CN115310135B - 一种基于隐匿模型的仓储数据安全存储方法及系统 - Google Patents

一种基于隐匿模型的仓储数据安全存储方法及系统 Download PDF

Info

Publication number
CN115310135B
CN115310135B CN202211223801.5A CN202211223801A CN115310135B CN 115310135 B CN115310135 B CN 115310135B CN 202211223801 A CN202211223801 A CN 202211223801A CN 115310135 B CN115310135 B CN 115310135B
Authority
CN
China
Prior art keywords
distribution
stage
model
function
downlink
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
CN202211223801.5A
Other languages
English (en)
Other versions
CN115310135A (zh
Inventor
罗远哲
刘瑞景
闫鹿博
邓萌萌
荆全振
张艺腾
赵利波
孟小钰
荣云虎
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.)
Beijing China Super Industry Information Security Technology Ltd By Share Ltd
Original Assignee
Beijing China Super Industry Information Security Technology Ltd By Share Ltd
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 Beijing China Super Industry Information Security Technology Ltd By Share Ltd filed Critical Beijing China Super Industry Information Security Technology Ltd By Share Ltd
Priority to CN202211223801.5A priority Critical patent/CN115310135B/zh
Publication of CN115310135A publication Critical patent/CN115310135A/zh
Application granted granted Critical
Publication of CN115310135B publication Critical patent/CN115310135B/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
    • G06F21/62—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
    • G06F21/6227—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 where protection concerns the structure of data, e.g. records, types, queries
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2221/00—Indexing scheme relating to security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
    • G06F2221/21—Indexing scheme relating to G06F21/00 and subgroups addressing additional information or applications relating to security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
    • G06F2221/2127—Bluffing

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Security & Cryptography (AREA)
  • Bioethics (AREA)
  • General Health & Medical Sciences (AREA)
  • Computer Hardware Design (AREA)
  • Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及一种基于隐匿模型的仓储数据安全存储方法及系统，涉及信息安全领域，该方法包括：构建上行阶段与下行阶段交替的隐匿模型；根据预设隐私性和预设可用性确定所述隐匿模型的形状参数；隐匿模型的形状参数包括上行阶段分布均值、下行阶段分布均值、上行阶段分布概率质量函数和下行阶段分布概率质量函数；上行阶段为仓储数据在数据平台为可被观察状态的阶段，下行阶段为仓储数据在数据平台为不可被观察状态的阶段；采用隐匿模型对待存储的仓储数据进行存储。本发明提高了仓储数据的安全性。

