CN113271319B - 一种基于区块链的通讯数据加密方法及系统 - Google Patents
一种基于区块链的通讯数据加密方法及系统 Download PDFInfo
- Publication number
- CN113271319B CN113271319B CN202110812484.XA CN202110812484A CN113271319B CN 113271319 B CN113271319 B CN 113271319B CN 202110812484 A CN202110812484 A CN 202110812484A CN 113271319 B CN113271319 B CN 113271319B
- Authority
- CN
- China
- Prior art keywords
- data
- communication data
- topology information
- topology
- chain
- 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
Images
Classifications
-
- 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
- H04L63/04—Network architectures or network communication protocols for network security for providing a confidential data exchange among entities communicating through data packet networks
- H04L63/0428—Network architectures or network communication protocols for network security for providing a confidential data exchange among entities communicating through data packet networks wherein the data content is protected, e.g. by encrypting or encapsulating the payload
-
- 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
- H04L9/50—Cryptographic mechanisms or cryptographic arrangements for secret or secure communications; Network security protocols using hash chains, e.g. blockchains or hash trees
Landscapes
- Engineering & Computer Science (AREA)
- Computer Security & Cryptography (AREA)
- Computer Hardware Design (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本申请涉及网络通讯及区块链技术领域,涉及一种基于区块链的通讯数据加密方法及系统。本申请通过引入预先训练得到的通讯数据识别网络对各协同节点发送的待处理的通讯数据进行通讯数据识别后得到所述待处理的通讯数据在预设的类别划分维度上的数据类型,然后基于数据类型获取对应的数据加密机制对所述待处理的通讯数据进行加密。例如,可以根据数据类型分别对应的不同重要性程度选择具有不同加密等级要求的数据加密机制进行通讯数据的加密。如此,一方面可以保证通讯数据的安全性,另一方面也可以避免所有通讯数据都采用统一的加密机制而导致加密资源的浪费或对一些需要高保密要求的数据加密等级不够而导致数据安全性达不到要求的问题。
Description
技术领域
本申请涉及网络通讯及区块链技术领域,具体而言,涉及一种基于区块链的通讯数据加密方法及系统。
背景技术
区块链因其具备极高的安全性在各行各业得到了广泛的应用。基于区块链的加密技术也逐渐在各行各业得到了推广。在基于智能网关(如家庭智能网关、企业级智能网关、商场级智能网关等)形成的通讯网络中,往往会涉及到大量的隐私数据、敏感数据、控制数据等的重要数据的通讯与传输,如何保障这些数据在通讯过程中不被窃取、篡改显得极为重要。
发明内容
为了至少克服现有技术中的上述不足,本申请的目的在于提供一种基于区块链的通讯数据加密方法及系统,能够保证通讯数据的安全性,另一方面也可以避免所有通讯数据都采用统一的加密机制而导致加密资源的浪费或对一些需要高保密要求的数据加密等级不够而导致数据安全性达不到要求的问题。
第一方面,本申请实施例提供一种基于区块链的通讯数据加密方法,应用于基于区块链的通讯数据加密系统,所述基于区块链的通讯数据加密系统为由多个智能网关组成的区块链网络,所述多个智能网关包括预先选定作为联盟区块链节点的预选节点以及与所述预选节点通信连接的多个协同节点,所述方法包括:
将各所述协同节点发送的待处理的通讯数据输入学习后的通讯数据识别网络,所述通讯数据识别网络基于参考链通讯数据和目标链通讯数据进行机器学习得到;
通过所述通讯数据识别网络获取所述待处理的通讯数据对应的基准数据属性;
通过所述通讯数据识别网络基于所述待处理的通讯数据的当前数据拓扑信息,对所述基准数据属性进行属性特征转换,得到待分析数据属性特征,所述当前数据拓扑信息用于表征所述待处理的通讯数据的数据属性进行参考链映射后所对应的数据分布;
获取所述通讯数据识别网络基于所述待分析数据属性特征生成的所述待处理的通讯数据对应的通讯数据识别信息,所述通讯数据识别信息至少包括所述待处理的通讯数据在预设的类别划分维度上的数据类型;
根据所述待处理的通讯数据在预设的类别划分维度上的数据类型,获取对应的数据加密机制对所述待处理的通讯数据进行加密。
结合第一方面的一种实施方式,所述方法还包括对通讯数据识别网络进行机器学习的步骤,该步骤包括:
将多个参考链通讯数据和多个目标链通讯数据输入待学习的通讯数据识别网络,所述多个参考链通讯数据具有数据标签;
基于所述通讯数据识别网络获取第一基准数据拓扑信息和第二基准数据拓扑信息,所述第一基准数据拓扑信息用于表示所述多个参考链通讯数据对应的第一数据属性的分布,所述第二基准数据拓扑信息用于表示多个目标链通讯数据对应的第二数据属性的分布;
基于所述第一基准数据拓扑信息和所述第二基准数据拓扑信息之间的拓扑关联参数,获取第一待分析数据拓扑信息和第二待分析数据拓扑信息,所述第一待分析数据拓扑信息与所述第二待分析数据拓扑信息之间的拓扑特征差异与所述第一基准数据拓扑信息和所述第二基准数据拓扑信息之间的拓扑特征差异之间的偏移量小于设定值;
分别基于所述第一待分析数据拓扑信息和所述第二待分析数据拓扑信息,对多个所述第一数据属性和多个所述第二数据属性进行属性特征转换,得到多个第一待分析数据属性特征和多个第二待分析数据属性特征;
基于所述多个第一待分析数据属性特征和多个第二待分析数据属性特征,生成所述多个参考链通讯数据和所述多个目标链通讯数据的通讯数据识别信息;
基于所述通讯数据识别信息和所述多个参考链通讯数据具有的数据标签,对所述通讯数据识别网络进行机器学习,得到所述机器学习后的通讯数据识别网络。
