予极化标识，进而输出极化后的各所述目标比特位共同对应的目标极化哈希向量，并将所述目标极化哈希向量作为所述极化哈希结果，其中，所述极化输出通道是为所述目标比特位赋予极化标识的模型输出通道，所述极化标识为所述目标比特位的正负符号。
步骤A23，提取所述极化哈希结果中的各极化标识，并基于各所述极化标识，生成所述预设哈希编码值。
在本实施例中，提取所述极化哈希结果中的各极化标识，并基于各所述极化标识，生成所述预设哈希编码值，具体地，提取所述目标极化哈希向量中每一目标比特位对应的极化标识，并基于各所述极化标识和各所述极化标识对应的目标比特位在所述目标极化哈希向量中的位置，生成所述预设哈希编码值，例如，假设所述目标极化哈希向量为1*3的向量(a，-b，c)，则目标比特位a对的极化标识为正，目标比特位-b对应的极化标识为负，目标比特位c对应的极化标识为正，进而所述预设哈希编码值为(1，-1，1)。
步骤S30，基于所述输出哈希编码值和各所述预设哈希编码值，确定所述待确权数据的数据来源。
在本实施例中，基于所述输出哈希编码值和各所述预设哈希编码值，确定所述待确权数据的数据来源，具体地，在各所述预设哈希编码值中确定所述输出哈希编码值对应的标准哈希标准值，并计算所述输出哈希编码值和所述预设哈希编码值之间的吻合度，并将所述吻合度与预设吻合度阀值进行比对，若所述吻合度大于或者等于所述预设吻合度阀值，则确定所述输出哈希编码值对应的待确权数据的数据来源为平台方，若所述吻合度小于所述预设吻合度阀值，则确定所述输出哈希编码值对应的待确权数据的数据来源不为平台方，其中所述吻合度为所述输出哈希编码值和所述预设哈希编码值之间的比特位差异度，例如，假设所述输出哈希编码值为0101010101，所述预设哈希编码值为0101010111，则所述比特位差异度为10％。
其中，所述基于所述输出哈希编码值和各所述预设哈希编码值，确定所述待确权数据的数据来源的步骤还包括：
步骤S31，分别计算所述输出哈希编码值和各所述预设哈希编码值之间的吻合度，并在各所述吻合度中确定目标吻合度；
在本实施例中，需要说明的是，增加了噪音数据的所述待交易数据为篡改数据，非法用户通常通过向待交易数据中增加噪音数据，获得篡改数据，而由于一般的哈希函数非常敏感，进而导致篡改数据和篡改数据对应的哈希编码值的差异极大，但是，由于篡改数据是在所述待交易数据的基础上增加噪音数据获得的，且为了篡改数据后续能够继续进行使用，噪音数据相比于待交易数据的大小往往是较小的，进而篡改数据与待交易数据之间汉明距离通常较小，进而篡改数据与待交易数据可认为属于同一数据类别，进而所述篡改数据对应的输出哈希编码值和对应的所述待交易数据的预设哈希编码值应当具有高度的相似性，甚至相同。
分别计算所述输出哈希编码值和各所述预设哈希编码值之间的吻合度，并在各所述吻合度中确定目标吻合度，具体地，分别计算所述输出哈希编码值与各所述预设哈希编码值之间的吻合度，并在各吻合度中选取最高的吻合度作为目标吻合度。
步骤S32，基于所述目标吻合度，确定所述待确权数据的数据来源。
在本实施例中，基于所述目标吻合度，确定所述待确权数据的数据来源，具体地，将所述目标吻合度与预设吻合度阀值进行比对，若所述目标吻合度大于或者等于预设吻合度阀值，则判定所述待确权数据的数据来源为所述第一设备，若所述目标吻合度小于预设吻合度阀值，则判定所述待确权数据的数据来源不为所述第一设备。
其中，所述基于所述输出哈希编码值和各所述预设哈希编码值，确定所述待确权数据的数据来源的步骤包括：
步骤B10，在各所述预设哈希编码值中确定所述输出哈希编码值对应的标准哈希编码值；
在本实施例中，在各所述预设哈希编码值中确定所述输出哈希编码值对应的标准哈希编码值，具体地，分别计算所述输出哈希编码值与各所述预设哈希编码值之间的计算吻合度，并在各所述计算吻合度中选取吻合度最高的计算吻合度作为目标吻合度，并将所述目标吻合度对应的预设哈希编码值作为所述标准哈希编码值。
步骤B20，将所述输出哈希编码值输入预设极化哈希编码模型，对所述输出哈希编码值进行极化哈希编码，获得第一极化哈希编码值；
在本实施例中，需要说明的是，所述预设极化哈希编码模型为基于深度极化网络构建的神经网络模型，且所述预设极化哈希编码模型的训练数据为所述待交易数据对应的输出哈希编码值和增加了噪音数据的所述待交易数据对应的输出哈希编码值。
将所述输出哈希编码值输入预设极化哈希编码模型，对所述输出哈希编码值进行极化哈希编码，获得第一极化哈希编码值，具体地，将所述输出哈希编码值输入预设极化哈希编码模型，基于所述预设极化哈希编码模型的隐藏层，对所述输出哈希值进行数据处理，获得所述输出哈希编码值对应的输出中间矩阵，进而基于所述预设极化哈希编码模型的哈希层，对所述输出中间矩阵进行极化哈希，获得输出极化哈希向量，并基于所述输出极化哈希向量中各比特位对应的极化标识，生成所述第一极化哈希编码值。
步骤B30，将所述标准哈希编码值输入所述预设极化哈希编码模型，对所述标准哈希编码值进行极化哈希编码，获得第二极化哈希编码值；
