CN114338241B - 数据加解密方法和装置及采用该装置的网络路由器 - Google Patents

Abstract

本申请提供数据加解密方法和装置及采用该装置的网络路由器，应用于数据加解密系统的接收端，所述数据加解密系统还包括发送端，所述接收端包括第一图像获取模块，所述方法包括：接收所述发送端发送的加密数据；基于所述第一图像获取模块获取用户的身份信息；利用神经网络模型确认所述身份信息是否为指定信息；若是，基于所述指定信息生成私钥；基于所述私钥对所述加密数据进行解密，获取原始数据。本申请利用神经网络模型确认用户的身份信息为指定信息时，才基于指定信息生成私钥，避免了在交换私钥时被其他成员截获，本申请只有满足指定信息的对应的身份信息的用户才能够对加密的数据进行解密，增加了数据的安全性。

Description

数据加解密方法和装置及采用该装置的网络路由器

技术领域

本申请涉及数据技术领域，尤其涉及数据加解密方法和装置及采用该装置的网络路由器。

背景技术

目前，随着社会的发展和科技的进步，越来越多的数据需要进行传输。对于未加密的明文数据，容易被截获甚至篡改，因此需要对明文数据进行加密传输，接收端接收到数据后再对加密的数据进行解密，从而增加数据的机密性（Confidentiality）、完整性（Integrity）以及可用性（Availability）。然而，现有的加解密方法安全性不足。

发明内容

本申请实施例提供数据加解密方法和装置及采用该装置的网络路由器，利用神经网络模型确认用户的身份信息为指定信息时，才基于指定信息生成私钥，避免了在交换私钥时被其他成员截获，本申请只有满足指定信息的对应的身份信息的用户才能够对加密的数据进行解密，增加了数据的安全性。

为达到上述目的，本申请采用如下技术方案：

第一方面，提供一种数据加解密方法，应用于数据加解密系统的接收端，所述数据加解密系统还包括发送端，所述接收端包括第一图像获取模块，所述方法包括：接收所述发送端发送的加密数据；基于所述第一图像获取模块获取用户的身份信息；利用神经网络模型确认所述身份信息是否为指定信息；若是，基于所述指定信息生成私钥；基于所述私钥对所述加密数据进行解密，获取原始数据；所述指定信息为图片信息，所述图片信息包括二维向量合集，所述基于所述指定信息生成私钥，包括：利用向量重构模型将所述二维向量合集进行降维处理，得到一维向量合集；利用预处理模型获取所述一维向量合集对应的摘要信息，所述一维向量与所述一维向量对应的摘要信息唯一对应；基于所述摘要信息生成所述私钥。

根据第一方面所述的方法可知，本申请利用神经网络模型确认用户的身份信息为指定信息时，才基于指定信息生成私钥，避免了在交换私钥时被其他成员截获，本申请只有满足指定信息的对应的身份信息的用户才能够对加密的数据进行解密，增加了数据的安全性。还可以通过获取指定信息，即图片信息，对应的一维向量合集的摘要信息，生成私钥。通过预处理模块获取到的摘要信息可以和输入该预处理模块的一维向量进行唯一对应，因此可以保证每一次通过指定信息获取到的私钥都是相同的，即可以保证能将通过该指定信息获取到的公钥加密的信息进行解密。提高了数据的机密性。

结合第一方面，在一种可能的设计方案中，所述二维向量合集包括M个1*N的向量，所述利用向量重构模型将所述二维向量合集进行降维处理，得到一维向量合集，包括：基于i确认所述M个1*N的向量中的第i个1*N的向量作为目标1*N的向量，其中所述i取1至M的任意整数；基于j确认所述目标1*N的向量中第j个向量作为目标向量，其中所述j取1至N的任意整数；基于所述目标向量将所述二维向量合集进行降维处理，得到一维向量合集。

根据可能的设计方案可知，本实施例可以通过指定不同的i以及j，从而通过相同的指定信息获取到的一维向量合集也是不同的，进而通过不同的一维向量合集可以获取到不同的摘要信息，从而获取到不同的私钥。即对相同的指定信息，可以基于不同的i以及j，获取到不同的私钥。即使在指定信息发生泄漏时，若不知道与该私钥匹配的i以及j，也无法通过指定信息获取到正确的私钥，提高了数据的机密性。

结合第一方面，在一种可能的设计方案中，所述基于所述目标向量将所述二维向量合集进行降维处理，得到一维向量合集，包括：从所述M个1*N的向量中确认所述目标向量所在的第i个1*N的向量作为待处理1*N的向量；将所述待处理1*N的向量中第j个向量作为所述一维向量合集的起始向量；将所述待处理1*N的向量中第j个向量之后的每一个向量依次放入所述一维向量合集中，将所述待处理1*N的向量中从第一个向量开始至所述待处理1*N的向量中第j个向量前一个向量依次放入所述一维向量合集；将所述待处理1*N的向量从所述M个1*N的向量中去除，得到第一待降维向量；从所述第一待降维向量中重新确认所述待处理1*N的向量，并执行将所述待处理1*N的向量中第j个向量作为所述一维向量合集的起始向量，将所述待处理1*N的向量中第j个向量之后的每一个向量依次放入所述一维向量合集中，将所述待处理1*N的向量中从第一个向量开始至所述待处理1*N的向量中第j个向量前一个向量依次放入所述一维向量合集，将所述待处理1*N的向量从所述M个1*N的向量中去除，得到第二待降维向量，重复上述步骤，直至所述第二待降维向量不包括所述待处理1*N的向量。

