CN114926154A - 一种多场景数据识别的保护切换方法及系统 - Google Patents
一种多场景数据识别的保护切换方法及系统 Download PDFInfo
- Publication number
- CN114926154A CN114926154A CN202210850260.2A CN202210850260A CN114926154A CN 114926154 A CN114926154 A CN 114926154A CN 202210850260 A CN202210850260 A CN 202210850260A CN 114926154 A CN114926154 A CN 114926154A
- Authority
- CN
- China
- Prior art keywords
- data
- circulation
- audio
- detection result
- anonymized
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 87
- 238000012545 processing Methods 0.000 claims abstract description 131
- 238000001514 detection method Methods 0.000 claims abstract description 100
- 238000004458 analytical method Methods 0.000 claims abstract description 36
- 238000000605 extraction Methods 0.000 claims abstract description 30
- 238000003860 storage Methods 0.000 claims abstract description 16
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 11
- 238000004519 manufacturing process Methods 0.000 claims description 48
- 230000002159 abnormal effect Effects 0.000 claims description 42
- 238000004364 calculation method Methods 0.000 claims description 40
- 230000008569 process Effects 0.000 claims description 25
- 238000004590 computer program Methods 0.000 claims description 14
- 230000008859 change Effects 0.000 claims description 11
- 230000004927 fusion Effects 0.000 claims description 9
- 238000012300 Sequence Analysis Methods 0.000 claims description 8
- 238000004140 cleaning Methods 0.000 claims description 8
- 238000009826 distribution Methods 0.000 claims description 7
- 238000012216 screening Methods 0.000 claims description 7
- 238000012549 training Methods 0.000 claims description 6
- 230000000717 retained effect Effects 0.000 claims description 5
- 238000013503 de-identification Methods 0.000 claims description 3
- 230000001960 triggered effect Effects 0.000 claims description 2
- 238000007405 data analysis Methods 0.000 description 14
- 230000005856 abnormality Effects 0.000 description 11
- 238000010586 diagram Methods 0.000 description 9
- 230000000694 effects Effects 0.000 description 7
- 238000012986 modification Methods 0.000 description 6
- 230000004048 modification Effects 0.000 description 6
- 238000002372 labelling Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 238000011161 development Methods 0.000 description 3
- 238000007689 inspection Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000005094 computer simulation Methods 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 238000007418 data mining Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000010998 test method Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 238000013501 data transformation Methods 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000012731 temporal analysis Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000000700 time series analysis Methods 0.000 description 1
- 238000011144 upstream manufacturing Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/10—Office automation; Time management
- G06Q10/103—Workflow collaboration or project management
