CN115412371A - 基于物联网的大数据安全防护方法、系统及云平台 - Google Patents
基于物联网的大数据安全防护方法、系统及云平台 Download PDFInfo
- Publication number
- CN115412371A CN115412371A CN202211350663.7A CN202211350663A CN115412371A CN 115412371 A CN115412371 A CN 115412371A CN 202211350663 A CN202211350663 A CN 202211350663A CN 115412371 A CN115412371 A CN 115412371A
- Authority
- CN
- China
- Prior art keywords
- internet
- data
- things
- things data
- characterization vector
- 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
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
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/02—Knowledge representation; Symbolic representation
- G06N5/022—Knowledge engineering; Knowledge acquisition
- G06N5/025—Extracting rules from data
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
- G16Y20/00—Information sensed or collected by the things
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
- G16Y30/00—IoT infrastructure
- G16Y30/10—Security thereof
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
- G16Y40/00—IoT characterised by the purpose of the information processing
- G16Y40/50—Safety; Security of things, users, data or systems
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks
Landscapes
- Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Theoretical Computer Science (AREA)
- Computer Security & Cryptography (AREA)
- General Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Signal Processing (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Computer Hardware Design (AREA)
- Biophysics (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Databases & Information Systems (AREA)
- Bioethics (AREA)
- Computer And Data Communications (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本发明提供的基于物联网的大数据安全防护方法、系统及云平台，涉及大数据技术领域。在本发明中，基于多个物联网终端设备在多个历史时间点分别采集形成的多条物联网数据，构建出对应的目标物联网数据分布；在确定出需要对目标物联网数据分布进行数据安全防护的情况下，对目标物联网数据分布进行关键数据隐藏处理，以输出目标物联网数据分布对应的隐藏物联网数据分布；在接收到用于访问目标物联网数据分布的目标数据访问请求的情况下，将目标物联网数据分布替换为对应的隐藏物联网数据分布，并基于隐藏物联网数据分布执行目标数据访问请求。基于上述内容，可以在一定程度上提高大数据安全防护的可靠度。
Description
技术领域
本发明涉及大数据技术领域，具体而言，涉及一种基于物联网的大数据安全防护方法、系统及云平台。
背景技术
大数据是以容量大、类型多、存取速度快、应用价值高为主要特征的数据集合，最早应用于IT行业，目前正快速发展为对数量巨大、来源分散、格式多样的数据进行采集、存储和关联分析，从中发现新知识、创造新价值、提升新能力的新一代信息技术和服务业态。大数据必须采用分布式架构，对海量数据进行分布式数据挖掘，因此必须依托云计算的分布式处理、分布式数据库和云存储、虚拟化技术。
物联网是通过信息传感设备，按照约定的协议，把任何物品与互联网连接起来，进行信息交换和通信，以实现智能化识别、定位、跟踪、监控和管理的一种网络。通俗地讲，物联网就是“物物相连的互联网”，它包含两层含义：第一，物联网是互联网的延伸和扩展，其核心和基础仍然是互联网；第二，物联网的用户端不仅包括人，还包括物品，物联网实现了人与物品及物品之间信息的交换和通信。
在物联网的诸多应用中，一般会通过物联网终端设备产生较多的数据，这些海量的数据一般也会具有较高的应用价值，因此，需要对其进行访问保护，但是，在现有技术中，存在着安全防护的可靠度不高的问题。
发明内容
有鉴于此，本发明的目的在于提供一种基于物联网的大数据安全防护方法、系统及云平台，以在一定程度上提高大数据安全防护的可靠度。
为实现上述目的，本发明实施例采用如下技术方案：
一种基于物联网的大数据安全防护方法，应用于大数据安全防护云平台，所述基于物联网的大数据安全防护方法包括：
基于多个物联网终端设备在多个历史时间点分别采集形成的多条物联网数据，构建出对应的目标物联网数据分布，所述目标物联网数据分布包括每一个所述物联网终端设备在每一个历史时间点采集的物联网数据；
在确定出需要对所述目标物联网数据分布进行数据安全防护的情况下，对所述目标物联网数据分布进行关键数据隐藏处理，以输出所述目标物联网数据分布对应的隐藏物联网数据分布；
在接收到用于访问所述目标物联网数据分布的目标数据访问请求的情况下，将所述目标物联网数据分布替换为对应的所述隐藏物联网数据分布，并基于所述隐藏物联网数据分布执行所述目标数据访问请求。
在一些优选的实施例中，在上述基于物联网的大数据安全防护方法中，所述基于多个物联网终端设备在多个历史时间点分别采集形成的多条物联网数据，构建出对应的目标物联网数据分布的步骤，包括：
分别对多个物联网终端设备进行编号处理，以输出每一个所述物联网终端设备对应的第一编号信息，并分别对多个历史时间点进行编号处理，以输出每一个所述历史时间点对应的第二编号信息；