结合第一方面，在一种可能的设计方案中，所述从所述第一待降维向量中重新确认所述待处理1*N的向量，包括：从所述第一待降维向量中确定第一个所述1*N的向量为所述待处理1*N的向量。

根据可能的设计方案可知，本实施例基于i和j对二维向量合集进行降维处理，获取到一维向量合集。通过不规律的遍历每一个二维向量合集中向量的方式，得到一维向量合集，在指定信息以及i和j同时发生泄露的情况下，还能保证无法简单通过指定信息以及i和j获取到一位向量合集，提高了数据的机密性。

结合第一方面，在一种可能的设计方案中，所述利用神经网络模型确认所述身份信息是否为指定信息之前，还包括：基于初始模型获取样本图像中的初始人脸；获取样本人脸，所述样本人脸为所述样本图像对应的标准人脸；获取所述初始人脸与所述标准人脸的特征差异；基于所述特征差异训练所述初始模型，以降低所述样本人脸与所述标准人脸的特征差异；若训练后的所述初始模型满足指定条件，将训练后的所述初始模型作为所述神经网络模型。

根据可能的设计方案可知，本实施例通过使用样本图像对初始模型进行训练，获取到满足指定条件的神经网络模型。由于通过第一图像获取模块每次获取到的同一用户的用户信息也会出现不同，因此可以通过该神经网络模型确定用户信息与存储的指定信息是否相同，当相同时，使用指定信息来获取私钥。增加了该系统的鲁棒性。

第二方面，提供一种数据加解密方法，应用于数据加解密系统的发送端，所述数据加解密系统还包括接收端，所述发送端包括第二图像获取模块，所述方法包括：基于所述第二图像获取模块获取用户的指定信息；基于所述指定信息生成公钥；基于所述公钥对原始数据进行加密，获取加密数据；向接收端发送所述加密数据。

根据第二方面所述的方法可知，将第二图像获取模块获取到的用户信息作为指定信息，再基于该指定信息生成公钥，通过公钥对原始数据进行加密后将加密数据发送给接收端。即发送加密的信息的用户通过自己的用户信息对原始数据进行加密，提高了数据的机密性。

结合第二方面，在一种可能的设计方案中，所述指定信息为图片信息，所述图片信息包括二维向量合集，所述基于所述指定信息生成公钥，包括：利用向量重构模型将所述二维向量合集进行降维处理，得到一维向量合集；利用预处理模型获取所述一维向量合集对应的摘要信息，所述一维向量与所述一维向量对应的摘要信息唯一对应；基于所述摘要信息生成所述公钥。

根据可能的设计方案可知，本实施例可以通过获取指定信息，即图片信息，对应的一维向量合集的摘要信息，生成公钥。通过预处理模块获取到的摘要信息可以和输入该预处理模块的一维向量进行唯一对应，因此可以保证每一次通过指定信息获取到的公钥都是相同的，即可以保证能通过该指定信息获取到的公钥对原始数据进行加密。提高了数据的机密性。

第三方面，提供一种数据加解密装置，应用于数据加解密系统的接收端，所述数据加解密系统还包括发送端，所述接收端包括第一图像获取模块，所述数据加解密装置包括：接收单元，用于接收所述发送端发送的加密数据；第一获取单元，用于基于所述第一图像获取模块获取用户的身份信息；第一处理单元，用于利用神经网络模型确认所述身份信息是否为指定信息；若是，基于所述指定信息生成私钥；所述指定信息为图片信息，所述图片信息包括二维向量合集，所述基于所述指定信息生成私钥，包括：利用向量重构模型将所述二维向量合集进行降维处理，得到一维向量合集；利用预处理模型获取所述一维向量合集对应的摘要信息，所述一维向量与所述一维向量对应的摘要信息唯一对应；基于所述摘要信息生成所述私钥；解密单元，用于基于所述私钥对所述加密数据进行解密，获取原始数据。

此外，第三方面所述的数据加解密装置的技术效果可以参考第一方面所述的数据加解密方法的技术效果，此处不再赘述。

第四方面，提供一种数据加解密装置，应用于数据加解密系统的发送端，所述数据加解密系统还包括接收端，所述发送端包括第二图像获取模块，所述数据加解密装置包括：第二获取单元，用于基于所述第二图像获取模块获取指定信息；第二处理单元，用于基于所述指定信息生成公钥；加密单元，用于基于所述公钥对原始数据进行加密，获取加密数据；发送单元，用于向所述接收端发送所述加密数据。

此外，第四方面所述的数据加解密装置的技术效果可以参考第二方面所述的数据加解密方法的技术效果，此处不再赘述。

第五方面，本申请实施例提供了一种网络路由器，包括：上述第三方面或第四方面所述的数据加解密装置；或者，包括：一个或多个处理器；存储器；图像获取模块；一个或多个应用程序，其中所述一个或多个应用程序被存储在所述存储器中并被配置为由所述一个或多个处理器执行，所述一个或多个应用程序配置用于执行方面中的任意一种可能的实现方式所述的方法。

