CN111800483B - 基于边缘计算和大数据的信息处理方法及人工智能云平台 - Google Patents
基于边缘计算和大数据的信息处理方法及人工智能云平台 Download PDFInfo
- Publication number
- CN111800483B CN111800483B CN202010568658.8A CN202010568658A CN111800483B CN 111800483 B CN111800483 B CN 111800483B CN 202010568658 A CN202010568658 A CN 202010568658A CN 111800483 B CN111800483 B CN 111800483B
- Authority
- CN
- China
- Prior art keywords
- verification
- information
- signature
- negotiation
- feature vector
- 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
Links
- 230000010365 information processing Effects 0.000 title claims abstract description 42
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 29
- 238000003672 processing method Methods 0.000 title claims abstract description 19
- 238000012795 verification Methods 0.000 claims abstract description 554
- 238000000034 method Methods 0.000 claims abstract description 81
- 230000008569 process Effects 0.000 claims abstract description 64
- 239000013598 vector Substances 0.000 claims description 224
- 230000000875 corresponding effect Effects 0.000 claims description 203
- 230000002452 interceptive effect Effects 0.000 claims description 97
- 230000006399 behavior Effects 0.000 claims description 79
- 238000004458 analytical method Methods 0.000 claims description 77
- 230000003993 interaction Effects 0.000 claims description 61
- 238000012706 support-vector machine Methods 0.000 claims description 43
- 230000004927 fusion Effects 0.000 claims description 21
- 238000010586 diagram Methods 0.000 claims description 19
- 238000012545 processing Methods 0.000 claims description 16
- 239000011159 matrix material Substances 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000013480 data collection Methods 0.000 claims description 7
- 238000000605 extraction Methods 0.000 claims description 7
- 238000004891 communication Methods 0.000 claims description 6
- 238000001514 detection method Methods 0.000 claims description 6
- 238000013508 migration Methods 0.000 claims description 6
- 230000005012 migration Effects 0.000 claims description 6
- 230000002596 correlated effect Effects 0.000 claims description 3
- 238000012549 training Methods 0.000 claims 2
- 238000013475 authorization Methods 0.000 description 28
- 230000006870 function Effects 0.000 description 10
- 230000003190 augmentative effect Effects 0.000 description 6
- 238000007499 fusion processing Methods 0.000 description 4
- 238000013461 design Methods 0.000 description 3
- 239000011521 glass Substances 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 235000019800 disodium phosphate Nutrition 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 239000004984 smart glass Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/10—Protocols in which an application is distributed across nodes in the network
-
- 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
- G06F21/30—Authentication, i.e. establishing the identity or authorisation of security principals
- G06F21/31—User authentication
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L63/00—Network architectures or network communication protocols for network security
- H04L63/08—Network architectures or network communication protocols for network security for authentication of entities
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L63/00—Network architectures or network communication protocols for network security
- H04L63/08—Network architectures or network communication protocols for network security for authentication of entities
- H04L63/0823—Network architectures or network communication protocols for network security for authentication of entities using certificates
-
- 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
- H04L9/32—Cryptographic mechanisms or cryptographic arrangements for secret or secure communications; Network security protocols including means for verifying the identity or authority of a user of the system or for message authentication, e.g. authorization, entity authentication, data integrity or data verification, non-repudiation, key authentication or verification of credentials
- H04L9/3247—Cryptographic mechanisms or cryptographic arrangements for secret or secure communications; Network security protocols including means for verifying the identity or authority of a user of the system or for message authentication, e.g. authorization, entity authentication, data integrity or data verification, non-repudiation, key authentication or verification of credentials involving digital signatures
-
- 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
- H04L9/32—Cryptographic mechanisms or cryptographic arrangements for secret or secure communications; Network security protocols including means for verifying the identity or authority of a user of the system or for message authentication, e.g. authorization, entity authentication, data integrity or data verification, non-repudiation, key authentication or verification of credentials