对于所述多个物联网终端设备在所述多个历史时间点分别采集形成的多条物联网数据中的每一个物联网数据，依据该物联网数据对应的物联网终端设备对应的第一编号信息和对应的历史时间点对应的第二编号信息，确定出该物联网数据对应的位置坐标，所述多条物联网数据的数量等于所述多个物联网终端设备的数量和所述多个历史时间点的数量之间的乘积；
基于每一条所述物联网数据对应的位置坐标，对所述多条物联网数据进行排列处理，以构建出对应的目标物联网数据分布。
在一些优选的实施例中，在上述基于物联网的大数据安全防护方法中，所述在确定出需要对所述目标物联网数据分布进行数据安全防护的情况下，对所述目标物联网数据分布进行关键数据隐藏处理，以输出所述目标物联网数据分布对应的隐藏物联网数据分布的步骤，包括：
对所述目标物联网数据分布进行数据特征挖掘操作，以输出所述目标物联网数据分布对应的第一物联网数据表征向量；
对所述第一物联网数据表征向量进行知识提取操作，以输出对应的第一物联网数据知识提取表征向量，并对所述第一物联网数据表征向量进行回归预测误差分析操作，以输出对应的第一物联网数据回归预测误差表征向量，再对所述第一物联网数据回归预测误差表征向量进行知识提取操作，以输出对应的回归预测误差知识提取表征向量；
对所述回归预测误差知识提取表征向量进行回归预测误差分析操作，以输出对应的第二物联网数据回归预测误差表征向量，再对所述第二物联网数据回归预测误差表征向量进行知识提取操作，以输出对应的第二物联网数据知识提取表征向量；
聚合所述第一物联网数据知识提取表征向量、所述回归预测误差知识提取表征向量和所述第二物联网数据知识提取表征向量，以输出对应的聚合数据表征向量，再对所述聚合数据表征向量进行高价值信息挖掘操作，以输出对应的高价值数据表征向量；
基于所述高价值数据表征向量，对所述第一物联网数据表征向量进行数据筛除操作，以输出对应的第三物联网数据知识提取表征向量；
对所述第三物联网数据知识提取表征向量进行数据特征还原操作，以输出所述目标物联网数据分布对应的隐藏物联网数据分布。
在一些优选的实施例中，在上述基于物联网的大数据安全防护方法中，所述对所述回归预测误差知识提取表征向量进行回归预测误差分析操作，以输出对应的第二物联网数据回归预测误差表征向量，再对所述第二物联网数据回归预测误差表征向量进行知识提取操作，以输出对应的第二物联网数据知识提取表征向量的步骤，包括：
对所述回归预测误差知识提取表征向量进行回归预测误差分析操作，以输出对应的第二物联网数据回归预测误差表征向量；
对所述第二物联网数据回归预测误差表征向量进行知识提取操作，以输出对应的待处理第二物联网数据知识提取表征向量；
将当前输出的待处理第二物联网数据知识提取表征向量标记为回归预测误差知识提取表征向量，以基于该回归预测误差知识提取表征向量，回转执行所述对所述回归预测误差知识提取表征向量进行回归预测误差分析操作，以输出对应的第二物联网数据回归预测误差表征向量的步骤，直到执行该步骤的条件完成，再停止进行该步骤的回转执行，以得到多个待处理第二物联网数据知识提取表征向量；
聚合所述多个待处理第二物联网数据知识提取表征向量，以输出对应的一个第二物联网数据知识提取表征向量。
在一些优选的实施例中，在上述基于物联网的大数据安全防护方法中，所述基于所述高价值数据表征向量，对所述第一物联网数据表征向量进行数据筛除操作，以输出对应的第三物联网数据知识提取表征向量的步骤，包括：
基于所述高价值数据表征向量，对所述第一物联网数据表征向量进行数据筛除操作，以输出所述第一物联网数据表征向量对应的待处理第三物联网数据知识提取表征向量；
将当前输出的第三物联网数据知识提取表征向量标记为第一物联网数据表征向量，以基于该第一物联网数据表征向量，回转执行所述对所述第一物联网数据表征向量进行知识提取操作，以输出对应的第一物联网数据知识提取表征向量，并对所述第一物联网数据表征向量进行回归预测误差分析操作，以输出对应的第一物联网数据回归预测误差表征向量，再对所述第一物联网数据回归预测误差表征向量进行知识提取操作，以输出对应的回归预测误差知识提取表征向量的步骤，直到执行该步骤的条件完成，再停止进行该步骤的回转执行，以得到多个待处理第三物联网数据知识提取表征向量；
聚合所述多个待处理第三物联网数据知识提取表征向量，以输出对应的聚合待处理第三物联网数据知识提取表征向量，再基于所述聚合待处理第三物联网数据知识提取表征向量，对所述第一物联网数据表征向量进行数据筛除操作，以输出对应的第三物联网数据知识提取表征向量。
在一些优选的实施例中，在上述基于物联网的大数据安全防护方法中，所述对所述聚合数据表征向量进行高价值信息挖掘操作，以输出对应的高价值数据表征向量的步骤，包括：
利用预先进行网络优化形成的关键数据隐藏神经网络包括的卷积神经网络对所述聚合数据表征向量进行处理，以输出所述聚合数据表征向量对应的卷积聚合数据表征向量；
利用所述关键数据隐藏神经网络包括的向量压缩神经网络对所述卷积聚合数据表征向量进行处理，以输出对应的高价值数据表征向量。
在一些优选的实施例中，在上述基于物联网的大数据安全防护方法中，所述关键数据隐藏神经网络的网络优化包括：
提取到典型物联网数据分布组合，所述典型物联网数据分布组合包括典型目标物联网数据分布和典型隐藏物联网数据分布；
将所述典型目标物联网数据分布加载至预先搭建的待优化关键数据隐藏神经网络中，以利用所述关键数据隐藏神经网络对所述典型目标物联网数据分布进行数据特征挖掘操作，输出所述典型目标物联网数据分布对应的典型第一物联网数据表征向量；
利用所述待优化关键数据隐藏神经网络对所述典型第一物联网数据表征向量进行知识提取操作，以输出对应的典型第一物联网数据知识提取表征向量，并对所述典型第一物联网数据表征向量进行回归预测误差分析操作，以输出对应的典型第一物联网数据回归预测误差表征向量，再对所述典型第一物联网数据回归预测误差表征向量进行知识提取操作，以输出对应的典型回归预测误差知识提取表征向量；
利用所述待优化关键数据隐藏神经网络对所述典型回归预测误差知识提取表征向量进行回归预测误差分析操作，以输出对应的典型第二物联网数据回归预测误差表征向量，再对所述典型第二物联网数据回归预测误差表征向量进行知识提取操作，以输出对应的典型第二物联网数据知识提取表征向量；
利用所述待优化关键数据隐藏神经网络将所述典型第一物联网数据知识提取表征向量、所述典型回归预测误差知识提取表征向量和所述典型第二物联网数据知识提取表征向量进行向量聚合操作，以输出对应的典型聚合数据表征向量，再对所述典型聚合数据表征向量进行高价值信息挖掘操作，以输出对应的典型高价值数据表征向量；
利用所述待优化关键数据隐藏神经网络，以基于所述典型高价值数据表征向量对所述典型第一物联网数据表征向量进行数据筛除操作，输出对应的典型第三物联网数据知识提取表征向量，再对所述典型第三物联网数据知识提取表征向量进行数据特征还原操作，以输出对应的还原典型隐藏物联网数据分布；
依据所述还原典型隐藏物联网数据分布和所述典型隐藏物联网数据分布，分析输出对应的典型数据学习代价值，再依据所述典型数据学习代价值对所述待优化关键数据隐藏神经网络进行网络优化操作，以形成对应的优化关键数据隐藏神经网络；
将所述优化关键数据隐藏神经网络作为待优化关键数据隐藏神经网络，以调整执行所述提取到典型物联网数据分布组合的步骤，直到当前形成的优化关键数据隐藏神经网络对应的典型数据学习代价值收敛，再将当前形成的优化关键数据隐藏神经网络标记为关键数据隐藏神经网络。