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/60—Information retrieval; Database structures therefor; File system structures therefor of audio data
- G06F16/61—Indexing; Data structures therefor; Storage structures
-
- 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
- G06F21/6218—Protecting access to data via a platform, e.g. using keys or access control rules to a system of files or objects, e.g. local or distributed file system or database
- G06F21/6245—Protecting personal data, e.g. for financial or medical purposes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/04—Manufacturing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2211/00—Indexing scheme relating to details of data-processing equipment not covered by groups G06F3/00 - G06F13/00
- G06F2211/007—Encryption, En-/decode, En-/decipher, En-/decypher, Scramble, (De-)compress
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Health & Medical Sciences (AREA)
- Bioethics (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computer Security & Cryptography (AREA)
- Marketing (AREA)
- Data Mining & Analysis (AREA)
- Entrepreneurship & Innovation (AREA)
- Computer Hardware Design (AREA)
- Economics (AREA)
- Databases & Information Systems (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Medical Informatics (AREA)
- Primary Health Care (AREA)
- Multimedia (AREA)
- Manufacturing & Machinery (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Storage Device Security (AREA)
Abstract
本发明公开了一种多场景数据识别的保护切换方法及系统，所述方法包括：搭建多场景数据切换库；对目标物的非结构化音频数据进行实时采集，获得实时采集数据，且作为原始数据；将所述原始数据输入至低阶处理层，对所述原始数据进行加工处理，生成所述原始数据的衍生数据集合；将所述衍生数据集合上传至中阶处理层，基于嵌入的智能检测模型，对所述衍生数据集合进行音频特征提取、音频特征分析，生成对所述原始数据的第一检测结果；将所述第一检测结果上传至云端处理层，基于隐私计算算法，对所述第一检测结果进行数据加密的流通，生成匿名化流通数据；对所述匿名化流通数据进行安全存储，且进行动态更新。
Description
技术领域
本发明涉及数据处理领域，尤其涉及一种多场景数据识别的保护切换方法及系统。
背景技术
数据驱动是实现智能制造的关键步骤，数据所带来的核心价值在于可以真实地反映和描述生产制造过程，这也就为制造过程的分析和优化提供了全新的手段与方法，同时，也是实现从要素驱动向创新驱动转型的有力手段。
然而，现有技术中存在对多场景数据进行处理时，无法对样本数据进行多阶层的层级处理，使得无法对海量样本数据的处理过程进行快速切换，同时，导致最终得到的数据分析结果无法助力于实际的生产制造的技术问题。
发明内容
本发明的目的是提供一种多场景数据识别的保护切换方法及系统，用以解决现有技术中对多场景数据进行处理时，无法对样本数据进行多阶层的层级处理，使得无法对海量样本数据的处理过程进行快速切换，同时，导致最终得到的数据分析结果无法助力于实际的生产制造的技术问题。
鉴于上述问题，本发明提供了一种多场景数据识别的保护切换方法及系统。
第一方面，本发明提供了一种多场景数据识别的保护切换方法，所述方法包括：搭建多场景数据切换库，其中，所述多场景数据切换库包括低阶处理层、中阶处理层以及云端处理层；对目标物的非结构化音频数据进行实时采集，获得实时采集数据，且作为原始数据；将所述原始数据输入至所述低阶处理层，对所述原始数据进行加工处理，生成所述原始数据的衍生数据集合；将所述衍生数据集合上传至所述中阶处理层，基于嵌入的智能检测模型，对所述衍生数据集合进行音频特征提取、音频特征分析，生成对所述原始数据的第一检测结果；将所述第一检测结果上传至所述云端处理层，基于隐私计算算法，对所述第一检测结果进行数据加密的流通，生成匿名化流通数据；对所述匿名化流通数据进行安全存储，且进行动态更新。
另一方面，本发明还提供了一种多场景数据识别的保护切换系统，用于执行如第一方面所述的一种多场景数据识别的保护切换方法，其中，所述系统包括：第一搭建单元，所述第一搭建单元用于搭建多场景数据切换库，其中，所述多场景数据切换库包括低阶处理层、中阶处理层以及云端处理层；第一采集单元，所述第一采集单元用于对目标物的非结构化音频数据进行实时采集，获得实时采集数据，且作为原始数据；第一输入单元，所述第一输入单元用于将所述原始数据输入至所述低阶处理层，对所述原始数据进行加工处理，生成所述原始数据的衍生数据集合；第一上传单元，所述第一上传单元用于将所述衍生数据集合上传至所述中阶处理层，基于嵌入的智能检测模型，对所述衍生数据集合进行音频特征提取、音频特征分析，生成对所述原始数据的第一检测结果；第二上传单元，所述第二上传单元用于将所述第一检测结果上传至所述云端处理层，基于隐私计算算法，对所述第一检测结果进行数据加密的流通，生成匿名化流通数据；第一存储单元，所述第一存储单元用于对所述匿名化流通数据进行安全存储，且进行动态更新。
第三方面，一种电子设备，其中，包括处理器和存储器；
该存储器，用于存储；
该处理器，用于通过调用，执行上述第一方面中任一项所述的方法。
第四方面，一种计算机程序产品，包括计算机程序和/或指令，该计算机程序和/或指令被处理器执行时实现上述第一方面中任一项所述方法的步骤。