- H04L9/3263—Cryptographic mechanisms or cryptographic arrangements for secret or secure communications; Network security protocols including means for verifying the identity or authority of a user of the system or for message authentication, e.g. authorization, entity authentication, data integrity or data verification, non-repudiation, key authentication or verification of credentials involving certificates, e.g. public key certificate [PKC] or attribute certificate [AC]; Public key infrastructure [PKI] arrangements
Abstract
本公开实施例提供一种基于边缘计算和大数据的信息处理方法及人工智能云平台，通过结合信息采集终端执行图像信息采集过程中的图像采集验证信息的图像对象标签，从而能够针应图像对象标签的图像验证服务进行更有针对性的验证逻辑，并且在此基础上进一步衍生出验证扩展对象，从而进一步结合后续的扩展签名验证信息进行更有针对性的验证，从而提高验证可靠性。
Description
技术领域
本公开涉及人工智能及图像信息采集技术领域，具体而言，涉及一种基于边缘计算和大数据的信息处理方法及人工智能云平台。
背景技术
目前，随着物联网技术的快速发展，通过各种信息验证终端进行图像信息安全验证，是一个重要的应用场景。当前在执行图像信息的验证过程中，为了保证验证准确性和可靠性，通常会进行完整验证流程的图像验证，从而导致验证过程的针对性较差，导致验证可靠性不高。
发明内容
为了至少克服现有技术中的上述不足，本公开的目的在于提供一种基于边缘计算和大数据的信息处理方法及人工智能云平台，通过结合信息采集终端执行图像信息采集过程中的图像采集验证信息的图像对象标签，从而能够针应图像对象标签的图像验证服务进行更有针对性的验证逻辑，并且在此基础上进一步衍生出验证扩展对象，从而进一步结合后续的扩展签名验证信息进行更有针对性的验证，从而提高验证可靠性。
第一方面，本公开提供一种基于边缘计算和大数据的信息处理方法，应用于与多个信息采集终端通信连接的人工智能云平台，所述人工智能云平台利用靠近所述信息采集终端的设备端的边缘节点的服务器完成信息处理，所述方法包括：
获取所述信息采集终端执行图像信息采集过程中的图像采集验证信息的图像对象标签，并根据所述图像对象标签的图像验证服务确定验证图像节点网格，获取所述验证图像节点网格在对所述图像采集验证信息进行验证过程中生成的对应的各个验证解析信息的验证签名行为序列和签名连通图信息，其中，所述图像对象标签用于表示本次执行图像信息采集过程中待验证对象的验证类型，所述图像验证服务用于表示针对所述图像对象标签在进行图像验证过程中调用的逻辑服务，所述逻辑服务用于表示所有的验证项目和每个验证项目之间的关联逻辑关系，所述验证图像节点网格用于表示以所述验证项目为验证图像节点构成的逻辑网格，所述验证签名行为序列中的每个验证签名行为用于表示每次针对每个验证项目的验证过程中产生的数字签名的过程信息，所述签名连通图信息用于表示每次产生的数字签名之间的连通迁移关系；
将所述验证签名行为序列和所述签名连通图信息分别输入至配置得到的支持向量机分类器，通过所述支持向量机分类器的第一决策边界提取各个验证解析信息的第一签名验证向量集，通过所述支持向量机分类器的第二决策边界提取各个验证解析信息的第二签名验证向量集；
通过所述支持向量机分类器的融合决策函数对所述第一签名验证向量集和所述第二签名验证向量集进行融合得到目标签名验证向量集；
根据所述目标签名验证向量集确定各个验证解析信息对应所述图像对象标签的验证扩展对象，并根据所述验证扩展对象分别生成对应的各个验证解析信息的扩展签名验证信息，根据所述扩展签名验证信息对所述验证解析信息进行二次验证后，将二次验证后的验证结果存储到二次验证大数据收集库中。
在第一方面的一种可能的实现方式中，所述签名连通图信息包括签名验证节点、验证前后的签名流向和签名指向项目；
所述通过所述支持向量机分类器的第一决策边界提取各个验证解析信息的第一签名验证向量集，通过所述支持向量机分类器的第二决策边界提取各个验证解析信息的第二签名验证向量集的步骤，包括：
将所述验证签名行为序列输入至第一决策边界，对所述验证签名行为序列中的验证签名行为进行特征提取，得到对应的验证签名行为特征；
利用所述第一决策边界和所述图像验证服务相应的聚类脚本对所述验证签名行为特征进行聚类处理，得到聚类处理后的验证签名行为特征；
根据所述聚类处理后的验证签名行为特征提取各个验证解析信息的第一签名验证向量集； 以及
将所述签名连通图信息输入至第二决策边界，对所述签名连通图信息进行特征抽取，得到签名验证节点特征、签名指向项目特征和验证前后的签名流向特征；
利用所述第二决策边界和所述图像验证服务相应的聚类脚本对所述签名验证节点特征、签名指向项目特征和验证前后的签名流向特征进行聚类处理，得到签名连通图信息矩阵；
获取所述验证签名行为序列对应的验证签名行为特征，将所述验证签名行为特征输入至所述签名连通图信息矩阵进行特征融合，得到融合后的目标特征序列，根据所述目标特征序列提取各个验证解析信息的第二签名验证向量集。
在第一方面的一种可能的实现方式中，所述通过所述支持向量机分类器的融合决策函数对所述第一签名验证向量集和所述第二签名验证向量集进行融合得到目标签名验证向量集的步骤，包括：
通过所述支持向量机分类器的融合决策函数对所述第一签名验证向量集和所述第二签名验证向量集分别各自一一对应的特征位置进行融合得到目标签名验证向量集。
在第一方面的一种可能的实现方式中，所述根据所述目标签名验证向量集确定各个验证解析信息对应所述图像对象标签的验证扩展对象的步骤，包括：
从所述目标签名验证向量集中获取由关联所述图像对象标签的图像信息采集的数字签名对象对应的数字签名规则信息，其中，所述数字签名规则信息通过采用与相应数字签名对象的签名类型匹配的规则识别形式，对所述目标签名验证向量集中的数字签名协商信息进行规则识别得到；
按照与各规则识别形式分别匹配的协商交互方式，对相应各个数字签名对象发送的数字签名规则信息进行协商交互，得到相应的数字签名协商信息；
对各所述数字签名协商信息分别进行协商状况分析，确定与各所述数字签名对象对应的协商状况参数，其中，所述协商状况参数用于反映关联所述图像对象标签的数字签名对象的图像信息采集的频次程度；
从各所述数字签名对象对应的协商状况参数中筛选出协商次数最多的协商行为目标，并按照各所述数字签名对象对应的协商状况参数分别与所述协商次数最多的协商行为目标间的关联度，确定各所述数字签名对象分别对应的扩展置信度；其中，所述数字签名对象对应的扩展置信度与相对应的所述关联度呈正相关；
对扩展置信度大于设定扩展置信度的数字签名对象的数字签名协商信息进行对象解析，并根据对象解析结果中的扩展输出序号得到各个验证解析信息对应所述图像对象标签的验证扩展对象，其中，每个扩展输出序号与每个验证扩展对象呈一一对应关系。
在第一方面的一种可能的实现方式中，所述对各所述数字签名协商信息分别进行协商状况分析，确定与各所述数字签名对象对应的协商状况参数的步骤，包括：
将各数字签名协商信息分别划分成多于一个协商服务的协商互动数据段序列，并对各协商互动数据段序列进行协商状况检测，对于每个数字签名协商信息，确定所包括的协商互动数据段序列中出现协商重复次数大于设定次数的协商互动数据段的数量，对于每个数字签名协商信息，根据所述数字签名协商信息中协商互动数据段的数量与所述数字签名协商信息所包括协商互动数据段序列的总数量，确定所述协商互动数据段的比例，根据所述协商互动数据段的比例，确定与各所述数字签名对象对应的协商状况参数；或者
将各数字签名协商信息分别划分成多于一个协商服务的协商互动数据段序列，并对各协商互动数据段序列进行协商状况检测，确定所述协商互动数据段序列中出现协商重复次数大于设定次数的协商互动数据段，并确定各所述协商互动数据段对应的图像信息采集持续数量，并根据各所述数字签名协商信息所包括的协商互动数据段中图像信息采集持续数量大于等于设定数量的有效协商互动数据段的数量，确定与各所述数字签名对象对应的协商状况参数；或者
将各数字签名协商信息分别划分成多于一个协商服务的协商互动数据段序列，并计算各所述协商互动数据段序列分别对应的协商凭证分布的分布参数，对于每个数字签名协商信息，对所述数字签名协商信息所包括的各协商互动数据段序列分别对应的协商凭证分布的分布参数进行融合，得到与所述数字签名协商信息对应的分布参数序列，将各数字签名协商信息分别对应的分布参数序列，作为与各所述数字签名对象对应的协商状况参数。
在第一方面的一种可能的实现方式中，所述将各数字签名协商信息分别划分成多于一个协商服务的协商互动数据段序列，并计算各所述协商互动数据段序列分别对应的协商凭证分布的分布参数的步骤，包括：
对于每个图像信息采集成员各自对应的数字签名协商信息，分别将相应的数字签名协商信息划分成多于一个协商服务的处于协商凭证分布对应的有向空间的协商互动数据段序列；
生成各协商互动数据段序列在所述协商凭证分布中的凭证对象的验证结果对应的对称密钥分布空间，并确定各所述协商互动数据段序列分别对应的对称密钥分布空间中所包括的多于一个的对称密钥子空间；
根据各协商互动数据段序列中的每个对称密钥子空间计算各所述协商互动数据段序列分别对应的协商凭证分布的分布参数。
在第一方面的一种可能的实现方式中，所述根据各协商互动数据段序列中的每个对称密钥子空间计算各所述协商互动数据段序列分别对应的协商凭证分布的分布参数的步骤，包括：
对于各协商互动数据段序列中的每个对称密钥子空间，分别基于所述对称密钥子空间所包括对称密钥节点的密钥序列，确定与所述对称密钥子空间对应的散列分布空间；
对于各协商互动数据段序列中当前处理的当前协商互动数据段序列中的当前对称密钥子空间，确定所述当前协商互动数据段序列中与当前对称密钥子空间相关联的预设数量的关联对称密钥子空间，并将所述关联对称密钥子空间与所述当前对称密钥子空间共同构成对称密钥子空间序列，按照与所述对称密钥子空间序列对应的权重，对所述对称密钥子空间序列中各对称密钥子空间的散列分布空间进行融合处理，得到当前协商互动数据段序列中当前对称密钥子空间对应的授权对称密钥子空间；
对当前协商互动数据段序列的在前序列中对应相同对称密钥子空间序号的关联对称密钥子空间的授权对称密钥子空间、以及当前协商互动数据段序列中当前对称密钥子空间的授权对称密钥子空间进行融合处理，得到当前对称密钥子空间对应的散列分布关系信息；