在一些优选的实施例中，在上述基于物联网的大数据安全防护方法中，所述在接收到用于访问所述目标物联网数据分布的目标数据访问请求的情况下，将所述目标物联网数据分布替换为对应的所述隐藏物联网数据分布，并基于所述隐藏物联网数据分布执行所述目标数据访问请求的步骤，包括：
在接收到用于访问所述目标物联网数据分布的目标数据访问请求时，对所述目标数据访问请求对应的目标数据访问终端设备进行设备安全分析处理，以确定出所述目标数据访问终端设备是否属于网络攻击设备；
在确定出所述目标数据访问终端设备属于网络攻击设备的情况下，将所述目标物联网数据分布替换为对应的所述隐藏物联网数据分布，并基于所述隐藏物联网数据分布执行所述目标数据访问请求，以将所述隐藏物联网数据分布反馈给所述目标数据访问终端设备；
在确定出所述目标数据访问终端设备不属于网络攻击设备的情况下，基于所述目标物联网数据分布执行所述目标数据访问请求，以将所述目标物联网数据分布反馈给所述目标数据访问终端设备。
本发明实施例还提供一种基于物联网的大数据安全防护系统，应用于大数据安全防护云平台，所述基于物联网的大数据安全防护系统包括：
数据分布构建模块，用于基于多个物联网终端设备在多个历史时间点分别采集形成的多条物联网数据，构建出对应的目标物联网数据分布，所述目标物联网数据分布包括每一个所述物联网终端设备在每一个历史时间点采集的物联网数据；
关键数据隐藏模块，用于在确定出需要对所述目标物联网数据分布进行数据安全防护的情况下，对所述目标物联网数据分布进行关键数据隐藏处理，以输出所述目标物联网数据分布对应的隐藏物联网数据分布；
数据访问请求响应模块，用于在接收到用于访问所述目标物联网数据分布的目标数据访问请求的情况下，将所述目标物联网数据分布替换为对应的所述隐藏物联网数据分布，并基于所述隐藏物联网数据分布执行所述目标数据访问请求。
本发明实施例还提供一种大数据安全防护云平台，包括处理器和存储器，所述存储器用于存储计算机程序，所述处理器用于执行所述计算机程序，以实现上述的基于物联网的大数据安全防护方法。
本发明实施例提供的一种基于物联网的大数据安全防护方法、系统及云平台，基于多个物联网终端设备在多个历史时间点分别采集形成的多条物联网数据，构建出对应的目标物联网数据分布；在确定出需要对目标物联网数据分布进行数据安全防护的情况下，对目标物联网数据分布进行关键数据隐藏处理，以输出目标物联网数据分布对应的隐藏物联网数据分布；在接收到用于访问目标物联网数据分布的目标数据访问请求的情况下，将目标物联网数据分布替换为对应的隐藏物联网数据分布，并基于隐藏物联网数据分布执行目标数据访问请求。基于此，通过对目标物联网数据分布进行关键数据隐藏处理以得到对应的隐藏物联网数据分布，从而在需要的时候替代目标物联网数据分布，以对目标物联网数据分布中的关键数据进行有效保护，使得可以在一定程度上提高大数据安全防护的可靠度。
为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
图1为本发明实施例提供的基于物联网的大数据安全防护方法包括的各步骤的流程示意图。
图2为本发明实施例提供的基于物联网的大数据安全防护系统包括的各模块的示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，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，所描述的实施例只是本发明的一部分实施例，而不是全部的实施例。通常在此处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，以下对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要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，本领域普通技术人员在没有作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。
本发明实施例提供了一种大数据安全防护云平台。其中，所述大数据安全防护云平台可以包括存储器和处理器。
应当理解，在一些实施方式中，所述存储器和处理器之间直接或间接地电性连接，以实现数据的传输或交互。例如，相互之间可通过一条或多条通讯总线或信号线实现电性连接。所述存储器中可以存储有至少一个可以以软件或固件（firmware）的形式，存在的软件功能模块（计算机程序）。所述处理器可以用于执行所述存储器中存储的可执行的计算机程序，从而实现本发明实施例提供的基于物联网的大数据安全防护方法。
应当理解，在一些实施方式中，所述存储器可以是，但不限于，随机存取存储器（Random Access Memory，RAM），只读存储器（Read Only Memory，ROM），可编程只读存储器（Programmable Read-Only Memory，PROM），可擦除只读存储器（Erasable ProgrammableRead-Only Memory，EPROM），电可擦除只读存储器（Electric Erasable ProgrammableRead-Only Memory，EEPROM）等。所述处理器可以是一种通用处理器，包括中央处理器（Central Processing Unit，CPU）、网络处理器（Network Processor，NP）、片上系统(System on Chip，SoC)等；还可以是数字信号处理器（DSP）、专用集成电路（ASIC）、现场可编程门阵列（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。
应当理解，在一些实施方式中，所述大数据安全防护云平台可以是一种具备数据处理能力的服务器。
结合图1，本发明实施例还提供一种基于物联网的大数据安全防护方法，可应用于上述大数据安全防护云平台。其中，所述基于物联网的大数据安全防护方法有关的流程所定义的方法步骤，可以由所述大数据安全防护云平台实现。下面将对图1所示的具体流程，进行详细阐述。
步骤S110，基于多个物联网终端设备在多个历史时间点分别采集形成的多条物联网数据，构建出对应的目标物联网数据分布。
在本发明实施例中，所述大数据安全防护云平台可以基于多个物联网终端设备在多个历史时间点分别采集形成的多条物联网数据，构建出对应的目标物联网数据分布。所述目标物联网数据分布包括每一个所述物联网终端设备在每一个历史时间点采集的物联网数据。
步骤S120，在确定出需要对所述目标物联网数据分布进行数据安全防护的情况下，对所述目标物联网数据分布进行关键数据隐藏处理，以输出所述目标物联网数据分布对应的隐藏物联网数据分布。
在本发明实施例中，所述大数据安全防护云平台可以在确定出需要对所述目标物联网数据分布进行数据安全防护的情况下，对所述目标物联网数据分布进行关键数据隐藏处理，以输出所述目标物联网数据分布对应的隐藏物联网数据分布。
步骤S130，在接收到用于访问所述目标物联网数据分布的目标数据访问请求的情况下，将所述目标物联网数据分布替换为对应的所述隐藏物联网数据分布，并基于所述隐藏物联网数据分布执行所述目标数据访问请求。
在本发明实施例中，所述大数据安全防护云平台可以在接收到用于访问所述目标物联网数据分布的目标数据访问请求的情况下，将所述目标物联网数据分布替换为对应的所述隐藏物联网数据分布，并基于所述隐藏物联网数据分布执行所述目标数据访问请求。