本发明中提供的一个或多个技术方案，至少具有如下技术效果或优点：
通过搭建多场景数据切换库，其中嵌入有低阶处理层、中阶处理层以及云端处理层，通过低阶处理层对原始数据进行加工处理，通过中阶处理层对加工处理得到的衍生数据进行特征提取和特征分析，最终，通过云端处理层对检测结果进行隐私加密、数据流通，使得获得目标物的期望匿名化流通数据，便于对当前采集数据进行对比切换，达到了对样本数据进行多阶层的层级处理，实现对海量样本数据的处理过程进行快速切换，同时，使得最终得到的数据分析结果高效助力实际的生产制造的技术效果。
上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明的具体实施方式。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是示例性的，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，还可以根据提供的附图获得其他的附图。
图1为本发明一种多场景数据识别的保护切换方法的流程示意图；
图2为本发明一种多场景数据识别的保护切换方法中生成对所述原始数据的第一检测结果的流程示意图；
图3为本发明一种多场景数据识别的保护切换方法中生成匿名化流通数据的流程示意图；
图4为本发明一种多场景数据识别的保护切换方法中对所述匿名化流通数据进行安全存储的流程示意图；
图5为本发明一种多场景数据识别的保护切换系统的结构示意图；
图6为本发明示例性电子设备的结构示意图。
附图标记说明：
第一搭建单元11，第一采集单元12，第一输入单元13，第一上传单元14，第二上传单元15，第一存储单元16，总线300，接收器301，处理器302，发送器303，存储器304，总线接口305。
具体实施方式
本发明通过提供一种多场景数据识别的保护切换方法及系统，解决现有技术中对多场景数据进行处理时，无法对样本数据进行多阶层的层级处理，使得无法对海量样本数据的处理过程进行快速切换，同时，导致最终得到的数据分析结果无法助力于实际的生产制造的技术问题。
本发明技术方案中对数据的获取、存储、使用、处理等均符合国家法律法规的相关规定。
下面，将参考附图对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本发明的一部分实施例，而不是本发明的全部实施例，应理解，本发明不受这里描述的示例实施例的限制。基于本发明的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部。
本发明提供了一种多场景数据识别的保护切换方法，所述方法包括：通过搭建多场景数据切换库，其中嵌入有低阶处理层、中阶处理层以及云端处理层，通过低阶处理层对原始数据进行加工处理，通过中阶处理层对加工处理得到的衍生数据进行特征提取和特征分析，最终，通过云端处理层对检测结果进行隐私加密、数据流通，使得获得目标物的期望匿名化流通数据，便于对当前采集数据进行对比切换，达到了对样本数据进行多阶层的层级处理，实现对海量样本数据的处理过程进行快速切换，同时，使得最终得到的数据分析结果高效助力实际的生产制造的技术效果。
在介绍了本发明基本原理后，下面将结合说明书附图来具体介绍本发明的各种非限制性的实施方式。
实施例一
请参阅附图1，本发明提供了一种多场景数据识别的保护切换方法，所述方法具体包括如下步骤：
步骤S100：搭建多场景数据切换库，其中，所述多场景数据切换库包括低阶处理层、中阶处理层以及云端处理层；
步骤S200：对目标物的非结构化音频数据进行实时采集，获得实时采集数据，且作为原始数据；
具体而言，数据驱动是实现智能制造的关键步骤，数据所带来的核心价值在于可以真实地反映和描述生产制造过程，这也就为制造过程的分析和优化提供了全新的手段与方法，同时，也是实现从要素驱动向创新驱动转型的有力手段。
然而，现有技术中，在对多场景数据进行处理时，无法对样本数据进行多阶层的层级处理，使得无法对海量样本数据的处理过程进行快速切换，同时，导致最终得到的数据分析结果无法助力于实际的生产制造的技术问题。
为了解决此类问题，本申请提出了一种多场景数据识别的保护切换方法。通过搭建多场景数据切换库，其中嵌入有低阶处理层、中阶处理层以及云端处理层，通过低阶处理层对原始数据进行加工处理，通过中阶处理层对加工处理得到的衍生数据进行特征提取和特征分析，最终，通过云端处理层对检测结果进行隐私加密、数据流通，使得获得目标物的期望匿名化流通数据，便于对当前采集数据进行对比切换，达到了对样本数据进行多阶层的层级处理，实现对海量样本数据的处理过程进行快速切换，同时，使得最终得到的数据分析结果高效助力实际的生产制造的技术效果。
具体的，所述多场景数据切换库可对海量的样本数据进行高效处理、快速切换，在此以制造过程中的空调噪声数据分析为例进行说明，其中，所述多场景数据切换库包括低阶处理层、中阶处理层以及云端处理层，所述低阶处理层可对原始数据进行预处理，包括数据清理、数据变换以及数据规约等过程，使得原始数据处理得到衍生数据，其中，原始数据是指来自上游系统的，没有做过任何加工的数据；衍生数据是指通过对原始数据进行加工处理后产生的数据，衍生数据包括各种数据集市、汇总层、数据分析和挖掘结果等。进而，所述中阶处理层可对衍生数据进行特征提取和分析，使得对衍生数据进行深度挖掘，最终，所述云端处理层可对数据挖掘结果进行隐私加密的数据流通，确保对海量样本数据进行高效的切换处理。
所述目标物即为需要研究的制造过程中的空调噪声数据分析，所述非结构化音频数据，即数据结构不规则或不完整，没有预定义的数据模型，不方便用数据库二维逻辑表来表现的数据。包括所有格式的办公文档、文本、图片、XML、HTML、各类报表、图像和音频、视频信息等。在此，可理解为对空调工作过程中的发出音频进行采集，所述实时采集数据即为音频采集结果，可将其作为原始数据。需要注意的是，当空调测试分贝大于标准分贝时，系统判断为不合格。但此设备无法识别空调运行中的异音，如摩擦音、共振音、口哨音等。此外，每天快节拍、高强度的空调装配流水线工作导致检测工人听取噪声时间过长，易产生疲劳和误判，偶尔有不合格品流到下线，影响产线整体检验的可靠性。通过基于多场景数据识别的保护切换方法，可对海量的音频数据进行噪声的智能检测，有效地提高了检测准确率和可靠性，降低了检测成本，促进了生产的智能化程度。
步骤S300：将所述原始数据输入至所述低阶处理层，对所述原始数据进行加工处理，生成所述原始数据的衍生数据集合；
进一步的，步骤S300包括：
步骤S310：对所述原始数据进行部分提取，且将提取部分作为保留数据；
步骤S320：对所述原始数据进行数据清理，获得数据可疑值；
步骤S330：通过格拉布斯检验法，对所述数据可疑值进行检验，判断所述数据可疑值是否为异常值；
步骤S340：若所述数据可疑值为所述异常值，对比所述保留数据，对所述数据可疑值进行生产过程追踪，确定问题生产节点，并进行数据校正。