在本实施例中，将所述标准哈希编码值输入所述预设极化哈希编码模型，对所述标准哈希编码值进行极化哈希编码，获得第二极化哈希编码值，具体地，将所述标准哈希编码值输入预设极化哈希编码模型，基于所述预设极化哈希编码模型的隐藏层，对所述标准哈希值进行数据处理，获得所述标准哈希编码值对应的标准中间矩阵，进而基于所述预设极化哈希编码模型的哈希层，对所述标准中间矩阵进行极化哈希，获得标准极化哈希向量，并基于所述标准极化哈希向量中各比特位对应的极化标识，生成所述第二极化哈希编码值。
步骤S34，基于所述第一极化哈希编码值和所述第二极化哈希编码值，确定所述待确权数据的数据来源。
在本实施例中，基于所述第一极化哈希编码值和所述第二极化哈希编码值，确定所述待确权数据的数据来源，具体地，将所述第一极化哈希编码值和所述第二极化哈希编码值进行比对，若所述第一极化哈希编码值和所述第二极化哈希编码值一致，则判定所述待确权数据的数据来源为第一设备，若所述第一极化哈希编码值和所述第二极化哈希编码值不一致，则判定所述待确权数据的数据来源不为第一设备。
另外地，需要说明的是，由于所述输出哈希编码值为所述篡改数据对应的哈希编码值，所述标准哈希编码值为所述篡改数据对应的待交易数据对应的哈希编码值，且所述篡改数据与对应的所述待交易数据之间存在较小的差异部分，也即为噪音数据，进而所述篡改数据与对应的所述待交易数据的汉明距离较小，进而所述输出哈希编码值与所述标准哈希编码值应具有极高的吻合度，也即，输出哈希编码值与所述标准哈希编码值之间的数据分布基本吻合，进而基于预设哈希编码模型分别对所述输出哈希编码值和所述标准哈希编码值进行极化哈希编码，获得的第一极化哈希编码值与所述第二极化哈希编码值应当相同或者具有极高的相似度，进而若所述第一极化哈希编码值与所述第二极化哈希编码值相同或者极高的相似度，则可判定所述输出哈希编码值与所述标准哈希编码值基本吻合，进而可判定所述输出哈希编码值对应的待确权数据和所述标准哈希编码值对应的待交易数据应属于同一数据类别，也即所述待确权数据的数据来源为对应的所述待交易数据。
另外地，需要说明的是，在另一种实施方式中，所述第一设备向所述第二设备给定哈希函数和预设哈希编码模型，进而基于所述哈希函数，对所述待确权数据进行哈希编码，获得第一输出哈希编码值，基于所述预设哈希编码模型对所述待确权数据进行哈希编码，获得第二输出哈希编码值，进而在所述哈希函数对应的各第一预设哈希编码值中确定所述第一输出哈希编码值对应的第一标准哈希编码值，在所述预设哈希编码模型对应的各第二预设哈希编码值中确定所述第二输出哈希编码值对应的第二标准哈希编码值，进而计算所述第一输出哈希编码值与所述第一预设哈希编码值之间的第一吻合度，并计算所述第二输出哈希编码值与所述第二预设哈希编码值之间的第二吻合度，且当所述第一吻合度大于或者等于第一吻合度阀值或者所述第二吻合度大于或者等于第二吻合度阀值，则判定所述待确权数据的数据来源为所述第一设备，进而实现了数据确权的双重确认机制，即使由于在所述待交易数据中加入噪音数据而形成所述待确权数据，而使用哈希函数来确认待确权数据的数据来源的方法失效，仍然可基于哈希编码模型，准确确定所述待确权数据的数据来源，进而提高数据确权的准确性。
本实施例向第二设备发送数据确权配合要求，以供所述第二设备确定所述数据确权配合要求对应的待确权数据，并将所述待确权数据输入预设哈希编码模型，以基于所述待确权数据对应的类别特征信息，对所述待确权数据进行哈希编码，获得输出哈希编码值，进而接收所述第二设备反馈的所述输出哈希编码值，并获取基于所述预设哈希编码模型生成的各预设哈希编码值，进而基于所述输出哈希编码值和各所述预设哈希编码值，确定所述待确权数据的数据来源。也即，本实施例中的输出哈希编码值是通过预设哈希编码模型，以所述待确权数据对应的类别特征信息，对所述待确权数据进行哈希编码获得的，相同地，各所述预设哈希编码值同样也是基于所述预设哈希编码模型获得的，进而若预设哈希编码值与所述输出哈希编码值之间的吻合度较高，则可判定预设哈希编码值对应的数据源为输出哈希编码对应的待确权数据的数据来源，进而可在不用检查待确权数据的情况下，完成待确权数据的确权，提高了数据确权的效率，进一步地，即使所述待确权数据为针对于所述预设哈希编码值对应的数据源增加了噪音数据的数据源，所述待确权数据和所述待交易数据的类别特征信息也不会发生太大波动，也即，所述待确权数据和所述待交易数据仍属于同一数据类别，所以，通过预设哈希编码模型，以类别特征信息进行哈希编码获得的输出哈希编码值和预设哈希编码值仍然具有极高的吻合度，进而基于所述输出哈希编码值和各所述预设哈希编码值，仍可以确定所述待确权数据的数据来源为所述预设哈希编码值对应的数据源，所以，实现了所述待确权数据即使为增加了噪音数据的数据源，仍可确定所述待确权数据的数据来源的目的，进而提高了数据确权的准确性，所以，解决了数据确权准确性低的技术问题。
进一步地，参照图2，基于本申请中第一实施例，在本申请的另一实施例中，在所述向第二设备发送数据确权配合要求，以供所述第二设备确定所述数据确权配合要求对应的待确权数据，并将所述待确权数据输入预设哈希编码模型，以基于所述待确权数据对应的类别特征信息，对所述待确权数据进行哈希编码，获得输出哈希编码值的步骤之前，所述数据确权方法还包括：
步骤C10，获取待训练哈希编码模型和训练样本，并基于预设目标哈希编码方式，确定所述训练样本对应的目标哈希编码值；