基于上述的步骤S110、步骤S120和步骤S130 ，通过对目标物联网数据分布进行关键数据隐藏处理以得到对应的隐藏物联网数据分布，从而在需要的时候替代目标物联网数据分布，以对目标物联网数据分布中的关键数据进行有效保护，使得可以在一定程度上提高大数据安全防护的可靠度（其中，相较于直接拒绝访问的常规技术方案，通过隐藏关键数据的方式，还可以降低网络攻击设备的持续攻击的可能性）。
应当理解，在一些实施方式中，所述基于多个物联网终端设备在多个历史时间点分别采集形成的多条物联网数据，构建出对应的目标物联网数据分布的步骤，可以进一步包括以下具体的实施内容：
分别对多个物联网终端设备进行编号处理（可以是随机编号，也可以是按照所述物联网终端设备之间的相关性进行编号，或者，也可以按照所述物联网终端设备对应的设备重要度或数据重要度进行编号），以输出每一个所述物联网终端设备对应的第一编号信息，并分别对多个历史时间点进行编号处理，以输出每一个所述历史时间点对应的第二编号信息；
对于所述多个物联网终端设备在所述多个历史时间点分别采集形成的多条物联网数据中的每一个物联网数据，依据该物联网数据对应的物联网终端设备对应的第一编号信息和对应的历史时间点对应的第二编号信息，确定出该物联网数据对应的位置坐标（也就是说，通过所述第一编号信息和所述第二编号信息可以确定出所述物联网数据在一个二维平面的位置坐标），所述多条物联网数据的数量等于所述多个物联网终端设备的数量和所述多个历史时间点的数量之间的乘积；
基于每一条所述物联网数据对应的位置坐标，对所述多条物联网数据进行排列处理，以构建出对应的目标物联网数据分布。
应当理解，在一些实施方式中，所述分别对多个物联网终端设备进行编号处理，以输出每一个所述物联网终端设备对应的第一编号信息的步骤，可以是按照所述物联网终端设备之间的数据相关度进行编号，使得编号每一个物联网终端设备与相邻的其它物联网终端设备之间的数据相关度的平均值可以最大。基于此，还可以包括对每两个所述物联网终端设备之间的数据相关度进行计算的步骤，该步骤可以包括以下具体的实施内容：
对第一个物联网终端设备采集的多条第一历史物联网数据按照对应的采集时间进行排序，以形成所述第一个物联网终端设备对应的第一历史物联网数据序列，再对第二个物联网终端设备采集的多条第二历史物联网数据按照对应的采集时间进行排序，以形成所述第二个物联网终端设备对应的第二历史物联网数据序列；
以所述第一历史物联网数据序列中的第N+1条第一历史物联网数据为起点，对所述第一历史物联网数据序列进行遍历，针对当前遍历到的第一历史物联网数据，分别计算该当前遍历到的第一历史物联网数据与该当前遍历到的第一历史物联网数据之前的N条第一历史物联网数据中的每一条第一历史物联网数据之间的第一数据差值，以形成由该第一数据差值构建形成的该当前遍历到的第一历史物联网数据对应的第一数据差值集合，再对所述第一数据差值集合包括的第一数据差值进行融合处理（示例性地，可以对各第一数据差值进行均值计算等），以输出该当前遍历到的第一历史物联网数据对应的融合第一数据差值；以及，在遍历完成之后，依据遍历过的每一条第一历史物联网数据对应的融合第一数据差值，构建形成对应的融合第一数据差值集合；
以所述第二历史物联网数据序列中的第N+1条第二历史物联网数据为起点，对所述第二历史物联网数据序列进行遍历，针对当前遍历到的第二历史物联网数据，分别计算该当前遍历到的第二历史物联网数据与该当前遍历到的第二历史物联网数据之前的N条第二历史物联网数据中的每一条第二历史物联网数据之间的第二数据差值，以形成由该第二数据差值构建形成的该当前遍历到的第二历史物联网数据对应的第二数据差值集合，再对所述第二数据差值集合包括的第二数据差值进行融合处理（示例性地，可以对各第二数据差值进行均值计算等），以输出该当前遍历到的第二历史物联网数据对应的融合第二数据差值；以及，在遍历完成之后，依据遍历过的每一条第二历史物联网数据对应的融合第二数据差值，构建形成对应的融合第二数据差值集合；
分别对N进行多次赋值（即基于N的多个值，如10、11、15、18、30等数值，对前两个步骤进行多次的执行，每一次执行，可以得到一个融合第一数据差值集合和一个融合第二数据差值集合），以形成对应的多个融合第一数据差值集合和对应的多个融合第二数据差值集合；
针对每一个所述融合第一数据差值集合，确定该融合第一数据差值集合包括的每一个融合第一数据差值是否都大于或等于预先配置的数据差值参考值，以及，在该融合第一数据差值集合包括的每一个融合第一数据差值都大于或等于所述数据差值参考值的情况下，将该融合第一数据差值集合标记为候选融合第一数据差值集合，针对每一个所述候选融合第一数据差值集合，对该候选融合第一数据差值集合包括的每一个融合第一数据差值进行均值计算，以输出该候选融合第一数据差值集合对应的集合代表值；
针对每一个所述融合第二数据差值集合，确定该融合第二数据差值集合包括的每一个融合第二数据差值是否都大于或等于所述数据差值参考值，以及，在该融合第二数据差值集合包括的每一个融合第二数据差值都大于或等于所述数据差值参考值的情况下，将该融合第二数据差值集合标记为候选融合第二数据差值集合，针对每一个所述候选融合第二数据差值集合，对该候选融合第二数据差值集合包括的每一个融合第二数据差值进行均值计算，以输出该候选融合第二数据差值集合对应的集合代表值；
将对应的集合代表值具有最大值的候选融合第一数据差值集合，标记为目标融合第一数据差值集合，并将对应的集合代表值具有最大值的候选融合第二数据差值集合，标记为目标融合第二数据差值集合；
倘若所述目标融合第一数据差值集合对应的N的值等于所述目标融合第二数据差值集合对应的N的值，则基于该值分别对所述第一历史物联网数据序列和所述第二历史物联网数据序列进行分割处理，以形成多个第一历史物联网数据子序列和多个第二历史物联网数据子序列，每一个所述第一历史物联网数据子序列的序列长度和每一个所述第二历史物联网数据子序列的序列长度等于该值；
倘若所述目标融合第一数据差值集合对应的N的值不等于所述目标融合第二数据差值集合对应的N的值，则针对N的每一个值，对该值对应的候选融合第一数据差值集合对应的集合代表值和对应的候选融合第二数据差值集合对应的集合代表值进行均值计算，以得到该值对应的参考系数，以及，基于具有最大值的参考系数对应的N的值，分别对所述第一历史物联网数据序列和所述第二历史物联网数据序列进行分割处理，以形成多个第一历史物联网数据子序列和多个第二历史物联网数据子序列，每一个所述第一历史物联网数据子序列的序列长度和每一个所述第二历史物联网数据子序列的序列长度等于该值；
依据分别在所述第一历史物联网数据序列和所述第二历史物联网数据序列中的序列位置，将所述多个第一历史物联网数据子序列和所述多个第二历史物联网数据子序列进行一一关联处理；
针对所述多个第一历史物联网数据子序列中的每一个第一历史物联网数据子序列，对该第一历史物联网数据子序列和该第一历史物联网数据子序列关联的第二历史物联网数据子序列进行编辑距离的计算，以输出该第一历史物联网数据子序列和该第一历史物联网数据子序列关联的第二历史物联网数据子序列之间的编辑距离，以及，将每一个所述第一历史物联网数据子序列和该第一历史物联网数据子序列关联的第二历史物联网数据子序列之间的编辑距离进行融合处理（例如，可以先对编辑距离进行均值计算，再基于均值计算的结果确定出具有负相关关系的数据相关度），以输出两个所述物联网终端设备之间的数据相关度。