Description

一种基于隐匿模型的仓储数据安全存储方法及系统
技术领域
本发明涉及信息安全领域，特别是涉及一种基于隐匿模型的仓储数据安全存储方法及系统。
背景技术
智能仓储使物资的管理和控制自动化，很好的解决了传统物流所面临的挑战。在决策方面，智能仓储可以基于货物前几个月的销售数据，使用智能算法预测每种货物的未来需求量，从而合理规划进货量；在效率方面，智能仓储可实现货物的自动取放、打包，提高仓储效率的同时减少了人工成本；除此之外，其在很多方面都展现出了极大的优势，是仓储物流行业的转折点。因此，智能仓储将是仓储物流的发展趋势。
然而，智能仓储中关于货物库存数据的存储却存在安全隐患。由于智能仓储中的货物库存数据极具经济价值，引来了不法分子的觊觎。不法分子可能发起诸如数据窃取等攻击，利用获取到的数据破解商业机密等。例如，不法分子窃取了某平台热销货品的库存数据，进而推出相近的热销产品并且打折销售，形成恶意商业竞争。因此，智能仓储中数据存储的安全是一个不可忽视的大问题。
发明内容
本发明的目的是提供一种基于隐匿模型的仓储数据安全存储方法及系统，提高了仓储数据的安全性。
为实现上述目的，本发明提供了如下方案：
一种基于隐匿模型的仓储数据安全存储方法，包括：
构建上行阶段与下行阶段交替的隐匿模型；
根据预设隐私性和预设可用性确定所述隐匿模型的形状参数；所述隐匿模型的形状参数包括上行阶段分布均值、下行阶段分布均值、上行阶段分布概率质量函数和下行阶段分布概率质量函数；上行阶段为仓储数据在数据平台为可被观察状态的阶段，下行阶段为仓储数据在数据平台为不可被观察状态的阶段；
采用确定了形状参数的隐匿模型对待存储的仓储数据进行存储。
可选地，所述根据预设隐私性和预设可用性确定所述隐匿模型的形状参数，具体包括：
所述隐匿模型的隐私性计算公式为：
Figure 367517DEST_PATH_IMAGE001
；
其中，LR为隐私性，
Figure 355195DEST_PATH_IMAGE002
表示上行阶段分布概率质量函数，
Figure 736367DEST_PATH_IMAGE003
为
Figure 340655DEST_PATH_IMAGE002
的积分，
Figure 216207DEST_PATH_IMAGE003
表示上行阶段分布的累积分布函数，
Figure 291348DEST_PATH_IMAGE004
表示
Figure 390891DEST_PATH_IMAGE002
的互补累积分布函数，
Figure 154579DEST_PATH_IMAGE005
表示下行阶段分布的累积分布函数，
Figure 99401DEST_PATH_IMAGE005
为
Figure 294628DEST_PATH_IMAGE006
的积分，
Figure 299493DEST_PATH_IMAGE006
表示下行阶段分布概率质量函数，
Figure 550477DEST_PATH_IMAGE007
表示
Figure 33411DEST_PATH_IMAGE002
最后一个上行阶段所持续的时间，
Figure 83144DEST_PATH_IMAGE008
表示
Figure 9643DEST_PATH_IMAGE006
最后一个下行阶段所持续的时间，
Figure 997191DEST_PATH_IMAGE009
表示
Figure 64241DEST_PATH_IMAGE005
的互补累积分布函数；
所述隐匿模型的可用性计算公式为：
Figure 188055DEST_PATH_IMAGE010
；
其中，Availability表示可用性，
Figure 285455DEST_PATH_IMAGE011
表示
Figure 564163DEST_PATH_IMAGE002
的均值，
Figure 388899DEST_PATH_IMAGE012
表示
Figure 632799DEST_PATH_IMAGE006
的均值；
以所述隐匿模型的隐私性小于预设隐私性并且隐匿模型的可用性大于预设可用性为条件确定隐匿模型的形状参数。
可选地，所述上行阶段分布概率质量函数为几何分布函数，所述下行阶段分布概率质量函数为负二项分布函数。
可选地，还包括：
根据公式
Figure 369942DEST_PATH_IMAGE013
计算负二项分布函数的形状参数n；
其中，
Figure 112507DEST_PATH_IMAGE014
表示不完全β积分函数，
Figure 475356DEST_PATH_IMAGE015
表示决策阈值，
Figure 121232DEST_PATH_IMAGE012
表示下行阶段分布的时间均值。
本发明还公开了一种基于隐匿模型的仓储数据安全存储系统，包括：
隐匿模型构建模块，用于构建上行阶段与下行阶段交替的隐匿模型；