附图说明

图1为本申请实施例提供的数据加解密方法的应用场景图；

图2为本申请实施例提供的数据加解密方法的方法流程图；

图3为本申请又一实施例提供的数据加解密方法的方法流程图；

图4为本申请实施例提供的数据加解密装置的结构框图；

图5为本申请又一实施例提供的数据加解密装置的结构框图；

图6为本申请实施例提供的可读存储介质的结构示意图。

图中标记：数据加解密系统-100；接收端-110；发送端-120；第一图像获取模块-111；第二图像获取模块-121；数据加解密装置-400；接收单元-410；第一获取单元-420；第一处理单元-430；解密单元-440；数据加解密装置-500；第二获取单元-510；第二处理单元-520；加密单元-530；发送单元-540；网络路由器-2000；处理器-2001；存储器-2002；收发器-2003；处理器-2004；图像处理模块-2005。

具体实施方式

下面结合附图，对本申请中的技术方案进行描述。

在本申请实施例中，“示例地”、“例如”等词用于表示作例子、例证或说明。本申请中被描述为“示例”的任何实施例或设计方案不应被解释为比其它实施例或设计方案更优选或更具优势。确切而言，使用示例的一词旨在以具体方式呈现概念。此外，在本申请实施例中，“和/或”所表达的含义可以是两者都有，或者可以是两者任选其一。

本申请实施例中，“图像”，“图片”有时可以混用，应当指出的是，在不强调其区别时，其所要表达的含义是一致的。“的(of)”，“相应的（corresponding，relevant）”和“对应的(corresponding)”有时可以混用，应当指出的是，在不强调其区别时，其所要表达的含义是一致的。

本申请实施例中，有时候下标如W₁可能会笔误为非下标的形式如W1，在不强调其区别时，其所要表达的含义是一致的。

目前，随着社会的发展和科技的进步，越来越多的数据需要进行传输。对于未加密的明文数据，容易被截获甚至篡改，因此需要对明文数据进行加密传输，接收端接收到数据后再对加密的数据进行解密，从而增加数据的机密性（Confidentiality）、完整性（Integrity）以及可用性（Availability）。如何对数据进行更安全的加解密，成为亟待解决的问题。

一般可以通过非对称加密对明文数据进行加密后传输。非对称加密算法需要两个密钥：公开密钥(publickey:简称公钥)和私有密钥(privatekey:简称私钥)。公钥与私钥是一对，如果用公钥对数据进行加密，只有用对应的私钥才能解密。非对称加密算法实现机密信息交换的基本过程是：甲方生成一对密钥并将公钥公开，需要向甲方发送信息的其他角色(乙方)使用该密钥(甲方的公钥)对机密信息进行加密后再发送给甲方；甲方再用自己私钥对加密后的信息进行解密。甲方想要回复乙方时正好相反，使用乙方的公钥对数据进行加密，同理，乙方使用自己的私钥来进行解密。然而，发明人在研究中发现，传统非对称算法中，在对私钥进行交换时，若被截获将会使截获私密的人可以随意对加密数据进行解密。

因此，为了克服上述缺陷，本申请实施例提供了一种数据加解密方法，应用于数据加解密系统的接收端，所述数据加解密系统还包括发送端，所述接收端包括第一图像获取模块，所述方法包括：接收所述发送端发送的加密数据；基于所述第一图像获取模块获取用户的身份信息；利用神经网络模型确认所述身份信息是否为指定信息；若是，基于所述指定信息生成私钥；基于所述私钥对所述加密数据进行解密，获取原始数据。本申请利用神经网络模型确认用户的身份信息为指定信息时，才基于指定信息生成私钥，避免了在交换私钥时被其他成员截获，本申请只有满足指定信息的对应的身份信息的用户才能够对加密的数据进行解密，增加了数据的安全性。

请参阅图1，图1示出了本申请实施例提供的一种数据加解密方法的应用场景图，即数据加解密系统100，该数据加解密系统100包括接收端110以及发送端120，其中接收端110以及发送端120相连接。具体的，接收端110还包括第一图像获取模块111以及第二图像获取模块121。

对于一些实施方式，发送端120可以将原始数据进行加密获得加密数据，发送给接收端110，接收端110接收到加密数据后进行解密获得原始数据。其中，一种示例性的，发送端120和接收端110之间可以通过互联网相连接，例如，发送端120和接收端110都接入互联网，将加密数据通过互联网进行传输。另一种示例性的，发送端120和接收端110之间还可以直接通过网络电缆进行连接，例如网线或光缆等。本申请对发送端120和接收端110之间连接方式不做限定。

第一图像获取模块111可以采集用户的身份信息并发送给接收端110进行处理，第二图像获取模块121可以采集用户的指定信息，发送给发送端120进行处理。具体的，第一图像获取模块111以及第二图像获取模块121可以为摄像头。

请参阅图2，图2示出了本申请实施例提供的数据加解密方法的方法流程图，该方法可以应用于图1所述的加解密系统100中的接收端110。具体的，该方法包括步骤S210至步骤S250。

步骤S210：接收所述发送端发送的加密数据。

步骤S220：基于所述第一图像获取模块获取用户的身份信息。

步骤S230：利用神经网络模型确认所述身份信息是否为指定信息。

步骤S240：若是，基于所述指定信息生成私钥；利用向量重构模型将所述二维向量合集进行降维处理，得到一维向量合集；利用预处理模型获取所述一维向量合集对应的摘要信息，所述一维向量与所述一维向量对应的摘要信息唯一对应；基于所述摘要信息生成所述私钥。