应当理解，在一些实施方式中，所述在确定出需要对所述目标物联网数据分布进行数据安全防护的情况下，对所述目标物联网数据分布进行关键数据隐藏处理，以输出所述目标物联网数据分布对应的隐藏物联网数据分布的步骤，可以进一步包括以下具体的实施内容：
对所述目标物联网数据分布进行数据特征挖掘操作，以输出所述目标物联网数据分布对应的第一物联网数据表征向量（示例性地，可以通过编码网络对所述目标物联网数据分布进行数据特征挖掘操作，即进行数据编码操作，以将所述目标物联网数据编码为一个向量，即实现数据向量化）；
对所述第一物联网数据表征向量进行知识提取操作，以输出对应的第一物联网数据知识提取表征向量（示例性地，所述知识提取操作可以是指，将数据维度进行压缩，以实现数据的精细化筛选，也就是说，可以所述第一物联网数据表征向量的数据维度或尺寸大于所述第一物联网数据知识提取表征向量的数据维度或尺寸；示例性地，可以通过卷积网络对所述第一物联网数据表征向量进行卷积运算，以实现知识提取操作，并且，所述卷积网络可以包括多个级联的卷积核，多个级联的卷积核的尺寸可以逐渐减小，以输出对数据维度或寸尺的逐渐压缩），并对所述第一物联网数据表征向量进行回归预测误差分析操作，以输出对应的第一物联网数据回归预测误差表征向量，再对所述第一物联网数据回归预测误差表征向量进行知识提取操作，以输出对应的回归预测误差知识提取表征向量（示例性地，所述回归预测误差知识提取表征向量对应的数据维度或尺寸可以等于所述第一物联网数据知识提取表征向量的数据维度或尺寸；另外，所述对所述第一物联网数据表征向量进行知识提取操作的步骤和所述对所述第一物联网数据表征向量进行回归预测误差分析操作，以输出对应的第一物联网数据回归预测误差表征向量，再对所述第一物联网数据回归预测误差表征向量进行知识提取操作，以输出对应的回归预测误差知识提取表征向量的步骤，可以先后依次执行，也可以并行执行，不做具体的限定）；
对所述回归预测误差知识提取表征向量进行回归预测误差分析操作，以输出对应的第二物联网数据回归预测误差表征向量，再对所述第二物联网数据回归预测误差表征向量进行知识提取操作，以输出对应的第二物联网数据知识提取表征向量；
聚合所述第一物联网数据知识提取表征向量、所述回归预测误差知识提取表征向量和所述第二物联网数据知识提取表征向量，以输出对应的聚合数据表征向量（示例性地，可以对所述第一物联网数据知识提取表征向量、所述回归预测误差知识提取表征向量和所述第二物联网数据知识提取表征向量直接进行拼接，以实现向量的聚合，另外，拼接的先后顺序不受限制，例如，可以按照形成的先后顺序进行拼接），再对所述聚合数据表征向量进行高价值信息挖掘操作，以输出对应的高价值数据表征向量；
基于所述高价值数据表征向量，对所述第一物联网数据表征向量进行数据筛除操作，以输出对应的第三物联网数据知识提取表征向量；
对所述第三物联网数据知识提取表征向量进行数据特征还原操作（示例性地，可以通过解码网络对所述第三物联网数据知识提取表征向量进行数据特征还原操作，即进行数据解码操作，以得到对应的隐藏物联网数据分布，所述解码网络的处理过程可以与上述的编码网络的处理过程相反），以输出所述目标物联网数据分布对应的隐藏物联网数据分布。
应当理解，在一些实施方式中，所述对所述回归预测误差知识提取表征向量进行回归预测误差分析操作，以输出对应的第二物联网数据回归预测误差表征向量，再对所述第二物联网数据回归预测误差表征向量进行知识提取操作，以输出对应的第二物联网数据知识提取表征向量的步骤，可以进一步包括以下具体的实施内容：
对所述回归预测误差知识提取表征向量进行回归预测误差分析操作（示例性地，可以通过预先进行网络优化得到的回归预测误差分析参数进行回归预测误差分析操作，即分析出所述回归预测误差知识提取表征向量对应的预测值和观测值之间的差距），以输出对应的第二物联网数据回归预测误差表征向量；
对所述第二物联网数据回归预测误差表征向量进行知识提取操作（同上），以输出对应的待处理第二物联网数据知识提取表征向量；
将当前输出的待处理第二物联网数据知识提取表征向量标记为回归预测误差知识提取表征向量，以基于该回归预测误差知识提取表征向量，回转执行所述对所述回归预测误差知识提取表征向量进行回归预测误差分析操作，以输出对应的第二物联网数据回归预测误差表征向量的步骤，直到执行该步骤的条件完成（示例性地，可以是该步骤的执行次数大于或等于预先配置的第一次数阈值，或者，也可以是其它条件，如相邻两次得到的待处理第二物联网数据知识提取表征向量之间的向量相似度大于第一相似度参考值），再停止进行该步骤的回转执行，以得到多个待处理第二物联网数据知识提取表征向量（示例性地，每一次进行回归预测误差分析操作时使用的参数可以是相同的，也可以是不同的。每一次进行知识提取操作时使用的参数可以是相同的，也可以是不同的）；
聚合所述多个待处理第二物联网数据知识提取表征向量，以输出对应的一个第二物联网数据知识提取表征向量（示例性地，所述聚合所述多个待处理第二物联网数据知识提取表征向量，既可以是指将所述多个待处理第二物联网数据知识提取表征向量进行拼接，也可以是指将所述多个待处理第二物联网数据知识提取表征向量进行叠加）。
应当理解，在一些实施方式中，所述对所述聚合数据表征向量进行高价值信息挖掘操作，以输出对应的高价值数据表征向量的步骤，可以进一步包括以下具体的实施内容：
利用预先进行网络优化形成的关键数据隐藏神经网络包括的卷积神经网络对所述聚合数据表征向量进行处理，以输出所述聚合数据表征向量对应的卷积聚合数据表征向量；利用所述关键数据隐藏神经网络包括的向量压缩神经网络对所述卷积聚合数据表征向量进行处理（即对所述卷积聚合数据表征向量进行压缩以输出更加重要的特征，且挑选不受位置干扰的数据，以及对向量进行降维），以输出对应的高价值数据表征向量（示例性地，在其它示例中，也可以通过对所述卷积聚合数据表征向量中的各向量参数进行影响力确定，然后，基于该影响力对各向量参数进行筛选，以实现向量参数的压缩，即降维；另外，该影响力可以基于各向量参数与其它向量参数之间的数据相关性确定）。
应当理解，在一些实施方式中，所述基于所述高价值数据表征向量，对所述第一物联网数据表征向量进行数据筛除操作，以输出对应的第三物联网数据知识提取表征向量的步骤，可以进一步包括以下具体的实施内容：
基于所述高价值数据表征向量，对所述第一物联网数据表征向量进行数据筛除操作，以输出所述第一物联网数据表征向量对应的待处理第三物联网数据知识提取表征向量（示例性地，可以对所述第一物联网数据表征向量和所述高价值数据表征向量进行求差运算，以输出所述第一物联网数据表征向量对应的待处理第三物联网数据知识提取表征向量）；
将当前输出的第三物联网数据知识提取表征向量标记为第一物联网数据表征向量，以基于该第一物联网数据表征向量，回转执行所述对所述第一物联网数据表征向量进行知识提取操作，以输出对应的第一物联网数据知识提取表征向量，并对所述第一物联网数据表征向量进行回归预测误差分析操作，以输出对应的第一物联网数据回归预测误差表征向量，再对所述第一物联网数据回归预测误差表征向量进行知识提取操作，以输出对应的回归预测误差知识提取表征向量的步骤，直到执行该步骤的条件完成（示例性地，可以是该步骤的执行次数大于或等于预先配置的第二次数阈值，或者，也可以是其它条件，如相邻两次得到的待处理第三物联网数据知识提取表征向量之间的向量相似度大于第二相似度参考值），再停止进行该步骤的回转执行，以得到多个待处理第三物联网数据知识提取表征向量；