具体而言，在得到所述原始数据之后，需对其进行预处理，即通过所述低阶处理层，对所述原始数据进行加工处理。具体的，包括数据清理过程，即通过人工或者某些特定的规则对数据中存在的缺失值、噪声、异常值等影响数据质量的因素进行筛选，并通过一系列方法对数据进行修补，从而提高数据质量。其中，缺失值是指在数据采集过程中，因为人为失误、传感器异常等原因造成的某一段数据丢失或不完整，常用的处理缺失值方法包括人工填补、均值填补、回归填补、热平台填补、期望最大化填补、聚类填补以及回归填补等方法；噪声是指数据在收集、传输过程中受到环境、设备等因素的干扰，产生了某种波动，常用的去噪方法包括了平滑去噪、回归去噪、滤波去噪等；异常值是指样本中的个别值，其数据明显偏离其余的观测值。需要注意的是，在数据预处理时，异常值是否需要处理需要视情况而定，因为有一些异常值是因为生产过程中出现了异常导致，这些数据往往包含了更多有用的信息。因此，可基于格拉布斯检验法，对异常值进行精准判定。
具体的，在对原始数据进行预处理时，可对所述原始数据进行部分提取，且将提取部分作为保留数据，确保在衍生数据发生问题时，可以随时从原始数据重新计算。所述保留数据，即为原始数据中未做任何修改的保留下来的数据。进而，对剩下的所述原始数据进行数据清理，所述数据可疑值即为同组测量数据中，个别数据偏离平均值很远，可将该个别数据标记为“可疑值”，进而，利用格拉布斯检验法，对该可疑值进行检验，即根据误差理论，要有效地剔除偶然误差，一般要测量10次以上，兼顾到精度和响应速度，取15次为一个单位。在取得的15个数据中，有些可能含有较大的误差，需要对它们分检，剔除可疑值，提高自适应速度。通过剔除可疑值以后，再求平均值，求出新的平均值以后，应再重复以上过程，验证是否还有可疑值存在。如果仍存在，则说明该异常值是生产过程中出现了异常导致的异常结果，并非数据清理过程中的问题，因此，可将该可疑值定义为异常值。同时，为了追溯该异常值的问题节点，可对比所述保留数据，对所述数据可疑值进行生产过程追踪，确定问题生产节点，即确定导致出现该噪音异常值的生产节点，便于进行精准的数据校正。
步骤S400：将所述衍生数据集合上传至所述中阶处理层，基于嵌入的智能检测模型，对所述衍生数据集合进行音频特征提取、音频特征分析，生成对所述原始数据的第一检测结果；
进一步的，如图2所示，步骤S400包括：
步骤S410：所述智能检测模型嵌入有特征提取模型和特征分析模型；
步骤S420：将所述衍生数据作为第一输入信息，输入至所述特征提取模型，对所述第一输入信息进行音频特征提取，获得音频特征集合；
步骤S430：对所述音频特征集合进行特征层融合，生成所述衍生数据的音频特征信息；
步骤S440：将所述音频特征信息作为第二输入信息，输入至所述特征分析模型，基于时间序列分析方法，对所述第二输入信息进行时序分析，获得所述音频特征信息的音频变化逻辑；
步骤S450：对所述音频变化逻辑进行专家系统分析，且将分析结果作为所述第一检测结果。
具体而言，在对原始数据进行预处理，得到衍生数据之后，可对衍生数据进行进一步的处理，通过将所述衍生数据集合上传至所述中阶处理层，基于嵌入的智能检测模型，实现对所述衍生数据集合进行音频特征提取、音频特征分析，生成对所述原始数据的第一检测结果，所述第一检测结果即为对衍生数据进行特征分析得到的结果。
具体的，所述智能检测模型可对衍生数据进行智能检测，具体可通过其中嵌入的特征提取模型和特征分析模型进行检测。其中，所述特征提取模型可对输入的衍生数据的音频特征进行提取，即将所述衍生数据作为第一输入信息，输入至所述特征提取模型，对所述第一输入信息进行音频特征提取，一般的，空调运行过程中的异音包括摩擦音、共振音、口哨音等，每种异音都存在各自的音频特征，通过分别对各衍生数据的音频特征进行提取，所述音频特征集合包括风叶运行音频特征、摩擦音频特征、共振音频特征以及口哨音频特征等。
进而，可对所述音频特征集合进行特征层融合，一般的，制造业数据存在多源特性，同一观测对象在不同传感器、不同系统下，存在着多种观测数据。通过数据融合可以有效地形成各个维度之间的互补，从而获得更有价值的信息。所述音频特征信息，可理解为通过分别对风叶运行音频特征和摩擦音频特征、风叶运行音频特征和共振音频特征以及风叶运行音频特征和口哨音频特征分别进行特征层融合，可获得更加真实的音频特征。进而，可对融合后的音频特征进行模型分析，即将所述音频特征信息作为第二输入信息，输入至所述特征分析模型，基于时间序列分析方法，对所述第二输入信息进行时序分析。一般的，时间序列分析方法可以用来描述某一对象随着时间发展而变化的规律，并根据有限长度的观察数据，建立能够比较精确地反映序列中所包含的动态依存关系的数学模型，并借以对系统的未来进行预报。通过对各种融合后的音频特征进行连续时间的分析，可获得音频变化逻辑，所述音频变化逻辑，即为随着时间的发展，各融合后的音频特征变化规律。
通过对各融合后的音频特征变化规律，进行专家系统分析，其中，所述专家系统中嵌入了历史上各种空调运行时的异音音频以及各种音频特征的时间序列发展规律，通过基于专家系统，对所述音频变化逻辑进行匹配训练，可获得各个音频特征信息对应的标准异音类型，可将其作为所述第一检测结果。
步骤S500：将所述第一检测结果上传至所述云端处理层，基于隐私计算算法，对所述第一检测结果进行数据加密的流通，生成匿名化流通数据；
进一步的，如图3所示，步骤S500包括：
步骤S510：对所述第一检测结果进行去标识化处理，获得处理后检测结果；
步骤S520：将所述处理后检测结果上传至中介计算平台进行匿名化计算，获得所述匿名化流通数据；
步骤S530：根据所述匿名化流通数据，激发所述中介计算平台的第一删除指令；
步骤S540：根据所述第一删除指令，对所述处理后检测结果进行删除，且对所述匿名化流通数据进行指定路径输出。
其中，步骤S520包括：
步骤S521：根据所述中介计算平台，确定数据提供方和第三数据计算方；
步骤S520：基于所述第三数据计算方法，获得第一初始计算模型；
步骤S530：将所述第一初始计算模型分发至所述数据提供方，根据所述数据提供方的所述处理后检测结果对所述第一初始计算模型进行训练，获得所述数据提供方的梯度计算结果；
步骤S540：将所述梯度计算结果加密回传至所述第三数据计算方进行模型升级，生成标准化计算模型；
步骤S550：基于所述标准化计算模型，对所述处理后检测结果进行二次计算筛选，获得异常检测结果，且将所述异常检测结果标记为所述匿名化流通数据。
具体而言，在经过中阶处理层，对衍生数据进行分析之后，可对分析结果进行加密流通，即将所述第一检测结果上传至所述云端处理层，基于隐私计算算法，对所述第一检测结果进行数据加密的流通，生成匿名化流通数据。一般的，隐私计算是指在保护数据本身不对外泄露的前提下实现数据分析计算的技术集合，达到对数据“可用、不可见”的目的，在充分保护数据和隐私安全的前提下，实现数据价值的转化和释放。本申请中，可利用隐私算法中的多方中介计算算法，对分析结果进行加密流通，其中，所谓多方中介计算，是指多方数据在独立于数据方和用户的受监管中介计算环境内，通过安全可信的机制实现分析计算和匿名化结果输出的数据处理方式，由于在对空调运行过程中的音频进行检测时，至少包括一处检测点，因此，可通过多个检测点即多方参与的形式，对数据进行参与方的加密流转，所述匿名化流通数据即为检测存在异常的数据。