在本实施例中，需要说明的是，所述待训练哈希编码模型为未训练好的神经网络模型，一所述训练样本对应一数据类别，所述训练样本可以为本地存储的待交易数据和增加了噪音数据的待分布数据等，所述预设哈希编码结果中至少包括一个所述训练样本对应的目标哈希编码值，其中，所述预设目标哈希编码方式可为预设的任意一种哈希编码方式，例如，随机目标哈希编码和自适应目标哈希编码，其中，当预设目标哈希编码方式为随机目标哈希编码时，则所述预设哈希编码结果中属于不同分类样本的对应的目标哈希向量之间的汉明距离应为目标汉明距离2*K*p*(1-p)，其中，K为所述目标哈希向量中比特位的数量，p为所述目标哈希向量对应的样本属于所述分类样本的概率，例如，假设训练数据包括两个分类向量，K为32比特，所述分类样本包括猫和狗，若所述分类向量对应的样本属于猫的概率为0.5，属于狗的概率为0.5，则猫对应的目标哈希向量与狗对应的目标哈希向量之间的最大汉明距离为16，当预设目标哈希编码方式为自适应目标哈希编码时，具体地，获取各所述训练样本对应的数据类别中的多个训练样本，以基于预设高斯随机方法分别生成各所述训练样本对应的随机哈希编码值，其中，一所述训练样本对应一个所述随机哈希编码值，进而确定各所述数据类别中每一所述训练样本对应的随机哈希编码值，并分别求取每一所述数据类别对应的各随机哈希编码值的平均值，获得各所述训练样本类别对应的平均哈希编码值，进而将所述平均哈希编码值作为对应的训练样本类别中所有训练样本对应的目标哈希编码值。
步骤C20，基于所述目标哈希编码值和所述训练样本，对所述待训练哈希编码模型进行迭代训练，以优化所述待训练哈希编码模型对应的预设极化损失函数，直至所述待训练哈希编码模型达到预设迭代结束条件，获得所述预设哈希编码模型；
在本实施例中，需要说明的是，所述预设迭代结束条件包括达到预设迭代次数阀值、预设极化损失函数收敛等，所述迭代训练包括一轮或者多轮训练。
基于所述目标哈希编码值和所述训练样本，对所述待训练哈希编码模型进行迭代训练，以优化所述待训练哈希编码模型对应的预设极化损失函数，直至所述待训练哈希编码模型达到预设迭代结束条件，获得所述预设哈希编码模型，具体地，将所述训练样本输入所述待训练哈希编码模型，以基于所述训练样本对应的目标哈希编码值，对所述待训练哈希编码模型进行训练更新，并判断训练更新后的所述待训练哈希编码模型是否满足预设迭代结束条件，若训练更新后的所述待训练哈希编码模型满足预设迭代结束条件，则将训练更新后的所述待训练哈希编码模型作为所述预设哈希编码模型，若训练更新后的所述待训练哈希编码模型不满足预设迭代结束条件，则获取所述待训练哈希编码模型基于所述训练样本输出的初始哈希编码值，并基于所述初始哈希编码值和所述目标哈希编码值，优化所述待训练哈希编码模型的各极化输出通道对应的预设极化损失函数，并重新获取训练样本，以对所述待训练哈希编码模型重新进行训练更新，直至训练更新后的所述待训练哈希编码模型满足预设迭代结束条件。
其中，所述基于所述目标哈希编码值和所述训练样本，对所述待训练哈希编码模型进行迭代训练，以优化所述待训练哈希编码模型对应的预设极化损失函数，直至所述待训练哈希编码模型达到预设迭代结束条件，获得所述预设哈希编码模型的步骤包括：
步骤C21，将所述训练样本输入所述待训练哈希编码模型，以基于所述预设极化损失函数，对所述训练样本进行哈希编码，获得初始哈希编码值；
在本实施例中，将所述训练样本输入所述待训练哈希编码模型，以基于所述预设极化损失函数，对所述训练样本进行哈希编码，获得初始哈希编码值，具体地，将所述训练样本对应的待处理训练矩阵输入所述待训练哈希编码模型，其中，所述待处理训练矩阵为训练样本的矩阵表示形式，进而对所述待处理训练矩阵进行哈希，获得训练哈希向量，进而基于所述预设极化损失函数，对所述训练哈希向量的每一比特位进行强制极化，获得所述训练哈希向量对应的训练极化向量，进而基于所述训练极化向量中每一比特位对应的极化标识，生成所述训练样本对应的初始哈希编码值，其中，所述预设极化损失函数如下所示，
L(v，t^c)＝max(m-v*t^c，0)
其中，L为所述预设极化损失函数，m为预设强制极化参数，v为所述训练哈希向量中每一哈希向量比特位上的数值，且v的绝对值大于m，t^c为所述哈希向量比特位对应的目标哈希值，所述目标哈希值为所述训练样本对应的目标哈希编码值上的比特位数值，且t^c＝{-1，+1}，且所述预设极化损失函数收敛于0，例如，假设m为1，t^c为1，v为-1，此时，L＝2，若要使得预设极化损失函数收敛于0，则需要对v进行强制极化，使得v为1，此时L＝0，进而当t^c等于1时，所述训练哈希向量比特位上的数值将朝正方向逐渐远离0，当t^c等于-1时，所述训练哈希向量比特位上的数值将朝负方向逐渐远离0，进而在极化成功后，获得的训练极化向量中每一比特位的极化标识应与对应的目标哈希值一致，进一步地，由于同一数据类别中的各训练样本对应的目标哈希编码值相同，所以属于同一数据类别的各训练样本对应的训练极化向量中每一比特位上的极化标识一致，进而基于各极化标识，获得的模型输出值一致，也即，对于属于同一数据类别的模型输入样本，基于训练好的所述预设哈希编码模型可输出相同的哈希编码值。