从不同协商互动数据段序列中对应相同对称密钥子空间序号的对称密钥子空间所对应的散列分布关系信息中，筛选出关联次数最少的散列分布关系对应的目标密钥序列作为相应对称密钥子空间序号的各对称密钥子空间所对应的比较密钥序列，对于各协商互动数据段序列中当前处理的当前协商互动数据段序列中的当前对称密钥子空间，将所述当前对称密钥子空间的散列分布关系信息与比较密钥序列的计算值，作为当前协商互动数据段序列中当前对称密钥子空间所对应的分布数值；
当所述分布数值大于预设阈值时，将第一预设数值作为与所述当前协商互动数据段序列中当前对称密钥子空间对应的协商状况参考值；
当所述分布数值小于或等于所述预设阈值时，将第二预设数值作为与所述当前协商互动数据段序列中当前对称密钥子空间对应的协商状况参考值；所述第二预设数值小于所述第一预设数值；
获取在所述当前协商互动数据段序列之前的关联协商互动数据段序列中，与所述当前对称密钥子空间对应相同对称密钥子空间序号的关联对称密钥子空间的协商状况目标值，并对所述关联对称密钥子空间对应的协商状况目标值和所述当前对称密钥子空间对应的协商状况参考值，进行融合处理，得到当前协商互动数据段序列中当前对称密钥子空间对应的协商状况目标值；
将第一预设目标值与所述协商状况目标值的差值作为相应对称密钥子空间所对应的参考目标值；
对于各协商互动数据段序列中当前处理的当前协商互动数据段序列中的当前对称密钥子空间，获取所述当前协商互动数据段序列的关联协商互动数据段序列中与当前对称密钥子空间对应相同对称密钥子空间序号的关联对称密钥子空间所对应的目标估值，并对所述关联对称密钥子空间所对应的目标估值和所述当前协商互动数据段序列中当前对称密钥子空间对应的协商状况目标值的第一加权值，与所述当前协商互动数据段序列中当前对称密钥子空间所对应的散列分布空间和参考目标值的第二加权值，进行求和运算，得到当前协商互动数据段序列中当前对称密钥子空间对应的目标估值，基于所述散列分布空间和目标估值，确定各所述对称密钥子空间对应的对称密钥子空间描述向量；
根据各所述协商互动数据段序列所包括的对称密钥子空间分别对应的对称密钥子空间描述向量，计算各所述协商互动数据段序列分别对应的协商凭证分布的分布参数。
在第一方面的一种可能的实现方式中，所述根据所述验证扩展对象分别生成对应的各个验证解析信息的扩展签名验证信息的步骤，包括：
获取所述验证扩展对象在进行验证扩展时对应的随机编码信息，其中，所述随机编码信息包括至少一个随机编码节点；
计算所述随机编码信息所对应的编码特征向量，其中，所述编码特征向量表示在虚拟扩展过程所述随机编码信息相对于每个编码扩展类型的编码公钥序列；
若所述编码特征向量的编码特征范围大于或等于设定置信度阈值，则计算所述随机编码信息在正式验证过程的编码特征向量序列，其中，所述编码特征向量序列包括目标总编码特征向量以及目标单位编码特征向量中的至少一种，所述目标总编码特征向量表示所述随机编码信息相对于每个编码扩展类型的编码公钥序列，所述目标单位编码特征向量表示所述随机编码信息中最靠前单位编码特征向量所对应随机编码节点相对于每个编码扩展类型的编码公钥序列；
根据所述编码特征向量序列生成对应的各个验证解析信息的扩展签名验证信息。
在第一方面的一种可能的实现方式中，所述计算所述随机编码信息所对应的编码特征向量的步骤，包括：
提取所述随机编码信息所对应的第一图像信息采集关系协商互动数据段序列，其中，所述第一图像信息采集关系协商互动数据段序列包括至少一个第一图像信息采集关系授权节点证书，每个第一图像信息采集关系授权节点证书对应一个随机编码节点；
提取所述第一图像信息采集关系协商互动数据段序列所对应的第一关系授权节点证书序列，其中，所述第一关系授权节点证书序列包括至少一个第一关系授权节点证书，每个第一关系授权节点证书对应一个第一图像信息采集关系授权节点证书；
根据所述第一关系授权节点证书序列以及所述第一图像信息采集关系协商互动数据段序列，生成第二图像信息采集关系协商互动数据段序列，其中，所述第二图像信息采集关系协商互动数据段序列包括至少一个第二图像信息采集关系授权节点证书，每个第二图像信息采集关系授权节点证书对应一个随机编码节点；
提取第二图像信息采集关系协商互动数据段序列所对应的第三图像信息采集关系协商互动数据段序列，其中，所述第三图像信息采集关系协商互动数据段序列包括至少一个第三图像信息采集关系授权节点证书，每个第三图像信息采集关系授权节点证书对应一个第二图像信息采集关系授权节点证书；
提取所述第三图像信息采集关系协商互动数据段序列所对应的第一特征协商互动数据段序列，其中，所述第一特征协商互动数据段序列包括至少一个第一特征向量，每个第一特征向量对应一个第三图像信息采集关系授权节点证书；
对所述第一特征协商互动数据段序列进行特征融合，得到第二特征向量；
计算所述第二特征向量所对应的编码特征向量，其中，所述编码特征向量表示在虚拟扩展过程所述随机编码信息相对于每个编码扩展类型的编码公钥序列。
在第一方面的一种可能的实现方式中，所述编码特征向量序列包括所述目标单位编码特征向量； 所述计算所述随机编码信息在正式验证过程的编码特征向量序列的步骤，包括： 计算所述随机编码信息在所述正式验证过程的目标单位编码特征向量，其中，所述目标单位编码特征向量为单位编码特征向量序列中的最靠前密钥特征向量，所述单位编码特征向量序列包括至少一个单位编码特征向量，每个单位编码特征向量对应一个随机编码节点； 所述根据所述编码特征向量序列生成对应的各个验证解析信息的扩展签名验证信息的步骤，包括： 若所述目标单位编码特征向量的编码特征范围大于或等于预设范围，则确定所述随机编码信息属于第一类扩展签名验证信息； 若所述目标单位编码特征向量的编码特征范围小于所述预设范围，则确定所述随机编码信息属于第二类扩展签名验证信息；或者
所述编码特征向量序列包括所述目标总编码特征向量； 所述计算所述随机编码信息在正式验证过程的编码特征向量序列，包括： 获取所述随机编码信息在所述正式验证过程的所述目标总编码特征向量； 所述根据所述编码特征向量序列生成对应的各个验证解析信息的扩展签名验证信息的步骤，包括： 若所述目标总编码特征向量的编码特征范围大于或等于预设范围，则确定所述随机编码信息属于第一类扩展签名验证信息； 若所述目标总编码特征向量的编码特征范围小于所述预设范围，则确定所述随机编码信息属于第二类扩展签名验证信息；或者
所述编码特征向量序列包括所述目标单位编码特征向量以及所述目标总编码特征向量； 所述计算所述随机编码信息在正式验证过程的编码特征向量序列的步骤，包括：获取所述随机编码信息在所述正式验证过程的所述目标单位编码特征向量以及所述目标总编码特征向量，其中，所述目标单位编码特征向量为单位编码特征向量序列中的最靠前密钥特征向量，所述单位编码特征向量序列包括至少一个单位编码特征向量，每个单位编码特征向量对应一个随机编码节点； 所述根据所述编码特征向量序列生成对应的各个验证解析信息的扩展签名验证信息的步骤，包括：若所述目标单位编码特征向量以及所述目标总编码特征向量中的编码特征范围至少一项大于或等于预设范围，则确定所述随机编码信息属于第一类扩展签名验证信息； 若所述目标单位编码特征向量与所述目标总编码特征向量的编码特征范围均小于所述预设范围，则确定所述随机编码信息属于第二类扩展签名验证信息；
其中，所述第二类扩展签名验证信息与所述第一类扩展签名验证信息属于不同的热点图像信息采集信息，当所述随机编码信息属于第一类扩展签名验证信息，所述随机编码信息所对应的扩展签名验证对象为与所述随机编码信息关联的扩展签名验证对象，所述随机编码信息属于第二类扩展签名验证信息，所述随机编码信息所对应的扩展签名验证对象为与所述随机编码信息关联的扩展签名验证对象以及所述扩展签名验证对象关联的其它扩展签名验证对象。
在第一方面的一种可能的实现方式中，所述支持向量机分类器通过以下方式配置得到：
获取多个信息处理历史记录的关联验证签名行为序列和关联签名连通图信息，利用所述关联验证签名行为序列和所述关联签名连通图信息生成配置数据；
获取多个用户的图像验证服务，利用所述图像验证服务生成配置标签，并提取所述关联验证签名行为序列的验证签名行为特征，提取所述关联签名连通图信息的签名连通图信息矩阵；
将所述验证签名行为特征和所述签名连通图信息矩阵输入至预设的初始支持向量机，得到配置结果；
基于所述配置结果与所述配置标签的差异，调整所述初始支持向量机的参数并继续配置，直至满足配置条件时结束配置，得到所述支持向量机分类器。
第二方面，本公开实施例还提供一种基于边缘计算和大数据的信息处理装置，应用于与多个信息采集终端通信连接的人工智能云平台，所述人工智能云平台利用靠近所述信息采集终端的设备端的边缘节点的服务器完成信息处理，所述装置包括：
获取模块，用于获取所述信息采集终端执行图像信息采集过程中的图像采集验证信息的图像对象标签，并根据所述图像对象标签的图像验证服务确定验证图像节点网格，获取所述验证图像节点网格在对所述图像采集验证信息进行验证过程中生成的对应的各个验证解析信息的验证签名行为序列和签名连通图信息，其中，所述图像对象标签用于表示本次执行图像信息采集过程中待验证对象的验证类型，所述图像验证服务用于表示针对所述图像对象标签在进行图像验证过程中调用的逻辑服务，所述逻辑服务用于表示所有的验证项目和每个验证项目之间的关联逻辑关系，所述验证图像节点网格用于表示以所述验证项目为验证图像节点构成的逻辑网格，所述验证签名行为序列中的每个验证签名行为用于表示每次针对每个验证项目的验证过程中产生的数字签名的过程信息，所述签名连通图信息用于表示每次产生的数字签名之间的连通迁移关系；
提取模块，用于将所述验证签名行为序列和所述签名连通图信息分别输入至配置得到的支持向量机分类器，通过所述支持向量机分类器的第一决策边界提取各个验证解析信息的第一签名验证向量集，通过所述支持向量机分类器的第二决策边界提取各个验证解析信息的第二签名验证向量集；
融合模块，用于通过所述支持向量机分类器的融合决策函数对所述第一签名验证向量集和所述第二签名验证向量集进行融合得到目标签名验证向量集；
生成模块，用于根据所述目标签名验证向量集确定各个验证解析信息对应所述图像对象标签的验证扩展对象，并根据所述验证扩展对象分别生成对应的各个验证解析信息的扩展签名验证信息，根据所述扩展签名验证信息对所述验证解析信息进行二次验证后，将二次验证后的验证结果存储到二次验证大数据收集库中。
第三方面，本公开实施例还提供一种基于边缘计算和大数据的信息处理系统，所述基于边缘计算和大数据的信息处理系统包括人工智能云平台以及与所述人工智能云平台通信连接的与多个信息采集终端，所述人工智能云平台利用靠近所述信息采集终端的设备端的边缘节点的服务器完成信息处理；
获取所述信息采集终端执行图像信息采集过程中的图像采集验证信息的图像对象标签，并根据所述图像对象标签的图像验证服务确定验证图像节点网格，获取所述验证图像节点网格在对所述图像采集验证信息进行验证过程中生成的对应的各个验证解析信息的验证签名行为序列和签名连通图信息，其中，所述图像对象标签用于表示本次执行图像信息采集过程中待验证对象的验证类型，所述图像验证服务用于表示针对所述图像对象标签在进行图像验证过程中调用的逻辑服务，所述逻辑服务用于表示所有的验证项目和每个验证项目之间的关联逻辑关系，所述验证图像节点网格用于表示以所述验证项目为验证图像节点构成的逻辑网格，所述验证签名行为序列中的每个验证签名行为用于表示每次针对每个验证项目的验证过程中产生的数字签名的过程信息，所述签名连通图信息用于表示每次产生的数字签名之间的连通迁移关系；