聚合所述多个待处理第三物联网数据知识提取表征向量，以输出对应的聚合待处理第三物联网数据知识提取表征向量（示例性地，可以对所述多个待处理第三物联网数据知识提取表征向量进行叠加，以输出所述聚合待处理第三物联网数据知识提取表征向量），再基于所述聚合待处理第三物联网数据知识提取表征向量，对所述第一物联网数据表征向量进行数据筛除操作，以输出对应的第三物联网数据知识提取表征向量（示例性地，可以对所述第一物联网数据表征向量和所述聚合待处理第三物联网数据知识提取表征向量进行求差运算，以输出所述第一物联网数据表征向量对应的第三物联网数据知识提取表征向量）。
应当理解，在一些实施方式中，所述关键数据隐藏神经网络的网络优化，可以进一步包括以下具体的实施内容：
提取到典型物联网数据分布组合，所述典型物联网数据分布组合包括典型目标物联网数据分布和典型隐藏物联网数据分布（示例性地，所述典型隐藏物联网数据分布可以是通过对所述典型目标物联网数据分布进行人工的关键数据隐藏处理形成）；
将所述典型目标物联网数据分布加载至预先搭建的待优化关键数据隐藏神经网络中，以利用所述关键数据隐藏神经网络对所述典型目标物联网数据分布进行数据特征挖掘操作，输出所述典型目标物联网数据分布对应的典型第一物联网数据表征向量（如上所述）；
利用所述待优化关键数据隐藏神经网络对所述典型第一物联网数据表征向量进行知识提取操作，以输出对应的典型第一物联网数据知识提取表征向量，并对所述典型第一物联网数据表征向量进行回归预测误差分析操作，以输出对应的典型第一物联网数据回归预测误差表征向量，再对所述典型第一物联网数据回归预测误差表征向量进行知识提取操作，以输出对应的典型回归预测误差知识提取表征向量（如上所述）；
利用所述待优化关键数据隐藏神经网络对所述典型回归预测误差知识提取表征向量进行回归预测误差分析操作，以输出对应的典型第二物联网数据回归预测误差表征向量，再对所述典型第二物联网数据回归预测误差表征向量进行知识提取操作，以输出对应的典型第二物联网数据知识提取表征向量（如上所述）；
利用所述待优化关键数据隐藏神经网络将所述典型第一物联网数据知识提取表征向量、所述典型回归预测误差知识提取表征向量和所述典型第二物联网数据知识提取表征向量进行向量聚合操作，以输出对应的典型聚合数据表征向量，再对所述典型聚合数据表征向量进行高价值信息挖掘操作，以输出对应的典型高价值数据表征向量（如上所述）；
利用所述待优化关键数据隐藏神经网络，以基于所述典型高价值数据表征向量对所述典型第一物联网数据表征向量进行数据筛除操作，输出对应的典型第三物联网数据知识提取表征向量，再对所述典型第三物联网数据知识提取表征向量进行数据特征还原操作，以输出对应的还原典型隐藏物联网数据分布（如上所述）；
依据所述还原典型隐藏物联网数据分布和所述典型隐藏物联网数据分布，分析输出对应的典型数据学习代价值，再依据所述典型数据学习代价值对所述待优化关键数据隐藏神经网络进行网络优化操作，以形成对应的优化关键数据隐藏神经网络；
将所述优化关键数据隐藏神经网络作为待优化关键数据隐藏神经网络，以调整执行所述提取到典型物联网数据分布组合的步骤，直到当前形成的优化关键数据隐藏神经网络对应的典型数据学习代价值收敛，再将当前形成的优化关键数据隐藏神经网络标记为关键数据隐藏神经网络。
应当理解，在一些实施方式中，所述依据所述还原典型隐藏物联网数据分布和所述典型隐藏物联网数据分布，分析输出对应的典型数据学习代价值的步骤，可以进一步包括以下具体的实施内容：
对所述还原典型隐藏物联网数据分布和所述典型隐藏物联网数据分布进行物联网数据差异的分析，以输出对应的物联网数据差异（示例性地，所述物联网数据差异用于反映，所述还原典型隐藏物联网数据分布和所述典型隐藏物联网数据分布之间对应分布位置的物联网数据之间的差异度）；
对所述还原典型隐藏物联网数据分布和所述典型隐藏物联网数据分布进行数据分布差异的分析，以输出对应的数据分布差异（示例性地，所述数据分布差异用于反映，所述还原典型隐藏物联网数据分布和所述典型隐藏物联网数据分布之间整体上的差异度）；
依据所述物联网数据差异和所述数据分布差异（如求和计算等），分析输出对应的典型数据学习代价值。
应当理解，在一些实施方式中，所述在接收到用于访问所述目标物联网数据分布的目标数据访问请求的情况下，将所述目标物联网数据分布替换为对应的所述隐藏物联网数据分布，并基于所述隐藏物联网数据分布执行所述目标数据访问请求的步骤，可以进一步包括以下具体的实施内容：
在接收到用于访问所述目标物联网数据分布的目标数据访问请求时，对所述目标数据访问请求对应的目标数据访问终端设备进行设备安全分析处理，以确定出所述目标数据访问终端设备是否属于网络攻击设备（示例性地，可以在预先配置的设备黑名单中确定是否具有所述目标数据访问终端设备对应的设备指纹信息或IP地址信息等）；
在确定出所述目标数据访问终端设备属于网络攻击设备的情况下，将所述目标物联网数据分布替换为对应的所述隐藏物联网数据分布，并基于所述隐藏物联网数据分布执行所述目标数据访问请求，以将所述隐藏物联网数据分布反馈给所述目标数据访问终端设备；
在确定出所述目标数据访问终端设备不属于网络攻击设备的情况下，基于所述目标物联网数据分布执行所述目标数据访问请求，以将所述目标物联网数据分布反馈给所述目标数据访问终端设备。
结合图2，本发明实施例还提供一种基于物联网的大数据安全防护系统，可应用于上述大数据安全防护云平台。其中，所述基于物联网的大数据安全防护系统可以包括以下的软件模块等：
数据分布构建模块，用于基于多个物联网终端设备在多个历史时间点分别采集形成的多条物联网数据，构建出对应的目标物联网数据分布，所述目标物联网数据分布包括每一个所述物联网终端设备在每一个历史时间点采集的物联网数据；
关键数据隐藏模块，用于在确定出需要对所述目标物联网数据分布进行数据安全防护的情况下，对所述目标物联网数据分布进行关键数据隐藏处理，以输出所述目标物联网数据分布对应的隐藏物联网数据分布；
数据访问请求响应模块，用于在接收到用于访问所述目标物联网数据分布的目标数据访问请求的情况下，将所述目标物联网数据分布替换为对应的所述隐藏物联网数据分布，并基于所述隐藏物联网数据分布执行所述目标数据访问请求。
综上所述，本发明提供的一种基于物联网的大数据安全防护方法、系统及云平台，基于多个物联网终端设备在多个历史时间点分别采集形成的多条物联网数据，构建出对应的目标物联网数据分布；在确定出需要对目标物联网数据分布进行数据安全防护的情况下，对目标物联网数据分布进行关键数据隐藏处理，以输出目标物联网数据分布对应的隐藏物联网数据分布；在接收到用于访问目标物联网数据分布的目标数据访问请求的情况下，将目标物联网数据分布替换为对应的隐藏物联网数据分布，并基于隐藏物联网数据分布执行目标数据访问请求。基于此，通过对目标物联网数据分布进行关键数据隐藏处理以得到对应的隐藏物联网数据分布，从而在需要的时候替代目标物联网数据分布，以对目标物联网数据分布中的关键数据进行有效保护，使得可以在一定程度上提高大数据安全防护的可靠度。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于物联网的大数据安全防护方法，其特征在于，应用于大数据安全防护云平台，所述基于物联网的大数据安全防护方法包括：
基于多个物联网终端设备在多个历史时间点分别采集形成的多条物联网数据，构建出对应的目标物联网数据分布，所述目标物联网数据分布包括每一个所述物联网终端设备在每一个历史时间点采集的物联网数据；