形状参数确定模块，用于根据预设隐私性和预设可用性确定所述隐匿模型的形状参数；所述隐匿模型的形状参数包括上行阶段分布均值、下行阶段分布均值、上行阶段分布概率质量函数和下行阶段分布概率质量函数；上行阶段为仓储数据在数据平台为可被观察状态的阶段，下行阶段为仓储数据在数据平台为不可被观察状态的阶段；
仓储数据存储模块，用于采用确定了形状参数的隐匿模型对待存储的仓储数据进行存储。
可选地，所述形状参数确定模块，具体包括：
所述隐匿模型的隐私性计算公式为：
Figure 809702DEST_PATH_IMAGE001
；
其中，LR为隐私性，
Figure 773985DEST_PATH_IMAGE002
表示上行阶段分布概率质量函数，
Figure 940524DEST_PATH_IMAGE003
为
Figure 644169DEST_PATH_IMAGE002
的积分，
Figure 503540DEST_PATH_IMAGE003
表示上行阶段分布的累积分布函数，
Figure 423961DEST_PATH_IMAGE004
表示
Figure 941661DEST_PATH_IMAGE002
的互补累积分布函数，
Figure 749080DEST_PATH_IMAGE005
表示下行阶段分布的累积分布函数，
Figure 825358DEST_PATH_IMAGE005
为
Figure 983807DEST_PATH_IMAGE006
的积分，
Figure 242881DEST_PATH_IMAGE006
表示下行阶段分布概率质量函数，
Figure 435965DEST_PATH_IMAGE007
表示
Figure 151986DEST_PATH_IMAGE002
最后一个上行阶段所持续的时间，
Figure 797731DEST_PATH_IMAGE008
表示
Figure 594917DEST_PATH_IMAGE006
最后一个下行阶段所持续的时间，
Figure 908086DEST_PATH_IMAGE009
表示
Figure 795009DEST_PATH_IMAGE005
的互补累积分布函数；
所述隐匿模型的可用性计算公式为：
Figure 209941DEST_PATH_IMAGE010
；
其中，Availability表示可用性，
Figure 106090DEST_PATH_IMAGE011
表示
Figure 821237DEST_PATH_IMAGE002
的均值，
Figure 364213DEST_PATH_IMAGE012
表示
Figure 453392DEST_PATH_IMAGE006
的均值；
以所述隐匿模型的隐私性小于预设隐私性并且隐匿模型的可用性大于预设可用性为条件确定隐匿模型的形状参数。
可选地，所述上行阶段分布概率质量函数为几何分布函数，所述下行阶段分布概率质量函数为负二项分布函数。
可选地，还包括：
根据公式
Figure 887653DEST_PATH_IMAGE013
计算负二项分布函数的形状参数n；
其中，
Figure 660568DEST_PATH_IMAGE014
表示不完全β积分函数，
Figure 640026DEST_PATH_IMAGE015
表示决策阈值，
Figure 528085DEST_PATH_IMAGE012
表示下行阶段分布的时间均值。
根据本发明提供的具体实施例，本发明公开了以下技术效果：
本发明公开了一种基于隐匿模型的仓储数据安全存储方法，一种基于隐匿模型的仓储数据安全存储方法，采用隐匿模型对待存储的仓储数据进行存储，通过伪删除状态使仓储数据不定时显示，从而实现仓储的真实数据的隐匿，提高了仓储数据的安全性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明一种基于隐匿模型的仓储数据安全存储方法流程示意图；
图2为本发明在时间维度下的数据状态示意图；
图3为本发明一种基于隐匿模型的仓储数据安全存储方法流程示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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。
本发明的目的是提供一种基于隐匿模型的仓储数据安全存储方法及系统，提高了仓储数据的安全性。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
本发明旨在发明一种数据的安全存储机制，其能在攻击者持续观察的情况下，降低因货物售空而带来的隐私泄露风险，同时保障数据的可用性。本发明的主要思路是让攻击者无法区分货物数据变动是由系统暂时隐匿起来了还是由货物实际变动而导致的。
图1为本发明一种基于隐匿模型的仓储数据安全存储方法流程示意图，如图1所示，一种基于隐匿模型的仓储数据安全存储方法，包括：
步骤101：构建上行阶段与下行阶段交替的隐匿模型。