将所述验证签名行为序列和所述签名连通图信息分别输入至配置得到的支持向量机分类器，通过所述支持向量机分类器的第一决策边界提取各个验证解析信息的第一签名验证向量集，通过所述支持向量机分类器的第二决策边界提取各个验证解析信息的第二签名验证向量集；
通过所述支持向量机分类器的融合决策函数对所述第一签名验证向量集和所述第二签名验证向量集进行融合得到目标签名验证向量集；
根据所述目标签名验证向量集确定各个验证解析信息对应所述图像对象标签的验证扩展对象，并根据所述验证扩展对象分别生成对应的各个验证解析信息的扩展签名验证信息，根据所述扩展签名验证信息对所述验证解析信息进行二次验证后，将二次验证后的验证结果存储到二次验证大数据收集库中。
第四方面，本公开实施例还提供一种人工智能云平台，所述人工智能云平台包括处理器、机器可读存储介质和网络接口，所述机器可读存储介质、所述网络接口以及所述处理器之间通过总线系统相连，所述网络接口用于与至少一个信息采集终端通信连接，所述机器可读存储介质用于存储程序、指令或代码，所述处理器用于执行所述机器可读存储介质中的程序、指令或代码，以执行第一方面或者第一方面中任意一个可能的设计中的基于边缘计算和大数据的信息处理方法。
第五方面，本公开实施例提供一种计算机可读存储介质，计算机可读存储介质中存储有指令，当其被执行时，使得计算机执行上述第一方面或者第一方面中任意一个可能的设计中的基于边缘计算和大数据的信息处理方法。
基于上述任意一个方面，本公开通过结合信息采集终端执行图像信息采集过程中的图像采集验证信息的图像对象标签，从而能够针应图像对象标签的图像验证服务进行更有针对性的验证逻辑，并且在此基础上进一步衍生出验证扩展对象，从而进一步结合后续的扩展签名验证信息进行更有针对性的验证，从而提高验证可靠性。
附图说明
为了更清楚地说明本公开实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本公开的某些实施例，因此不应被看作是对范围的限定，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它相关的附图。
图1为本公开实施例提供的基于边缘计算和大数据的信息处理系统的应用场景示意图；
图2为本公开实施例提供的基于边缘计算和大数据的信息处理方法的流程示意图；
图3为本公开实施例提供的基于边缘计算和大数据的信息处理装置的功能模块示意图；
图4为本公开实施例提供的用于实现上述的基于边缘计算和大数据的信息处理方法的人工智能云平台的结构示意框图。
具体实施方式
下面结合说明书附图对本公开进行具体说明，方法实施例中的具体操作方法也可以应用于装置实施例或系统实施例中。
图1是本公开一种实施例提供的基于边缘计算和大数据的信息处理系统10的图像信息采集示意图。基于边缘计算和大数据的信息处理系统10可以包括人工智能云平台100以及与所述人工智能云平台100通信连接的信息采集终端200。图1所示的基于边缘计算和大数据的信息处理系统10仅为一种可行的示例，在其它可行的实施例中，该基于边缘计算和大数据的信息处理系统10也可以仅包括图1所示组成部分的其中一部分或者还可以包括其它的组成部分。
本实施例中，信息采集终端200可以包括移动设备、平板计算机、膝上型计算机等或其任意组合。在一些实施例中，移动设备可以包括智能家居设备、可穿戴设备、智能移动设备、虚拟现实设备、或增强现实设备等，或其任意组合。在一些实施例中，智能家居设备可以包括智能电器设备的控制设备、智能监控设备、智能电视、智能摄像机等，或其任意组合。在一些实施例中，可穿戴设备可包括智能手环、智能鞋带、智能玻璃、智能头盔、智能手表、智能服装、智能背包、智能配件等，或其任何组合。在一些实施例中，智能移动设备可以包括智能手机、个人数字助理、游戏设备等，或其任意组合。在一些实施例中，虚拟现实设备和/或增强现实设备可以包括虚拟现实头盔、虚拟现实玻璃、虚拟现实贴片、增强现实头盔、增强现实玻璃、或增强现实贴片等，或其任意组合。例如，虚拟现实设备和/或增强现实设备可以包括各种虚拟现实产品等。
本实施例中，基于边缘计算和大数据的信息处理系统10中的人工智能云平台100和信息采集终端200可以通过配合执行以下方法实施例所描述的基于边缘计算和大数据的信息处理方法，具体人工智能云平台100和信息采集终端200的执行步骤部分可以参照以下方法实施例的详细描述。
为了解决前述背景技术中的技术问题，图2为本公开实施例提供的基于边缘计算和大数据的信息处理方法的流程示意图，本实施例提供的基于边缘计算和大数据的信息处理方法可以由图1中所示的人工智能云平台100执行，下面对该基于边缘计算和大数据的信息处理方法进行详细介绍。
步骤S110，获取信息采集终端200执行图像信息采集过程中的图像采集验证信息的图像对象标签，并根据图像对象标签的图像验证服务确定验证图像节点网格，获取验证图像节点网格在对图像采集验证信息进行验证过程中生成的对应的各个验证解析信息的验证签名行为序列和签名连通图信息。
步骤S120，将验证签名行为序列和签名连通图信息分别输入至配置得到的支持向量机分类器，通过支持向量机分类器的第一决策边界提取各个验证解析信息的第一签名验证向量集，通过支持向量机分类器的第二决策边界提取各个验证解析信息的第二签名验证向量集。
步骤S130，通过支持向量机分类器的融合决策函数对第一签名验证向量集和第二签名验证向量集进行融合得到目标签名验证向量集。
步骤S140，根据所述目标签名验证向量集确定各个验证解析信息对应所述图像对象标签的验证扩展对象，并根据所述验证扩展对象分别生成对应的各个验证解析信息的扩展签名验证信息，根据所述扩展签名验证信息对所述验证解析信息进行二次验证后，将二次验证后的验证结果存储到二次验证大数据收集库中。
本实施例中，图像对象标签用于表示本次执行图像信息采集过程中待验证对象的验证类型，例如可以是但不限于安全访问验证类型、安全读取验证类型、访问互动验证类型等等，但不限于此。
本实施例中，图像验证服务用于表示针对图像对象标签在进行图像验证过程中调用的逻辑服务，逻辑服务用于表示所有的验证项目和每个验证项目之间的关联逻辑关系，例如当包括验证项目A、验证项目B以及验证项目C时，图像验证服务可以用于表示验证项目A、验证项目B以及验证项目C，和验证项目A、验证项目B以及验证项目C互相之间的验证关系，例如验证项目A和验证项目C并列并位于验证项目B之后。
本实施例中，验证图像节点网格可以用于表示以验证项目为验证图像节点构成的逻辑网格，仍旧以上述示例为例，可以表示依据“验证项目A和验证项目C并列并位于验证项目B之后”的逻辑，由验证项目A、验证项目B以及验证项目C构成的逻辑网格。
本实施例中，验证签名行为序列中的每个验证签名行为用于表示每次针对每个验证项目的验证过程中产生的数字签名的过程信息，例如数字签名的交互行为、数字签名的测试行为等，签名连通图信息可以用于表示每次产生的数字签名之间的连通迁移关系，例如从数字签名的交互行为切换到数字签名的测试行为。
基于上述步骤，本实施例通过结合信息采集终端200执行图像信息采集过程中的图像采集验证信息的图像对象标签，从而能够针应图像对象标签的图像验证服务进行更有针对性的验证逻辑，并且在此基础上进一步衍生出验证扩展对象，从而进一步结合后续的扩展签名验证信息进行更有针对性的验证，从而提高验证可靠性。
在一种可能的实现方式中，针对步骤S110，签名连通图信息具体可以包括签名验证节点、验证前后的签名流向和签名指向项目。
其中，签名验证节点可以是指签名连通图时的时间节点或者区域节点，验证前后的签名流向可以是指签名连通图前的签名字段和签名连通图后的签名字段，签名指向项目可以是指签名连通图时通信节点所在的位置。
在此基础上，针对步骤S120，可以通过以下示例性子步骤具体实现，详细描述如下。
子步骤S121，将验证签名行为序列输入至第一决策边界，对验证签名行为序列中的验证签名行为进行特征提取，得到对应的验证签名行为特征。
子步骤S122，利用第一决策边界和图像验证服务相应的聚类脚本对验证签名行为特征进行聚类处理，得到聚类处理后的验证签名行为特征。
子步骤S123，根据聚类处理后的验证签名行为特征提取各个验证解析信息的第一签名验证向量集。
子步骤S124，将签名连通图信息输入至第二决策边界，对签名连通图信息进行特征抽取，得到签名验证节点特征、签名指向项目特征和验证前后的签名流向特征。
子步骤S125，利用第二决策边界和图像验证服务相应的聚类脚本对签名验证节点特征、签名指向项目特征和验证前后的签名流向特征进行聚类处理，得到签名连通图信息矩阵。
子步骤S126，获取验证签名行为序列对应的验证签名行为特征，将验证签名行为特征输入至签名连通图信息矩阵进行特征融合，得到融合后的目标特征序列，根据目标特征序列提取各个验证解析信息的第二签名验证向量集。
在一种可能的实现方式中，针对步骤S130，为了提高融合效率，本实施例可以通过支持向量机分类器的融合决策函数对第一签名验证向量集和第二签名验证向量集分别各自一一对应的特征位置进行融合得到目标签名验证向量集。
在一种可能的实现方式中，针对步骤S140，为了准确确定各个验证解析信息对应图像对象标签的验证扩展对象，可以通过以下示例性子步骤具体实现，详细描述如下。
子步骤S141，从目标签名验证向量集中获取由关联图像对象标签的图像信息采集的数字签名对象对应的数字签名规则信息，其中，数字签名规则信息通过采用与相应数字签名对象的签名类型匹配的规则识别形式，对目标签名验证向量集中的数字签名协商信息进行规则识别得到。
子步骤S142，按照与各规则识别形式分别匹配的协商交互方式，对相应各个数字签名对象发送的数字签名规则信息进行协商交互，得到相应的数字签名协商信息。
子步骤S143，对各数字签名协商信息分别进行协商状况分析，确定与各数字签名对象对应的协商状况参数。其中，协商状况参数用于反映关联图像对象标签的数字签名对象的图像信息采集的频次程度。
子步骤S144，从各数字签名对象对应的协商状况参数中筛选出协商次数最多的协商行为目标，并按照各数字签名对象对应的协商状况参数分别与协商次数最多的协商行为目标间的关联度，确定各数字签名对象分别对应的扩展置信度。其中，数字签名对象对应的扩展置信度与相对应的关联度呈正相关。
子步骤S145，对扩展置信度大于设定扩展置信度的数字签名对象的数字签名协商信息进行对象解析，并根据对象解析结果中的扩展输出序号得到各个验证解析信息对应图像对象标签的验证扩展对象，其中，每个扩展输出序号与每个验证扩展对象呈一一对应关系。
示例性地，针对子步骤S143，具体可以通过以下实施方式（1）或者实施方式（2）或者实施方式（3）来实现。
（1）将各数字签名协商信息分别划分成多于一个协商服务的协商互动数据段序列，并对各协商互动数据段序列进行协商状况检测，对于每个数字签名协商信息，确定所包括的协商互动数据段序列中出现协商重复次数大于设定次数的协商互动数据段的数量，对于每个数字签名协商信息，根据数字签名协商信息中协商互动数据段的数量与数字签名协商信息所包括协商互动数据段序列的总数量，确定协商互动数据段的比例，根据协商互动数据段的比例，确定与各数字签名对象对应的协商状况参数。