在确定出需要对所述目标物联网数据分布进行数据安全防护的情况下，对所述目标物联网数据分布进行关键数据隐藏处理，以输出所述目标物联网数据分布对应的隐藏物联网数据分布；
在接收到用于访问所述目标物联网数据分布的目标数据访问请求的情况下，将所述目标物联网数据分布替换为对应的所述隐藏物联网数据分布，并基于所述隐藏物联网数据分布执行所述目标数据访问请求。
2.如权利要求1所述的基于物联网的大数据安全防护方法，其特征在于，所述基于多个物联网终端设备在多个历史时间点分别采集形成的多条物联网数据，构建出对应的目标物联网数据分布的步骤，包括：
分别对多个物联网终端设备进行编号处理，以输出每一个所述物联网终端设备对应的第一编号信息，并分别对多个历史时间点进行编号处理，以输出每一个所述历史时间点对应的第二编号信息；
对于所述多个物联网终端设备在所述多个历史时间点分别采集形成的多条物联网数据中的每一个物联网数据，依据该物联网数据对应的物联网终端设备对应的第一编号信息和对应的历史时间点对应的第二编号信息，确定出该物联网数据对应的位置坐标，所述多条物联网数据的数量等于所述多个物联网终端设备的数量和所述多个历史时间点的数量之间的乘积；
基于每一条所述物联网数据对应的位置坐标，对所述多条物联网数据进行排列处理，以构建出对应的目标物联网数据分布。
3.如权利要求1所述的基于物联网的大数据安全防护方法，其特征在于，所述在确定出需要对所述目标物联网数据分布进行数据安全防护的情况下，对所述目标物联网数据分布进行关键数据隐藏处理，以输出所述目标物联网数据分布对应的隐藏物联网数据分布的步骤，包括：
对所述目标物联网数据分布进行数据特征挖掘操作，以输出所述目标物联网数据分布对应的第一物联网数据表征向量；
对所述第一物联网数据表征向量进行知识提取操作，以输出对应的第一物联网数据知识提取表征向量，并对所述第一物联网数据表征向量进行回归预测误差分析操作，以输出对应的第一物联网数据回归预测误差表征向量，再对所述第一物联网数据回归预测误差表征向量进行知识提取操作，以输出对应的回归预测误差知识提取表征向量；
对所述回归预测误差知识提取表征向量进行回归预测误差分析操作，以输出对应的第二物联网数据回归预测误差表征向量，再对所述第二物联网数据回归预测误差表征向量进行知识提取操作，以输出对应的第二物联网数据知识提取表征向量；
聚合所述第一物联网数据知识提取表征向量、所述回归预测误差知识提取表征向量和所述第二物联网数据知识提取表征向量，以输出对应的聚合数据表征向量，再对所述聚合数据表征向量进行高价值信息挖掘操作，以输出对应的高价值数据表征向量；
基于所述高价值数据表征向量，对所述第一物联网数据表征向量进行数据筛除操作，以输出对应的第三物联网数据知识提取表征向量；
对所述第三物联网数据知识提取表征向量进行数据特征还原操作，以输出所述目标物联网数据分布对应的隐藏物联网数据分布。
4.如权利要求3所述的基于物联网的大数据安全防护方法，其特征在于，所述对所述回归预测误差知识提取表征向量进行回归预测误差分析操作，以输出对应的第二物联网数据回归预测误差表征向量，再对所述第二物联网数据回归预测误差表征向量进行知识提取操作，以输出对应的第二物联网数据知识提取表征向量的步骤，包括：
对所述回归预测误差知识提取表征向量进行回归预测误差分析操作，以输出对应的第二物联网数据回归预测误差表征向量；
对所述第二物联网数据回归预测误差表征向量进行知识提取操作，以输出对应的待处理第二物联网数据知识提取表征向量；
将当前输出的待处理第二物联网数据知识提取表征向量标记为回归预测误差知识提取表征向量，以基于该回归预测误差知识提取表征向量，回转执行所述对所述回归预测误差知识提取表征向量进行回归预测误差分析操作，以输出对应的第二物联网数据回归预测误差表征向量的步骤，直到执行该步骤的条件完成，再停止进行该步骤的回转执行，以得到多个待处理第二物联网数据知识提取表征向量；
聚合所述多个待处理第二物联网数据知识提取表征向量，以输出对应的一个第二物联网数据知识提取表征向量。
5.如权利要求3所述的基于物联网的大数据安全防护方法，其特征在于，所述基于所述高价值数据表征向量，对所述第一物联网数据表征向量进行数据筛除操作，以输出对应的第三物联网数据知识提取表征向量的步骤，包括：
基于所述高价值数据表征向量，对所述第一物联网数据表征向量进行数据筛除操作，以输出所述第一物联网数据表征向量对应的待处理第三物联网数据知识提取表征向量；
将当前输出的第三物联网数据知识提取表征向量标记为第一物联网数据表征向量，以基于该第一物联网数据表征向量，回转执行所述对所述第一物联网数据表征向量进行知识提取操作，以输出对应的第一物联网数据知识提取表征向量，并对所述第一物联网数据表征向量进行回归预测误差分析操作，以输出对应的第一物联网数据回归预测误差表征向量，再对所述第一物联网数据回归预测误差表征向量进行知识提取操作，以输出对应的回归预测误差知识提取表征向量的步骤，直到执行该步骤的条件完成，再停止进行该步骤的回转执行，以得到多个待处理第三物联网数据知识提取表征向量；
聚合所述多个待处理第三物联网数据知识提取表征向量，以输出对应的聚合待处理第三物联网数据知识提取表征向量，再基于所述聚合待处理第三物联网数据知识提取表征向量，对所述第一物联网数据表征向量进行数据筛除操作，以输出对应的第三物联网数据知识提取表征向量。
6.如权利要求3所述的基于物联网的大数据安全防护方法，其特征在于，所述对所述聚合数据表征向量进行高价值信息挖掘操作，以输出对应的高价值数据表征向量的步骤，包括：
利用预先进行网络优化形成的关键数据隐藏神经网络包括的卷积神经网络对所述聚合数据表征向量进行处理，以输出所述聚合数据表征向量对应的卷积聚合数据表征向量；
利用所述关键数据隐藏神经网络包括的向量压缩神经网络对所述卷积聚合数据表征向量进行处理，以输出对应的高价值数据表征向量。
7.如权利要求6所述的基于物联网的大数据安全防护方法，其特征在于，所述关键数据隐藏神经网络的网络优化包括：
提取到典型物联网数据分布组合，所述典型物联网数据分布组合包括典型目标物联网数据分布和典型隐藏物联网数据分布；
将所述典型目标物联网数据分布加载至预先搭建的待优化关键数据隐藏神经网络中，以利用所述关键数据隐藏神经网络对所述典型目标物联网数据分布进行数据特征挖掘操作，输出所述典型目标物联网数据分布对应的典型第一物联网数据表征向量；
利用所述待优化关键数据隐藏神经网络对所述典型第一物联网数据表征向量进行知识提取操作，以输出对应的典型第一物联网数据知识提取表征向量，并对所述典型第一物联网数据表征向量进行回归预测误差分析操作，以输出对应的典型第一物联网数据回归预测误差表征向量，再对所述典型第一物联网数据回归预测误差表征向量进行知识提取操作，以输出对应的典型回归预测误差知识提取表征向量；
利用所述待优化关键数据隐藏神经网络对所述典型回归预测误差知识提取表征向量进行回归预测误差分析操作，以输出对应的典型第二物联网数据回归预测误差表征向量，再对所述典型第二物联网数据回归预测误差表征向量进行知识提取操作，以输出对应的典型第二物联网数据知识提取表征向量；
利用所述待优化关键数据隐藏神经网络将所述典型第一物联网数据知识提取表征向量、所述典型回归预测误差知识提取表征向量和所述典型第二物联网数据知识提取表征向量进行向量聚合操作，以输出对应的典型聚合数据表征向量，再对所述典型聚合数据表征向量进行高价值信息挖掘操作，以输出对应的典型高价值数据表征向量；