步骤102：根据预设隐私性和预设可用性确定所述隐匿模型的形状参数；隐匿模型的形状参数包括上行阶段分布均值、下行阶段分布均值、上行阶段分布概率质量函数和下行阶段分布概率质量函数；上行阶段为仓储数据在数据平台为可被观察状态的阶段，下行阶段为仓储数据在数据平台为不可被观察状态的阶段。
作为具体实施例，采用隐写术将处于下行阶段的数据写入载体文件中，实现除预期的访问者之外的任何人无法读取数据，实现仓储数据在数据平台为不可被观察状态。
隐匿模型的隐私性为攻击者检测出仓储数据中货物是真的被售空的可能性。
隐匿模型可用性为上行阶段的时间与仓储数据生命周期总时间的比率。
其中，步骤101具体包括：
隐匿模型是由上下周期交替组成的梯形结构。
本发明中仓储指智能仓储。假设攻击者可以自由访问数据平台，并且可以查看任何仓储数据。
将时间定义为以秒为单位的离散变量，用t c表示当前时间（Current Time），t 0代表数据的创建时间（Creation Time），t del代表数据的删除时间。攻击者只能看到数据的观察状态。用R(t)表示在时间t时数据的实际状态（仓储数据的状态），由于t del>t 0，数据的实际状态作如下定义：
Figure 1923DEST_PATH_IMAGE016
；
用O(t)表示时间t时数据的观察状态。如果数据在时间t时位于上行周期（上行阶段）内，则定义O(t)=1，如果数据在时间t时位于下行周期（下行阶段）内，则定义O(t)=0，如图2所示，
Figure 347454DEST_PATH_IMAGE017
、
Figure 747080DEST_PATH_IMAGE018
、
Figure 76430DEST_PATH_IMAGE019
和
Figure 353959DEST_PATH_IMAGE020
依次为上行阶段的开始时间，
Figure 85154DEST_PATH_IMAGE021
、
Figure 390103DEST_PATH_IMAGE022
和
Figure 206749DEST_PATH_IMAGE023
依次为下行阶段的开始时间。
总之，仓储数据的数据状态包括真实状态和观察状态，观察状态包括可被观察状态和不可被观察状态。
隐匿模型用于迷惑攻击者，让攻击者难以区分仓储中某货物数据的清空是由系统的隐匿措施还是货物的实际变动而造成的，在确定隐匿模型的形状参数时，还应考虑该模型是否满足一定的安全目标，即隐私性和可用性。
本发明将隐私性量化为攻击者识别出货物数据清空是由货物的实际变动而导致的概率。即，将攻击者检测出货物是真的被售空的可能性定义为观察到的可观察状态的似然比。
其中，步骤102具体包括：
隐匿模型的隐私性计算公式为：
Figure 287968DEST_PATH_IMAGE001
；
其中，LR为隐私性，
Figure 388517DEST_PATH_IMAGE002
表示上行阶段分布概率质量函数，
Figure 615099DEST_PATH_IMAGE003
为
Figure 653462DEST_PATH_IMAGE002
的积分，
Figure 741635DEST_PATH_IMAGE003
表示上行阶段分布的累积分布函数，
Figure 227849DEST_PATH_IMAGE004
表示
Figure 359753DEST_PATH_IMAGE002
的互补累积分布函数，
Figure 885413DEST_PATH_IMAGE005
表示下行阶段分布的累积分布函数，
Figure 308435DEST_PATH_IMAGE005
为
Figure 603150DEST_PATH_IMAGE006
的积分，
Figure 951960DEST_PATH_IMAGE006
表示下行阶段分布概率质量函数，
Figure 715648DEST_PATH_IMAGE007
表示
Figure 394891DEST_PATH_IMAGE002
最后一个上行阶段所持续的时间，
Figure 590118DEST_PATH_IMAGE008
表示
Figure 63825DEST_PATH_IMAGE006
最后一个下行阶段所持续的时间，
Figure 298497DEST_PATH_IMAGE009
表示
Figure 532163DEST_PATH_IMAGE005
的互补累积分布函数。
LR越大，隐私性越小。因此，为了限制攻击者准确猜测到货物是否被售空的可能性，可采用限制LR值的方法去实现。
在为数据提供隐私保护的时候难免会牺牲一定的数据可用性。然而，数据的隐私性固然重要，数据的可用性也非常重要。因此，在设计隐匿模型时，有必要在考虑隐私性的同时顾及到数据的可用性。
隐匿模型中，当数据处于下行阶段时，数据处于一种不可观察的状态。因此，本发明直观的将数据的可用性定义为数据处于可观察状态下的时间相对于数据生命周期总时间的比率。
隐匿模型的可用性计算公式为：
Figure 67050DEST_PATH_IMAGE010
；
其中，Availability表示可用性，
Figure 718784DEST_PATH_IMAGE011
表示