步骤S250：基于所述私钥对所述加密数据进行解密，获取原始数据。

对于一些实施方式，可以首先获取发送端发送的加密数据。然后利用第一图像获取模块采集用户的身份信息，再通过神经网络模型确认所述身份信息是否为指定信息，其中，该指定信息可以为预先获取到的用户的标准信息。当份信息为指定信息时，可以基于所述指定信息生成私钥，最后基于所述私钥对所述加密数据进行解密，获取原始数据。

本申请利用神经网络模型确认用户的身份信息为指定信息时，才基于指定信息生成私钥，避免了在交换私钥时被其他成员截获，本申请只有满足指定信息的对应的身份信息的用户才能够对加密的数据进行解密，增加了数据的安全性。

可选的，在执行步骤S230：利用神经网络模型确认所述身份信息是否为指定信息之前，还可以通过样本图像对初始模型进行训练，从而获得神经网络模型。具体的可以包括：基于初始模型获取样本图像中的初始人脸；获取样本人脸，所述样本人脸为所述样本图像对应的标准人脸；获取所述初始人脸与所述标准人脸的特征差异；基于所述特征差异训练所述初始模型，以降低所述样本人脸与所述标准人脸的特征差异；若训练后的所述初始模型满足指定条件，将训练后的所述初始模型作为所述神经网络模型。其中样本图像可以为通过网络获取的带有人脸的图片，样本人脸为样本图像中的标准人脸。

本实施例通过使用样本图像对初始模型进行训练，获取到满足指定条件的神经网络模型。由于通过第一图像获取模块每次获取到的同一用户的用户信息也会出现不同，因此可以通过该神经网络模型确定用户信息与存储的指定信息是否相同，当相同时，使用指定信息来获取私钥。增加了该系统的鲁棒性。

对于一些实施方式，指定信息可以为预先录入的用户的人脸信息，可以为一个，也可以为多个，例如多个用户的人脸信息。通过神经网络模型确认第一图像获取模块获取到的用户的身份信息是否为指定信息，或指定信息中的任意至少一个。若是，可以基于该指定信息生成私钥。

对于一些实施方式，该指定信息可以为图片信息，该图片信息可以由二维向量合集构成。因此可以通过将二维向量合集降维处理得到一维向量合集，再通过预处理模型获取该一维向量合集对应的摘要信息，通过摘要信息生成私钥。容易理解的是，由完全相同的信息每次生成的私钥以及公钥对可以是完全相同的。该预处理模型可以为信息摘要算法5模型或哈希算法模型。容易理解的是，相同的一维向量合集通过该预处理模型，可以获取到相同的摘要信息，因此若对相同的指定信息，每次都采用相同的步骤则可以获取到相同的公钥以及私钥。提高了数据的机密性。

可选的，在执行利用向量重构模型将所述二维向量合集进行降维处理，得到一维向量合集时，还可以包括：基于i确认所述M个1*N的向量中的第i个1*N的向量作为目标1*N的向量，其中所述i取1至M的任意整数；基于j确认所述目标1*N的向量中第j个向量作为目标向量，其中所述j取1至N的任意整数；基于所述目标向量将所述二维向量合集进行降维处理，得到一维向量合集。

对于一些实施方式，所述二维向量合集可以包括M个1*N的向量，可以通过取出二维向量合集中的每一个向量，重新构成一位向量合集。可以首先获取i和j，其中i和j可以通过用户输入，也可以通过预先设定，此处不做限定。具体的，可以基于i确认所述M个1*N的向量中的第i个1*N的向量作为目标1*N的向量，其中所述i取1至M的任意整数；基于j确认所述目标1*N的向量中第j个向量作为目标向量，其中所述j取1至N的任意整数。一种示例性的，若M为3，N为3，i为1，j为2，则可以确定3个1*N的向量中的第1个1*N向量为目标1*N向量，该目标1*N向量中的第2个向量为目标向量。然后基于获取到的目标向量，将所述二维向量合集进行降维处理，得到一维向量合集。

本实施例可以通过指定不同的i以及j，从而通过相同的指定信息获取到的一维向量合集也是不同的，进而通过不同的一维向量合集可以获取到不同的摘要信息，从而获取到不同的私钥。即对相同的指定信息，可以基于不同的i以及j，获取到不同的私钥。即使在指定信息发生泄漏时，若不知道与该私钥匹配的i以及j，也无法通过指定信息获取到正确的私钥，提高了数据的机密性。

可选的，在执行基于所述目标向量将所述二维向量合集进行降维处理，得到一维向量合集时，还可以包括：从所述M个1*N的向量中确认所述目标向量所在的第i个1*N的向量作为待处理1*N的向量；将所述待处理1*N的向量中第j个向量作为所述一维向量合集的起始向量；将所述待处理1*N的向量中第j个向量之后的每一个向量依次放入所述一维向量合集中，将所述待处理1*N的向量中从第一个向量开始至所述待处理1*N的向量中第j个向量前一个向量依次放入所述一维向量合集；将所述待处理1*N的向量从所述M个1*N的向量中去除，得到第一待降维向量；从所述第一待降维向量中重新确认所述待处理1*N的向量，并执行将所述待处理1*N的向量中第j个向量作为所述一维向量合集的起始向量，将所述待处理1*N的向量中第j个向量之后的每一个向量依次放入所述一维向量合集中，将所述待处理1*N的向量中从第一个向量开始至所述待处理1*N的向量中第j个向量前一个向量依次放入所述一维向量合集，将所述待处理1*N的向量从所述M个1*N的向量中去除，得到第二待降维向量，重复上述步骤，直至所述第二待降维向量不包括所述待处理1*N的向量。

