CN113343270B - 一种基于人工智能的加密数据重构方法与系统 - Google Patents

一种基于人工智能的加密数据重构方法与系统 Download PDF

Info

Publication number
CN113343270B
CN113343270B CN202110720664.5A CN202110720664A CN113343270B CN 113343270 B CN113343270 B CN 113343270B CN 202110720664 A CN202110720664 A CN 202110720664A CN 113343270 B CN113343270 B CN 113343270B
Authority
CN
China
Prior art keywords
data
core
value
fragment
segment
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202110720664.5A
Other languages
English (en)
Other versions
CN113343270A (zh
Inventor
桑永宣
王博
刘永文
张志锋
李保环
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.)
Zhengzhou University of Light Industry
Original Assignee
Zhengzhou University of Light Industry
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 Zhengzhou University of Light Industry filed Critical Zhengzhou University of Light Industry
Priority to CN202110720664.5A priority Critical patent/CN113343270B/zh
Publication of CN113343270A publication Critical patent/CN113343270A/zh
Application granted granted Critical
Publication of CN113343270B publication Critical patent/CN113343270B/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
    • G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
    • G06F21/60—Protecting data
    • G06F21/602—Providing cryptographic facilities or services
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
    • G06F21/60—Protecting data
    • G06F21/62—Protecting access to data via a platform, e.g. using keys or access control rules
    • G06F21/6209—Protecting access to data via a platform, e.g. using keys or access control rules to a single file or object, e.g. in a secure envelope, encrypted and accessed using a key, or with access control rules appended to the object itself
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming

Abstract

本发明提供了一种基于人工智能的加密数据重构方法与系统。方法包括：利用解密模型对加密数据进行解密得到解密数据；对解密数据进行分段得到若干数据片段；根据加密模型和解密模型的收敛值、数据片段的关联度确定数据片段的搜索范围；在核心数据片段的搜索范围内确定核心数据片段可选值；根据核心数据片段与非核心数据片段之间的数据结构信息对核心数据片段可选值进行处理，得到非核心数据片段的重构值；获取不同可选值对应的越界程度逼近程度；根据越界程度、逼近程度确定最优核心片段可选值，根据最优核心片段可选值以及数据结构信息得到加密数据的重构数据。本发明提高了加密数据的重构精度。