或者，在另一种可能的示例中，（2）将各数字签名协商信息分别划分成多于一个协商服务的协商互动数据段序列，并对各协商互动数据段序列进行协商状况检测，确定协商互动数据段序列中出现协商重复次数大于设定次数的协商互动数据段，并确定各协商互动数据段对应的图像信息采集持续数量，并根据各数字签名协商信息所包括的协商互动数据段中图像信息采集持续数量大于等于设定数量的有效协商互动数据段的数量，确定与各数字签名对象对应的协商状况参数。
或者，在另一种可能的示例中，（3）将各数字签名协商信息分别划分成多于一个协商服务的协商互动数据段序列，并计算各协商互动数据段序列分别对应的协商凭证分布的分布参数，对于每个数字签名协商信息，对数字签名协商信息所包括的各协商互动数据段序列分别对应的协商凭证分布的分布参数进行融合，得到与数字签名协商信息对应的分布参数序列，将各数字签名协商信息分别对应的分布参数序列，作为与各数字签名对象对应的协商状况参数。
例如，对于每个图像信息采集成员各自对应的数字签名协商信息，可以分别将相应的数字签名协商信息划分成多于一个协商服务的处于协商凭证分布对应的有向空间的协商互动数据段序列。在此基础上，可以生成各协商互动数据段序列在协商凭证分布中的凭证对象的验证结果对应的对称密钥分布空间，并确定各协商互动数据段序列分别对应的对称密钥分布空间中所包括的多于一个的对称密钥子空间。
由此，对于各协商互动数据段序列中的每个对称密钥子空间，分别基于对称密钥子空间所包括对称密钥节点的密钥序列，确定与对称密钥子空间对应的散列分布空间。接着，对于各协商互动数据段序列中当前处理的当前协商互动数据段序列中的当前对称密钥子空间，确定当前协商互动数据段序列中与当前对称密钥子空间相关联的预设数量的关联对称密钥子空间，并将关联对称密钥子空间与当前对称密钥子空间共同构成对称密钥子空间序列，按照与对称密钥子空间序列对应的权重，对对称密钥子空间序列中各对称密钥子空间的散列分布空间进行融合处理，得到当前协商互动数据段序列中当前对称密钥子空间对应的授权对称密钥子空间。
在此基础上，可以对当前协商互动数据段序列的在前序列中对应相同对称密钥子空间序号的关联对称密钥子空间的授权对称密钥子空间、以及当前协商互动数据段序列中当前对称密钥子空间的授权对称密钥子空间进行融合处理，得到当前对称密钥子空间对应的散列分布关系信息。然后，从不同协商互动数据段序列中对应相同对称密钥子空间序号的对称密钥子空间所对应的散列分布关系信息中，筛选出关联次数最少的散列分布关系对应的目标密钥序列作为相应对称密钥子空间序号的各对称密钥子空间所对应的比较密钥序列，对于各协商互动数据段序列中当前处理的当前协商互动数据段序列中的当前对称密钥子空间，将当前对称密钥子空间的散列分布关系信息与比较密钥序列的计算值，作为当前协商互动数据段序列中当前对称密钥子空间所对应的分布数值。
这样，当分布数值大于预设阈值时，可以将第一预设数值作为与当前协商互动数据段序列中当前对称密钥子空间对应的协商状况参考值。再例如，当分布数值小于或等于预设阈值时，可以将第二预设数值作为与当前协商互动数据段序列中当前对称密钥子空间对应的协商状况参考值。可以理解，第二预设数值应小于第一预设数值。
而后，可以获取在当前协商互动数据段序列之前的关联协商互动数据段序列中，与当前对称密钥子空间对应相同对称密钥子空间序号的关联对称密钥子空间的协商状况目标值，并对关联对称密钥子空间对应的协商状况目标值和当前对称密钥子空间对应的协商状况参考值，进行融合处理，得到当前协商互动数据段序列中当前对称密钥子空间对应的协商状况目标值，从而可以将第一预设目标值与协商状况目标值的差值作为相应对称密钥子空间所对应的参考目标值。
接着，对于各协商互动数据段序列中当前处理的当前协商互动数据段序列中的当前对称密钥子空间，获取当前协商互动数据段序列的关联协商互动数据段序列中与当前对称密钥子空间对应相同对称密钥子空间序号的关联对称密钥子空间所对应的目标估值，并对关联对称密钥子空间所对应的目标估值和当前协商互动数据段序列中当前对称密钥子空间对应的协商状况目标值的第一加权值，与当前协商互动数据段序列中当前对称密钥子空间所对应的散列分布空间和参考目标值的第二加权值，进行求和运算，得到当前协商互动数据段序列中当前对称密钥子空间对应的目标估值，基于散列分布空间和目标估值，确定各对称密钥子空间对应的对称密钥子空间描述向量。如此，可以根据各协商互动数据段序列所包括的对称密钥子空间分别对应的对称密钥子空间描述向量，计算各协商互动数据段序列分别对应的协商凭证分布的分布参数。
基于上述设计，可以有效结合频次关系计算各协商互动数据段序列分别对应的协商凭证分布的分布参数，从而便于后续各个验证解析信息对应图像对象标签的验证扩展对象的确定。
在一种可能的实现方式中，仍旧针对步骤S140，在根据验证扩展对象分别生成对应的各个验证解析信息的扩展签名验证信息的过程中，具体可以通过以下子步骤进一步实现，详细描述如下。
子步骤S146，获取验证扩展对象在进行验证扩展时对应的随机编码信息，其中，随机编码信息包括至少一个随机编码节点。
子步骤S147，计算随机编码信息所对应的编码特征向量，其中，编码特征向量表示在虚拟扩展过程随机编码信息相对于每个编码扩展类型的编码公钥序列。
子步骤S148，若编码特征向量的编码特征范围大于或等于设定置信度阈值，则计算随机编码信息在正式验证过程的编码特征向量序列，其中，编码特征向量序列包括目标总编码特征向量以及目标单位编码特征向量中的至少一种，目标总编码特征向量表示随机编码信息相对于每个编码扩展类型的编码公钥序列，目标单位编码特征向量表示随机编码信息中最靠前单位编码特征向量所对应随机编码节点相对于每个编码扩展类型的编码公钥序列。
子步骤S149，根据编码特征向量序列确定随机编码信息所对应的扩展签名验证对象，并根据扩展签名验证对象生成对应的各个验证解析信息的扩展签名验证信息。
示例性地，在子步骤S147中，可以通过以下实施方式示例性实现。
（1）提取随机编码信息所对应的第一图像信息采集关系协商互动数据段序列，其中，第一图像信息采集关系协商互动数据段序列包括至少一个第一图像信息采集关系授权节点证书，每个第一图像信息采集关系授权节点证书对应一个随机编码节点。
（2）提取第一图像信息采集关系协商互动数据段序列所对应的第一关系授权节点证书序列，其中，第一关系授权节点证书序列包括至少一个第一关系授权节点证书，每个第一关系授权节点证书对应一个第一图像信息采集关系授权节点证书。
（3）根据第一关系授权节点证书序列以及第一图像信息采集关系协商互动数据段序列，生成第二图像信息采集关系协商互动数据段序列，其中，第二图像信息采集关系协商互动数据段序列包括至少一个第二图像信息采集关系授权节点证书，每个第二图像信息采集关系授权节点证书对应一个随机编码节点。
（4）提取第二图像信息采集关系协商互动数据段序列所对应的第三图像信息采集关系协商互动数据段序列，其中，第三图像信息采集关系协商互动数据段序列包括至少一个第三图像信息采集关系授权节点证书，每个第三图像信息采集关系授权节点证书对应一个第二图像信息采集关系授权节点证书。
（5）提取第三图像信息采集关系协商互动数据段序列所对应的第一特征协商互动数据段序列，其中，第一特征协商互动数据段序列包括至少一个第一特征向量，每个第一特征向量对应一个第三图像信息采集关系授权节点证书。
（6）对第一特征协商互动数据段序列进行特征融合，得到第二特征向量。
（7）计算第二特征向量所对应的编码特征向量，其中，编码特征向量表示在虚拟扩展过程随机编码信息相对于每个编码扩展类型的编码公钥序列。
在一种可能的实现方式中，当上述的编码特征向量序列包括目标单位编码特征向量时，则可以计算随机编码信息在正式验证过程的目标单位编码特征向量。其中，目标单位编码特征向量为单位编码特征向量序列中的最靠前密钥特征向量，单位编码特征向量序列包括至少一个单位编码特征向量，每个单位编码特征向量对应一个随机编码节点。由此，若目标单位编码特征向量的编码特征范围大于或等于预设范围，则确定随机编码信息属于第一类扩展签名验证信息。 若目标单位编码特征向量的编码特征范围小于预设范围，则确定随机编码信息属于第二类扩展签名验证信息。
又例如，当上述的编码特征向量序列包括目标总编码特征向量时，则可以获取随机编码信息在正式验证过程的目标总编码特征向量。由此，若目标总编码特征向量的编码特征范围大于或等于预设范围，则确定随机编码信息属于第一类扩展签名验证信息。若目标总编码特征向量的编码特征范围小于预设范围，则确定随机编码信息属于第二类扩展签名验证信息。
又例如，当上述的编码特征向量序列包括目标单位编码特征向量以及目标总编码特征向量时，则可以获取随机编码信息在正式验证过程的目标单位编码特征向量以及目标总编码特征向量，其中，目标单位编码特征向量为单位编码特征向量序列中的最靠前密钥特征向量，单位编码特征向量序列包括至少一个单位编码特征向量，每个单位编码特征向量对应一个随机编码节点。由此，若目标单位编码特征向量以及目标总编码特征向量中的编码特征范围至少一项大于或等于预设范围，则确定随机编码信息属于第一类扩展签名验证信息。 若目标单位编码特征向量与目标总编码特征向量的编码特征范围均小于预设范围，则确定随机编码信息属于第二类扩展签名验证信息。
其中，第二类扩展签名验证信息与第一类扩展签名验证信息属于不同的热点图像信息采集信息，当随机编码信息属于第一类扩展签名验证信息，随机编码信息所对应的扩展签名验证对象为与随机编码信息关联的扩展签名验证对象，随机编码信息属于第二类扩展签名验证信息，随机编码信息所对应的扩展签名验证对象为与随机编码信息关联的扩展签名验证对象以及扩展签名验证对象关联的其它扩展签名验证对象。
在一种可能的实现方式中，上述的支持向量机分类器可以通过以下方式配置得到：
（1）获取多个信息处理历史记录的关联验证签名行为序列和关联签名连通图信息，利用关联验证签名行为序列和关联签名连通图信息生成配置数据。
（2）获取多个用户的图像验证服务，利用图像验证服务生成配置标签，并提取关联验证签名行为序列的验证签名行为特征，提取关联签名连通图信息的签名连通图信息矩阵。
（3）将验证签名行为特征和签名连通图信息矩阵输入至预设的初始支持向量机，得到配置结果。
（4）基于配置结果与配置标签的差异，调整初始支持向量机的参数并继续配置，直至满足配置条件时结束配置，得到支持向量机分类器。
进一步地，在一种可能的实现方式中，根据所述扩展签名验证信息对所述验证解析信息进行二次验证的过程，具体可以是：基于扩展签名验证信息中的每个扩展验证签名对所述验证解析信息中与扩展验证签名对应的验证解析数据段进行安全性验证（例如信息验证终端200的用户的其余个人信息验证，如姓名信息验证、工作单位信息验证等），然后将二次验证后的验证结果（例如验证通过，或者验证失败）存储到二次验证大数据收集库中，以便于后续根据二次验证大数据收集库中的验证通过情况或者验证失败情况生成验证大数据结果，便于用户参考。
图3为本公开实施例提供的基于边缘计算和大数据的信息处理装置300的功能模块示意图，本实施例可以根据上述人工智能云平台100执行的方法实施例对该基于边缘计算和大数据的信息处理装置300进行功能模块的划分，也即该基于边缘计算和大数据的信息处理装置300所对应的以下各个功能模块可以用于执行上述人工智能云平台100执行的各个方法实施例。其中，该基于边缘计算和大数据的信息处理装置300可以包括获取模块310、提取模块320、融合模块330以及生成模块340，下面分别对该基于边缘计算和大数据的信息处理装置300的各个功能模块的功能进行详细阐述。