一种示例性的，若M为3，N为3，i为1，j为2，则可以获取第1个1*N的向量为待处理1*N的向量。将待处理1*N的向量中第2个向量取出作为一维向量合集的第1个向量，将待处理1*N的向量中第3个向量取出作为一维向量合集的第2个向量，将待处理1*N的向量中第1个向量取出作为一维向量合集的第3个向量。此时该第1个1*N的向量中的向量都已经放入一位向量合集，将所述待处理1*N的向量从所述M个1*N的向量中去除，得到第一待降维向量，即2个1*N的向量。然后再从所述第一待降维向量中重新确认所述待处理1*N的向量，并重新执行上述方法，将所述待处理1*N的向量从所述M个1*N的向量中去除，得到第二待降维向量，直至第二待降维向量不包括所述待处理1*N的向量。

可选的，在执行从所述第一待降维向量中重新确认所述待处理1*N的向量时，可以包括：从所述第一待降维向量中确定第一个所述1*N的向量为所述待处理1*N的向量。一种示例性的可以从第一待降维向量中确定第一个1*N的向量为所述待处理1*N的向量，例如，若得到第一待降维向量为2个1*N的向量，则可以确定其中第一个1*N的向量为所述待处理1*N的向量。然后再执行上述步骤，将所述待处理1*N的向量从所述M个1*N的向量中去除，得到第二待降维向量，具体的此处就不再赘述。直至所述第二待降维向量不包括所述待处理1*N的向量。此时即将二维向量合集中的每一个向量都取出到一维向量合集中，实现了降维处理。

本实施例基于i和j对二维向量合集进行降维处理，获取到一维向量合集。通过不规律的遍历每一个二维向量合集中向量的方式，得到一维向量合集，在指定信息以及i和j同时发生泄露的情况下，还能保证无法简单通过指定信息以及i和j获取到一位向量合集，提高了数据的机密性。

请参阅图3，图3示出了本申请实施例提供的数据加解密方法的方法流程图，该方法可以应用于图1所述的加解密系统100中的发送端120。具体的，该方法包括步骤S310至步骤S350。

步骤S310：基于所述第二图像获取模块获取用户的指定信息。

步骤S320：基于所述指定信息生成公钥。

步骤S330：基于所述公钥对原始数据进行加密，获取加密数据。

步骤S340：向所述接收端发送所述加密数据。

对于一些实施方式，可以基于第二图像获取模块获取用户的指定信息，该指定信息可以为图像信息，然后基于该指定信息生成公钥。再通过该公钥对原始数据进行加密，获取到加密数据，将该加密数据发送至接收端。

可选的，在执行步骤S320：基于所述指定信息生成公钥时，还可以包括：利用向量重构模型将所述二维向量合集进行降维处理，得到一维向量合集；利用预处理模型获取所述一维向量合集对应的摘要信息，所述一维向量与所述一维向量对应的摘要信息唯一对应；基于所述摘要信息生成所述公钥。需要说明的是，通过第二图像获取模块获取到的用户的图像信息，可以作为指定信息存放于发送端以及存储端。其中，该指定信息可以为一个用户的图像信息，也可以为多个用户的多个图像信息。

其中，该向量重构模型和前述实施例中的向量重构模型类似，此处就不再赘述。对于相同的指定信息，每次生成的公钥都是相同的，且通过该指定信息生成的公钥前述实施例中接收端通过该指定信息生成的私钥是成对的。即通过该指定信息生成的公钥，对原始数据进行加密，然后在接收端接收到该加密信息后，在接收端通过指定信息生成私钥，容易理解的是该私钥和公钥是成对的，因此可以使用该私钥对公钥加密的加密信息进行解密，从而在接收端获取到初始信息。

本实施例可以通过获取指定信息，即图片信息，对应的一维向量合集的摘要信息，生成公钥。通过预处理模块获取到的摘要信息可以和输入该预处理模块的一维向量进行唯一对应，因此可以保证每一次通过指定信息获取到的公钥都是相同的，即可以保证能通过该指定信息获取到的公钥对原始数据进行加密。提高了数据的机密性。

基于图2和3详细说明了本申请实施例提供的数据加解密方法，以下将详细说明与本申请实施例提供的数据加解密方法对应的虚拟装置，即数据加解密装置。

示例性地，图4是本申请实施例提供的数据加解密装置400的结构示意图。如图4所示，数据加解密装置400包括：接收单元410、第一获取单元420、第一处理单元430以及解密单元440。

为了便于说明，图4仅示出了该数据加解密装置400的主要部件。

接收单元410，用于接收所述发送端发送的加密数据。

第一获取单元420，用于基于所述第一图像获取模块获取用户的身份信息。

第一处理单元430，用于利用神经网络模型确认所述身份信息是否为指定信息；若是，基于所述指定信息生成私钥；所述指定信息为图片信息，所述图片信息包括二维向量合集，所述基于所述指定信息生成私钥，包括：利用向量重构模型将所述二维向量合集进行降维处理，得到一维向量合集；利用预处理模型获取所述一维向量合集对应的摘要信息，所述一维向量与所述一维向量对应的摘要信息唯一对应；基于所述摘要信息生成所述私钥。