一般的，在多方中介计算中，数据方的原始数据由其去标识化后输入中介计算环境或平台参与计算，完成计算后立即被删除，匿名化结果数据经审核后按指定路径输出。因此，需要首先对所述第一检测结果进行去标识化处理，获得处理后检测结果，所述处理后检测结果即为对参与流通的所述第一检测结果进行去标识化后得到的数据集合。进而，将所述处理后检测结果上传至中介计算平台进行匿名化计算，获得所述匿名化流通数据。
具体的，在将所述处理后检测结果上传至中介计算平台进行匿名化计算时，可根据所述中介计算平台，确定数据提供方和第三数据计算方，其中，所述数据提供方即为多个音频检测点的多方参与，所述第三数据计算方法为虚拟设置的系统端，区别独立于所述数据提供方。可根据虚拟设置的系统端，获得第一初始计算模型，所述第一初始计算模型为对各音频特征进行筛选计算的初始模型，通过将所述第一初始计算模型分发至所述数据提供方，根据所述数据提供方的所述处理后检测结果对所述第一初始计算模型进行训练，可获得所述数据提供方的梯度计算结果，所述梯度计算结果即为各参与方根据自身检测数据对初始模型进行训练后的，相较于初始模型自身的正向梯度值，通过将所述梯度计算结果加密回传至所述第三数据计算方进行模型升级，可生成标准化计算模型，所述标准化计算模型可对输入的各音频特征进行标准的筛选计算，直至筛选出存在异常的音频数据。最终，可根据标准化计算模型，对所述处理后检测结果进行二次计算筛选，获得异常检测结果，所述异常检测结果即为存在异常的音频数据，且将所述异常检测结果标记为所述匿名化流通数据。
在完成中介计算之后，需要对训练数据进行删除，以达到对数据“可用、不可见”的目的。即根据所述匿名化流通数据，激发所述中介计算平台的第一删除指令，对对所述处理后检测结果进行删除，即对训练数据进行删除，进而，对所述匿名化流通数据进行指定路径输出，即将存在异常的音频数据按照设定好的路径进行输出，使得对空调运行时的异音进行精准检测和高效输出。
步骤S600：对所述匿名化流通数据进行安全存储，且进行动态更新。
进一步的，如图4所示，步骤S600包括：
步骤S610：对所述匿名化流通数据中的各数据进行要素标记，获得各流通数据要素标记分布；
步骤S620：获得第一匿名化流通数据和对应的第一流通数据要素标记；
步骤S630：根据所述第一流通数据要素标记，对所述第一匿名化流通数据进行加密，且将加密结果存储至第一区间；
步骤S640：以此类推，根据第二流通数据要素标记，对第二匿名化流通数据进行加密，且将加密结果存储至第二区间，直至将第N匿名化流通数据的加密结果存储至第N区间，其中N为大于等于1的自然数；
步骤S650：根据所述第一区间、所述第二区间直至所述第N区间，搭建数据切换索引数据库；
步骤S660：获得所述目标物的当前音频数据；
步骤S670：将所述当前音频数据上传至所述数据切换索引数据库进行数据索引，直至确定对应的当前索引结果；
步骤S680：根据所述当前索引结果，对所述当前音频数据进行选择性切换。
具体而言，在获得各参与方的检测显示存在异常的音频数据之后，需对其进行安全存储和动态更新。具体的，可对存在异常的音频数据中的各数据进行要素标记，以获得各流通数据要素标记分布，示例性的，通过对存在异常的口哨音频进行要素标记，即对口哨音的独有的音频特征进行要素标记，类似的，所述各流通数据要素标记分布，即为各种存在异常的音频信息独有的音频特征分布，其中，所述第一匿名化流通数据，可理解为存在异常的口哨音频数据，所述第一流通数据要素标记即为口哨音的独有的音频特征要素，由此，可通过口哨音的独有的音频特征要素，对存在异常的口哨音频数据进行加密，同时将加密结果存储至第一区间，所述第一区间专用于存储存在异常的口哨音频数据，通过各参与方对海量音频数据的不断训练，可对该区间进行动态更新。
以此类推，若所述第二匿名化流通数据为共振音频数据，则所述第二流通数据要素标记，即为共振音的独有的音频特征要素，可根据共振音的独有的音频特征要素对共振音频数据进行加密，并将加密结果存储至第二区间，所述第二区间专用于存储存在异常的共振音频数据，直至对所有可能存在异常的音频数据进行加密存储，确保了数据的存储安全性和动态更新性。
进而，可基于所述第一区间、所述第二区间直至所述第N区间，搭建数据切换索引数据库，所述数据切换索引数据库可实现对任意数据的索引。具体的，可获得所述目标物的当前音频数据，其中，所述当前音频数据即为空调运行时，当前发出的音频数据，通过将其上传至所述数据切换索引数据库进行数据索引，可确定与其相对应的当前索引结果，如果该音频数据正常，则当前索引结果为空白状态，因为数据切换索引数据库中存储数据均为存在异常是音频数据，进而对所述当前音频数据进行选择性切换，切换为下一个需要进行检测的音频数据；反之，如果该音频数据存在异常，则会索引出对应的异常音频特征，以此循环往复，实现对海量音频数据的检测。
综上所述，本发明所提供的一种多场景数据识别的保护切换方法具有如下技术效果：
1、通过搭建多场景数据切换库，其中嵌入有低阶处理层、中阶处理层以及云端处理层，通过低阶处理层对原始数据进行加工处理，通过中阶处理层对加工处理得到的衍生数据进行特征提取和特征分析，最终，通过云端处理层对检测结果进行隐私加密、数据流通，使得获得目标物的期望匿名化流通数据，便于对当前采集数据进行对比切换，达到了对样本数据进行多阶层的层级处理，实现对海量样本数据的处理过程进行快速切换，同时，使得最终得到的数据分析结果高效助力实际的生产制造的技术效果。
2、通过追溯异常值的问题节点，可对比所述保留数据，对所述数据可疑值进行生产过程追踪，确定问题生产节点，即确定导致出现该噪音异常值的生产节点，便于进行精准的数据校正。
3、通过搭建数据切换索引数据库，实现对任意数据的索引，对正常音频数据进行及时切换，对异常音频数据进行精准索引，索引出对应的异常音频特征，以此循环往复，实现对海量音频数据的检测。
实施例二
基于与前述实施例中一种多场景数据识别的保护切换方法，同样发明构思，本发明还提供了一种多场景数据识别的保护切换系统，请参阅附图5，所述系统包括：
第一搭建单元11，所述第一搭建单元11用于搭建多场景数据切换库，其中，所述多场景数据切换库包括低阶处理层、中阶处理层以及云端处理层；
第一采集单元12，所述第一采集单元12用于对目标物的非结构化音频数据进行实时采集，获得实时采集数据，且作为原始数据；
第一输入单元13，所述第一输入单元13用于将所述原始数据输入至所述低阶处理层，对所述原始数据进行加工处理，生成所述原始数据的衍生数据集合；
第一上传单元14，所述第一上传单元14用于将所述衍生数据集合上传至所述中阶处理层，基于嵌入的智能检测模型，对所述衍生数据集合进行音频特征提取、音频特征分析，生成对所述原始数据的第一检测结果；
第二上传单元15，所述第二上传单元15用于将所述第一检测结果上传至所述云端处理层，基于隐私计算算法，对所述第一检测结果进行数据加密的流通，生成匿名化流通数据；
第一存储单元16，所述第一存储单元16用于对所述匿名化流通数据进行安全存储，且进行动态更新。
进一步的，所述系统还包括：
第一提取单元，所述第一提取单元用于对所述原始数据进行部分提取，且将提取部分作为保留数据；
第一清洗单元，所述第一清洗单元用于对所述原始数据进行数据清理，获得数据可疑值；
第一检验单元，所述第一检验单元用于通过格拉布斯检验法，对所述数据可疑值进行检验，判断所述数据可疑值是否为异常值；