Description

一种基于人工智能的加密数据重构方法与系统
技术领域
本发明涉及数据加密、人工智能技术领域，具体涉及一种基于人工智能的数据加密存储、解密重构方法与系统。
背景技术
常用的加密算法为对称加密或者非对称加密，往往是根据相应的计算公式来计算得到秘钥的，容易被破解。深度学习神经网络中网络层数、各层神经元数量、训练数据、loss函数只要有一处不同都会影响最终训练完成的DNN网络内部的权值参数，随机性较大，难以被遍历破解，很适合用于数据加密。DNN与加密结合，最大的问题是网络难以实现无损重构，即数据经过网络的方式加密和解密后，恢复的数据与原始数据是存在误差的。
发明内容
本发明提供了一种基于人工智能的加密数据重构方法与系统。
一种基于人工智能的加密数据重构方法，所述方法包括：
利用解密模型对加密数据进行解密得到解密数据；对解密数据进行分段得到若干数据片段；根据加密模型和解密模型的收敛值、数据片段的关联度确定数据片段的搜索范围；
在核心数据片段的搜索范围内确定核心数据片段可选值；根据核心数据片段与非核心数据片段之间的数据结构信息对核心数据片段可选值进行处理，得到非核心数据片段的重构值；
根据非核心数据片段的重构值是否超出其搜索范围、以及非核心数据片段的关联度得到越界程度；根据非核心数据片段本值与重构值之间的差值、非核心数据片段的搜索范围得到逼近程度；
根据越界程度、逼近程度确定最优核心片段可选值，根据最优核心片段可选值以及数据结构信息得到加密数据的重构数据；
其中，所述根据加密模型和解密模型的收敛值、数据片段的关联度确定数据片段的搜索范围包括：
根据数据片段的关联度确定搜索半径的缩放系数，缩放系数乘以所述收敛值得到数据片段的搜索半径；以数据片段本值为中心，根据搜索半径确定数据片段的搜索范围；
所述在核心数据片段的搜索范围内确定核心数据片段可选值包括：
所述核心数据片段为关联度最高的数据片段，设定精度jd，在核心数据片段对应的搜索范围[min(Yc),max(Yc)]，按照精度要求对范围内的所有可能取值
Figure GDA0003978903220000011
编码化，在搜索范围内，核心数据片段共有mc种可选值；
所述根据非核心片段的重构值是否超出其搜索范围、以及非核心数据片段的关联度得到越界程度包括：
设置指示参数，若非核心数据片段的重构值超出其搜索范围，则指示参数取第一数值，否则指示参数取第二数值；
以非核心数据片段的关联度为权重计算所有非核心数据片段指示参数的加权和，根据加权和得到越界程度；
所述根据非核心数据片段本值与重构值之间的差值、非核心数据片段的搜索范围得到逼近程度包括：
逼近程度的计算过程为：
Figure GDA0003978903220000021
le2为逼近程度，YIj表示第j个推理出的数据片段的重构值，Yj为对应的由解密模型解密得到的数据片段的本值，Rj为数据片段对应的搜索半径，N为数据片段个数；
所述根据越界程度、逼近程度确定最优核心片段可选值包括：
构建遗传算法中的适应度函数：
Figure GDA0003978903220000022
f(Yc)表示适应度函数，le1为越界程度；
以适应度函数最大为目标，对核心数据片段可选值进行优化，得到最优核心数据片段可选值；
所述数据片段的关联度的获取为：以数据结构信息中数据片段出现频次比例作为关联度；
所述数据结构信息的获取为：提取数据片段之间的关系作为数据结构信息。
进一步地，所述加密模型和解密模型构成自编码网络。
进一步地，所述方法包括：
根据提取的所有数据结构信息能够获得任意两数据片段之间的关系，各数据片段在数据结构信息中的出现频次存在差异；
对待加密数据进行加密，存储加密数据与数据结构信息。
一种基于人工智能的加密数据重构系统，系统包括：
范围确定模块，用于利用解密模型对加密数据进行解密得到解密数据；对解密数据进行分段得到若干数据片段；根据加密模型和解密模型的收敛值、数据片段的关联度确定数据片段的搜索范围；
分段重构模块，用于在核心数据片段的搜索范围内确定核心数据片段可选值；根据核心数据片段与非核心数据片段之间的数据结构信息对核心数据片段可选值进行处理，得到非核心数据片段的重构值；