进一步的，第一处理单元430还用于基于i确认所述M个1*N的向量中的第i个1*N的向量作为目标1*N的向量，其中所述i取1至M的任意整数；基于j确认所述目标1*N的向量中第j个向量作为目标向量，其中所述j取1至N的任意整数；基于所述目标向量将所述二维向量合集进行降维处理，得到一维向量合集。

进一步的，第一处理单元430还用于从所述M个1*N的向量中确认所述目标向量所在的第i个1*N的向量作为待处理1*N的向量；将所述待处理1*N的向量中第j个向量作为所述一维向量合集的起始向量；将所述待处理1*N的向量中第j个向量之后的每一个向量依次放入所述一维向量合集中，将所述待处理1*N的向量中从第一个向量开始至所述待处理1*N的向量中第j个向量前一个向量依次放入所述一维向量合集；将所述待处理1*N的向量从所述M个1*N的向量中去除，得到第一待降维向量；从所述第一待降维向量中重新确认所述待处理1*N的向量，并执行将所述待处理1*N的向量中第j个向量作为所述一维向量合集的起始向量，将所述待处理1*N的向量中第j个向量之后的每一个向量依次放入所述一维向量合集中，将所述待处理1*N的向量中从第一个向量开始至所述待处理1*N的向量中第j个向量前一个向量依次放入所述一维向量合集，将所述待处理1*N的向量从所述M个1*N的向量中去除，得到第二待降维向量，重复上述步骤，直至所述第二待降维向量不包括所述待处理1*N的向量。

进一步的，第一处理单元430还用于从所述待降维向量中确定第一个所述1*N的向量为所述待处理1*N的向量。

解密单元440，用于基于所述私钥对所述加密数据进行解密，获取原始数据。

此外，数据加解密装置400的技术效果可以参考前述任一数据加解密方法的技术效果，此处不再赘述。

示例性地，图5是本申请实施例提供的数据加解密装置500的结构示意图。如图5所示，数据加解密装置500包括：第二获取单元510、第二处理单元520、加密单元530以及发送单元540。

第二获取单元510，用于基于所述第二图像获取模块获取指定信息；

第二处理单元520，用于基于所述指定信息生成公钥；

进一步的，第二处理单元520还用于利用向量重构模型将所述二维向量合集进行降维处理，得到一维向量合集；利用预处理模型获取所述一维向量合集对应的摘要信息，所述一维向量与所述一维向量对应的摘要信息唯一对应；基于所述摘要信息生成所述公钥。

加密单元530，用于基于所述公钥对原始数据进行加密，获取加密数据；

发送单元540，用于向所述接收端发送所述加密数据。

为了便于说明，图5仅示出了该数据加解密装置500的主要部件。

此外，数据加解密装置500的技术效果可以参考前述任一数据加解密方法的技术效果，此处不再赘述。

可选地，本申请实施例还提供一种计算机可读存储介质，计算机可读存储介质包括计算机程序或指令，当所述计算机程序或指令在计算机上运行时，使得本申请任一实施例所提供的数据加解密方法或训练方法被执行。

可选地，本申请实施例还提供一种网络路由器，用于执行本申请任一实施例所提供的数据加解密方法、装置，或者用于执行本申请任一实施例所提供的训练方法、装置。

如图6所示，网络路由器可以包括上述图4或者图5所示的数据加解密装置。可选地，网络路由器2000可以包括处理器2001。

可选地，网络路由器2000还可以包括存储器2002、收发器2003和/或图像获取模块2005。

其中，处理器2001与存储器2002、收发器2003以及图像获取模块2005耦合，如可以通过通信总线连接。

下面结合图6对网络路由器2000的各个构成部件进行具体的介绍：

其中，处理器2001是网络路由器2000的控制中心，可以是一个处理器，也可以是多个处理元件的统称。例如，处理器2001是一个或多个中央处理器（central processingunit，CPU），也可以是特定集成电路（application specific integrated circuit，ASIC），或者是被配置成实施本申请实施例的一个或多个集成电路，例如：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阵列（fieldprogrammable gate array，FPGA）。

可选地，处理器2001可以通过运行或执行存储在存储器2002内的软件程序，以及调用存储在存储器2002内的数据，执行网络路由器2000的各种功能。

在具体的实现中，作为一种实施例，处理器2001可以包括一个或多个CPU，例如图6中所示出的CPU0和CPU1。

在具体实现中，作为一种实施例，网络路由器2000也可以包括多个处理器，例如图6中所示的处理器2001和处理器2004。这些处理器中的每一个可以是一个单核处理器（single-CPU），也可以是一个多核处理器（multi-CPU）。这里的处理器可以指一个或多个设备、电路、和/或用于处理数据（例如计算机程序指令）的处理核。