获取模块310，用于获取信息采集终端200执行图像信息采集过程中的图像采集验证信息的图像对象标签，并根据图像对象标签的图像验证服务确定验证图像节点网格，获取验证图像节点网格在对图像采集验证信息进行验证过程中生成的对应的各个验证解析信息的验证签名行为序列和签名连通图信息，其中，图像对象标签用于表示本次执行图像信息采集过程中待验证对象的验证类型，图像验证服务用于表示针对图像对象标签在进行图像验证过程中调用的逻辑服务，逻辑服务用于表示所有的验证项目和每个验证项目之间的关联逻辑关系，验证图像节点网格用于表示以验证项目为验证图像节点构成的逻辑网格，验证签名行为序列中的每个验证签名行为用于表示每次针对每个验证项目的验证过程中产生的数字签名的过程信息，签名连通图信息用于表示每次产生的数字签名之间的连通迁移关系。其中，获取模块310可以用于执行上述的步骤S110，关于获取模块310的详细实现方式可以参照上述针对步骤S110的详细描述即可。
提取模块320，用于将验证签名行为序列和签名连通图信息分别输入至配置得到的支持向量机分类器，通过支持向量机分类器的第一决策边界提取各个验证解析信息的第一签名验证向量集，通过支持向量机分类器的第二决策边界提取各个验证解析信息的第二签名验证向量集。其中，提取模块320可以用于执行上述的步骤S120，关于提取模块320的详细实现方式可以参照上述针对步骤S120的详细描述即可。
融合模块330，用于通过支持向量机分类器的融合决策函数对第一签名验证向量集和第二签名验证向量集进行融合得到目标签名验证向量集。其中，融合模块330可以用于执行上述的步骤S130，关于融合模块330的详细实现方式可以参照上述针对步骤S130的详细描述即可。
生成模块340，用于根据所述目标签名验证向量集确定各个验证解析信息对应所述图像对象标签的验证扩展对象，并根据所述验证扩展对象分别生成对应的各个验证解析信息的扩展签名验证信息，根据所述扩展签名验证信息对所述验证解析信息进行二次验证后，将二次验证后的验证结果存储到二次验证大数据收集库中。其中，生成模块340可以用于执行上述的步骤S140，关于生成模块340的详细实现方式可以参照上述针对步骤S140的详细描述即可。
需要说明的是，应理解以上装置的各个模块的划分仅仅是一种逻辑功能的划分，实际实现时可以全部或部分集成到一个物理实体上，也可以物理上分开。且这些模块可以全部以软件通过处理元件调用的形式实现；也可以全部以硬件的形式实现；还可以部分模块通过处理元件调用软件的形式实现，部分模块通过硬件的形式实现。例如，获取模块310可以为单独设立的处理元件，也可以集成在上述装置的某一个芯片中实现，此外，也可以以程序代码的形式存储于上述装置的存储器中，由上述装置的某一个处理元件调用并执行以上获取模块310的功能。其它模块的实现与之类似。此外这些模块全部或部分可以集成在一起，也可以独立实现。这里所描述的处理元件可以是一种集成电路，具有信号的处理能力。在实现过程中，上述方法的各步骤或以上各个模块可以通过处理器元件中的硬件的集成逻辑电路或者软件形式的指令完成。
例如，以上这些模块可以是被配置成实施以上方法的一个或多个集成电路，例如：一个或多个特定集成电路(application specific integrated circuit，ASIC)，或，一个或多个微处理器(digital signal processor，DSP)，或，一个或者多个现场可编程门矩阵(field programmable gate array，FPGA)等。再如，当以上某个模块通过处理元件调度程序代码的形式实现时，该处理元件可以是通用处理器，例如中央处理器(centralprocessing unit，CPU)或其它可以调用程序代码的处理器。再如，这些模块可以集成在一起，以片上系统(system-on-a-chip，SOC)的形式实现。
图4示出了本公开实施例提供的用于实现上述的控制设备的人工智能云平台100的硬件结构示意图，如图4所示，人工智能云平台100可包括处理器110、机器可读存储介质120、总线130以及收发器140。
在具体实现过程中，至少一个处理器110执行所述机器可读存储介质120存储的计算机执行指令（例如图3中所示的基于边缘计算和大数据的信息处理装置300包括的获取模块310、提取模块320、融合模块330以及生成模块340），使得处理器110可以执行如上方法实施例的基于边缘计算和大数据的信息处理方法，其中，处理器110、机器可读存储介质120以及收发器140通过总线130连接，处理器110可以用于控制收发器140的收发动作，从而可以与前述的信息采集终端200进行数据收发。
处理器110的具体实现过程可参见上述人工智能云平台100执行的各个方法实施例，其实现原理和技术效果类似，本实施例此处不再赘述。
在上述的图4所示的实施例中，应理解，处理器可以是中央处理单元(英文：Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(英文：Digital Signal Processor，DSP)、专用集成电路(英文：ApplicationSpecificIntegrated Circuit，ASIC)等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合发明所公开的方法的步骤可以直接体现为硬件处理器执行完成，或者用处理器中的硬件及软件模块组合执行完成。
机器可读存储介质120可能包含高速RAM存储器，也可能还包括非易失性存储NVM，例如至少一个磁盘存储器。
总线130可以是工业标准体系结构(Industry Standard Architecture，ISA)总线、外部设备互连(Peripheral Component Interconnect，PCI)总线或扩展工业标准体系结构(Extended Industry Standard Architecture，EISA)总线等。总线130可以分为地址总线、数据总线、控制总线等。为便于表示，本申请附图中的总线并不限定仅有一根总线或一种类型的总线。
此外，本公开实施例还提供一种可读存储介质，所述可读存储介质中存储有计算机执行指令，当处理器执行所述计算机执行指令时，实现如上基于边缘计算和大数据的信息处理方法。
上述的可读存储介质可以是由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(SRAM)，电可擦除可编程只读存储器(EEPROM)，可擦除可编程只读存储器(EPROM)，可编程只读存储器(PROM)，只读存储器(ROM)，磁存储器，快闪存储器，磁盘或光盘。可读存储介质可以是通用或专用计算机能够存取的任何可用介质。
最后应说明的是：以上各实施例仅用以说明本公开的技术方案，而非对其限制；尽管参照前述各实施例对本公开进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本公开各实施例技术方案的范围。
Claims (7)
1.一种基于边缘计算和大数据的信息处理方法，其特征在于，应用于与多个信息采集终端通信连接的人工智能云平台，所述人工智能云平台利用靠近所述信息采集终端的设备端的边缘节点的服务器完成信息处理，所述人工智能云平台利用靠近所述信息采集终端的设备端的边缘节点的服务器完成信息处理，所述方法包括：
获取所述信息采集终端执行图像信息采集过程中的图像采集验证信息的图像对象标签，并根据所述图像对象标签的图像验证服务确定验证图像节点网格，获取所述验证图像节点网格在对所述图像采集验证信息进行验证过程中生成的对应的各个验证解析信息的验证签名行为序列和签名连通图信息，其中，所述图像对象标签用于表示本次执行图像信息采集过程中待验证对象的验证类型，所述图像验证服务用于表示针对所述图像对象标签在进行图像验证过程中调用的逻辑服务，所述逻辑服务用于表示所有的验证项目和每个验证项目之间的关联逻辑关系，所述验证图像节点网格用于表示以所述验证项目为验证图像节点构成的逻辑网格，所述验证签名行为序列中的每个验证签名行为用于表示每次针对每个验证项目的验证过程中产生的数字签名的过程信息，所述签名连通图信息用于表示每次产生的数字签名之间的连通迁移关系；
将所述验证签名行为序列和所述签名连通图信息分别输入至配置得到的支持向量机分类器，通过所述支持向量机分类器的第一决策边界提取各个验证解析信息的第一签名验证向量集，通过所述支持向量机分类器的第二决策边界提取各个验证解析信息的第二签名验证向量集，其中，所述支持向量机分类器基于训练样本训练得到；
通过所述支持向量机分类器的融合决策函数对所述第一签名验证向量集和所述第二签名验证向量集进行融合得到目标签名验证向量集；
根据所述目标签名验证向量集确定各个验证解析信息对应所述图像对象标签的验证扩展对象，并根据所述验证扩展对象分别生成对应的各个验证解析信息的扩展签名验证信息，根据所述扩展签名验证信息对所述验证解析信息进行二次验证后，将二次验证后的验证结果存储到二次验证大数据收集库中；
所述签名连通图信息包括签名验证节点、验证前后的签名流向、签名指向项目；
所述通过所述支持向量机分类器的第一决策边界提取各个验证解析信息的第一签名验证向量集，通过所述支持向量机分类器的第二决策边界提取各个验证解析信息的第二签名验证向量集的步骤，包括：
将所述验证签名行为序列输入至第一决策边界，对所述验证签名行为序列中的验证签名行为进行特征提取，得到对应的验证签名行为特征；
利用所述第一决策边界和所述图像验证服务相应的聚类脚本对所述验证签名行为特征进行聚类处理，得到聚类处理后的验证签名行为特征；
根据所述聚类处理后的验证签名行为特征提取各个验证解析信息的第一签名验证向量集；以及
将所述签名连通图信息输入至第二决策边界，对所述签名连通图信息进行特征抽取，得到签名验证节点特征、签名指向项目特征和验证前后的签名流向特征；
利用所述第二决策边界和所述图像验证服务相应的聚类脚本对所述签名验证节点特征、签名指向项目特征和验证前后的签名流向特征进行聚类处理，得到签名连通图信息矩阵；
获取所述验证签名行为序列对应的验证签名行为特征，将所述验证签名行为特征输入至所述签名连通图信息矩阵进行特征融合，得到融合后的目标特征序列，根据所述目标特征序列提取各个验证解析信息的第二签名验证向量集；
所述通过所述支持向量机分类器的融合决策函数对所述第一签名验证向量集和所述第二签名验证向量集进行融合得到目标签名验证向量集的步骤，包括：
通过所述支持向量机分类器的融合决策函数对所述第一签名验证向量集和所述第二签名验证向量集分别各自一一对应的特征位置进行融合得到目标签名验证向量集；
所述根据所述目标签名验证向量集确定各个验证解析信息对应所述图像对象标签的验证扩展对象的步骤，包括：
从所述目标签名验证向量集中获取由关联所述图像对象标签的图像信息采集的数字签名对象对应的数字签名规则信息，其中，所述数字签名规则信息通过采用与相应数字签名对象的签名类型匹配的规则识别形式，对所述目标签名验证向量集中的数字签名协商信息进行规则识别得到；
按照与各规则识别形式分别匹配的协商交互方式，对相应各个数字签名对象发送的数字签名规则信息进行协商交互，得到相应的数字签名协商信息；
对各所述数字签名协商信息分别进行协商状况分析，确定与各所述数字签名对象对应的协商状况参数，其中，所述协商状况参数用于反映关联所述图像对象标签的数字签名对象的协商状况；