重构评价模块，用于根据非核心数据片段的重构值是否超出其搜索范围、以及非核心数据片段的关联度得到越界程度；根据非核心数据片段本值与重构值之间的差值、非核心数据片段的搜索范围得到逼近程度；
数据重构模块，用于根据越界程度、逼近程度确定最优核心片段可选值，根据最优核心片段可选值以及数据结构信息得到加密数据的重构数据；
其中，所述根据加密模型和解密模型的收敛值、数据片段的关联度确定数据片段的搜索范围包括：
根据数据片段的关联度确定搜索半径的缩放系数，缩放系数乘以所述收敛值得到数据片段的搜索半径；以数据片段本值为中心，根据搜索半径确定数据片段的搜索范围；
所述在核心数据片段的搜索范围内确定核心数据片段可选值包括：
所述核心数据片段为关联度最高的数据片段，设定精度jd，在核心数据片段对应的搜索范围[min(Yc),max(Yc)]，按照精度要求对范围内的所有可能取值
Figure GDA0003978903220000031
编码化，在搜索范围内，核心数据片段共有mc种可选值；
所述根据非核心片段的重构值是否超出其搜索范围、以及非核心数据片段的关联度得到越界程度包括：
设置指示参数，若非核心数据片段的重构值超出其搜索范围，则指示参数取第一数值，否则指示参数取第二数值；
以非核心数据片段的关联度为权重计算所有非核心数据片段指示参数的加权和，根据加权和得到越界程度；
所述根据非核心数据片段本值与重构值之间的差值、非核心数据片段的搜索范围得到逼近程度包括：
逼近程度的计算过程为：
Figure GDA0003978903220000032
le2为逼近程度，YIj表示第j个推理出的数据片段的重构值，Yj为对应的由解密模型解密得到的数据片段的本值，Rj为数据片段对应的搜索半径，N为数据片段个数；
所述根据越界程度、逼近程度确定最优核心片段可选值包括：
构建遗传算法中的适应度函数：
Figure GDA0003978903220000033
f(Yc)表示适应度函数，le1为越界程度；
以适应度函数最大为目标，对核心数据片段可选值进行优化，得到最优核心数据片段可选值；
所述数据片段的关联度的获取为：以数据结构信息中数据片段出现频次比例作为关联度；
所述数据结构信息的获取为：提取数据片段之间的关系作为数据结构信息。本发明的有益效果在于：通过关联度提高了加密-解密模型的解密精度，通过数据结构信息、收敛值以及优化探索，实现了加密数据的无损重构。
附图说明
图1为本发明流程图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图以及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
实施例1：
本实施例提供一种基于人工智能的加密数据重构方法，包括：
步骤1，利用解密模型对加密数据进行解密得到解密数据；对解密数据进行分段得到若干数据片段；根据加密模型和解密模型的收敛值、数据片段的关联度确定数据片段的搜索范围。
本实施例中加密模型和解密模型构成自编码网络。在利用加密模型对待加密数据X进行加密之前，将待加密数据划分为多个数据片段，提取数据片段之间的关系作为数据结构信息，根据提取的所有数据结构信息能够获得任意两数据片段之间的关系，各数据片段在数据结构信息中的出现频次存在差异；对待加密数据进行加密，存储加密数据与数据结构信息。数据片段在数据结构信息中的出现频次表征数据片段的关联度。若数据片段涉及多条数据结构信息，那么该数据片段的关联度较高。优选地，以数据结构信息中数据片段出现频次比例作为关联度。加密模型神经元个数与数据片段个数相同。
自编码网络可以用于数据加密，但是无损重构是较难的。本实施例通过数据结构信息、网络的相关信息能够实现加密数据的低损重构甚至是无损重构。加密模型和解密模型构成的自编码网络的损失通过待加密数据与解密数据差异的加权来衡量。本实施例中，损失函数：
Figure GDA0003978903220000041
N为数据片段个数，Xi为待加密数据第i个数据片段的数值，Yj为对应的由解密模型解密得到的数据片段值(本值)，Di为当前数据片段i对应的关联度。自编码训练完成后，其损失函数e1的收敛值则可以表示当前网络进行数据恢复的误差程度。