其中，所述存储器2002用于存储执行本申请方案的软件程序，并由处理器2001来控制执行，具体实现方式可以参考上述方法实施例，此处不再赘述。

可选地，存储器2002可以是只读存储器（read-only memory，ROM）或可存储静态信息和指令的其他类型的静态存储设备，随机存取存储器（random access memory，RAM）或者可存储信息和指令的其他类型的动态存储设备，也可以是电可擦可编程只读存储器（electrically erasable programmable read-only memory，EEPROM）、只读光盘（compactdisc read-only memory，CD-ROM）或其他光盘存储、光碟存储（包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等）、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质，但不限于此。存储器2002可以和处理器2001集成在一起，也可以独立存在，并通过网络路由器2000的接口电路（图6中未示出）与处理器2001耦合，本申请实施例对此不作具体限定。

收发器2003，用于与其他网络路由器之间的通信。例如，网络路由器2000为路由器，收发器2003可以用于与网络设备通信，或者与另一个终端设备通信。又例如，网络路由器2000为网络设备，收发器2003可以用于与终端设备通信，或者与另一个网络设备通信。

可选地，收发器2003可以包括接收器和发送器（图6中未单独示出）。其中，接收器用于实现接收功能，发送器用于实现发送功能。

可选地，收发器2003可以和处理器2001集成在一起，也可以独立存在，并通过网络路由器2000的接口电路（图6中未示出）与处理器2001耦合，本申请实施例对此不作具体限定。

需要说明的是，图6中示出的网络路由器2000的结构并不构成对该网络路由器的限定，实际的网络路由器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。

可选的，图像处理模块2005可以为摄像头，该图像处理模块2005可以采集图像信息，然后发送至处理器进行处理。

此外，网络路由器2000的技术效果可以参考上述方法实施例所述的数据加解密方法的技术效果，此处不再赘述。

应理解，在本申请实施例中的处理器可以是中央处理单元（central processingunit，CPU），该处理器还可以是其他通用处理器、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。

还应理解，本申请实施例中的存储器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（erasable PROM，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，许多形式的随机存取存储器（random accessmemory，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（DRAM）、同步动态随机存取存储器（synchronous DRAM，SDRAM）、双倍数据速率同步动态随机存取存储器（double data rate SDRAM，DDR SDRAM）、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（direct rambus RAM，DR RAM）。

上述实施例，可以全部或部分地通过软件、硬件（如电路）、固件或其他任意组合来实现。当使用软件实现时，上述实施例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或计算机程序。在计算机上加载或执行所述计算机指令或计算机程序时，全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以为通用计算机、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合的服务器、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。半导体介质可以是固态硬盘。

应理解，本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况，其中A,B可以是单数或者复数。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系，但也可能表示的是一种“和/或”的关系，具体可参考前后文进行理解。

本申请中，“至少一个”是指一个或者多个，“多个”是指两个或两个以上。“以下至少一项(个)”或其类似表达，是指的这些项中的任意组合，包括单项（个）或复数项（个）的任意组合。例如，a,b,或c中的至少一项（个），可以表示：a, b, c, a-b, a-c, b-c, 或a-b-c，其中a,b,c可以是单个，也可以是多个。

应理解，在本申请的各种实施例中，上述各过程的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。

本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

在本申请所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。

所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（read-only memory，ROM）、随机存取存储器（random access memory，RAM）、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以所述权利要求的保护范围为准。

Claims (3)

1.数据加解密方法，其特征在于，应用于数据加解密系统的接收端，所述数据加解密系统还包括发送端，所述接收端包括第一图像获取模块，所述方法包括：

接收所述发送端发送的加密数据，所述加密数据由所述发送端基于公钥和原始数据生成，所述公钥由所述发送端采集的用户的指定信息生成；

基于所述第一图像获取模块获取用户的身份信息；

利用神经网络模型确认所述身份信息是否为所述指定信息；

若是，基于所述指定信息生成私钥；

基于所述私钥对所述加密数据进行解密，获取所述原始数据；

所述指定信息为图片信息，所述图片信息包括二维向量合集，所述基于所述指定信息生成私钥，包括：

利用向量重构模型将所述二维向量合集进行降维处理，得到一维向量合集；

利用预处理模型获取所述一维向量合集对应的摘要信息，所述一维向量与所述一维向量对应的摘要信息唯一对应；

基于所述摘要信息生成所述私钥；

所述二维向量合集包括M个1*N的向量，所述利用向量重构模型将所述二维向量合集进行降维处理，得到一维向量合集，包括：

基于i确认所述M个1*N的向量中的第i个1*N的向量作为目标1*N的向量，其中所述i取1至M的任意整数；

基于j确认所述目标1*N的向量中第j个向量作为目标向量，其中所述j取1至N的任意整数；

基于所述目标向量将所述二维向量合集进行降维处理，得到一维向量合集；

所述基于所述目标向量将所述二维向量合集进行降维处理，得到一维向量合集，包括：

从所述M个1*N的向量中确认所述目标向量所在的第i个1*N的向量作为待处理1*N的向量；

将所述待处理1*N的向量中第j个向量作为所述一维向量合集的起始向量；

将所述待处理1*N的向量中第j个向量之后的每一个向量依次放入所述一维向量合集中，将所述待处理1*N的向量中从第一个向量开始至所述待处理1*N的向量中第j个向量前一个向量依次放入所述一维向量合集；

将所述待处理1*N的向量从所述M个1*N的向量中去除，得到第一待降维向量；

从所述第一待降维向量中重新确认所述待处理1*N的向量，并执行将所述待处理1*N的向量中第j个向量作为所述一维向量合集的起始向量，将所述待处理1*N的向量中第j个向量之后的每一个向量依次放入所述一维向量合集中，将所述待处理1*N的向量中从第一个向量开始至所述待处理1*N的向量中第j个向量前一个向量依次放入所述一维向量合集，将所述待处理1*N的向量从所述M个1*N的向量中去除，得到第二待降维向量，重复上述步骤，直至所述第二待降维向量不包括所述待处理1*N的向量；