从各所述数字签名对象对应的协商状况参数中筛选出协商次数最多的协商行为目标，并按照各所述数字签名对象对应的协商状况参数分别与所述协商次数最多的协商行为目标间的关联度，确定各所述数字签名对象分别对应的扩展置信度；其中，所述数字签名对象对应的扩展置信度与相对应的所述关联度呈正相关；
对扩展置信度大于设定扩展置信度的数字签名对象的数字签名协商信息进行对象解析，并根据对象解析结果中的扩展输出序号得到各个验证解析信息对应所述图像对象标签的验证扩展对象，其中，每个扩展输出序号与每个验证扩展对象呈一一对应关系。
2.根据权利要求1所述的基于边缘计算和大数据的信息处理方法，其特征在于，所述对各所述数字签名协商信息分别进行协商状况分析，确定与各所述数字签名对象对应的协商状况参数的步骤，包括：
将各数字签名协商信息分别划分成多于一个协商服务的协商互动数据段序列，并对各协商互动数据段序列进行协商状况检测，对于每个数字签名协商信息，确定所包括的协商互动数据段序列中出现协商重复次数大于设定次数的协商互动数据段的数量，对于每个数字签名协商信息，根据所述数字签名协商信息中协商互动数据段的数量与所述数字签名协商信息所包括协商互动数据段序列的总数量，确定所述协商互动数据段的比例，根据所述协商互动数据段的比例，确定与各所述数字签名对象对应的协商状况参数；或者
将各数字签名协商信息分别划分成多于一个协商服务的协商互动数据段序列，并对各协商互动数据段序列进行协商状况检测，确定所述协商互动数据段序列中出现协商重复次数大于设定次数的协商互动数据段，并确定各所述协商互动数据段对应的协商持续数量，并根据各所述数字签名协商信息所包括的协商互动数据段中协商持续数量大于等于设定数量的有效协商互动数据段的数量，确定与各所述数字签名对象对应的协商状况参数；或者
将各数字签名协商信息分别划分成多于一个协商服务的协商互动数据段序列，并计算各所述协商互动数据段序列分别对应的协商凭证分布的分布参数，对于每个数字签名协商信息，对所述数字签名协商信息所包括的各协商互动数据段序列分别对应的协商凭证分布的分布参数进行融合，得到与所述数字签名协商信息对应的分布参数序列，将各数字签名协商信息分别对应的分布参数序列，作为与各所述数字签名对象对应的协商状况参数。
3.根据权利要求2所述的基于边缘计算和大数据的信息处理方法，其特征在于，所述将各数字签名协商信息分别划分成多于一个协商服务的协商互动数据段序列，并计算各所述协商互动数据段序列分别对应的协商凭证分布的分布参数的步骤，包括：
对于每个图像信息采集成员各自对应的数字签名协商信息，分别将相应的数字签名协商信息划分成多于一个协商服务的处于协商凭证分布对应的有向空间的协商互动数据段序列；
生成各协商互动数据段序列在所述协商凭证分布中的凭证对象的验证结果对应的对称密钥分布空间，并确定各所述协商互动数据段序列分别对应的对称密钥分布空间中所包括的多于一个的对称密钥子空间；
根据各协商互动数据段序列中的每个对称密钥子空间计算各所述协商互动数据段序列分别对应的协商凭证分布的分布参数。
4.根据权利要求1所述的基于边缘计算和大数据的信息处理方法，其特征在于，所述根据所述验证扩展对象分别生成对应的各个验证解析信息的扩展签名验证信息的步骤，包括：
获取所述验证扩展对象在进行验证扩展时对应的随机编码信息，其中，所述随机编码信息包括至少一个随机编码节点；
计算所述随机编码信息所对应的编码特征向量，其中，所述编码特征向量表示在虚拟扩展过程所述随机编码信息相对于每个编码扩展类型的编码公钥序列；
所述随机编码信息所对应的编码特征向量计算所述随机编码信息在正式验证过程的编码特征向量序列，其中，所述编码特征向量序列包括目标总编码特征向量以及目标单位编码特征向量中的至少一种，所述目标总编码特征向量表示所述随机编码信息相对于每个编码扩展类型的编码公钥序列，所述目标单位编码特征向量表示所述随机编码信息中最靠前单位编码特征向量所对应随机编码节点相对于每个编码扩展类型的编码公钥序列；
根据所述编码特征向量序列生成对应的各个验证解析信息的扩展签名验证信息。
5.根据权利要求4所述的基于边缘计算和大数据的信息处理方法，其特征在于：
所述编码特征向量序列包括目标单位编码特征向量； 所述计算所述随机编码信息在正式验证过程的编码特征向量序列的步骤，包括： 计算所述随机编码信息在所述正式验证过程的目标单位编码特征向量，其中，所述目标单位编码特征向量为单位编码特征向量序列中的最靠前密钥特征向量特征向量，所述单位编码特征向量序列包括至少一个单位编码特征向量，每个单位编码特征向量对应一个随机编码节点； 所述根据所述编码特征向量序列生成对应的各个验证解析信息的扩展签名验证信息的步骤，包括： 若所述目标单位编码特征向量的编码特征范围大于或等于预设范围，则确定所述随机编码信息属于第一类扩展签名验证信息； 若所述目标单位编码特征向量的编码特征范围小于所述预设范围，则确定所述随机编码信息属于第二类扩展签名验证信息；或者
所述编码特征向量序列包括所述目标总编码特征向量； 所述计算所述随机编码信息在正式验证过程的编码特征向量序列，包括： 获取所述随机编码信息在所述正式验证过程的所述目标总编码特征向量； 所述根据所述编码特征向量序列生成对应的各个验证解析信息的扩展签名验证信息的步骤，包括： 若所述目标总编码特征向量的编码特征范围大于或等于预设范围，则确定所述随机编码信息属于第一类扩展签名验证信息； 若所述目标总编码特征向量的编码特征范围小于所述预设范围，则确定所述随机编码信息属于第二类扩展签名验证信息；或者
所述编码特征向量序列包括所述目标单位编码特征向量以及所述目标总编码特征向量； 所述计算所述随机编码信息在正式验证过程的编码特征向量序列的步骤，包括： 获取所述随机编码信息在所述正式验证过程的所述目标单位编码特征向量以及所述目标总编码特征向量，其中，所述目标单位编码特征向量为单位编码特征向量序列中的最靠前密钥特征向量，所述单位编码特征向量序列包括至少一个单位编码特征向量，每个单位编码特征向量对应一个随机编码节点； 所述根据所述编码特征向量序列生成对应的各个验证解析信息的扩展签名验证信息的步骤，包括：若所述目标单位编码特征向量以及所述目标总编码特征向量中的编码特征范围至少一项大于或等于预设范围，则确定所述随机编码信息属于第一类扩展签名验证信息； 若所述目标单位编码特征向量与所述目标总编码特征向量的编码特征范围均小于所述预设范围，则确定所述随机编码信息属于第二类扩展签名验证信息；
其中，所述第二类扩展签名验证信息与所述第一类扩展签名验证信息属于不同的热点图像信息采集信息，当所述随机编码信息属于第一类扩展签名验证信息，所述随机编码信息所对应的扩展签名验证对象为与所述随机编码信息关联的扩展签名验证对象，所述随机编码信息属于第二类扩展签名验证信息，所述随机编码信息所对应的扩展签名验证对象为与所述随机编码信息关联的扩展签名验证对象以及所述扩展签名验证对象关联的其它扩展签名验证对象。
6.根据权利要求1-5中任意一项所述的基于边缘计算和大数据的信息处理方法，其特征在于，所述支持向量机分类器通过以下方式配置得到：
获取多个信息处理历史记录的关联验证签名行为序列和关联签名连通图信息，利用所述关联验证签名行为序列和所述关联签名连通图信息生成配置数据；
获取多个用户的图像验证服务，利用所述图像验证服务生成配置标签，并提取所述关联验证签名行为序列的验证签名行为特征，提取所述关联签名连通图信息的签名连通图信息矩阵；
将所述验证签名行为特征和所述签名连通图信息矩阵输入至预设的初始支持向量机，得到配置结果；
基于所述配置结果与所述配置标签的差异，调整所述初始支持向量机的参数并继续配置，直至满足配置条件时结束配置，得到所述支持向量机分类器。
7.一种人工智能云平台，其特征在于，所述人工智能云平台包括处理器、机器可读存储介质和网络接口，所述机器可读存储介质、所述网络接口以及所述处理器之间通过总线系统相连，所述网络接口用于与至少一个信息采集终端通信连接，所述机器可读存储介质用于存储程序、指令或代码，所述处理器用于执行所述机器可读存储介质中的程序、指令或代码，以执行权利要求1-6中任意一项的基于边缘计算和大数据的信息处理方法。
Priority Applications (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011418979.6A CN112565428A (zh) | 2020-06-19 | 2020-06-19 | 基于边缘计算和大数据的信息处理方法、系统及及云平台 |
| CN202010568658.8A CN111800483B (zh) | 2020-06-19 | 2020-06-19 | 基于边缘计算和大数据的信息处理方法及人工智能云平台 |
| CN202011419042.0A CN112565429A (zh) | 2020-06-19 | 2020-06-19 | 基于边缘计算和大数据的信息处理方法及信息处理系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010568658.8A CN111800483B (zh) | 2020-06-19 | 2020-06-19 | 基于边缘计算和大数据的信息处理方法及人工智能云平台 |
Related Child Applications (2)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011419042.0A Division CN112565429A (zh) | 2020-06-19 | 2020-06-19 | 基于边缘计算和大数据的信息处理方法及信息处理系统 |
| CN202011418979.6A Division CN112565428A (zh) | 2020-06-19 | 2020-06-19 | 基于边缘计算和大数据的信息处理方法、系统及及云平台 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111800483A CN111800483A (zh) | 2020-10-20 |
| CN111800483B true CN111800483B (zh) | 2021-01-19 |
Family
ID=72803653
Family Applications (3)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010568658.8A Active CN111800483B (zh) | 2020-06-19 | 2020-06-19 | 基于边缘计算和大数据的信息处理方法及人工智能云平台 |
| CN202011419042.0A Withdrawn CN112565429A (zh) | 2020-06-19 | 2020-06-19 | 基于边缘计算和大数据的信息处理方法及信息处理系统 |
| CN202011418979.6A Withdrawn CN112565428A (zh) | 2020-06-19 | 2020-06-19 | 基于边缘计算和大数据的信息处理方法、系统及及云平台 |
Family Applications After (2)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011419042.0A Withdrawn CN112565429A (zh) | 2020-06-19 | 2020-06-19 | 基于边缘计算和大数据的信息处理方法及信息处理系统 |