结合第一方面的一种实施方式,所述基于所述第一基准数据拓扑信息和所述第二基准数据拓扑信息之间的拓扑关联参数,获取第一待分析数据拓扑信息和第二待分析数据拓扑信息,包括:
基于所述第一基准数据拓扑信息和所述第二基准数据拓扑信息之间的拓扑关联参数,确定所述参考链通讯数据对应的目标链拓扑信息和所述目标链通讯数据对应的参考链拓扑信息,所述目标链拓扑信息用于表征所述参考链通讯数据的数据属性进行目标链映射后所对应的数据拓扑信息,所述参考链拓扑信息用于表征所述目标链通讯数据的数据属性进行参考链映射后所对应的数据拓扑信息;
根据所述目标链拓扑信息、所述第一基准数据拓扑信息、所述参考链拓扑信息、以及所述第二基准数据拓扑信息,得到所述第一待分析数据拓扑信息和所述第二待分析数据拓扑信息。
结合第一方面的一种实施方式,所述第一基准数据拓扑信息包括第一中心特征向量和第一特征偏移向量,所述第二基准数据拓扑信息包括第二中心特征向量和第二特征偏移向量,所述中心特征向量中的向量参数用于表征所述通讯数据识别网络中由同一网络层生成的数据属性的参考中心向量,所述特征偏移向量中的向量参数用于表征所述通讯数据识别网络中由同一网络层生成的数据属性的特征偏移;
所述基于所述第一基准数据拓扑信息和所述第二基准数据拓扑信息之间的拓扑关联参数,确定所述参考链通讯数据对应的目标链拓扑信息和所述目标链通讯数据对应的参考链拓扑信息,包括:
基于所述第一中心特征向量和所述第二中心特征向量之间的拓扑关联参数,确定所述目标链拓扑信息中的第一参考中心向量对应的拓扑映射信息和所述参考链拓扑信息中的第二参考中心向量对应的拓扑映射信息;
基于所述第一特征偏移向量和所述第二特征偏移向量之间的拓扑关联参数,确定所述目标链拓扑信息中的第一特征偏移对应的拓扑映射信息和所述参考链拓扑信息中的第二特征偏移对应的拓扑映射信息;
其中,所述基于所述第一中心特征向量和所述第二中心特征向量之间的拓扑关联参数,确定所述目标链拓扑信息中的第一参考中心向量对应的拓扑映射信息和所述参考链拓扑信息中的第二参考中心向量对应的拓扑映射信息,包括:
基于所述第一中心特征向量中的各个向量参数与所述第二中心特征向量中的各个向量参数之间的拓扑关联参数,确定第一参考中心向量对应的拓扑关联参数矩阵以及所述第二参考中心向量对应的拓扑关联参数矩阵;
对所述第一参考中心向量对应的拓扑关联参数矩阵进行属性特征转换;
将属性特征转换之后的所述第一参考中心向量对应的拓扑关联参数矩阵与所述第一中心特征向量进行向量积运算,得到所述第一参考中心向量对应的拓扑映射信息;
对所述第二参考中心向量对应的拓扑关联参数矩阵进行属性特征转换;
将属性特征转换之后的所述第二参考中心向量对应的拓扑关联参数矩阵与所述第二中心特征向量进行向量积运算,得到所述第二参考中心向量对应的拓扑映射信息。
结合第一方面的一种实施方式,所述根据所述目标链拓扑信息、所述第一基准数据拓扑信息、所述参考链拓扑信息、以及所述第二基准数据拓扑信息,得到所述第一待分析数据拓扑信息和所述第二待分析数据拓扑信息,包括:
基于第一加权系数,对所述目标链拓扑信息和所述第一基准数据拓扑信息进行加权计算,得到所述第一待分析数据拓扑信息;
基于第二加权系数,对所述参考链拓扑信息和所述第二基准数据拓扑信息进行加权计算,得到所述第二待分析数据拓扑信息。
结合第一方面的一种实施方式,所述方法还包括:
通过所述通讯数据识别网络生成所述多个参考链通讯数据和所述多个目标链通讯数据所对应的区块链标识,所述区块链标识用于表征通讯数据匹配的区块链网络;
所述基于所述通讯数据识别信息和所述多个参考链通讯数据具有的数据标签,对所述通讯数据识别网络进行机器学习,包括:
获取所述多个参考链通讯数据对应的通讯数据识别信息与对应的所述数据标签之间的第一损失值,所述数据标签用于表征所述参考链通讯数据的数据类型;
获取所述参考链通讯数据和所述目标链通讯数据的区块链标识与实际匹配区块链网络之间的第二损失值;
基于所述第一损失值和所述第二损失值,对所述通讯数据识别网络进行迭代式机器学习。
结合第一方面的一种实施方式,所述方法还包括:
在当前迭代过程的机器学习所得到的所述通讯数据识别网络达到训练终止条件时,获取完成机器学习的所述通讯数据识别网络;
在当前迭代过程的机器学习所得到的所述通讯数据识别网络未达到训练终止条件时,获取未使用的参考链通讯数据和目标链通讯数据进行下一轮的网络机器学习。
结合第一方面的一种实施方式,所述分别基于所述第一待分析数据拓扑信息和所述第二待分析数据拓扑信息,对多个所述第一数据属性和多个所述第二数据属性进行属性特征转换,得到多个第一待分析数据属性特征和多个第二待分析数据属性特征之后,所述方法还包括:
获取在至少一次网络机器学习的迭代过程中,所生成的至少一个第二待分析数据拓扑信息;
基于所述至少一个第二待分析数据拓扑信息,确定当前数据拓扑信息,所述当前数据拓扑信息应用于完成机器学习的通讯数据识别网络中。
结合第一方面的一种实施方式,所述通过所述通讯数据识别网络基于所述待处理的通讯数据的当前数据拓扑信息,对所述基准数据属性进行属性特征转换,得到待分析数据属性特征的步骤之前,所述方法还包括:
获取所述通讯数据识别网络在基于参考链通讯数据和目标链通讯数据进行网络机器学习时,所生成的至少一个第二待分析数据拓扑信息,所述第二待分析数据拓扑信息用于表征所述目标链通讯数据的数据属性的进行参考链映射后的数据分布;
基于所述至少一个第二待分析数据拓扑信息,确定所述当前数据拓扑信息。
结合第一方面的一种实施方式,所述根据所述待处理的通讯数据在预设的类别划分维度上的数据类型,获取对应的数据加密机制对所述待处理的通讯数据进行加密,包括:
确定所述待处理的通讯数据中是否包括在所述类别划分维度上的预设的目标数据类型;
在所述待处理的通讯数据中包括在所述类别划分维度上的预设的目标数据类型时,获取具有所述目标数据类型的各个待处理的通讯数据作为个体通讯数据,并获取所述多个个体通讯数据形成的整体通讯数据;其中,每个所述个体通讯数据包括与该个体通讯数据对应局部数据标签,所述整体通讯数据包括全局数据标签;
通过第一数据处理单元同步处理所述多个个体通讯数据,并将处理后的多个个体通讯数据发送至数据编码单元,通过所述数据编码单元对处理后的多个个体通讯数据进行编码得到通讯数据编码序列,并存储至所述第一数据处理单元的第一临时存储空间;其中,所述通讯数据编码序列中包括与个体通讯数据分别匹配的编码结果,所述编码结果包括与其对应的个体通讯数据所对应的整体通讯数据的全局数据标签;
通过第二数据处理单元暂存所述整体通讯数据,得到与所述整体通讯数据分别匹配的第二临时存储空间,将所述临时存储空间记录至目标编码结果中;所述目标编码结果包括所述临时存储空间所对应的整体通讯数据的全局数据标签;
通过第一数据加密机制对所述第一临时存储空间中的通讯数据编码序列进行加密,然后将加密后的所述通讯数据编码序列中的各加密后的通讯数据按照所述局部数据标签依序加入待转发数据队列等待转发;
通过第二数据加密机制对所述第二临时存储空间中的整体通讯数据进行加密后暂存至本地并将所述第二临时存储空间以所述全局数据标签进行标识。
第二方面,本申请实施例还提供一种基于区块链的通讯数据加密系统,包括从由多个智能网关形成的区块链网络中根据预设共识机制预先选定的用于作为联盟区块链节点的预选节点的以及与所述预选节点通信连接的多个协同节点,所述预选节点用于实现上述基于区块链的通讯数据加密方法。