第一追踪单元，所述第一追踪单元用于若所述数据可疑值为所述异常值，对比所述保留数据，对所述数据可疑值进行生产过程追踪，确定问题生产节点，并进行数据校正。
进一步的，所述系统还包括：
第一嵌入单元，所述第一嵌入单元用于所述智能检测模型嵌入有特征提取模型和特征分析模型；
第一输入单元，所述第一输入单元用于将所述衍生数据作为第一输入信息，输入至所述特征提取模型，对所述第一输入信息进行音频特征提取，获得音频特征集合；
第一融合单元，所述第一融合单元用于对所述音频特征集合进行特征层融合，生成所述衍生数据的音频特征信息；
第二输入单元，所述第二输入单元用于将所述音频特征信息作为第二输入信息，输入至所述特征分析模型，基于时间序列分析方法，对所述第二输入信息进行时序分析，获得所述音频特征信息的音频变化逻辑；
第一分析单元，所述第一分析单元用于对所述音频变化逻辑进行专家系统分析，且将分析结果作为所述第一检测结果。
进一步的，所述系统还包括：
第一处理单元，所述第一处理单元用于对所述第一检测结果进行去标识化处理，获得处理后检测结果；
第三上传单元，所述第三上传单元用于将所述处理后检测结果上传至中介计算平台进行匿名化计算，获得所述匿名化流通数据；
第一激发单元，所述第一激发单元用于根据所述匿名化流通数据，激发所述中介计算平台的第一删除指令；
第一删除单元，所述第一删除单元用于根据所述第一删除指令，对所述处理后检测结果进行删除，且对所述匿名化流通数据进行指定路径输出。
进一步的，所述系统还包括：
第一确定单元，所述第一确定单元用于根据所述中介计算平台，确定数据提供方和第三数据计算方；
第一获得单元，所述第一获得单元用于基于所述第三数据计算方法，获得第一初始计算模型；
第一分发单元，所述第一分发单元用于将所述第一初始计算模型分发至所述数据提供方，根据所述数据提供方的所述处理后检测结果对所述第一初始计算模型进行训练，获得所述数据提供方的梯度计算结果；
第一回传单元，所述第一回传单元用于将所述梯度计算结果加密回传至所述第三数据计算方进行模型升级，生成标准化计算模型；
第一筛选单元，所述第一筛选单元用于基于所述标准化计算模型，对所述处理后检测结果进行二次计算筛选，获得异常检测结果，且将所述异常检测结果标记为所述匿名化流通数据。
进一步的，所述系统还包括：
第一标记单元，所述第一标记单元用于对所述匿名化流通数据中的各数据进行要素标记，获得各流通数据要素标记分布；
第二获得单元，所述第二获得单元用于获得第一匿名化流通数据和对应的第一流通数据要素标记；
第一加密单元，所述第一加密单元用于根据所述第一流通数据要素标记，对所述第一匿名化流通数据进行加密，且将加密结果存储至第一区间；
第二加密单元，所述第二加密单元用于以此类推，根据第二流通数据要素标记，对第二匿名化流通数据进行加密，且将加密结果存储至第二区间，直至将第N匿名化流通数据的加密结果存储至第N区间，其中N为大于等于1的自然数。
进一步的，所述系统还包括：
第二搭建单元，所述第二搭建单元用于根据所述第一区间、所述第二区间直至所述第N区间，搭建数据切换索引数据库；
第三获得单元，所述第三获得单元用于获得所述目标物的当前音频数据；
第四上传单元，所述第四上传单元用于将所述当前音频数据上传至所述数据切换索引数据库进行数据索引，直至确定对应的当前索引结果；
第一切换单元，所述第一切换单元用于根据所述当前索引结果，对所述当前音频数据进行选择性切换。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，前述图1实施例一中的一种多场景数据识别的保护切换方法和具体实例同样适用于本实施例的一种多场景数据识别的保护切换系统，通过前述对一种多场景数据识别的保护切换方法的详细描述，本领域技术人员可以清楚的知道本实施例中一种多场景数据识别的保护切换系统，所以为了说明书的简洁，在此不再详述。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
示例性电子设备
下面参考图6来描述本发明的电子设备。
图6图示了根据本发明的电子设备的结构示意图。
基于与前述实施例中一种多场景数据识别的保护切换方法的发明构思，本发明还提供一种多场景数据识别的保护切换系统，其上存储有计算机程序，该程序被处理器执行时实现前文所述一种多场景数据识别的保护切换方法的任一方法的步骤。
其中，在图6中，总线架构（用总线300来代表），总线300可以包括任意数量的互联的总线和桥，总线300将包括由处理器302代表的一个或多个处理器和存储器304代表的存储器的各种电路链接在一起。总线300还可以将诸如外围设备、稳压器和功率管理电路等之类的各种其他电路链接在一起，这些都是本领域所公知的，因此，本文不再对其进行进一步描述。总线接口305在总线300和接收器301和发送器303之间提供接口。接收器301和发送器303可以是同一个元件，即收发机，提供用于在传输介质上与各种其他装置通信的单元。
处理器302负责管理总线300和通常的处理，而存储器304可以被用于存储处理器302在执行操作时所使用的数据。
本发明提供了一种多场景数据识别的保护切换方法，所述方法包括：搭建多场景数据切换库，其中，所述多场景数据切换库包括低阶处理层、中阶处理层以及云端处理层；对目标物的非结构化音频数据进行实时采集，获得实时采集数据，且作为原始数据；将所述原始数据输入至所述低阶处理层，对所述原始数据进行加工处理，生成所述原始数据的衍生数据集合；将所述衍生数据集合上传至所述中阶处理层，基于嵌入的智能检测模型，对所述衍生数据集合进行音频特征提取、音频特征分析，生成对所述原始数据的第一检测结果；将所述第一检测结果上传至所述云端处理层，基于隐私计算算法，对所述第一检测结果进行数据加密的流通，生成匿名化流通数据；对所述匿名化流通数据进行安全存储，且进行动态更新。解决了现有技术中对多场景数据进行处理时，无法对样本数据进行多阶层的层级处理，使得无法对海量样本数据的处理过程进行快速切换，同时，导致最终得到的数据分析结果无法助力于实际的生产制造的技术问题。通过搭建多场景数据切换库，其中嵌入有低阶处理层、中阶处理层以及云端处理层，通过低阶处理层对原始数据进行加工处理，通过中阶处理层对加工处理得到的衍生数据进行特征提取和特征分析，最终，通过云端处理层对检测结果进行隐私加密、数据流通，使得获得目标物的期望匿名化流通数据，便于对当前采集数据进行对比切换，达到了对样本数据进行多阶层的层级处理，实现对海量样本数据的处理过程进行快速切换，同时，使得最终得到的数据分析结果高效助力实际的生产制造的技术效果。
本发明还提供一种电子设备，其中，包括处理器和存储器；
该存储器，用于存储；
该处理器，用于通过调用，执行上述实施例一中任一项所述的方法。
本发明还提供一种计算机程序产品，包括计算机程序和/或指令，该计算机程序和/或指令被处理器执行时实现上述实施例一中任一项所述方法的步骤。
本领域内的技术人员应明白，本发明的实施例可提供为方法、装置、或计算机程序产品。因此，本发明可采用完全软件实施例、完全硬件实施例、或结合软件和硬件方面实施例的形式。此外，本发明为可以在一个或多个包含有计算机可用程序代码的计算机可用存储介质上实施的计算机程序产品的形式。而所述的计算机可用存储介质包括但不限于：U盘、移动硬盘、只读存储器（Read-Only Memory，简称ROM）、随机存取存储器（Random AccessMemory，简称RAM）、磁盘存储器、只读光盘（Compact Disc Read-Only Memory，简称CD-ROM）、光学存储器等各种可以存储程序代码的介质。