| CN202011418979.6A Withdrawn CN112565428A (zh) | 2020-06-19 | 2020-06-19 | 基于边缘计算和大数据的信息处理方法、系统及及云平台 |
Country Status (1)
| Country | Link |
|---|---|
| CN (3) | CN111800483B (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP3300049A1 (en) * | 2016-09-26 | 2018-03-28 | Kyland Technology Co., Ltd. | Intelligent traffic cloud control system |
| CN109830271A (zh) * | 2019-01-15 | 2019-05-31 | 安徽理工大学 | 一种基于边缘计算和云计算的健康数据管理系统及分析方法 |
| CN110336703A (zh) * | 2019-07-12 | 2019-10-15 | 河海大学常州校区 | 基于边缘计算的工业大数据监测系统 |
| CN110401262A (zh) * | 2019-06-17 | 2019-11-01 | 北京许继电气有限公司 | 基于边缘计算技术的gis设备状态智能监控系统及方法 |
| CN110601992A (zh) * | 2019-09-20 | 2019-12-20 | 南方电网科学研究院有限责任公司 | 一种基于边缘计算的智能量测终端的数据处理方法及装置 |
| CN111062651A (zh) * | 2020-03-18 | 2020-04-24 | 南京中电科能技术有限公司 | 基于边缘计算和大数据分析的安全用电管理系统及方法 |
| CN111131421A (zh) * | 2019-12-13 | 2020-05-08 | 中国科学院计算机网络信息中心 | 一种工业互联网现场大数据与云端信息互联互通的方法 |
-
2020
- 2020-06-19 CN CN202010568658.8A patent/CN111800483B/zh active Active
- 2020-06-19 CN CN202011419042.0A patent/CN112565429A/zh not_active Withdrawn
- 2020-06-19 CN CN202011418979.6A patent/CN112565428A/zh not_active Withdrawn
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP3300049A1 (en) * | 2016-09-26 | 2018-03-28 | Kyland Technology Co., Ltd. | Intelligent traffic cloud control system |
| CN109830271A (zh) * | 2019-01-15 | 2019-05-31 | 安徽理工大学 | 一种基于边缘计算和云计算的健康数据管理系统及分析方法 |
| CN110401262A (zh) * | 2019-06-17 | 2019-11-01 | 北京许继电气有限公司 | 基于边缘计算技术的gis设备状态智能监控系统及方法 |
| CN110336703A (zh) * | 2019-07-12 | 2019-10-15 | 河海大学常州校区 | 基于边缘计算的工业大数据监测系统 |
| CN110601992A (zh) * | 2019-09-20 | 2019-12-20 | 南方电网科学研究院有限责任公司 | 一种基于边缘计算的智能量测终端的数据处理方法及装置 |
| CN111131421A (zh) * | 2019-12-13 | 2020-05-08 | 中国科学院计算机网络信息中心 | 一种工业互联网现场大数据与云端信息互联互通的方法 |
| CN111062651A (zh) * | 2020-03-18 | 2020-04-24 | 南京中电科能技术有限公司 | 基于边缘计算和大数据分析的安全用电管理系统及方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112565429A (zh) | 2021-03-26 |
| CN112565428A (zh) | 2021-03-26 |
| CN111800483A (zh) | 2020-10-20 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112837069B (zh) | 基于区块链与大数据的安全支付方法及云平台系统 | |
| CN112182098B (zh) | 基于云计算和大数据的信息推送方法及信息推送服务器 | |
| CN111611581B (zh) | 基于物联网的网络大数据信息防泄密方法及云通信服务器 | |
| CN111641809B (zh) | 基于物联网和人工智能的安防监控方法及云通信服务器 | |
| CN111723226B (zh) | 基于大数据和互联网的信息管理方法及人工智能云服务器 | |
| CN112069406B (zh) | 基于区块链离线支付的信息推送方法及云服务推送平台 | |
| CN111641614B (zh) | 基于区块链和云计算的通信数据处理方法及边缘计算平台 | |
| CN112417488A (zh) | 基于大数据和区块链的信息处理方法、系统及云服务器 | |
| CN111626816B (zh) | 基于电子商务直播的图像互动信息处理方法及云计算平台 | |
| CN112437347A (zh) | 基于大数据的电子商务直播处理方法、系统及直播平台 | |
| CN111800483B (zh) | 基于边缘计算和大数据的信息处理方法及人工智能云平台 | |
| CN113297061A (zh) | 测试用例生成方法、装置、系统、离线服务器及存储介质 | |
| CN111800790B (zh) | 基于云计算和5g互联的信息解析方法及人机协同云平台 | |
| CN112800241A (zh) | 基于区块链离线支付的大数据处理方法及大数据处理系统 | |
| CN111683366B (zh) | 基于人工智能和区块链的通信数据处理方法及大数据平台 | |
| CN112733134A (zh) | 基于大数据和区块链的信息安全防护方法及数字金融平台 | |
| CN113094696A (zh) | 口令破解的效果评估方法、装置、电子设备及存储介质 | |
| CN111783742A (zh) | 一种防御对抗攻击的图像分类方法、业务决策方法及装置 | |
| CN112671774A (zh) | 基于云计算和区块链的大数据分析方法及数字金融系统 | |
| CN111641613A (zh) | 基于区块链和大数据的数据处理方法及人工智能信息平台 | |
| CN112132664B (zh) | 基于大数据与电子商城平台的购物数据共享方法及系统 | |
| CN112381539B (zh) | 基于区块链和大数据的交易信息处理方法及数字金融平台 | |
| CN112860994A (zh) | 结合大数据服务的业务数据推送方法及深度学习服务系统 |
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 | ||
| TA01 | Transfer of patent application right | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20201230 Address after: Room c418, 860-1, shangshengou village, Dongling District, Shenyang City, Liaoning Province, 110000 Applicant after: LIAONING SUNFLOWER EDUCATION TECHNOLOGY Co.,Ltd. Address before: Room 1606, Wuluo Science Park, 9 Taihu East Road, Wuzhong District, Suzhou City, Jiangsu Province Applicant before: Zhang Shihong |
|
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| PE01 | Entry into force of the registration of the contract for pledge of patent right | ||
| PE01 | Entry into force of the registration of the contract for pledge of patent right |
Denomination of invention: Information processing method based on edge computing and big data and artificial intelligence cloud platform Effective date of registration: 20220601 Granted publication date: 20210119 Pledgee: China Construction Bank Shenyang Hunnan sub branch Pledgor: LIAONING SUNFLOWER EDUCATION TECHNOLOGY Co.,Ltd. Registration number: Y2022210000053 |
|
| CP03 | Change of name, title or address | ||
| CP03 | Change of name, title or address |
Address after: No. 868-3, Shangshengou Village, Hunnan District, Shenyang City, Liaoning Province, 110000 (101, 201) Patentee after: Liaoning Sunflower Digital Technology Co.,Ltd. Address before: Room c418, 860-1, shangshengou village, Dongling District, Shenyang City, Liaoning Province, 110000 Patentee before: LIAONING SUNFLOWER EDUCATION TECHNOLOGY Co.,Ltd. |