综上所述,本实施例提供的基于区块链的通讯数据加密方法及系统,通过引入预先训练得到的通讯数据识别网络对各协同节点(智能网关)发送的待处理的通讯数据进行通讯数据识别后得到所述待处理的通讯数据在预设的类别划分维度上的数据类型,然后基于相应的数据类型获取对应的数据加密机制对所述待处理的通讯数据进行加密。例如,可以根据数据类型分别对应的不同重要性程度选择具有不同加密等级要求的数据加密机制进行通讯数据的加密。如此,一方面可以保证通讯数据的安全性,另一方面也可以避免所有通讯数据都采用统一的加密机制而导致加密资源的浪费或对一些需要高保密要求的数据加密等级不够而导致数据安全性达不到要求的问题。
附图说明
为了更清楚地说明本申请实施例的技术方案,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申请的某些实施例,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他相关的附图。
图1为本申请实施例提供的基于区块链的通讯数据加密系统的应用场景示意图。
图2为本申请实施例提供的基于区块链的通讯数据加密方法的流程示意图。
图3为本申请实施例提供的用于实现上述的基于区块链的通讯数据加密方法的设备的结构示意框图。
具体实施方式
下面结合说明书附图对本申请进行具体说明,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。在本申请的描述中,除非另有说明,“至少一个”包括一个或多个。“多个”是指两个或两个以上。
如图1所示,图1是本申请实施例提供的用于实现一种基于区块链的通讯数据加密方法的基于区块链的通讯数据加密系统应用场景示意图,在图1中,该通讯数据加密系统由多个智能网关组成的区块链网络,所述多个智能网关包括根据共识机制预先选定作为联盟区块链节点的预选节点100以及与所述预选节点通信连接的多个协同节点200。其中,各智能网关安装和运行有支持通讯数据处理的相关程序,例如,该相关程序能够用于通讯数据分类、通讯数据转发、通讯数据识别、通讯数据中继等,具体不进行限定。所述预选的智能网关可以是多个智能网关中硬件配置最高的一个,也可以是和其他的智能网关具有相同的硬件配置,只要能满足本实施例所需的功能即可。例如,所述预选节点可以是所述系统中用于承担数据中继的设备,经该预选节点进行数据处理之后再将需要传输的通讯数据按照数据转发规则进行相应的数据转发。又例如,各智能网关产生的通讯数据需要通过预选节点上传到一个云端服务器(如图1的云服务器300)时(例如在家庭智能网关云服务系统应用场景下),也可经由所述预选节点进行相应的处理之后再转发,以确保数据在传输过程中的安全性。
如图2所示,是本申请实施例提供的基于区块链的通讯数据加密方法的流程示意图。下面对该方法包括的各步骤进行详细的介绍。
本实施例中,所述方法包括以下步骤S21-步骤S24所述的步骤,详细介绍如下。
步骤S21,将各所述协同节点发送的待处理的通讯数据输入学习后的通讯数据识别网络,通过所述通讯数据识别网络获取所述待处理的通讯数据对应的基准数据属性。所述通讯数据识别网络基于参考链通讯数据和预先采集的目标链通讯数据进行机器学习得到。
本实施例中,可以通过所述通讯数据识别网络对待处理的通讯数据进行通讯数据数据属性提取,得到所述基准数据属性。需要说明的是,本申请实施例对该通讯数据数据属性的获取方法不作限定。所述基准数据属性可以是指按照设定的属性映射规则对所述通讯数据进行属性提取或挖掘而得到的一个初始化属性信息,可以从一定的程度表现通讯数据的一些特征(例如,不关注数据细节的全局数据特征)。
本实施例中,目标链通讯数据可以是指在需要进行通讯数据加密处理的区块链网络而产生的数据,该目标链通讯数据的数据属性可以未知。例如,可以是由接入智能网关的各智能设备根据用户的操作行为而产生的通讯数据。参考链通讯数据可以用于训练所述通讯数据识别网络而预先选定的作为参考的区块链网络中采集的携带数据标签的通讯数据,例如可以是参考链中的智能网关的各智能设备按照设定的运行规则由各智能网关设备本身而产生的通讯数据,可用配合预先采集的未携带数据标签的目标链通讯数据对通讯数据识别网络进行机器学习。
步骤S22,通过所述通讯数据识别网络基于所述待处理的通讯数据的当前数据拓扑信息,对所述基准数据属性进行属性特征转换,得到待分析数据属性特征,所述当前数据拓扑信息用于表征所述待处理的通讯数据的数据属性进行参考链映射后所对应的数据分布。
本实施例中,参考链映射可以是指将待处理的通讯数据映射到参考的区块链网络中所对应的数据分布,例如可以根据参考链中的各智能网关节点进行的数据采集分析后,将待处理的通讯数据按照数据匹配关系与参考链中的各网关节点进行映射后对应的数据分布特征,例如,可以是所述待处理的通讯数据与参考链中的各网关节点对应的数据类型的匹配概率分布。
此外,在本申请实施例中,基于所述当前数据拓扑信息对所述基准数据属性进行属性特征转换,能够提高待处理的通讯数据的数据属性与参考链通讯数据的数据属性之间的拓扑关联性,更便于通讯数据识别网络对待处理的通讯数据进行数据识别。
步骤S23,获取所述通讯数据识别网络基于所述待分析数据属性特征生成的所述待处理的通讯数据对应的通讯数据识别信息。其中,所述通讯数据识别信息至少包括所述待处理的通讯数据在预设的类别划分维度上的数据类型。
例如,所述预设的类别划分维度可以是按照数据的隐私等级、重要性程度、或者数据内容设定相应的划分维度,例如针对数据内容的维度划分可以包括普通数据、用户数据、用户行为数据、用户隐私数据等数据类型,不同的数据类型可以设定不同的加密标签,不同的加密标签可以分别对应不同的数据加密机制,例如针对不同加密等级的公钥加密机制、私钥加密机制、全网公钥加密机制、非加密机制等等。
在一种可能的实现方式中,上述通讯数据识别网络可以是基于深度学习模型而创建的一种神经网络,例如,该通讯数据识别网络可以是基于残差网络、卷积神经网络而创建,具体不作限定。例如,所述通讯数据识别网络可以数据属性提取单元和特征转换单元。示例性的,该数据属性提取单元可以包括至少一个卷积层,用于对输入数据进行数据属性提取,特征转换单元用于基于数据属性的数据拓扑信息,对提取到的数据属性进行属性特征转换。在本申请实施例中,在基于参考链通讯数据和目标链通讯数据对该通讯数据识别网络进行机器学习时,特征转换单元能够基于参考链通讯数据的数据属性和目标链通讯数据的数据属性,在数据分布上的关联性,对参考链通讯数据的数据属性和目标链通讯数据的数据属性的数据拓扑信息进行处理,以降低参考链通讯数据的数据属性和目标链通讯数据的数据属性在数据分布上的误差,使网络能够更适于目标链通讯数据的处理。
步骤S24,根据所述待处理的通讯数据在预设的类别划分维度上的数据类型,获取对应的数据加密机制对所述待处理的通讯数据进行加密。
在一种可能的实施方式中,所述预设的类别划分维度上的数据类型可以包括多个数据类型。本实施例中,可以预设一个目标类型,例如在目标类型的通讯数据具备特殊的属性,如在跨网转发时需要通过较安全的复杂数据加密机制(如第一数据加密机制)进行数据加密后再转发,而在本网暂存时则无需较复杂的加密机制进行加密以便在本网内进行数据共享以利于网内的数据传输和相应的设备控制实现。基于此,一种可能的通讯数据加密方式示例性介绍如下。
第一,确定所述待处理的通讯数据中是否包括在所述类别划分维度上的预设的目标数据类型。
第二,在所述待处理的通讯数据中包括在所述类别划分维度上的预设的目标数据类型时,获取具有所述目标数据类型的各个待处理的通讯数据作为个体通讯数据,并获取所述多个个体通讯数据形成的整体通讯数据。本实施例中,每个所述个体通讯数据包括与该个体通讯数据对应局部数据标签,所述整体通讯数据包括全局数据标签。所述个体通讯数据可以是指一次数据传输对应的通讯数据,所述整体通讯数据可以是多个个体通讯数据形成的一个全局数据,例如可以是数据阵列、数据矩阵、数据集合、数据序列的方式进行展示。