Figure 175173DEST_PATH_IMAGE002
的均值，
Figure 196218DEST_PATH_IMAGE012
表示
Figure 70765DEST_PATH_IMAGE006
的均值。
以隐匿模型的隐私性小于预设隐私性并且隐匿模型的可用性大于预设可用性为条件确定隐匿模型的形状参数。
根据公式
Figure 151853DEST_PATH_IMAGE013
计算负二项分布函数的形状参数n。
其中，
Figure 361118DEST_PATH_IMAGE014
表示不完全β积分函数，
Figure 903963DEST_PATH_IMAGE015
表示决策阈值，
Figure 147863DEST_PATH_IMAGE012
表示下行阶段分布的时间均值。
隐私性和可用性均是上下行时间分布的函数，而且二者是相关的。例如，当仓储数据一直处于下行阶段时，数据拥有完美的隐私性和零可用性；当仓储数据一直处于上行阶段时，数据完全可用，但没有隐私性可言；在非极端情况下，可用性和隐私性的关系更复杂，主要取决于上下行时间分布的具体选择。
以隐私性和可用性为指导，确定隐匿模型的形状参数，即确定满足安全目标的上下行分布的均值（上行阶段分布均值和下行阶段分布均值）和上下分布的概率质量函数（上行阶段分布概率质量函数和下行阶段分布概率质量函数）。
隐匿模型的可用性与上下行阶段分布的时间均值有关。数据存储平台对数据的可用性和数据处于下行阶段的时间有要求，因为平台认为如果数据处于下行阶段的时间太久会影响数据的使用。因此，当数据平台确定了可用性和下行阶段分布的时间均值后，自然可得到适合的上行分布的时间均值。
为保障隐匿模型满足对数据隐私性保护的需求，隐匿模型的隐私性数值自然是越高越好，而隐私性与LR成反比。
上行阶段分布函数（上行阶段分布概率质量函数）的确定：根据隐私性的计算公式可知LR与
Figure 416164DEST_PATH_IMAGE024
成正比。为了选择合适的上行时间分布的概率质量函数，考虑了四种主流的主要特征不同的分布，即zeta分布、泊松分布、几何分布和负二项式分布。
令最后一个上行阶段所持续的时间
Figure 112725DEST_PATH_IMAGE007
作为横坐标，
Figure 209994DEST_PATH_IMAGE007
的取值范围为0~24。取上分布的危险率
Figure 823247DEST_PATH_IMAGE024
作为纵坐标，分别绘制上述四种分布的变化趋势图。最终，取上分布危险率始终为常量的分布函数作为上行时间分布的概率质量函数。因为对于这样的分布函数而言，LR的值不受最后一个上行阶段所持续时间的影响。依据上述思路进行理论分析后，会发现几何分布更符合要求。
下行阶段分布函数（下行阶段分布概率质量函数）的确定：根据隐私性的计算公式可知LR与
Figure 246138DEST_PATH_IMAGE025
成反比。为了选择合适的下行时间分布的概率质量函数，同样考虑了四种主流的主要特征不同的分布，即zeta分布、泊松分布、几何分布和负二项式分布。
令最后一个下行阶段所持续的时间
Figure 180727DEST_PATH_IMAGE008
作为变量，其取值范围为0~24。取与下分布相关的
Figure 816108DEST_PATH_IMAGE025
作为纵坐标，分别绘制上述四种分布的变化趋势图。最后，选择一个没有陡然变化的分布函数作为下行时间分布的概率质量函数。依据上述思路进行理论分析后，会发现负二项分布更符合要求。
上行阶段分布概率质量函数为几何分布函数，下行阶段分布概率质量函数为负二项分布函数。
步骤103：采用确定了形状参数的隐匿模型对待存储的仓储数据进行存储。
借助隐匿模型，能让存储的仓储数据时而可见时而不可见，从而让不法分子难以监测到数据的真实状况，实现仓储数据的安全存储。以下为基于隐匿模型的安全存储机制的具体步骤。
本发明拟将几何分布作为上行时间函数服从的分布情况，将负二项分布作为下行时间函数服从的分布情况。以平台可用性百分比、平均下行时间和攻击者的决策阈值作为输入，按照如下步骤实现基于隐匿模型的数据安全存储方案：
1）隐匿模型的可用性取决于向上和向下分布的平均值。为了在满足数据隐私性的同时符合实际场景的需求，本发明将平台的预设可用性设置为90%，将下行阶段时间分布的均值设置为1小时。根据可用性的计算公式，可得出上行阶段时间分布的均值为9小时。
2）根据式
Figure 769020DEST_PATH_IMAGE013
，使用上述下行时间均值和攻击者的决策阈值
Figure 97233DEST_PATH_IMAGE015
获取负二项分布的形状参数n。其中，
Figure 752074DEST_PATH_IMAGE014
表示不完全β积分。
3）借助上述得到的“下行时间”（下行阶段）与“上行时间”（上行阶段）的均值，以及下行分布的形状参数，初始化上行和下行阶段的分布函数。