所述从所述第一待降维向量中重新确认所述待处理1*N的向量，包括：

从所述第一待降维向量中确定第一个所述1*N的向量为所述待处理1*N的向量；

所述利用神经网络模型确认所述身份信息是否为指定信息之前，还包括：

基于初始模型获取样本图像中的初始人脸；

获取样本人脸，所述样本人脸为所述样本图像对应的标准人脸；

获取所述初始人脸与所述标准人脸的特征差异；

基于所述特征差异训练所述初始模型，以降低所述样本人脸与所述标准人脸的特征差异；

若训练后的所述初始模型满足指定条件，将训练后的所述初始模型作为所述神经网络模型；

所述方法还应用于数据加解密系统的发送端，所述数据加解密系统还包括接收端，所述发送端包括第二图像获取模块，所述方法包括：

基于所述第二图像获取模块获取用户的指定信息；

基于所述指定信息生成公钥；

基于所述公钥对原始数据进行加密，获取加密数据；

向所述接收端发送所述加密数据；

所述指定信息为图片信息，所述图片信息包括二维向量合集，所述基于所述指定信息生成公钥，包括：

利用向量重构模型将所述二维向量合集进行降维处理，得到一维向量合集；

利用预处理模型获取所述一维向量合集对应的摘要信息，所述一维向量与所述一维向量对应的摘要信息唯一对应；

基于所述摘要信息生成所述公钥。

2.一种数据加解密装置，其特征在于，应用于数据加解密系统的接收端，所述数据加解密系统还包括发送端，所述接收端包括第一图像获取模块，所述数据加解密装置包括：

接收单元，用于接收所述发送端发送的加密数据；

第一获取单元，用于基于所述第一图像获取模块获取用户的身份信息；

第一处理单元，用于利用神经网络模型确认所述身份信息是否为指定信息；若是，基于所述指定信息生成私钥；所述指定信息为图片信息，所述图片信息包括二维向量合集，所述基于所述指定信息生成私钥，包括：利用向量重构模型将所述二维向量合集进行降维处理，得到一维向量合集；利用预处理模型获取所述一维向量合集对应的摘要信息，所述一维向量与所述一维向量对应的摘要信息唯一对应；基于所述摘要信息生成所述私钥；

解密单元，用于基于所述私钥对所述加密数据进行解密，获取原始数据；

所述装置应用于数据加解密系统的发送端，所述数据加解密系统还包括接收端，所述发送端包括第二图像获取模块，所述数据加解密装置包括：

第二获取单元，用于基于所述第二图像获取模块获取指定信息；

第二处理单元，用于基于所述指定信息生成公钥；

加密单元，用于基于所述公钥对原始数据进行加密，获取加密数据；

发送单元，用于向所述接收端发送所述加密数据；

所述二维向量合集包括M个1*N的向量，所述利用向量重构模型将所述二维向量合集进行降维处理，得到一维向量合集，包括：

基于i确认所述M个1*N的向量中的第i个1*N的向量作为目标1*N的向量，其中所述i取1至M的任意整数；

基于j确认所述目标1*N的向量中第j个向量作为目标向量，其中所述j取1至N的任意整数；

基于所述目标向量将所述二维向量合集进行降维处理，得到一维向量合集；

所述基于所述目标向量将所述二维向量合集进行降维处理，得到一维向量合集，包括：

从所述M个1*N的向量中确认所述目标向量所在的第i个1*N的向量作为待处理1*N的向量；

将所述待处理1*N的向量中第j个向量作为所述一维向量合集的起始向量；

将所述待处理1*N的向量中第j个向量之后的每一个向量依次放入所述一维向量合集中，将所述待处理1*N的向量中从第一个向量开始至所述待处理1*N的向量中第j个向量前一个向量依次放入所述一维向量合集；

将所述待处理1*N的向量从所述M个1*N的向量中去除，得到第一待降维向量；

从所述第一待降维向量中重新确认所述待处理1*N的向量，并执行将所述待处理1*N的向量中第j个向量作为所述一维向量合集的起始向量，将所述待处理1*N的向量中第j个向量之后的每一个向量依次放入所述一维向量合集中，将所述待处理1*N的向量中从第一个向量开始至所述待处理1*N的向量中第j个向量前一个向量依次放入所述一维向量合集，将所述待处理1*N的向量从所述M个1*N的向量中去除，得到第二待降维向量，重复上述步骤，直至所述第二待降维向量不包括所述待处理1*N的向量；

所述从所述第一待降维向量中重新确认所述待处理1*N的向量，包括：

从所述第一待降维向量中确定第一个所述1*N的向量为所述待处理1*N的向量。

3.一种基于保密通信网络的网络路由器，其特征在于，

包括：权利要求2所述的数据加解密装置；

或者，包括：

一个或多个处理器；

存储器；

图像获取模块；

一个或多个应用程序，其中所述一个或多个应用程序被存储在所述存储器中并被配置为由所述一个或多个处理器执行，所述一个或多个应用程序配置用于执行如权利要求1所述的方法。

Images