第三,通过第一数据处理单元同步处理所述多个个体通讯数据,并将处理后的多个个体通讯数据发送至数据编码单元,通过所述数据编码单元对处理后的多个个体通讯数据进行编码得到通讯数据编码序列,并存储至所述第一数据处理单元的第一临时存储空间。其中,所述通讯数据编码序列中包括与个体通讯数据分别匹配的编码结果,所述编码结果包括与其对应的个体通讯数据所对应的整体通讯数据的全局数据标签;
第四,通过第二数据处理单元暂存所述整体通讯数据,得到与所述整体通讯数据分别匹配的第二临时存储空间,将所述临时存储空间记录至目标编码结果中。所述目标编码结果包括所述临时存储空间所对应的整体通讯数据的全局数据标签。
第五,通过第一数据加密机制对所述第一临时存储空间中的通讯数据编码序列进行加密,然后将加密后的所述通讯数据编码序列中的各加密后的通讯数据按照所述局部数据标签依序加入待转发数据队列等待转发。
第六、通过第二数据加密机制对所述第二临时存储空间中的整体通讯数据进行加密后暂存至本地并将所述第二临时存储空间以所述全局数据标签进行标识。
本实施例中,所述第一数据加密机制以及所述第二加密机制与所述目标数据类型相匹配或相关联,匹配关系或关联关系可以预先进行设置。此外,通过上述方法,需转发的通讯数据通过较复杂的第一加密机制(如预设私钥加密)后再加入待转发队列,而针对需要暂存至本地以由本地节点进行访问的可以通过较简单的第二加密机制进行加密(例如通过全网公钥加密的方式进行加密),进而实现所述通讯数据的加密。
进一步地,本实施例中,通过引入预先训练得到的通讯数据识别网络对各协同节点(智能网关)发送的待处理的通讯数据进行通讯数据识别后得到所述待处理的通讯数据在预设的类别划分维度上的数据类型,然后基于数据类型获取对应的数据加密机制对所述待处理的通讯数据进行加密。例如,可以根据数据类型分别对应的不同重要性程度选择具有不同加密等级要求的数据加密机制进行通讯数据的加密。如此,一方面可以保证通讯数据的安全性,另一方面也可以避免所有通讯数据都采用统一的加密机制而导致加密资源的浪费或对一些需要高保密要求的数据加密等级不够而导致数据安全性达不到要求的问题。
本实施例中,上述的通讯数据识别网络可以有所述预选节点进行机器学习得到,也可以是通过与所述预选节点连接的服务器进行训练后下发到所述预选节点。例如,所述服务器可以是针对所述区块链网络架构的智能网关云服务器,如独立的物理服务器,或者是多个物理服务器构成的服务器集群或者分布式系统,或者是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、CDN(ContentDelivery Network,内容分发网络)、以及大数据和人工智能平台等基础云计算服务的云服务器等。
基于此,本实施例所述的方法还包括针对所述通讯数据识别网络的训练过程,包括以下a-f的步骤,详细介绍如下。
a,将多个参考链通讯数据和多个目标链通讯数据输入待学习的通讯数据识别网络。
本实施例中,所述多个参考链通讯数据具有数据标签,所述目标链通讯数据可以不携带数据标签,如此通过不同标签类型的样本数据对通讯数据识别网络进行机器学习,使得学习得到的通讯数据识别网络具有更好的数据识别能力以及区分能力,可以适应各种场景下产生的数据类型的识别。
此外,所述参考链通讯数据和所述目标链通讯数据可以是属于不同区块链网络的通讯数据,示例性的,该不同区块链网络可以是指通讯数据类型不同、通讯数据的产生场景、通讯数据对应的网关设备不同等。示例性的,该参考链通讯数据可以是预先确定的参考区块链网络中产生的具有数据标签的通讯数据,该目标链通讯数据可以是与本申请实施例的区块链网络具有相同或相似的网络架构的其他区块链网络中预先进行真实场景采集而得到的未携带数据标签的通讯数据。例如,所述多个参考链通讯数据所具有的数据标签可以是对应的通讯数据匹配类别的类别标签。
进一步地,在一种可能实现方式中,用于执行机器学习的设备(如预选节点或服务器),可以获取待进行机器学习的通讯数据识别网络和机器学习样本数据,所述机器学习样本数据即包括多个参考链通讯数据和多个目标链通讯数据。所述参考链通讯数据和目标链通讯数据可以是预先存储在相关设备中的通讯数据,或者该参考链通讯数据和目标链通讯数据也可以分别是从不同的场景中所采集的通讯数据。在本申请实施例中,所述参考链通讯数据具有的数据标签可以与所述通讯数据识别网络的实际应用环境以及通讯数据识别网络的识别任务相关联。例如,所述通讯数据识别网络应用在通讯数据的现场识别环境中,用于对通讯数据进行识别和分类,则通讯数据区分为不同重要性等级或不同密级的数据,得到相应的类别标签。又例如,通讯数据识别网络用于执行对通讯数据中的具体用户行为意图进行识别时,则所述数据标签可以包括通讯数据中针对预先获知的不同行为意图进行标注的意图标签。另外,在一种可能实现方式中,所述参考链通讯数据和目标链通讯数据还具有有匹配的区块链网络的区块链标识,该通讯数据识别网络能够基于该区块链标识对各个输入数据匹配的区块链网络进行识别。当然,用于网络的机器学习的参考链通讯数据和目标链通讯数据还能够具有其他类型的信息,具体不再一一赘述。
进一步地,在本申请实施例中,所述通讯数据识别网络也可以是基于参考链通讯数据进行过一次机器学习而得到的中间网络,在对参考链通讯数据进行数据识别具有较好的性能。此外,基于参考链通讯数据和目标链通讯数据对该通讯数据识别网络进行再次机器学习,得到再次学习后通讯数据识别网络,能够使机器学习得到的该通讯数据识别网络适用于对目标链通讯数据进行精确识别的任务。其中,所述待处理的通讯数据即为一种目标链通讯数据。在一些场景中,该通讯数据识别网络基于参考链通讯数据所对应的通讯数据任务,与通讯数据识别网络基于目标链通讯数据所表征的通讯数据的相关任务可以相同,例如,通讯数据识别网络用于对参考链通讯数据进行通讯数据识别,能够将参考链通讯数据分为多个不同的类型,则后续机器学习得到的通讯数据识别网络,用于对目标链通讯数据进行数据识别,也能够将目标链通讯数据分为相应的多个类别。
b,基于所述通讯数据识别网络获取第一基准数据拓扑信息和第二基准数据拓扑信息,所述第一基准数据拓扑信息用于表示所述多个参考链通讯数据对应的第一数据属性的分布,所述第二基准数据拓扑信息用于表示多个目标链通讯数据对应的第二数据属性的分布。
本实施例中,可以通过所述通讯数据识别网络分别对多个参考链通讯数据和多个目标链通讯数据进行数据属性提取,得到多个第一数据属性和多个第二数据属性。然后,再基于所述多个第一数据属性的分布情况,确定该第一基准数据拓扑信息,基于该多个第二数据属性的分布情况,确实该第二基准数据拓扑信息。在本申请实施例中,上述数据拓扑信息包括参考中心向量和特征偏移,数据拓扑信息用于表征各个数据的数据属性的数据分布情况,能够体现不同类型数据的数据属性在数据分布上的差异。
进一步地,本实施例中,在一种可能实现方式中,所述通讯数据识别网络具有用于进行数据属性提取的数据属性提取单元,可基于数据属性提取单元包括的内核(如卷积核)分别对各个参考链通讯数据和各个目标链通讯数据进行卷积处理,得到各个参考链通讯数据对应的第一数据属性和各个目标链通讯数据对应的第二数据属性。譬如,以第一数据属性的提取过程为例,一个内核可用于对一个参考链通讯数据进行卷积处理,能够得到一个多维的数据属性。在当前过程输入的通讯数据识别网络的参考链通讯数据为多个时,则各个参考链通讯数据所对应的数据属性能够组成一个多维的参考链数据属性序列,例如可以以数据矩阵的形式呈现。此外,该第二数据属性的提取过程与上述第一数据属性的过程类似,一个第二数据属性也可以是多维的数据。