4）创建数据后，先将数据的实际状态设置为1，并实例化向上分布的第一个向上周期。同时，仓储数据的可观察状态也设置为1。
5）数据收到切换信号后，如果数据当时处于上阶段，则从下分布中实例化一个下阶段并将数据的可观察状态设为0；否则，从上分布中实例化一个上阶段并将数据的可观察状态设为1。
6）货物真实被售空后，那么将其真实状态和可观察状态两个变量均设置为0。
本发明的创新点包括：1）为仓储数据设计一种量化隐私性的方法；2）使用量化后的隐私保护程度为隐匿模型设计合理的形状参数，以解决隐匿模型形状参数难以选择合适值的问题。
本发明能够量化攻击者区分数据是由系统暂时隐匿起来了还是由货物实际变动而导致的实质性变化的可能性；从而有针对性的设计隐匿模型的形状参数，使得智能仓储中存储的数据无规则的动态调整数据的可观察状态，这对智能仓储中数据的安全存储极为重要。
图3为本发明一种基于隐匿模型的仓储数据安全存储方法流程示意图，如图3所示，一种基于隐匿模型的仓储数据安全存储系统，包括：
隐匿模型构建模块201，用于构建上行阶段与下行阶段交替的隐匿模型；
形状参数确定模块202，用于根据预设隐私性和预设可用性确定所述隐匿模型的形状参数；隐匿模型的形状参数包括上行阶段分布均值、下行阶段分布均值、上行阶段分布概率质量函数和下行阶段分布概率质量函数；上行阶段为仓储数据在数据平台为可被观察状态的阶段，下行阶段为仓储数据在数据平台为不可被观察状态的阶段；
仓储数据存储模块203，用于采用确定了形状参数的隐匿模型对待存储的仓储数据进行存储。
所述形状参数确定模块202，具体包括：
所述隐匿模型的隐私性计算公式为：
Figure 456725DEST_PATH_IMAGE001
；
其中，LR为隐私性，
Figure 264144DEST_PATH_IMAGE002
表示上行阶段分布概率质量函数，
Figure 779570DEST_PATH_IMAGE003
为
Figure 406861DEST_PATH_IMAGE002
的积分，
Figure 649623DEST_PATH_IMAGE003
表示上行阶段分布的累积分布函数，
Figure 91975DEST_PATH_IMAGE004
表示
Figure 761990DEST_PATH_IMAGE002
的互补累积分布函数，
Figure 892889DEST_PATH_IMAGE005
表示下行阶段分布的累积分布函数，
Figure 939342DEST_PATH_IMAGE005
为
Figure 455774DEST_PATH_IMAGE006
的积分，
Figure 811538DEST_PATH_IMAGE006
表示下行阶段分布概率质量函数，
Figure 413420DEST_PATH_IMAGE007
表示
Figure 997986DEST_PATH_IMAGE002
最后一个上行阶段所持续的时间，
Figure 650815DEST_PATH_IMAGE008
表示
Figure 193792DEST_PATH_IMAGE006
最后一个下行阶段所持续的时间，
Figure 282970DEST_PATH_IMAGE009
表示
Figure 920494DEST_PATH_IMAGE005
的互补累积分布函数；
所述隐匿模型的可用性计算公式为：
Figure 411518DEST_PATH_IMAGE010
；
其中，Availability表示可用性，
Figure 594238DEST_PATH_IMAGE011
表示
Figure 921445DEST_PATH_IMAGE002
的均值，
Figure 113392DEST_PATH_IMAGE012
表示
Figure 239349DEST_PATH_IMAGE006
的均值；
以所述隐匿模型的隐私性小于预设隐私性并且隐匿模型的可用性大于预设可用性为条件确定隐匿模型的形状参数。
所述上行阶段分布概率质量函数为几何分布函数，所述下行阶段分布概率质量函数为负二项分布函数。
根据公式
Figure 858549DEST_PATH_IMAGE013
计算负二项分布函数的形状参数n；
其中，
Figure 656741DEST_PATH_IMAGE014
表示不完全β积分函数，
Figure 386799DEST_PATH_IMAGE015
表示决策阈值，
Figure 603148DEST_PATH_IMAGE012
表示下行阶段分布的时间均值。
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，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，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。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上，本说明书内容不应理解为对本发明的限制。