本发明是参照本发明的方法、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、专用计算机、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系统。
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系统的制造品，该指令系统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。尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。
Claims (10)
1.一种多场景数据识别的保护切换方法，其特征在于，所述方法包括：
搭建多场景数据切换库，其中，所述多场景数据切换库包括低阶处理层、中阶处理层以及云端处理层；
对目标物的非结构化音频数据进行实时采集，获得实时采集数据，且作为原始数据；
将所述原始数据输入至所述低阶处理层，对所述原始数据进行加工处理，生成所述原始数据的衍生数据集合；
将所述衍生数据集合上传至所述中阶处理层，基于嵌入的智能检测模型，对所述衍生数据集合进行音频特征提取、音频特征分析，生成对所述原始数据的第一检测结果；
将所述第一检测结果上传至所述云端处理层，基于隐私计算算法，对所述第一检测结果进行数据加密的流通，生成匿名化流通数据；
对所述匿名化流通数据进行安全存储，且进行动态更新。
2.如权利要求1所述的方法，其特征在于，所述对所述原始数据进行加工处理，包括：
对所述原始数据进行部分提取，且将提取部分作为保留数据；
对所述原始数据进行数据清理，获得数据可疑值；
通过格拉布斯检验法，对所述数据可疑值进行检验，判断所述数据可疑值是否为异常值；
若所述数据可疑值为所述异常值，对比所述保留数据，对所述数据可疑值进行生产过程追踪，确定问题生产节点，并进行数据校正。
3.如权利要求2所述的方法，其特征在于，所述生成对所述原始数据的第一检测结果，包括：
所述智能检测模型嵌入有特征提取模型和特征分析模型；
将所述衍生数据作为第一输入信息，输入至所述特征提取模型，对所述第一输入信息进行音频特征提取，获得音频特征集合；
对所述音频特征集合进行特征层融合，生成所述衍生数据的音频特征信息；
将所述音频特征信息作为第二输入信息，输入至所述特征分析模型，基于时间序列分析方法，对所述第二输入信息进行时序分析，获得所述音频特征信息的音频变化逻辑；
对所述音频变化逻辑进行专家系统分析，且将分析结果作为所述第一检测结果。
4.如权利要求3所述的方法，其特征在于，所述生成匿名化流通数据，包括：
对所述第一检测结果进行去标识化处理，获得处理后检测结果；
将所述处理后检测结果上传至中介计算平台进行匿名化计算，获得所述匿名化流通数据；
根据所述匿名化流通数据，激发所述中介计算平台的第一删除指令；
根据所述第一删除指令，对所述处理后检测结果进行删除，且对所述匿名化流通数据进行指定路径输出。
5.如权利要求4所述的方法，其特征在于，所述方法包括：
根据所述中介计算平台，确定数据提供方和第三数据计算方；
基于所述第三数据计算方法，获得第一初始计算模型；
将所述第一初始计算模型分发至所述数据提供方，根据所述数据提供方的所述处理后检测结果对所述第一初始计算模型进行训练，获得所述数据提供方的梯度计算结果；
将所述梯度计算结果加密回传至所述第三数据计算方进行模型升级，生成标准化计算模型；
基于所述标准化计算模型，对所述处理后检测结果进行二次计算筛选，获得异常检测结果，且将所述异常检测结果标记为所述匿名化流通数据。
6.如权利要求5所述的方法，其特征在于，所述对所述匿名化流通数据进行安全存储，包括：
对所述匿名化流通数据中的各数据进行要素标记，获得各流通数据要素标记分布；
获得第一匿名化流通数据和对应的第一流通数据要素标记；
根据所述第一流通数据要素标记，对所述第一匿名化流通数据进行加密，且将加密结果存储至第一区间；
以此类推，根据第二流通数据要素标记，对第二匿名化流通数据进行加密，且将加密结果存储至第二区间，直至将第N匿名化流通数据的加密结果存储至第N区间，其中N为大于等于1的自然数。
7.如权利要求6所述的方法，其特征在于，所述方法包括：
根据所述第一区间、所述第二区间直至所述第N区间，搭建数据切换索引数据库；
获得所述目标物的当前音频数据；
将所述当前音频数据上传至所述数据切换索引数据库进行数据索引，直至确定对应的当前索引结果；
根据所述当前索引结果，对所述当前音频数据进行选择性切换。
8.一种多场景数据识别的保护切换系统，其特征在于，所述系统包括：
第一搭建单元，所述第一搭建单元用于搭建多场景数据切换库，其中，所述多场景数据切换库包括低阶处理层、中阶处理层以及云端处理层；
第一采集单元，所述第一采集单元用于对目标物的非结构化音频数据进行实时采集，获得实时采集数据，且作为原始数据；
第一输入单元，所述第一输入单元用于将所述原始数据输入至所述低阶处理层，对所述原始数据进行加工处理，生成所述原始数据的衍生数据集合；
第一上传单元，所述第一上传单元用于将所述衍生数据集合上传至所述中阶处理层，基于嵌入的智能检测模型，对所述衍生数据集合进行音频特征提取、音频特征分析，生成对所述原始数据的第一检测结果；
第二上传单元，所述第二上传单元用于将所述第一检测结果上传至所述云端处理层，基于隐私计算算法，对所述第一检测结果进行数据加密的流通，生成匿名化流通数据；
第一存储单元，所述第一存储单元用于对所述匿名化流通数据进行安全存储，且进行动态更新。
9.一种电子设备，其特征在于，包括处理器和存储器；
所述存储器，用于存储；
所述处理器，用于通过调用，执行权利要求1~7中任一项所述的方法。
10.一种计算机程序产品，包括计算机程序和/或指令，其特征在于，该计算机程序和/或指令被处理器执行时实现权利要求1~7中任一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210850260.2A CN114926154B (zh) | 2022-07-20 | 2022-07-20 | 一种多场景数据识别的保护切换方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210850260.2A CN114926154B (zh) | 2022-07-20 | 2022-07-20 | 一种多场景数据识别的保护切换方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114926154A true CN114926154A (zh) | 2022-08-19 |
| CN114926154B CN114926154B (zh) | 2022-11-18 |
Family
ID=82816022