根据数据片段的关联度确定搜索半径的缩放系数，缩放系数乘以所述收敛值得到数据片段的搜索半径；以数据片段本值为中心，根据搜索半径确定数据片段的搜索范围。具体地，利用自编码网络的损失函数收敛值lm，以网络恢复的解密数据Y得到各数据片段对应的搜索半径：
Figure GDA0003978903220000042
其中，lm为加密-解密模型的收敛值，Di为当前数据片段i对应的关联度，
Figure GDA0003978903220000051
为缩放系数，N为数据片段个数，v为区域扩增系数，优选地，v设置为10。以解密数据各数据片段为中心点，以求得的搜索半径值为半径，得到数据片段Yi对应的搜索范围：[Yi-Ri，Yi+Ri]。
步骤2，在核心数据片段的搜索范围内确定核心数据片段可选值；根据核心数据片段与非核心数据片段之间的数据结构信息对核心数据片段可选值进行处理，得到非核心数据片段的重构值。
本实施例中核心数据片段为关联度最高的数据片段。设定精度jd，在核心数据片段对应的搜索范围[min(Yc)，max(Yc)]，按照精度要求对范围内的所有可能取值
Figure GDA0003978903220000052
进行编码化。在搜索范围内，核心数据片段共有mc种可选值。针对每一种核心数据片段可选值，根据数据结构信息可以得到其他非核心数据片段的值，称为重构值。
步骤3，根据非核心数据片段的重构值是否超出其搜索范围、以及非核心数据片段的关联度得到越界程度；根据非核心数据片段本值与重构值之间的差值、非核心数据片段的搜索范围得到逼近程度。
以两个参数来衡量区域内每个可选最高频数据的优选程度：越界程度和逼近程度。越界程度指以同样的最高频数据结合数据结构信息进行推理后，得到的重构数据YI超出上述得到的合理范围的程度。越界程度的获取方法：设置指示参数，若非核心数据片段的重构值超出其搜索范围，则指示参数取第一数值，否则指示参数取第二数值；以非核心数据片段的关联度为权重计算所有非核心数据片段指示参数的加权和，根据加权和得到越界程度。具体地，越界程度le1：
Figure GDA0003978903220000053
其中，YIj表示第j个推理出的数据片段的值(重构值)，Yj为对应的由解密模型解密得到的数据片段值(本值)，Rj表示该数据片段对应的搜索半径，lgj为指示参数。逼近程度指以同样的核心数据片段可选值结合结构关系进行推理计算后，得到的重构值YI逼近解密模型输出值(本值)Y的程度。逼近程度le2的计算过程为：
Figure GDA0003978903220000054
若是仅仅使用le2，很可能出现这样的情况：一个数据不在范围内，其他的数据都很接近Y。这种情况若是判断为最优的，是不合理的。最优的前提一定是所有的数据都在其范围内。所以需要引入越界程度，让越界程度在后续优化过程中为0。
步骤4，根据越界程度、逼近程度确定最优核心片段可选值，根据最优核心片段可选值以及数据结构信息得到加密数据的重构数据。
以越界程度、逼近程度，结合遗传算法进行核心片段可选值的最优化。使用上述信息构建遗传算法中的适应度函数：
Figure GDA0003978903220000055
以适应度函数最大为目标，对核心数据片段可选值进行优化，得到最优核心数据片段可选值。最优核心片段可选值结合数据结构信息重构其他数据，得到最终的重构数据。
实施例2：
本实施例提供一种基于人工智能加密数据重构系统，系统包括：
范围确定模块，用于利用解密模型对加密数据进行解密得到解密数据；对解密数据进行分段得到若干数据片段；根据加密模型和解密模型的收敛值、数据片段的关联度确定数据片段的搜索范围；
分段重构模块，用于在核心数据片段的搜索范围内确定核心数据片段可选值；根据核心数据片段与非核心数据片段之间的数据结构信息对核心数据片段可选值进行处理，得到非核心数据片段的重构值；
重构评价模块，用于根据非核心数据片段的重构值是否超出其搜索范围、以及非核心数据片段的关联度得到越界程度；根据非核心数据片段本值与重构值之间的差值、非核心数据片段的搜索范围得到逼近程度；
数据重构模块，用于根据越界程度、逼近程度确定最优核心片段可选值，根据最优核心片段可选值以及数据结构信息得到加密数据的重构数据。
以上实施例仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (6)