另外地，需要说明的是，所述训练哈希向量中每一比特位均对应所述待训练哈希编码模型中的一极化输出通道，每一所述极化输出通道对应的预设强制极化参数均由对所述待训练哈希编码模型进行训练优化而得到，进而每一所述极化输出通道对应的预设强制极化参数可能相同，也可能不同，其中，所述极化输出通道用于基于所述预设强制极化参数，通过对应的所述预设极化损失函数，强制极化所述训练哈希向量中对应的比特位上的数值，并输出所述初始哈希编码值中对应的比特位的编码数值。
步骤C22，计算所述初始哈希编码值和所述目标哈希编码值之间的训练汉明距离，并将所述训练汉明距离与预设汉明距离阀值进行比对；
在本实施例中，计算所述初始哈希编码值和所述目标哈希编码值之间的训练汉明距离，并将所述训练汉明距离与预设汉明距离阀值进行比对，具体地，将所述初始哈希编码值的每一比特位上的数值与所述目标哈希编码值的每一比特位上的数值进行比对，确定所述初始哈希编码值和所述目标哈希编码值之间比特位数值不相同的比特位数量，并将所述比特位数量作为所述训练汉明距离，并将所述训练汉明距离与预设汉明距离阀值进行比对，例如，假设所述初始哈希编码值为向量(1，1，1，1)，所述目标哈希编码值为向量(-1，1，1，-1)，则所述比特位数量为2，所述训练汉明距离为2。
步骤C23，若所述训练汉明距离大于所述预设汉明距离阀值，则判定所述待训练哈希编码模型未达到所述预设迭代结束条件，并基于所述初始哈希编码值优化所述预设极化损失函数；
在本实施例中，若所述训练汉明距离大于所述预设汉明距离阀值，则判定所述待训练哈希编码模型未达到所述预设迭代结束条件，并基于所述初始哈希编码值优化所述预设极化损失函数，具体地，若所述训练汉明距离大于所述预设汉明距离阀值，则判定所述预设极化损失函数并未在所有所述极化输出通道上收敛，也即，所述预设极化损失函数未收敛，进而判定所述待训练哈希编码模型未达到所述预设迭代结束条件，进而确定所述初始哈希编码值和所述目标哈希编码值之间的一个或者多个相异比特位，并确定各所述相异比特位对应的未收敛极化输出通道，进而调整各所述未收敛极化输出通道对应的预设极化损失函数中的预设强制极化参数，其中，所述未收敛极化输出通道为未收敛的预设极化损失函数对应的极化输出通道，其中，所述待训练哈希编码模型至少包括一个极化输出通道，且所述极化输出通道的数量与所述训练哈希向量中的比特位的数量相关，也即，一所述训练哈希向量中的比特位对应一所述极化输出通道。
步骤C24，基于优化后的所述预设极化损失函数，重新进行所述待训练哈希编码模型的迭代训练，直至所述训练汉明距离小于或者等于所述预设汉明距离阀值；
在本实施例中，基于优化后的所述预设极化损失函数，重新进行所述待训练哈希编码模型的迭代训练，直至所述训练汉明距离小于或者等于所述预设汉明距离阀值，具体地，重新获取所述训练样本，并基于重新获取的训练样本，对优化后的所述预设极化损失函数对应的待训练哈希编码模型重新进行迭代训练，以继续优化所述预设极化损失函数，直至所述训练汉明距离小于或者等于所述预设汉明距离阀值。
步骤C25，若所述训练汉明距离小于或者等于所述预设汉明距离阀值，则判定所述待训练哈希编码模型达到所述预设迭代结束条件，并将所述待训练哈希编码模型作为所述预设哈希编码模型。
在本实施例中，若所述训练汉明距离小于或者等于所述预设汉明距离阀值，则判定所述待训练哈希编码模型达到所述预设迭代结束条件，并将所述待训练哈希编码模型作为所述预设哈希编码模型，具体地，若所述训练汉明距离小于或者等于所述预设汉明距离阀值，则判定所述待训练哈希编码模型达到所述预设迭代结束条件，也即，所述待训练哈希编码模型中各所述极化输出通道对应的预设极化损失函数收敛，进而将所述待训练哈希编码模型作为所述预设哈希编码模型。
步骤C30，将所述预设哈希编码模型发送至所述第二设备。
在本实施例中，将所述预设哈希编码模型发送至所述第二设备，具体地，将所述预设哈希编码模型加密发送至所述第二设备，以供所述第二设备基于所述预设哈希编码模型执行脱敏处理规则。
另外地，需要说明的，也可将所述预设哈希编码模型的模型参数或者更新梯度加密发送至所述第二设备，以供所述第二设备获取己方的哈希编码模型。
本实施例通过获取待训练哈希编码模型和训练样本，并基于预设目标哈希编码方式，确定所述训练样本对应的目标哈希编码值，进而基于所述目标哈希编码值和所述训练样本，对所述待训练哈希编码模型进行迭代训练，以优化所述待训练哈希编码模型对应的预设极化损失函数，直至所述待训练哈希编码模型达到预设迭代结束条件，获得所述预设哈希编码模型，进而将所述预设哈希编码模型发送至所述第二设备。也即，本实施例提供了一种基于深度学习直接训练哈希编码模型的方法，也即，基于所述训练样本和所述目标哈希编码值，对所述待训练哈希编码模型进行迭代训练，以优化所述待训练哈希编码模型对应的预设极化损失函数，直至所述待训练哈希编码模型达到预设迭代结束条件，获得所述预设哈希编码模型，使得对于属于同一数据类别的输入样本，所述预设哈希编码模型均可输出数据类别对应的目标哈希编码值，进而为解决数据确权准确性低的技术问题奠定了基础。
进一步地，参照图3，基于本申请中第一实施例和第二实施例，在本申请的另一实施例中，所述数据确权方法应用于第二设备，所述数据确权方法包括：