Claims (4)

1.一种基于隐匿模型的仓储数据安全存储方法，其特征在于，包括：
构建上行阶段与下行阶段交替的隐匿模型；
根据预设隐私性和预设可用性确定所述隐匿模型的形状参数；所述隐匿模型的形状参数包括上行阶段分布均值、下行阶段分布均值、上行阶段分布概率质量函数和下行阶段分布概率质量函数；上行阶段为仓储数据在数据平台为可被观察状态的阶段，下行阶段为仓储数据在数据平台为不可被观察状态的阶段；
采用确定了形状参数的隐匿模型对待存储的仓储数据进行存储；
所述根据预设隐私性和预设可用性确定所述隐匿模型的形状参数，具体包括：
所述隐匿模型的隐私性计算公式为：
Figure DEST_PATH_IMAGE001
；
其中，LR为隐私性，
Figure DEST_PATH_IMAGE002
表示上行阶段分布概率质量函数，
Figure DEST_PATH_IMAGE003
为
Figure 734154DEST_PATH_IMAGE002
的积分，
Figure 81959DEST_PATH_IMAGE003
表示上行阶段分布的累积分布函数，
Figure DEST_PATH_IMAGE004
表示
Figure 632020DEST_PATH_IMAGE002
的互补累积分布函数，
Figure DEST_PATH_IMAGE005
表示下行阶段分布的累积分布函数，
Figure 217722DEST_PATH_IMAGE005
为
Figure DEST_PATH_IMAGE006
的积分，
Figure 723265DEST_PATH_IMAGE006
表示下行阶段分布概率质量函数，
Figure DEST_PATH_IMAGE007
表示
Figure 27207DEST_PATH_IMAGE002
最后一个上行阶段所持续的时间，
Figure DEST_PATH_IMAGE008
表示
Figure 115380DEST_PATH_IMAGE006
最后一个下行阶段所持续的时间，
Figure DEST_PATH_IMAGE009
表示
Figure 821168DEST_PATH_IMAGE006
的互补累积分布函数；
所述隐匿模型的可用性计算公式为：
Figure DEST_PATH_IMAGE010
；
其中，Availability表示可用性，
Figure DEST_PATH_IMAGE011
表示
Figure 438225DEST_PATH_IMAGE002
的均值，
Figure DEST_PATH_IMAGE012
表示下行阶段分布的时间均值；
以所述隐匿模型的隐私性小于预设隐私性并且所述隐匿模型的可用性大于预设可用性为条件确定隐匿模型的形状参数；
所述上行阶段分布概率质量函数为几何分布函数，所述下行阶段分布概率质量函数为负二项分布函数。
2.根据权利要求1所述的基于隐匿模型的仓储数据安全存储方法，其特征在于，还包括：
根据公式
Figure DEST_PATH_IMAGE013
计算负二项分布函数的形状参数n；
其中，
Figure DEST_PATH_IMAGE014
表示不完全β积分函数，
Figure DEST_PATH_IMAGE015
表示决策阈值。
3.一种基于隐匿模型的仓储数据安全存储系统，其特征在于，包括：
隐匿模型构建模块，用于构建上行阶段与下行阶段交替的隐匿模型；
形状参数确定模块，用于根据预设隐私性和预设可用性确定所述隐匿模型的形状参数；隐匿模型的形状参数包括上行阶段分布均值、下行阶段分布均值、上行阶段分布概率质量函数和下行阶段分布概率质量函数；上行阶段为仓储数据在数据平台为可被观察状态的阶段，下行阶段为仓储数据在数据平台为不可被观察状态的阶段；
仓储数据存储模块，用于采用确定了形状参数的隐匿模型对待存储的仓储数据进行存储；
所述根据预设隐私性和预设可用性确定所述隐匿模型的形状参数，具体包括：
所述隐匿模型的隐私性计算公式为：
Figure 839251DEST_PATH_IMAGE001
；
其中，LR为隐私性，
Figure 259343DEST_PATH_IMAGE002
表示上行阶段分布概率质量函数，
Figure 226162DEST_PATH_IMAGE003
为
Figure 591285DEST_PATH_IMAGE002
的积分，
Figure 10765DEST_PATH_IMAGE003
表示上行阶段分布的累积分布函数，
Figure 237478DEST_PATH_IMAGE004
表示
Figure 58803DEST_PATH_IMAGE002
的互补累积分布函数，
Figure 860406DEST_PATH_IMAGE005
表示下行阶段分布的累积分布函数，
Figure 767182DEST_PATH_IMAGE005
为
Figure 532007DEST_PATH_IMAGE006
的积分，
Figure 473418DEST_PATH_IMAGE006
表示下行阶段分布概率质量函数，
Figure 180343DEST_PATH_IMAGE007
表示
Figure 653044DEST_PATH_IMAGE002
最后一个上行阶段所持续的时间，
Figure 346193DEST_PATH_IMAGE008
表示
Figure 1166DEST_PATH_IMAGE006
最后一个下行阶段所持续的时间，
Figure 754358DEST_PATH_IMAGE009
表示
Figure 508163DEST_PATH_IMAGE006
的互补累积分布函数；
所述隐匿模型的可用性计算公式为：
Figure 5003DEST_PATH_IMAGE010
；
其中，Availability表示可用性，
Figure 780061DEST_PATH_IMAGE011
表示
Figure 438576DEST_PATH_IMAGE002
的均值，
Figure 682606DEST_PATH_IMAGE012
表示下行阶段分布的时间均值；
以所述隐匿模型的隐私性小于预设隐私性并且所述隐匿模型的可用性大于预设可用性为条件确定隐匿模型的形状参数；
所述上行阶段分布概率质量函数为几何分布函数，所述下行阶段分布概率质量函数为负二项分布函数。
4.根据权利要求3所述的基于隐匿模型的仓储数据安全存储系统，其特征在于，还包括：
根据公式
Figure 983138DEST_PATH_IMAGE013
计算负二项分布函数的形状参数n；
其中，
Figure 878281DEST_PATH_IMAGE014
表示不完全β积分函数，
Figure 707697DEST_PATH_IMAGE015
表示决策阈值。
CN202211223801.5A 2022-10-09 2022-10-09 一种基于隐匿模型的仓储数据安全存储方法及系统 Active CN115310135B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211223801.5A CN115310135B (zh) 2022-10-09 2022-10-09 一种基于隐匿模型的仓储数据安全存储方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211223801.5A CN115310135B (zh) 2022-10-09 2022-10-09 一种基于隐匿模型的仓储数据安全存储方法及系统