c,基于所述第一基准数据拓扑信息和所述第二基准数据拓扑信息之间的拓扑关联参数,获取第一待分析数据拓扑信息和第二待分析数据拓扑信息。
本实施例中,所述第一待分析数据拓扑信息与所述第二待分析数据拓扑信息之间的拓扑特征差异与所述第一基准数据拓扑信息和所述第二基准数据拓扑信息之间的拓扑特征差异之间的偏移量小于设定值。
此外,本实施例中,可基于所述第一基准数据拓扑信息和第二基准数据拓扑信息之间的拓扑关联参数,来分别对两个数据拓扑信息进行加权计算,得到第一待分析数据拓扑信息和第二待分析数据拓扑信息。
在此基础上,上述步骤S23之前,可以获取所述通讯数据识别网络在基于参考链通讯数据和目标链通讯数据进行网络机器学习时,所生成的所述至少一个第二待分析数据拓扑信息,所述第二待分析数据拓扑信息用于表征所述目标链通讯数据的数据属性的进行参考链映射后的数据分布;然后,基于所述至少一个第二待分析数据拓扑信息,确定所述当前数据拓扑信息。
基于上述内容,步骤c的一种可能的实现方式如下:
首先,基于所述第一基准数据拓扑信息和所述第二基准数据拓扑信息之间的拓扑关联参数,确定所述参考链通讯数据对应的目标链拓扑信息和所述目标链通讯数据对应的参考链拓扑信息,所述目标链拓扑信息用于表征所述参考链通讯数据的数据属性进行目标链映射后所对应的数据拓扑信息,所述参考链拓扑信息用于表征所述目标链通讯数据的数据属性进行参考链映射后所对应的数据拓扑信息。
然后,根据所述目标链拓扑信息、所述第一基准数据拓扑信息、所述参考链拓扑信息、以及所述第二基准数据拓扑信息,得到所述第一待分析数据拓扑信息和所述第二待分析数据拓扑信息。例如, 可以基于第一加权系数,对所述目标链拓扑信息和所述第一基准数据拓扑信息进行加权计算,得到所述第一待分析数据拓扑信息;然后, 基于第二加权系数,对所述参考链拓扑信息和所述第二基准数据拓扑信息进行加权计算,得到所述第二待分析数据拓扑信息。其中,所述第一加权系数和所述第二加权系数为根据训练网络的实际情况而预先确定。
其中,所述第一基准数据拓扑信息可以包括第一中心特征向量和第一特征偏移向量,所述第二基准数据拓扑信息包括第二中心特征向量和第二特征偏移向量,所述中心特征向量中的向量参数可用于表征所述通讯数据识别网络中由同一网络层生成的数据属性的参考中心向量,所述特征偏移向量中的向量参数用于表征所述通讯数据识别网络中由同一网络层生成的数据属性的特征偏移。
以第一中心特征向量的获取方法为例,可以首先获取多个参考链通讯数据对应的第一数据属性,分别为Atr1、Atr2、Atr3、Atr4,对Atr1、Atr2、Atr3和Atr4中的第一网络层生成的数据属性取参考中心向量,能够得到第一中心特征向量中的第一个向量参数Pr1,对Atr1、Atr2、Atr3、Atr4中第i网络层生成的数据属性取参考中心向量,则可以得到第一中心特征向量中的第i个向量参数Pri。此外,第一特征偏移向量、第二中心特征向量、第二特征偏移向量的获取方法,与上述第一中心特征向量的获取方法形同或相似,不再一一赘述。
基于此,上述的基于所述第一基准数据拓扑信息和所述第二基准数据拓扑信息之间的拓扑关联参数,确定所述参考链通讯数据对应的目标链拓扑信息和所述目标链通讯数据对应的参考链拓扑信息,可以包括以下c1和c2所述的步骤。
c1,基于所述第一中心特征向量和所述第二中心特征向量之间的拓扑关联参数,确定所述目标链拓扑信息中的第一参考中心向量对应的拓扑映射信息和所述参考链拓扑信息中的第二参考中心向量对应的拓扑映射信息。
例如,可首先对所述第一参考中心向量对应的拓扑关联参数矩阵进行属性特征转换;然后,将属性特征转换之后的所述第一参考中心向量对应的拓扑关联参数矩阵与所述第一中心特征向量进行向量积运算,得到所述第一参考中心向量对应的拓扑映射信息。
又例如,可基于所述第一中心特征向量中的各个向量参数与所述第二中心特征向量中的各个向量参数之间的拓扑关联参数,确定第一参考中心向量对应的拓扑关联参数矩阵。如,获取各个网络层所生成的数据属性之间的拓扑关联参数,包括对应的网络层所生成的数据属性之间的拓扑关联参数,组成该第一参考中心向量对应的拓扑关联参数矩阵。
在一种可能实现方式中,可基于获取到的第一参考中心向量对应的拓扑关联参数矩阵和第二中心特征向量,确定该参考链拓扑信息中的第二参考中心向量对应的拓扑映射信息。例如,可以对该第一参考中心向量对应的拓扑关联参数矩阵进行转置,得到第二参考中心向量对应的拓扑关联参数矩阵。然后,再基于该第二参考中心向量对应的拓扑关联参数矩阵和该第二中心特征向量,确定该第二参考中心向量对应的拓扑映射信息。
例如,可首先对所述第二参考中心向量对应的拓扑关联参数矩阵进行属性特征转换;然后,将属性特征转换之后的所述第二参考中心向量对应的拓扑关联参数矩阵与所述第二中心特征向量进行向量积运算,得到所述第二参考中心向量对应的拓扑映射信息。
示例性的,本实施例可以基于一个设定的逻辑回归函数,对第一参考中心向量以及第二参考中心向量对应的拓扑关联参数矩阵进行属性特征转换。
c2,基于所述第一特征偏移向量和所述第二特征偏移向量之间的拓扑关联参数,确定所述目标链拓扑信息中的第一特征偏移对应的拓扑映射信息和所述参考链拓扑信息中的第二特征偏移对应的拓扑映射信息。
d,分别基于所述第一待分析数据拓扑信息和所述第二待分析数据拓扑信息,对多个所述第一数据属性和多个所述第二数据属性进行属性特征转换,得到多个第一待分析数据属性特征和多个第二待分析数据属性特征。
在本申请实施例中,基于第一待分析数据拓扑信息和第二待分析数据拓扑信息,对两个区块链网络的数据属性进行处理,能够使两个区块链网络的数据属性进行关联分析,该通讯数据识别网络在基于属性特征转换后得到的第二待分析数据属性特征进行通讯数据识别时,能够获取到更准确的通讯数据识别信息。
e,基于所述多个第一待分析数据属性特征和多个第二待分析数据属性特征,生成所述多个参考链通讯数据和所述多个目标链通讯数据的通讯数据识别信息。
f,基于所述通讯数据识别信息和所述多个参考链通讯数据具有的数据标签,对所述通讯数据识别网络进行机器学习,得到所述机器学习后的通讯数据识别网络。
进一步地,本实施例中,还可以通过所述通讯数据识别网络生成所述多个参考链通讯数据和所述多个目标链通讯数据所对应的区块链标识,所述区块链标识用于表征通讯数据匹配的区块链网络。基于此,上述步骤发中,基于所述通讯数据识别信息和所述多个参考链通讯数据具有的数据标签,对所述通讯数据识别网络进行机器学习,可以是如下的步骤:
首先,获取所述多个参考链通讯数据对应的通讯数据识别信息与对应的所述数据标签之间的第一损失值,所述数据标签用于表征所述参考链通讯数据的数据类型;
然后,获取所述参考链通讯数据和所述目标链通讯数据的区块链标识与实际匹配区块链网络之间的第二损失值;
最后,基于所述第一损失值和所述第二损失值,对所述通讯数据识别网络进行迭代式机器学习。
在上述机器学习的过程可以是一种无监督的自适应网络机器学习过程,其中,在当前迭代过程的机器学习所得到的所述通讯数据识别网络达到训练终止条件或收敛条件时,即可获取完成机器学习的所述通讯数据识别网络。相应地,在当前迭代过程的机器学习所得到的所述通讯数据识别网络未达到训练终止条件时,可进一步获取未使用的参考链通讯数据和目标链通讯数据进行下一轮的网络机器学习。
本实施例中,可基于所述通讯数据识别信息与数据标签之间的损失值,对该通讯数据识别网络的网络评价参数进行迭代更新,然后在网络评价参数进行迭代更新后的通讯数据识别网络条件收敛时,即可得到机器学习好的通讯数据识别网络。