1.一种基于人工智能的加密数据重构方法，其特征在于，所述方法包括：
利用解密模型对加密数据进行解密得到解密数据；对解密数据进行分段得到若干数据片段；根据加密模型和解密模型的收敛值、数据片段的关联度确定数据片段的搜索范围；
在核心数据片段的搜索范围内确定核心数据片段可选值；根据核心数据片段与非核心数据片段之间的数据结构信息对核心数据片段可选值进行处理，得到非核心数据片段的重构值；
根据非核心数据片段的重构值是否超出其搜索范围、以及非核心数据片段的关联度得到越界程度；根据非核心数据片段本值与重构值之间的差值、非核心数据片段的搜索范围得到逼近程度；
根据越界程度、逼近程度确定最优核心片段可选值，根据最优核心片段可选值以及数据结构信息得到加密数据的重构数据；
其中，所述根据加密模型和解密模型的收敛值、数据片段的关联度确定数据片段的搜索范围包括：
根据数据片段的关联度确定搜索半径的缩放系数，缩放系数乘以所述收敛值得到数据片段的搜索半径；以数据片段本值为中心，根据搜索半径确定数据片段的搜索范围；
所述在核心数据片段的搜索范围内确定核心数据片段可选值包括：
所述核心数据片段为关联度最高的数据片段，设定精度jd，在核心数据片段对应的搜索范围[min(Yc),max(Yc)]，按照精度要求对范围内的所有可能取值
Figure FDA0003978903210000011
编码化，在搜索范围内，核心数据片段共有mc种可选值；
所述根据非核心片段的重构值是否超出其搜索范围、以及非核心数据片段的关联度得到越界程度包括：
设置指示参数，若非核心数据片段的重构值超出其搜索范围，则指示参数取第一数值，否则指示参数取第二数值；
以非核心数据片段的关联度为权重计算所有非核心数据片段指示参数的加权和，根据加权和得到越界程度；
所述根据非核心数据片段本值与重构值之间的差值、非核心数据片段的搜索范围得到逼近程度包括：
逼近程度的计算过程为：
Figure FDA0003978903210000012
le2为逼近程度，YIj表示第j个推理出的数据片段的重构值，Yj为对应的由解密模型解密得到的数据片段的本值，Rj为数据片段对应的搜索半径，N为数据片段个数；
所述根据越界程度、逼近程度确定最优核心片段可选值包括：
构建遗传算法中的适应度函数：
Figure FDA0003978903210000021
f(Yc)表示适应度函数，le1为越界程度；
以适应度函数最大为目标，对核心数据片段可选值进行优化，得到最优核心数据片段可选值；
所述数据片段的关联度的获取为：以数据结构信息中数据片段出现频次比例作为关联度；
所述数据结构信息的获取为：提取数据片段之间的关系作为数据结构信息。
2.如权利要求1所述的方法，其特征在于，所述加密模型和解密模型构成自编码网络。
3.如权利要求1所述的方法，其特征在于，所述方法包括：
根据提取的所有数据结构信息能够获得任意两数据片段之间的关系，各数据片段在数据结构信息中的出现频次存在差异；
对待加密数据进行加密，存储加密数据与数据结构信息。
4.一种基于人工智能的加密数据重构系统，其特征在于，所述系统包括：
范围确定模块，用于利用解密模型对加密数据进行解密得到解密数据；对解密数据进行分段得到若干数据片段；根据加密模型和解密模型的收敛值、数据片段的关联度确定数据片段的搜索范围；
分段重构模块，用于在核心数据片段的搜索范围内确定核心数据片段可选值；根据核心数据片段与非核心数据片段之间的数据结构信息对核心数据片段可选值进行处理，得到非核心数据片段的重构值；
重构评价模块，用于根据非核心数据片段的重构值是否超出其搜索范围、以及非核心数据片段的关联度得到越界程度；根据非核心数据片段本值与重构值之间的差值、非核心数据片段的搜索范围得到逼近程度；
数据重构模块，用于根据越界程度、逼近程度确定最优核心片段可选值，根据最优核心片段可选值以及数据结构信息得到加密数据的重构数据；
其中，所述根据加密模型和解密模型的收敛值、数据片段的关联度确定数据片段的搜索范围包括：
根据数据片段的关联度确定搜索半径的缩放系数，缩放系数乘以所述收敛值得到数据片段的搜索半径；以数据片段本值为中心，根据搜索半径确定数据片段的搜索范围；
所述在核心数据片段的搜索范围内确定核心数据片段可选值包括：
所述核心数据片段为关联度最高的数据片段，设定精度jd，在核心数据片段对应的搜索范围[min(Yc),max(Yc)]，按照精度要求对范围内的所有可能取值
Figure FDA0003978903210000022
编码化，在搜索范围内，核心数据片段共有mc种可选值；
所述根据非核心片段的重构值是否超出其搜索范围、以及非核心数据片段的关联度得到越界程度包括：
设置指示参数，若非核心数据片段的重构值超出其搜索范围，则指示参数取第一数值，否则指示参数取第二数值；
以非核心数据片段的关联度为权重计算所有非核心数据片段指示参数的加权和，根据加权和得到越界程度；
所述根据非核心数据片段本值与重构值之间的差值、非核心数据片段的搜索范围得到逼近程度包括：
逼近程度的计算过程为：
Figure FDA0003978903210000031
le2为逼近程度，YIj表示第j个推理出的数据片段的重构值，Yj为对应的由解密模型解密得到的数据片段的本值，Rj为数据片段对应的搜索半径，N为数据片段个数；
所述根据越界程度、逼近程度确定最优核心片段可选值包括：
构建遗传算法中的适应度函数：
Figure FDA0003978903210000032
f(Yc)表示适应度函数，le1为越界程度；
以适应度函数最大为目标，对核心数据片段可选值进行优化，得到最优核心数据片段可选值；
所述数据片段的关联度的获取为：以数据结构信息中数据片段出现频次比例作为关联度；
所述数据结构信息的获取为：提取数据片段之间的关系作为数据结构信息。
5.如权利要求4所述的系统，其特征在于，所述加密模型和解密模型构成自编码网络。
6.如权利要求4所述的系统，其特征在于，所述系统包括加密模块，用于根据提取的所有数据结构信息能够获得任意两数据片段之间的关系，各数据片段在数据结构信息中的出现频次存在差异；还用于对待加密数据进行加密，存储加密数据与数据结构信息。
CN202110720664.5A 2021-06-28 2021-06-28 一种基于人工智能的加密数据重构方法与系统 Active CN113343270B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110720664.5A CN113343270B (zh) 2021-06-28 2021-06-28 一种基于人工智能的加密数据重构方法与系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110720664.5A CN113343270B (zh) 2021-06-28 2021-06-28 一种基于人工智能的加密数据重构方法与系统