Publications (2)

Publication Number Publication Date
CN115310135A CN115310135A (zh) 2022-11-08
CN115310135B true CN115310135B (zh) 2023-02-07

Family

ID=83866732

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211223801.5A Active CN115310135B (zh) 2022-10-09 2022-10-09 一种基于隐匿模型的仓储数据安全存储方法及系统

Country Status (1)

Country Link
CN (1) CN115310135B (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105930738A (zh) * 2016-04-13 2016-09-07 青岛科技大学 一种基于位置的个性化物联网服务系统用户隐私保护方法
WO2018128207A1 (ko) * 2017-01-06 2018-07-12 경희대학교 산학협력단 왜곡된 데이터에 대한 프라이버시 보호 시스템 및 방법{system and method for privacy presevation in skewed data}
WO2021124519A1 (ja) * 2019-12-19 2021-06-24 日本電信電話株式会社 秘密乱数生成システム、秘密計算装置、秘密乱数生成方法、およびプログラム

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11449061B2 (en) * 2016-02-29 2022-09-20 AI Incorporated Obstacle recognition method for autonomous robots
CN109446844B (zh) * 2018-11-15 2020-06-05 北京信息科技大学 一种面向大数据发布的隐私保护方法及系统

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105930738A (zh) * 2016-04-13 2016-09-07 青岛科技大学 一种基于位置的个性化物联网服务系统用户隐私保护方法
WO2018128207A1 (ko) * 2017-01-06 2018-07-12 경희대학교 산학협력단 왜곡된 데이터에 대한 프라이버시 보호 시스템 및 방법{system and method for privacy presevation in skewed data}
WO2021124519A1 (ja) * 2019-12-19 2021-06-24 日本電信電話株式会社 秘密乱数生成システム、秘密計算装置、秘密乱数生成方法、およびプログラム

Also Published As

Publication number Publication date
CN115310135A (zh) 2022-11-08

Similar Documents

Publication Publication Date Title
CN109064175B (zh) 一种账户盗用风险防控方法及装置
US11380171B2 (en) Visualization for payment card transaction fraud analysis
Chi et al. Real‐time multi‐feature based fire flame detection in video
CN106656996B (zh) 一种信息安全风险评估方法
US20170148024A1 (en) Optimization of fraud detection model in real time
CN110097203A (zh) 库存调度方法、库存调度装置以及计算机可读存储介质
CN106156151A (zh) 互联网操作事件的风险识别方法及装置
CN107316198A (zh) 账户风险识别方法及装置
CN109241883B (zh) 一种基于自动售货机的退货控制方法及其装置
CN111723777A (zh) 商品取放过程判别方法、装置、智能货柜和可读存储介质
CN108961059A (zh) 数字货币异常交易监控方法、装置及系统
CN109598542A (zh) 一种营销权益的投放方法、装置及电子设备
CN109685377A (zh) 推荐方法及装置、电子设备及存储介质
CN108629254B (zh) 一种运动目标的检测方法及装置
WO2021169534A1 (zh) 一种支付方式确定方法、装置、系统及设备
CN109784479A (zh) 基于神经网络的闸杆防砸方法、系统、设备及存储介质
CN115310135B (zh) 一种基于隐匿模型的仓储数据安全存储方法及系统
US20210158356A1 (en) Fraud Mitigation Using One or More Enhanced Spatial Features
CN112990583A (zh) 一种数据预测模型的入模特征确定方法及设备
CN107679862B (zh) 一种欺诈交易模型的特征值确定方法及装置
US20190279145A1 (en) Product lineup recommendation device, product lineup recommendation method, and product lineup recommendation program
CN109214578A (zh) 电子装置、基于决策树模型的建筑物用电负荷预测方法及存储介质
CN112200644A (zh) 欺诈用户识别方法、装置、计算机设备以及存储介质
CN105868986A (zh) 一种用于提供用户设备的安全信息的方法及设备
CN110286587A (zh) 实现模型迭代控制的方法、服务器及计算机可读存储介质

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