进一步地,本实施例通过通讯数据识别网络,获取参考链通讯数据的数据属性在数据分布上的第一基准数据拓扑信息,以及目标链通讯数据的数据属性在数据分布上的第二基准数据拓扑信息,基于两个区块链网络的数据属性在数据分布上的相关性,对获取到的两个基准数据拓扑信息进行处理,得到两个区块链网络对应的两个待分析数据拓扑信息,再基于该待分析数据拓扑信息对对应区块链网络的数据属性进行属性特征转换,从而能够使两个区块链网络的数据属性在数据分布上更加匹配,在后续网络的机器学习过程中,由通讯数据识别网络根据属性特征转换后得到的第一待分析数据属性特征、第二待分析数据属性特征生成通讯数据识别信息进行机器学习,基于上述方法对通讯数据识别网络进行迭代式机器学习,能够使网络所提取到的两个区块链网络的数据属性的更贴近真实情况,使得到的网络更加适应待处理的通讯数据(目标链通讯数据)的识别,进而提高通讯数据识别网络在目标链通讯数据的数据识别中的识别精准性。
基于同一发明构思,请参阅图3,示出了本申请实施例提供的用于执行上述基于区块链的通讯数据加密方法的设备的结构示意框图,该设备可以包括通讯数据加密装置310、机器可读存储介质320和处理器330。本实施例中,所述设备可以是图1所示的预选节点。所述机器可读存储介质320与处理器330可通过总线系统相互通信和连接,且可以由处理器330通过总线接口来访问。可替换地,机器可读存储介质320也可以集成到处理器330中,例如,可以是高速缓存和/或通用寄存器。
通讯数据加密装置310可以包括存储在机器可读存储介质320的软件功能模块(例如所述通讯数据加密装置310包括的各软件功能模块。当处理器330执行通讯数据加密装置310中的软件功能模块时,以实现前述方法实施例提供的通讯数据加密方法。
机器可读存储介质320可以是易失性存储器或非易失性存储器,或可包括易失性和非易失性存储器两者。其中,非易失性存储器可以是只读存储器(Read-Only Memory,ROM)、可编程只读存储器(Programmable ROM,PROM)、可擦除可编程只读存储器(ErasablePROM,EPROM)、电可擦除可编程只读存储器(Electrically EPROM,EEPROM)或闪存。易失性存储器可以是随机存取存储器(Random Access Memory,RAM),其用作外部高速缓存。通过示例性但不是限制性说明,许多形式的RAM可用,例如静态随机存取存储器(Static RAM,SRAM)、动态随机存取存储器(Dynamic RAM,DRAM)、同步动态随机存取存储器(SynchronousDRAM,SDRAM)、双倍数据速率同步动态随机存取存储器(Double Data RateSDRAM,DDRSDRAM)、增强型同步动态随机存取存储器(Enhanced SDRAM,ESDRAM)、同步连接动态随机存取存储器(Synchlink DRAM,SLDRAM)和直接内存总线随机存取存储器(DirectRambus RAM,DR RAM)。
处理器330可能是一种集成电路芯片,具有信号的处理能力。在实现过程中,上述方法实施例的各步骤可以通过处理器330中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器330可以是通用处理器、数字信号处理器(Digital SignalProcessor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。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。结合本申请实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成,或者用译码处理器中的硬件及软件模块组合执行完成。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时,可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时,全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质(例如,软盘、硬盘、磁带)、光介质(例如,DVD)、或者半导体介质(例如固态硬盘(solid state disk,SSD))等。
本申请实施例是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。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、专用计机、嵌入式处理机或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。
以上所描述的实施例仅仅是本发明的一部分实施例,而不是全部的实施例。通常在附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此,在附图中提供的本发明的实施例的详细描述并非旨在限制本发明的保护范围,而仅仅是表示本发明的选定实施例。因此,本发明的保护范围应以权利要求的保护范围为准。此外,基于本发明的实施例,本领域技术人员在没有做出创造性劳动的前提下可获得的所有其它实施例,都应属于本发明保护的范围。
Claims (10)
1.一种基于区块链的通讯数据加密方法,其特征在于,应用于基于区块链的通讯数据加密系统,所述基于区块链的通讯数据加密系统为由多个智能网关组成的区块链网络,所述多个智能网关包括预先选定作为联盟区块链节点的预选节点以及与所述预选节点通信连接的多个协同节点,所述方法包括:
将各所述协同节点发送的待处理的通讯数据输入学习后的通讯数据识别网络,所述通讯数据识别网络基于参考链通讯数据和目标链通讯数据进行机器学习得到;
通过所述通讯数据识别网络获取所述待处理的通讯数据对应的基准数据属性;
通过所述通讯数据识别网络基于所述待处理的通讯数据的当前数据拓扑信息,对所述基准数据属性进行属性特征转换,得到待分析数据属性特征,所述当前数据拓扑信息用于表征所述待处理的通讯数据的数据属性进行参考链映射后所对应的数据分布;
获取所述通讯数据识别网络基于所述待分析数据属性特征生成的所述待处理的通讯数据对应的通讯数据识别信息,所述通讯数据识别信息至少包括所述待处理的通讯数据在预设的类别划分维度上的数据类型;
根据所述待处理的通讯数据在预设的类别划分维度上的数据类型,获取对应的数据加密机制对所述待处理的通讯数据进行加密。
2.根据权利要求1所述的方法,其特征在于,所述方法还包括对通讯数据识别网络进行机器学习的步骤,该步骤包括:
将多个参考链通讯数据和多个目标链通讯数据输入待学习的通讯数据识别网络,所述多个参考链通讯数据具有数据标签;
基于所述通讯数据识别网络获取第一基准数据拓扑信息和第二基准数据拓扑信息,所述第一基准数据拓扑信息用于表示所述多个参考链通讯数据对应的第一数据属性的分布,所述第二基准数据拓扑信息用于表示多个目标链通讯数据对应的第二数据属性的分布;
基于所述第一基准数据拓扑信息和所述第二基准数据拓扑信息之间的拓扑关联参数,获取第一待分析数据拓扑信息和第二待分析数据拓扑信息,所述第一待分析数据拓扑信息与所述第二待分析数据拓扑信息之间的拓扑特征差异与所述第一基准数据拓扑信息和所述第二基准数据拓扑信息之间的拓扑特征差异之间的偏移量小于设定值;
分别基于所述第一待分析数据拓扑信息和所述第二待分析数据拓扑信息,对多个所述第一数据属性和多个所述第二数据属性进行属性特征转换,得到多个第一待分析数据属性特征和多个第二待分析数据属性特征;