步骤D10，接收第一设备发送的数据确权配合要求，并确定所述数据确权配合要求对应的待确权数据；
在本实施例中，接收第一设备发送的数据确权配合要求，并确定所述数据确权配合要求对应的待确权数据，具体地，接收与所述第二设备关联的第一设备发送的数据确权配合要求，并基于所述数据确权配合要求中数据信息，确定所述数据确权配合要求对应的待确权数据，其中，所述数据信息为所述待确权数据的标识。
步骤D20，将所述待确权数据输入所述第一设备给定的哈希编码模型，以基于所述待确权数据的类别特征信息，对所述待确权数据进行极化哈希编码，获得输出哈希编码值；
在本实施例中，需要说明的是，所述哈希编码模型为所述第一设备给定的，也即，所述哈希编码模型是由所述第一设备训练好的并发送给所述第二设备的。
将所述待确权数据输入所述第一设备给定的哈希编码模型，以基于所述待确权数据的类别特征信息，对所述待确权数据进行极化哈希编码，获得输出哈希编码值，具体地，将所述待确权数据输入所述哈希编码模型的隐藏层，对所述待交易数据进行数据处理，获得所述待确权数据对应的特征表示矩阵，其中，所述数据处理包括卷积、池化等，进而将所述特征表示矩阵输入所述哈希编码模型的哈希层，以基于所述哈希层中的各极化输出通道，对所述特征表示矩阵极化哈希，生成极化哈希向量，并提取所述极化哈希向量中各极化哈希向量比特位的比特位符号，进而基于各所述比特位符号，生成所述输出哈希编码值，其中，所述极化输出通道为对所述极化哈希向量中的各比特位进行极化的输出通道，所述比特位符号为所述极化哈希向量比特位的正负符号，例如，假设在经过各所述极化输出通道之前，所述特征表示矩阵对应的哈希向量为(-a，-b)，则经过各所述极化输出通道对所述哈希向量进行极化后，获得的极化哈希向量为(-a，b)，其中，比特位-a的极化标识为-1，比特位b的极化标识为+1，进而所述输出哈希编码值为(-1，1)。
步骤D30，将所述输出哈希编码值发送至所述第一设备，以供所述第一设备基于所述输出哈希编码值，确定所述待确权数据的数据来源。
在本实施例中，将所述输出哈希编码值发送至所述第一设备，以供所述第一设备基于所述输出哈希编码值，确定所述待确权数据的数据来源，具体地，将所述输出哈希编码值发送至所述第一设备，以供所述第一设备分别计算所述输出哈希编码值与预先存储的各预设哈希编码值之间的吻合度，并在各所述吻合度中确定最高的吻合度为目标吻合度，进而将目标吻合度与预设吻合度阀值进行比对，若所述目标吻合度大于或者等于预设吻合度阀值，则确定所述待确权数据的数据来源为第一设备，若所述目标吻合度小于预设吻合度阀值，则确定所述待确权数据的数据来源不为第一设备。
本实施例首先接收第一设备发送的数据确权配合要求，并确定所述数据确权配合要求对应的待确权数据，进而将所述待确权数据输入所述第一设备给定的哈希编码模型，以基于所述待确权数据的类别特征信息，对所述待确权数据进行极化哈希编码，获得输出哈希编码值，进而将所述输出哈希编码值发送至所述第一设备，以供所述第一设备基于所述输出哈希编码值，确定所述待确权数据的数据来源。也即，本实施例提供了一种基于第一设备给定的哈希编码模型，执行脱敏处理规则的方法，其中，由于所述哈希编码模型是以基于所述待确权数据的类别特征信息，对所述待确权数据进行极化哈希编码的，所以，所述第一设备在获得所述输出哈希编码值后，若第一设备本地存储的各预设哈希编码值中存在与所述输出哈希编码值吻合度高的目标哈希编码值，则所述输出哈希编码值对应的待确权数据与所述目标哈希编码值对应的数据的应属于同一数据类别，而由于即使所述待确权数据为针对于所述目标哈希编码值对应的数据源增加了噪音数据的数据源，所述待确权数据和所述待交易数据的类别特征信息也不会发生太大波动，仍属于同一数据类别，进而若第一设备本地存储的各预设哈希编码值中存在与所述输出哈希编码值吻合度高的目标哈希编码值，则可判定所述待确权数据的数据来源为所述第一设备，进而实现了所述待确权数据即使为增加了噪音数据的数据源，仍可确定所述待确权数据的数据来源的目的，进而提高了数据确权的准确性，所以，解决数据确权准确性低的技术问题。
参照图4，图4是本申请实施例方案涉及的硬件运行环境的设备结构示意图。
如图4所示，该数据确权设备可以包括：处理器1001，例如CPU，存储器1005，通信总线1002。其中，通信总线1002用于实现处理器1001和存储器1005之间的连接通信。存储器1005可以是高速RAM存储器，也可以是稳定的存储器(non-volatile memory)，例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储设备。
可选地，该数据确权设备还可以包括矩形用户接口、网络接口、摄像头、RF(RadioFrequency，射频)电路，传感器、音频电路、WiFi模块等等。矩形用户接口可以包括显示屏(Display)、输入子模块比如键盘(Keyboard)，可选矩形用户接口还可以包括标准的有线接口、无线接口。网络接口可选的可以包括标准的有线接口、无线接口(如WI-FI接口)。
本领域技术人员可以理解，图4中示出的数据确权设备结构并不构成对数据确权设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