Publications (2)

Publication Number Publication Date
CN113343270A CN113343270A (zh) 2021-09-03
CN113343270B true CN113343270B (zh) 2023-02-24

Family

ID=77479218

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110720664.5A Active CN113343270B (zh) 2021-06-28 2021-06-28 一种基于人工智能的加密数据重构方法与系统

Country Status (1)

Country Link
CN (1) CN113343270B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2004021694A1 (en) * 2002-08-30 2004-03-11 Rheinische Friedrich-Wilhelms-Uni Versität Bonn Method and device for decryption-secure transfer of data
CN108989603A (zh) * 2018-07-18 2018-12-11 上海理工大学 基于自编码器结合关联成像的图像加密方法
CN111800251A (zh) * 2020-05-21 2020-10-20 北京邮电大学 基于混沌源的图像压缩感知加密、解密方法、装置及系统
CN112395636A (zh) * 2021-01-19 2021-02-23 国网江西省电力有限公司信息通信分公司 电网数据加密模型训练方法、系统、存储介质及设备
CN112597519A (zh) * 2020-12-28 2021-04-02 杭州电子科技大学 Ofdm加密系统中基于卷积神经网络的无密钥解密方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104536904B (zh) * 2014-12-29 2018-01-09 杭州华为数字技术有限公司 一种数据管理的方法、设备与系统
CN112926077B (zh) * 2021-03-30 2024-04-16 中国电子信息产业集团有限公司第六研究所 一种卫星重构数据处理方法及系统