基于所述多个第一待分析数据属性特征和多个第二待分析数据属性特征,生成所述多个参考链通讯数据和所述多个目标链通讯数据的通讯数据识别信息;
基于所述通讯数据识别信息和所述多个参考链通讯数据具有的数据标签,对所述通讯数据识别网络进行机器学习,得到所述机器学习后的通讯数据识别网络。
3.根据权利要求2所述的方法,其特征在于,所述基于所述第一基准数据拓扑信息和所述第二基准数据拓扑信息之间的拓扑关联参数,获取第一待分析数据拓扑信息和第二待分析数据拓扑信息,包括:
基于所述第一基准数据拓扑信息和所述第二基准数据拓扑信息之间的拓扑关联参数,确定所述参考链通讯数据对应的目标链拓扑信息和所述目标链通讯数据对应的参考链拓扑信息,所述目标链拓扑信息用于表征所述参考链通讯数据的数据属性进行目标链映射后所对应的数据拓扑信息,所述参考链拓扑信息用于表征所述目标链通讯数据的数据属性进行参考链映射后所对应的数据拓扑信息;
根据所述目标链拓扑信息、所述第一基准数据拓扑信息、所述参考链拓扑信息、以及所述第二基准数据拓扑信息,得到所述第一待分析数据拓扑信息和所述第二待分析数据拓扑信息。
4.根据权利要求3所述的方法,其特征在于,所述第一基准数据拓扑信息包括第一中心特征向量和第一特征偏移向量,所述第二基准数据拓扑信息包括第二中心特征向量和第二特征偏移向量,所述第一中心特征向量和第二中心特征向量中的向量参数用于表征所述通讯数据识别网络中由同一网络层生成的数据属性的参考中心向量,所述第一特征偏移向量和第二特征偏移向量中的向量参数用于表征所述通讯数据识别网络中由同一网络层生成的数据属性的特征偏移;
所述基于所述第一基准数据拓扑信息和所述第二基准数据拓扑信息之间的拓扑关联参数,确定所述参考链通讯数据对应的目标链拓扑信息和所述目标链通讯数据对应的参考链拓扑信息,包括:
基于所述第一中心特征向量和所述第二中心特征向量之间的拓扑关联参数,确定所述目标链拓扑信息中的第一参考中心向量对应的拓扑映射信息和所述参考链拓扑信息中的第二参考中心向量对应的拓扑映射信息;
基于所述第一特征偏移向量和所述第二特征偏移向量之间的拓扑关联参数,确定所述目标链拓扑信息中的第一特征偏移对应的拓扑映射信息和所述参考链拓扑信息中的第二特征偏移对应的拓扑映射信息;
其中,所述基于所述第一中心特征向量和所述第二中心特征向量之间的拓扑关联参数,确定所述目标链拓扑信息中的第一参考中心向量对应的拓扑映射信息和所述参考链拓扑信息中的第二参考中心向量对应的拓扑映射信息,包括:
基于所述第一中心特征向量中的各个向量参数与所述第二中心特征向量中的各个向量参数之间的拓扑关联参数,确定第一参考中心向量对应的拓扑关联参数矩阵以及所述第二参考中心向量对应的拓扑关联参数矩阵;
对所述第一参考中心向量对应的拓扑关联参数矩阵进行属性特征转换;
将属性特征转换之后的所述第一参考中心向量对应的拓扑关联参数矩阵与所述第一中心特征向量进行向量积运算,得到所述第一参考中心向量对应的拓扑映射信息;
对所述第二参考中心向量对应的拓扑关联参数矩阵进行属性特征转换;
将属性特征转换之后的所述第二参考中心向量对应的拓扑关联参数矩阵与所述第二中心特征向量进行向量积运算,得到所述第二参考中心向量对应的拓扑映射信息。
5.根据权利要求3所述的方法,其特征在于,所述根据所述目标链拓扑信息、所述第一基准数据拓扑信息、所述参考链拓扑信息、以及所述第二基准数据拓扑信息,得到所述第一待分析数据拓扑信息和所述第二待分析数据拓扑信息,包括:
基于第一加权系数,对所述目标链拓扑信息和所述第一基准数据拓扑信息进行加权计算,得到所述第一待分析数据拓扑信息;
基于第二加权系数,对所述参考链拓扑信息和所述第二基准数据拓扑信息进行加权计算,得到所述第二待分析数据拓扑信息。
6.根据权利要求2所述的方法,其特征在于,所述方法还包括:
通过所述通讯数据识别网络生成所述多个参考链通讯数据和所述多个目标链通讯数据所对应的区块链标识,所述区块链标识用于表征通讯数据匹配的区块链网络;
所述基于所述通讯数据识别信息和所述多个参考链通讯数据具有的数据标签,对所述通讯数据识别网络进行机器学习,包括:
获取所述多个参考链通讯数据对应的通讯数据识别信息与对应的所述数据标签之间的第一损失值,所述数据标签用于表征所述参考链通讯数据的数据类型;
获取所述参考链通讯数据和所述目标链通讯数据的区块链标识与实际匹配区块链网络之间的第二损失值;
基于所述第一损失值和所述第二损失值,对所述通讯数据识别网络进行迭代式机器学习。
7.根据权利要求6所述的方法,其特征在于,所述方法还包括:
在当前迭代过程的机器学习所得到的所述通讯数据识别网络达到训练终止条件时,获取完成机器学习的所述通讯数据识别网络;
在当前迭代过程的机器学习所得到的所述通讯数据识别网络未达到训练终止条件时,获取未使用的参考链通讯数据和目标链通讯数据进行下一轮的网络机器学习。
8.根据权利要求2所述的方法,其特征在于,所述分别基于所述第一待分析数据拓扑信息和所述第二待分析数据拓扑信息,对多个所述第一数据属性和多个所述第二数据属性进行属性特征转换,得到多个第一待分析数据属性特征和多个第二待分析数据属性特征之后,所述方法还包括:
获取在至少一次网络机器学习的迭代过程中,所生成的至少一个第二待分析数据拓扑信息;
基于所述至少一个第二待分析数据拓扑信息,确定当前数据拓扑信息,所述当前数据拓扑信息应用于完成机器学习的通讯数据识别网络中。
9.根据权利要求1-8任意一项所述的方法,其特征在于,所述根据所述待处理的通讯数据在预设的类别划分维度上的数据类型,获取对应的数据加密机制对所述待处理的通讯数据进行加密,包括:
确定所述待处理的通讯数据中是否包括在所述类别划分维度上的预设的目标数据类型;
在所述待处理的通讯数据中包括在所述类别划分维度上的预设的目标数据类型时,获取具有所述目标数据类型的各个待处理的通讯数据作为个体通讯数据,并获取多个所述个体通讯数据形成的整体通讯数据;其中,每个所述个体通讯数据包括与该个体通讯数据对应局部数据标签,所述整体通讯数据包括全局数据标签;
通过第一数据处理单元同步处理所述多个个体通讯数据,并将处理后的多个个体通讯数据发送至数据编码单元,通过所述数据编码单元对处理后的多个个体通讯数据进行编码得到通讯数据编码序列,并存储至所述第一数据处理单元的第一临时存储空间;其中,所述通讯数据编码序列中包括与个体通讯数据分别匹配的编码结果,所述编码结果包括与其对应的个体通讯数据所对应的整体通讯数据的全局数据标签;
通过第二数据处理单元暂存所述整体通讯数据,得到与所述整体通讯数据分别匹配的第二临时存储空间,将所述临时存储空间记录至目标编码结果中;所述目标编码结果包括所述临时存储空间所对应的整体通讯数据的全局数据标签;
通过第一数据加密机制对所述第一临时存储空间中的通讯数据编码序列进行加密,然后将加密后的所述通讯数据编码序列中的各加密后的通讯数据按照所述局部数据标签依序加入待转发数据队列等待转发;
通过第二数据加密机制对所述第二临时存储空间中的整体通讯数据进行加密后暂存至本地并将所述第二临时存储空间以所述全局数据标签进行标识。
10.一种基于区块链的通讯数据加密系统,其特征在于,包括从由多个智能网关形成的区块链网络中根据预设共识机制预先选定的用于作为联盟区块链节点的预选节点的以及与所述预选节点通信连接的多个协同节点,所述预选节点用于实现权利要求1-9任意一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110812484.XA CN113271319B (zh) | 2021-07-19 | 2021-07-19 | 一种基于区块链的通讯数据加密方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110812484.XA CN113271319B (zh) | 2021-07-19 | 2021-07-19 | 一种基于区块链的通讯数据加密方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113271319A CN113271319A (zh) | 2021-08-17 |