如图4所示，作为一种计算机存储介质的存储器1005中可以包括操作系统、网络通信模块以及数据确权程序。操作系统是管理和控制数据确权设备硬件和软件资源的程序，支持数据确权程序以及其它软件和/或程序的运行。网络通信模块用于实现存储器1005内部各组件之间的通信，以及与数据确权系统中其它硬件和软件之间通信。
在图4所示的数据确权设备中，处理器1001用于执行存储器1005中存储的数据确权程序，实现上述任一项所述的数据确权方法的步骤。
本申请数据确权设备具体实施方式与上述数据确权方法各实施例基本相同，在此不再赘述。
本申请实施例还提供一种数据确权装置，所述数据确权装置应用于第一设备，所述数据确权装置包括：
第一发送模块，用于向第二设备发送数据确权配合要求，以供所述第二设备确定所述数据确权配合要求对应的待确权数据，并将所述待确权数据输入预设哈希编码模型，以基于所述待确权数据对应的类别特征信息，对所述待确权数据进行哈希编码，获得输出哈希编码值；
第一获取模块，用于接收所述第二设备反馈的所述输出哈希编码值，并获取基于所述预设哈希编码模型生成的各预设哈希编码值；
确定模块，用于基于所述输出哈希编码值和各所述预设哈希编码值，确定所述待确权数据的数据来源。
可选地，所述确定模块包括：
第一确定单元，用于在各所述预设哈希编码值中确定所述输出哈希编码值对应的标准哈希编码值；
第一哈希编码单元，用于将所述输出哈希编码值输入预设极化哈希编码模型，对所述输出哈希编码值进行极化哈希编码，获得第一极化哈希编码值；
第二哈希编码单元，用于将所述标准哈希编码值输入所述预设极化哈希编码模型，对所述标准哈希编码值进行极化哈希编码，获得第二极化哈希编码值；
第二确定单元，用于基于所述第一极化哈希编码值和所述第二极化哈希编码值，确定所述待确权数据的数据来源。
可选地，所述确定模块还包括：
第一计算单元，用于分别计算所述输出哈希编码值和各所述预设哈希编码值之间的吻合度，并在各所述吻合度中确定目标吻合度；
第三确定单元，用于基于所述目标吻合度，确定所述待确权数据的数据来源。
可选地，所述确权装置还包括：
接收模块，用于接收与所述第一设备存储关联的第三设备上传的待交易数据；
哈希编码模型，用于将所述待交易数据输入所述预设哈希编码模型，对所述待交易数据进行哈希编码，获得所述预设哈希编码值。
可选地，所述哈希编码模块包括：
数据处理单元，用于将所述待交易数据输入所述预设哈希编码模型的隐藏层，对所述待交易数据进行数据处理，获得所述待交易数据对应的待哈希数据；
极化哈希单元，用于将所述待哈希数据输入所述预设哈希编码模型的哈希层，对所述待哈希数据进行极化哈希，获得极化哈希结果；
生成单元，用于提取所述极化哈希结果中的各极化标识，并基于各所述极化标识，生成所述预设哈希编码值。
可选地，所述数据确权装置还包括：
第二获取模块，用于获取待训练哈希编码模型和训练样本，并基于预设目标哈希编码方式，确定所述训练样本对应的目标哈希编码值；
迭代训练模块，用于基于所述目标哈希编码值和所述训练样本，对所述待训练哈希编码模型进行迭代训练，以优化所述待训练哈希编码模型对应的预设极化损失函数，直至所述待训练哈希编码模型达到预设迭代结束条件，获得所述预设哈希编码模型；
第二发送模块，用于将所述预设哈希编码模型发送至所述第二设备。
可选地，所述迭代训练模块包括：
第三哈希编码单元，用于将所述训练样本输入所述待训练哈希编码模型，以基于所述预设极化损失函数，对所述训练样本进行哈希编码，获得初始哈希编码值；
第二计算单元，用于计算所述初始哈希编码值和所述目标哈希编码值之间的训练汉明距离，并将所述训练汉明距离与预设汉明距离阀值进行比对；
优化单元，用于若所述训练汉明距离大于所述预设汉明距离阀值，则判定所述待训练哈希编码模型未达到所述预设迭代结束条件，并基于所述初始哈希编码值优化所述预设极化损失函数；
重新训练单元，用于基于优化后的所述预设极化损失函数，重新进行所述待训练哈希编码模型的迭代训练，直至所述训练汉明距离小于或者等于所述预设汉明距离阀值；
判定单元，用于若所述训练汉明距离小于或者等于所述预设汉明距离阀值，则判定所述待训练哈希编码模型达到所述预设迭代结束条件，并将所述待训练哈希编码模型作为所述预设哈希编码模型。
本申请数据确权装置的具体实施方式与上述数据确权方法各实施例基本相同，在此不再赘述。
为实现所述目的，本实施例还提供一种数据确权装置，所述数据确权装置应用于第二设备，所述数据确权装置包括：
确定模块，用于接收第一设备发送的数据确权配合要求，并确定所述数据确权配合要求对应的待确权数据；
极化哈希编码模块，用于将所述待确权数据输入所述第一设备给定的哈希编码模型，以基于所述待确权数据的类别特征信息，对所述待确权数据进行极化哈希编码，获得输出哈希编码值；
发送模块，用于将所述输出哈希编码值发送至所述第一设备，以供所述第一设备基于所述输出哈希编码值，确定所述待确权数据的数据来源。
本申请数据确权装置的具体实施方式与上述数据确权方法各实施例基本相同，在此不再赘述。
以上仅为本申请的优选实施例，并非因此限制本申请的专利范围，凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本申请的专利处理范围内。