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210850260.2A Active CN114926154B (zh) | 2022-07-20 | 2022-07-20 | 一种多场景数据识别的保护切换方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114926154B (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20180218171A1 (en) * | 2017-01-31 | 2018-08-02 | Hewlett Packard Enterprise Development Lp | Performing privacy-preserving multi-party analytics on horizontally partitioned local data |
| WO2020181662A1 (zh) * | 2019-03-11 | 2020-09-17 | 北京大学 | 一种保护隐私的监控方法和系统 |
| CN113420049A (zh) * | 2021-06-21 | 2021-09-21 | 平安银行股份有限公司 | 数据流通方法、装置、电子设备及存储介质 |
| CN114358912A (zh) * | 2021-11-17 | 2022-04-15 | 北京交通大学 | 一种基于联邦学习的风险权重融合的异常检测方法 |
| CN114741732A (zh) * | 2022-04-28 | 2022-07-12 | 重庆长安汽车股份有限公司 | 一种基于隐私数据保护的智能网联汽车数据训练方法、电子设备及计算机可读存储介质 |
-
2022
- 2022-07-20 CN CN202210850260.2A patent/CN114926154B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20180218171A1 (en) * | 2017-01-31 | 2018-08-02 | Hewlett Packard Enterprise Development Lp | Performing privacy-preserving multi-party analytics on horizontally partitioned local data |
| WO2020181662A1 (zh) * | 2019-03-11 | 2020-09-17 | 北京大学 | 一种保护隐私的监控方法和系统 |
| CN113420049A (zh) * | 2021-06-21 | 2021-09-21 | 平安银行股份有限公司 | 数据流通方法、装置、电子设备及存储介质 |
| CN114358912A (zh) * | 2021-11-17 | 2022-04-15 | 北京交通大学 | 一种基于联邦学习的风险权重融合的异常检测方法 |
| CN114741732A (zh) * | 2022-04-28 | 2022-07-12 | 重庆长安汽车股份有限公司 | 一种基于隐私数据保护的智能网联汽车数据训练方法、电子设备及计算机可读存储介质 |
Non-Patent Citations (2)
| Title |
|---|
| OWLLITE: "为什么多方安全计算（或者隐私计算/联邦学习）在中国这么火", 《HTTPS://WWW.ZHIHU.COM/QUESTION/434355323》 * |
| 谭立 等: "动态|多方中介计算：一种新的隐私计算方法", 《大数据标准推进委员会》 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114926154B (zh) | 2022-11-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP6817426B2 (ja) | マシンラーニング基盤の半導体製造の収率予測システム及び方法 | |
| CN109670267B (zh) | 一种数据处理方法和装置 | |
| CN106951925B (zh) | 数据处理方法、装置、服务器及系统 | |
| CN110490304B (zh) | 一种数据处理方法及设备 | |
| CN114004700A (zh) | 业务数据处理方法、装置、电子设备及存储介质 | |
| CN111159241B (zh) | 一种点击转化预估方法及装置 | |
| CN115640159A (zh) | 一种微服务故障诊断方法及系统 | |
| CN105868956A (zh) | 一种数据处理方法及装置 | |
| Sehra et al. | Applications of multi-criteria decision making in software engineering | |
| CN117874118A (zh) | 特征数据转换方法、装置、电子设备和可读存储介质 | |
| CN112651811B (zh) | 一种基于多源数据的订单处理方法及系统 | |
| WO2024148880A1 (zh) | 一种基于多源异构数据的系统检测方法及装置 | |
| CN106201887A (zh) | 一种离线数据任务的验证方法及装置 | |
| CN114926154B (zh) | 一种多场景数据识别的保护切换方法及系统 | |
| CN115345600A (zh) | 一种rpa流程的生成方法和装置 | |
| CN112836033B (zh) | 业务模型的管理方法、装置、设备及存储介质 | |
| US11693921B2 (en) | Data preparation for artificial intelligence models | |
| Pattnaik et al. | A survey on machine learning techniques used for software quality prediction | |
| CN111859985B (zh) | Ai客服模型测试方法、装置、电子设备及存储介质 | |
| CN114398676A (zh) | 基于人工智能的数据安全分级方法、装置、设备及介质 | |
| CN116028450A (zh) | 一种日志检测方法、装置及设备 | |
| JP6714160B2 (ja) | データリニエージ検出装置、データリニエージ検出方法、及びデータリニエージ検出プログラム | |
| CN112765220A (zh) | 一种基于云计算的业务数据监测方法及系统 | |
| CN112434648A (zh) | 一种墙体形状变化检测方法及系统 | |
| Çağıltay et al. | Abstract conceptual database model approach |
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 |