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2004021694A1 (en) * 2002-08-30 2004-03-11 Rheinische Friedrich-Wilhelms-Uni Versität Bonn Method and device for decryption-secure transfer of data
CN108989603A (zh) * 2018-07-18 2018-12-11 上海理工大学 基于自编码器结合关联成像的图像加密方法
CN111800251A (zh) * 2020-05-21 2020-10-20 北京邮电大学 基于混沌源的图像压缩感知加密、解密方法、装置及系统
CN112597519A (zh) * 2020-12-28 2021-04-02 杭州电子科技大学 Ofdm加密系统中基于卷积神经网络的无密钥解密方法
CN112395636A (zh) * 2021-01-19 2021-02-23 国网江西省电力有限公司信息通信分公司 电网数据加密模型训练方法、系统、存储介质及设备

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Study on an optical encryption algorithm based on compressive ghost imaging and super-resolution reconstruction;han Wenjie et al.;《LASER PHYSICS》;20181012;第28卷(第12期);全文 *
基于整数矩阵乘法的图像加密算法;徐丽新等;《电子制作》;20190501(第09期);全文 *

Also Published As

Publication number Publication date
CN113343270A (zh) 2021-09-03

Similar Documents

Publication Publication Date Title
Yang et al. Combined wireless network intrusion detection model based on deep learning
CN113177132B (zh) 基于联合语义矩阵的深度跨模态哈希的图像检索方法
CN111552849B (zh) 可搜索加密方法、系统、存储介质、车载网、智能电网
CN112001788B (zh) 一种基于rf-dbscan算法的信用卡违约欺诈识别方法
CN111008224A (zh) 一种基于深度多任务表示学习的时间序列分类和检索方法
CN116386899A (zh) 基于图学习的药物疾病关联关系预测方法及相关设备
CN114626435A (zh) 一种高准确率的滚动轴承智能故障特征选择方法
CN115171905A (zh) 一种基于独热编码无监督聚类的肿瘤患者相似性计算方法
CN110543913A (zh) 一种基于遗传算法的近邻传播聚类方法
CN113343270B (zh) 一种基于人工智能的加密数据重构方法与系统
CN110851959A (zh) 一种融合深度学习和分位数回归的风速区间预测方法
Huan et al. River dissolved oxygen prediction based on random forest and LSTM
CN111092873A (zh) 非对称卷积网络的流量检测模型的训练方法及检测方法
CN115659807A (zh) 一种基于贝叶斯优化模型融合算法对人才表现预测的方法
CN115116616A (zh) 基于组内组间优化的多重插补的乳腺癌缺失数据插补模型
CN114757433A (zh) 一种饮用水源抗生素抗性相对风险快速识别方法
CN113472515A (zh) 用于侧信道攻击的深度学习模型的评价与训练方法
Müller et al. An Integrated Graph Neural Network for Supervised Non-obvious Relationship Detection in Knowledge Graphs.
Xue et al. Large-scale complex ontology matching through anchor-based semantic partitioning technique and confidence matrix based evolutionary algorithm
Wang et al. Intelligent mesh generation for crack simulation using graph neural networks
CN112766312B (zh) 用户信息获取方法、电子设备和介质
CN115604027B (zh) 网络指纹识别模型训练方法、识别方法、设备及存储介质
CN117036910B (zh) 一种基于多视图及信息瓶颈的医学图像训练方法
CN113252586B (zh) 高光谱图像重建方法、终端设备及计算机可读存储介质
CN112199514B (zh) 一种基于知识图谱的搜索引擎可信搜索方法

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