Claims (10)

1.一种数据确权方法，其特征在于，所述数据确权方法应用于第一设备，所述数据确权方法包括：
向第二设备发送数据确权配合要求，以供所述第二设备确定所述数据确权配合要求对应的待确权数据，并将所述待确权数据输入预设哈希编码模型，以基于所述待确权数据对应的类别特征信息，对所述待确权数据进行哈希编码，获得输出哈希编码值；
接收所述第二设备反馈的所述输出哈希编码值，并获取基于所述预设哈希编码模型生成的各预设哈希编码值；
基于所述输出哈希编码值和各所述预设哈希编码值，确定所述待确权数据的数据来源。
2.如权利要求1所述数据确权方法，其特征在于，所述基于所述输出哈希编码值和各所述预设哈希编码值，确定所述待确权数据的数据来源的步骤包括：
在各所述预设哈希编码值中确定所述输出哈希编码值对应的标准哈希编码值；
将所述输出哈希编码值输入预设极化哈希编码模型，对所述输出哈希编码值进行极化哈希编码，获得第一极化哈希编码值；
将所述标准哈希编码值输入所述预设极化哈希编码模型，对所述标准哈希编码值进行极化哈希编码，获得第二极化哈希编码值；
基于所述第一极化哈希编码值和所述第二极化哈希编码值，确定所述待确权数据的数据来源。
3.如权利要求1所述数据确权方法，其特征在于，所述基于所述输出哈希编码值和各所述预设哈希编码值，确定所述待确权数据的数据来源的步骤包括：
分别计算所述输出哈希编码值和各所述预设哈希编码值之间的吻合度，并在各所述吻合度中确定目标吻合度；
基于所述目标吻合度，确定所述待确权数据的数据来源。
4.如权利要求1所述数据确权方法，其特征在于，在所述接收所述第二设备反馈的所述输出哈希编码值，并获取基于所述预设哈希编码模型生成的各预设哈希编码值的步骤之前，所述数据确权方法还包括：
接收与所述第一设备存储关联的第三设备上传的待交易数据；
将所述待交易数据输入所述预设哈希编码模型，对所述待交易数据进行哈希编码，获得所述预设哈希编码值。
5.如权利要求4所述数据确权方法，其特征在于，所述将所述待交易数据输入所述预设哈希编码模型，对所述待交易数据进行哈希编码，获得所述预设哈希编码值的步骤包括：
将所述待交易数据输入所述预设哈希编码模型的隐藏层，对所述待交易数据进行数据处理，获得所述待交易数据对应的待哈希数据；
将所述待哈希数据输入所述预设哈希编码模型的哈希层，对所述待哈希数据进行极化哈希，获得极化哈希结果；
提取所述极化哈希结果中的各极化标识，并基于各所述极化标识，生成所述预设哈希编码值。
6.如权利要求1所述数据确权方法，其特征在于，在所述向第二设备发送数据确权配合要求，以供所述第二设备确定所述数据确权配合要求对应的待确权数据，并将所述待确权数据输入预设哈希编码模型，以基于所述待确权数据对应的类别特征信息，对所述待确权数据进行哈希编码，获得输出哈希编码值的步骤之前，所述数据确权方法还包括：
获取待训练哈希编码模型和训练样本，并基于预设目标哈希编码方式，确定所述训练样本对应的目标哈希编码值；
基于所述目标哈希编码值和所述训练样本，对所述待训练哈希编码模型进行迭代训练，以优化所述待训练哈希编码模型对应的预设极化损失函数，直至所述待训练哈希编码模型达到预设迭代结束条件，获得所述预设哈希编码模型；
将所述预设哈希编码模型发送至所述第二设备。
7.如权利要求6所述数据确权方法，其特征在于，所述基于所述目标哈希编码值和所述训练样本，对所述待训练哈希编码模型进行迭代训练，以优化所述待训练哈希编码模型对应的预设极化损失函数，直至所述待训练哈希编码模型达到预设迭代结束条件，获得所述预设哈希编码模型的步骤包括：
将所述训练样本输入所述待训练哈希编码模型，以基于所述预设极化损失函数，对所述训练样本进行哈希编码，获得初始哈希编码值；
计算所述初始哈希编码值和所述目标哈希编码值之间的训练汉明距离，并将所述训练汉明距离与预设汉明距离阀值进行比对；
若所述训练汉明距离大于所述预设汉明距离阀值，则判定所述待训练哈希编码模型未达到所述预设迭代结束条件，并基于所述初始哈希编码值优化所述预设极化损失函数；
基于优化后的所述预设极化损失函数，重新进行所述待训练哈希编码模型的迭代训练，直至所述训练汉明距离小于或者等于所述预设汉明距离阀值；
若所述训练汉明距离小于或者等于所述预设汉明距离阀值，则判定所述待训练哈希编码模型达到所述预设迭代结束条件，并将所述待训练哈希编码模型作为所述预设哈希编码模型。
8.一种数据确权方法，其特征在于，所述数据确权方法应用于第二设备，所述数据确权方法包括：
接收第一设备发送的数据确权配合要求，并确定所述数据确权配合要求对应的待确权数据；
将所述待确权数据输入所述第一设备给定的哈希编码模型，以基于所述待确权数据的类别特征信息，对所述待确权数据进行极化哈希编码，获得输出哈希编码值；
将所述输出哈希编码值发送至所述第一设备，以供所述第一设备基于所述输出哈希编码值，确定所述待确权数据的数据来源。
9.一种数据确权设备，其特征在于，所述数据确权设备包括：存储器、处理器以及存储在存储器上的用于实现所述数据确权方法的程序，
所述存储器用于存储实现数据确权方法的程序；
所述处理器用于执行实现所述数据确权方法的程序，以实现如权利要求1至7或8中任一项所述数据确权方法的步骤。
10.一种可读存储介质，其特征在于，所述可读存储介质上存储有实现数据确权方法的程序，所述实现数据确权方法的程序被处理器执行以实现如权利要求1至7或8中任一项所述数据确权方法的步骤。
CN202010446692.8A 2020-05-22 2020-05-22 数据确权方法、设备及可读存储介质 Active CN111612079B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202010446692.8A CN111612079B (zh) 2020-05-22 2020-05-22 数据确权方法、设备及可读存储介质
PCT/CN2020/133421 WO2021232747A1 (zh) 2020-05-22 2020-12-02 数据确权方法、设备及可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010446692.8A CN111612079B (zh) 2020-05-22 2020-05-22 数据确权方法、设备及可读存储介质