CN113271319B true CN113271319B (zh) | 2021-09-14 |
Family
ID=77236746
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110812484.XA Active CN113271319B (zh) | 2021-07-19 | 2021-07-19 | 一种基于区块链的通讯数据加密方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113271319B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115065524A (zh) * | 2022-06-10 | 2022-09-16 | 国网江苏省电力有限公司 | 一种客户侧综合能源公共信息传输数据加密的方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111159200A (zh) * | 2019-12-31 | 2020-05-15 | 华中科技大学鄂州工业技术研究院 | 一种基于深度学习的数据存储方法和装置 |
CN111177737A (zh) * | 2019-08-16 | 2020-05-19 | 腾讯科技(深圳)有限公司 | 一种基于数据内容的数据加密方法以及相关装置 |
CN112395643A (zh) * | 2020-11-23 | 2021-02-23 | 中国人民大学 | 一种神经网络的数据隐私保护方法及系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109462472A (zh) * | 2017-09-06 | 2019-03-12 | 阿里巴巴集团控股有限公司 | 数据加密和解密的方法、装置和系统 |
-
2021
- 2021-07-19 CN CN202110812484.XA patent/CN113271319B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111177737A (zh) * | 2019-08-16 | 2020-05-19 | 腾讯科技(深圳)有限公司 | 一种基于数据内容的数据加密方法以及相关装置 |
CN111159200A (zh) * | 2019-12-31 | 2020-05-15 | 华中科技大学鄂州工业技术研究院 | 一种基于深度学习的数据存储方法和装置 |
CN112395643A (zh) * | 2020-11-23 | 2021-02-23 | 中国人民大学 | 一种神经网络的数据隐私保护方法及系统 |
Non-Patent Citations (1)
Title |
---|
"基于区块链技术的个人信息管理";黄小菊等;《软件工程》;20181005;第1-5页 * |
Also Published As
Publication number | Publication date |
---|---|
CN113271319A (zh) | 2021-08-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109936525B (zh) | 一种基于图结构模型的异常账号防控方法、装置以及设备 | |
US11100427B2 (en) | Multi-party computation system for learning a classifier | |
Scardapane et al. | Distributed learning for random vector functional-link networks | |
CN111652615B (zh) | 基于区块链大数据的安全识别方法及人工智能云服务平台 | |
CN111931076B (zh) | 基于有权有向图进行关系推荐的方法、装置和计算机设备 | |
CN111814977A (zh) | 训练事件预测模型的方法及装置 | |
Owais et al. | Robust deep learning architecture for traffic flow estimation from a subset of link sensors | |
CN110737818B (zh) | 网络发布数据处理方法、装置、计算机设备和存储介质 | |
EP3256964A1 (en) | Learning from distributed data | |
JP6971514B1 (ja) | 情報処理装置、情報処理方法及びプログラム | |
CN112446310A (zh) | 基于区块链的年龄识别系统、方法及装置 | |
CN113271319B (zh) | 一种基于区块链的通讯数据加密方法及系统 | |
CN113011529A (zh) | 文本分类模型的训练方法、装置、设备及可读存储介质 | |
CN113221153B (zh) | 图神经网络训练方法、装置、计算设备及存储介质 | |
Xiang et al. | NAT model–based compression of Bayesian network CPTs over multivalued variables | |
CN110162957B (zh) | 智能设备的鉴权方法和装置、存储介质、电子装置 | |
CN112437022B (zh) | 网络流量识别方法、设备及计算机存储介质 | |
CN113326523A (zh) | 一种隐私计算方法、装置及电子设备 | |
CN111079153B (zh) | 安全建模方法、装置、电子设备及存储介质 | |
Dvorak et al. | Gnn-based malicious network entities identification in large-scale network data | |
CN110210233B (zh) | 预测模型的联合构建方法、装置、存储介质及计算机设备 | |
US20230224324A1 (en) | Nlp based identification of cyberattack classifications | |
US20230401510A1 (en) | Systems and methods for risk diagnosis of cryptocurrency addresses on blockchains using anonymous and public information | |
CN111506914B (zh) | 大数据加密方法、装置、服务器及可读存储介质 | |
CN112396069B (zh) | 基于联合学习的语义边缘检测方法、装置、系统及介质 |
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 |