Publications (2)

Publication Number Publication Date
CN111612079A true CN111612079A (zh) 2020-09-01
CN111612079B CN111612079B (zh) 2021-07-20

Family

ID=72200583

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010446692.8A Active CN111612079B (zh) 2020-05-22 2020-05-22 数据确权方法、设备及可读存储介质

Country Status (2)

Country Link
CN (1) CN111612079B (zh)
WO (1) WO2021232747A1 (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113111953A (zh) * 2021-04-20 2021-07-13 深圳吉祥星科技股份有限公司 一种投影画质处理装置
WO2021232747A1 (zh) * 2020-05-22 2021-11-25 深圳前海微众银行股份有限公司 数据确权方法、设备及可读存储介质
CN116383777A (zh) * 2023-03-28 2023-07-04 云启智慧科技有限公司 一种数据治理平台和面向数据治理的数据确权方法

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117808472B (zh) * 2024-02-29 2024-05-10 中国科学院信息工程研究所 数据权属要素抽象与确权方法、数据交易方法和装置
CN117896185B (zh) * 2024-03-14 2024-05-24 北京市农林科学院 设施农业物联网数据确权方法、装置、网关、设备及介质
CN118152999B (zh) * 2024-05-11 2024-07-26 深圳中科保泰科技有限公司 数据治理平台及面向数据治理的数据确权方法

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106815728A (zh) * 2017-01-03 2017-06-09 北京供销科技有限公司 一种基于区块链技术的大数据确权方法及系统
CN106909660A (zh) * 2017-02-27 2017-06-30 山东浪潮云服务信息科技有限公司 一种数据溯源装置、方法及系统
CN107196762A (zh) * 2017-06-13 2017-09-22 贵州大学 一种面向大数据的确权方法
CN107292621A (zh) * 2017-06-22 2017-10-24 丁江 海量数据确权存证方法和节点
CN107832626A (zh) * 2017-11-30 2018-03-23 中国人民解放军国防科技大学 一种面向数据流通的结构化数据确权方法
CN107992611A (zh) * 2017-12-15 2018-05-04 清华大学 基于柯西分布哈希方法的高维数据检索方法与系统
CN108631787A (zh) * 2018-05-09 2018-10-09 腾讯科技（深圳）有限公司 数据编码方法、装置、计算机设备及存储介质
CN109120590A (zh) * 2018-07-03 2019-01-01 北京航空航天大学 基于区块链的数据可信共享交易系统
CN109873879A (zh) * 2019-04-17 2019-06-11 上海沄界信息科技有限公司 可数据确权的分布式云存储方法及装置
CN110110499A (zh) * 2019-05-21 2019-08-09 连云港职业技术学院 一种大数据确权方法及其系统

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3391587B1 (en) * 2015-12-16 2024-10-16 Vonage Business Limited System and methods for tamper proof interaction recording and timestamping
CN111612079B (zh) * 2020-05-22 2021-07-20 深圳前海微众银行股份有限公司 数据确权方法、设备及可读存储介质

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106815728A (zh) * 2017-01-03 2017-06-09 北京供销科技有限公司 一种基于区块链技术的大数据确权方法及系统
CN106909660A (zh) * 2017-02-27 2017-06-30 山东浪潮云服务信息科技有限公司 一种数据溯源装置、方法及系统
CN107196762A (zh) * 2017-06-13 2017-09-22 贵州大学 一种面向大数据的确权方法
CN107292621A (zh) * 2017-06-22 2017-10-24 丁江 海量数据确权存证方法和节点
CN107832626A (zh) * 2017-11-30 2018-03-23 中国人民解放军国防科技大学 一种面向数据流通的结构化数据确权方法
CN107992611A (zh) * 2017-12-15 2018-05-04 清华大学 基于柯西分布哈希方法的高维数据检索方法与系统
CN108631787A (zh) * 2018-05-09 2018-10-09 腾讯科技（深圳）有限公司 数据编码方法、装置、计算机设备及存储介质
CN109120590A (zh) * 2018-07-03 2019-01-01 北京航空航天大学 基于区块链的数据可信共享交易系统
CN109873879A (zh) * 2019-04-17 2019-06-11 上海沄界信息科技有限公司 可数据确权的分布式云存储方法及装置
CN110110499A (zh) * 2019-05-21 2019-08-09 连云港职业技术学院 一种大数据确权方法及其系统

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021232747A1 (zh) * 2020-05-22 2021-11-25 深圳前海微众银行股份有限公司 数据确权方法、设备及可读存储介质
CN113111953A (zh) * 2021-04-20 2021-07-13 深圳吉祥星科技股份有限公司 一种投影画质处理装置
CN116383777A (zh) * 2023-03-28 2023-07-04 云启智慧科技有限公司 一种数据治理平台和面向数据治理的数据确权方法
CN116383777B (zh) * 2023-03-28 2024-02-27 云启智慧科技有限公司 一种数据治理平台和面向数据治理的数据确权方法

Also Published As

Publication number Publication date
WO2021232747A1 (zh) 2021-11-25
CN111612079B (zh) 2021-07-20

Similar Documents

Publication Publication Date Title
CN111612079B (zh) 数据确权方法、设备及可读存储介质
CN111428881B (zh) 识别模型的训练方法、装置、设备及可读存储介质
CN111967609B (zh) 模型参数验证方法、设备及可读存储介质
CN111626408B (zh) 哈希编码方法、装置、设备及可读存储介质
CN111008709A (zh) 联邦学习、资料风险评估方法、装置和系统
US20200250513A1 (en) Neural network image recognition with watermark protection
US11489676B2 (en) Blockchain internet-of-things system and related method
CN111815308A (zh) 基于区块链的贸易数据处理方法及其相关设备
CN111343162B (zh) 系统安全登录方法、装置、介质及电子设备
CN111628866B (zh) 神经网络校验方法、装置、设备及可读存储介质
CN111614679B (zh) 联邦学习资格恢复方法、设备及可读存储介质
US20210126769A1 (en) Integration of blockchain-enabled readers with blockchain network using machine-to-machine communication protocol
CN111461223B (zh) 异常交易识别模型的训练方法及异常交易识别方法
CN111382403A (zh) 用户行为识别模型的训练方法、装置、设备及存储介质
CN111949986A (zh) 业务处理方法、系统及存储介质
CN111680181A (zh) 一种异常对象的识别方法及终端设备
CN111080233A (zh) 一种生成签约信息的方法、装置和存储介质
US11055776B2 (en) Multi-disciplinary comprehensive real-time trading signal within a designated time frame
US10243976B2 (en) Information securities resource propagation for attack prevention
CN112015494B (zh) 第三方api工具调用方法、系统及装置
CN112085469B (zh) 基于向量机模型的数据审批方法、装置、设备及存储介质
CN115708339A (zh) 数据处理方法、装置和存储介质
CN115240298A (zh) 车辆数字钥匙获取方法、装置、计算机设备和存储介质
CN117557380B (zh) 一种基于区块链和大数据的数字化金库管理系统
CN114124439B (zh) 登录鉴权方法、装置、设备与存储介质

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