利用所述待优化关键数据隐藏神经网络，以基于所述典型高价值数据表征向量对所述典型第一物联网数据表征向量进行数据筛除操作，输出对应的典型第三物联网数据知识提取表征向量，再对所述典型第三物联网数据知识提取表征向量进行数据特征还原操作，以输出对应的还原典型隐藏物联网数据分布；
依据所述还原典型隐藏物联网数据分布和所述典型隐藏物联网数据分布，分析输出对应的典型数据学习代价值，再依据所述典型数据学习代价值对所述待优化关键数据隐藏神经网络进行网络优化操作，以形成对应的优化关键数据隐藏神经网络；
将所述优化关键数据隐藏神经网络作为待优化关键数据隐藏神经网络，以调整执行所述提取到典型物联网数据分布组合的步骤，直到当前形成的优化关键数据隐藏神经网络对应的典型数据学习代价值收敛，再将当前形成的优化关键数据隐藏神经网络标记为关键数据隐藏神经网络。
8.如权利要求1-7任意一项所述的基于物联网的大数据安全防护方法，其特征在于，所述在接收到用于访问所述目标物联网数据分布的目标数据访问请求的情况下，将所述目标物联网数据分布替换为对应的所述隐藏物联网数据分布，并基于所述隐藏物联网数据分布执行所述目标数据访问请求的步骤，包括：
在接收到用于访问所述目标物联网数据分布的目标数据访问请求时，对所述目标数据访问请求对应的目标数据访问终端设备进行设备安全分析处理，以确定出所述目标数据访问终端设备是否属于网络攻击设备；
在确定出所述目标数据访问终端设备属于网络攻击设备的情况下，将所述目标物联网数据分布替换为对应的所述隐藏物联网数据分布，并基于所述隐藏物联网数据分布执行所述目标数据访问请求，以将所述隐藏物联网数据分布反馈给所述目标数据访问终端设备；
在确定出所述目标数据访问终端设备不属于网络攻击设备的情况下，基于所述目标物联网数据分布执行所述目标数据访问请求，以将所述目标物联网数据分布反馈给所述目标数据访问终端设备。
9.一种基于物联网的大数据安全防护系统，其特征在于，应用于大数据安全防护云平台，所述基于物联网的大数据安全防护系统包括：
数据分布构建模块，用于基于多个物联网终端设备在多个历史时间点分别采集形成的多条物联网数据，构建出对应的目标物联网数据分布，所述目标物联网数据分布包括每一个所述物联网终端设备在每一个历史时间点采集的物联网数据；
关键数据隐藏模块，用于在确定出需要对所述目标物联网数据分布进行数据安全防护的情况下，对所述目标物联网数据分布进行关键数据隐藏处理，以输出所述目标物联网数据分布对应的隐藏物联网数据分布；
数据访问请求响应模块，用于在接收到用于访问所述目标物联网数据分布的目标数据访问请求的情况下，将所述目标物联网数据分布替换为对应的所述隐藏物联网数据分布，并基于所述隐藏物联网数据分布执行所述目标数据访问请求。
10.一种大数据安全防护云平台，其特征在于，包括处理器和存储器，所述存储器用于存储计算机程序，所述处理器用于执行所述计算机程序，以实现权利要求1-8任意一项所述的基于物联网的大数据安全防护方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211350663.7A CN115412371B (zh) | 2022-10-31 | 2022-10-31 | 基于物联网的大数据安全防护方法、系统及云平台 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211350663.7A CN115412371B (zh) | 2022-10-31 | 2022-10-31 | 基于物联网的大数据安全防护方法、系统及云平台 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115412371A true CN115412371A (zh) | 2022-11-29 |
| CN115412371B CN115412371B (zh) | 2023-03-24 |
Family
ID=84168483
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211350663.7A Active CN115412371B (zh) | 2022-10-31 | 2022-10-31 | 基于物联网的大数据安全防护方法、系统及云平台 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115412371B (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115599312A (zh) * | 2022-12-02 | 2023-01-13 | 王丹亮（Cn） | 基于存储集群的大数据处理方法及ai系统 |
| CN115687792A (zh) * | 2022-12-20 | 2023-02-03 | 邢台达喆网络科技有限公司 | 针对在线互联网服务的大数据采集方法及系统 |
| CN117235559A (zh) * | 2023-11-14 | 2023-12-15 | 四川万物纵横科技股份有限公司 | 一种基于边缘计算的物联网数据采集方法及系统 |
| CN117319286A (zh) * | 2023-09-21 | 2023-12-29 | 鸿图百奥科技(广州)有限公司 | 一种通信数据的传输方法及系统 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109195164A (zh) * | 2018-09-27 | 2019-01-11 | 南京航空航天大学 | 无线传感器网络中基于扰动压缩感知的数据传输安全防护方法 |
| US20190303349A1 (en) * | 2015-05-19 | 2019-10-03 | Cryptomove, Inc. | Security via data concealment |
| CN110795751A (zh) * | 2019-10-30 | 2020-02-14 | 浪潮云信息技术有限公司 | 一种通过自然语言分析对敏感数据进行安全保护的方法 |
| CN113411384A (zh) * | 2021-06-10 | 2021-09-17 | 华中科技大学 | 针对物联网数据安全共享过程中隐私保护的系统及方法 |
| CN113485144A (zh) * | 2021-07-27 | 2021-10-08 | 广州市威士丹利智能科技有限公司 | 基于物联网的智能家居控制方法及系统 |
| CN113595969A (zh) * | 2021-04-13 | 2021-11-02 | 彭松英 | 一种基于多次核验的物联网信息保护系统 |
| CN114579397A (zh) * | 2022-02-22 | 2022-06-03 | 湖北美和易思教育科技有限公司 | 一种基于数据挖掘的异常检测方法及系统 |
| CN114662133A (zh) * | 2022-04-18 | 2022-06-24 | 清华大学 | 一种基于差分隐私保护的积极防御方法及系统 |
-
2022
- 2022-10-31 CN CN202211350663.7A patent/CN115412371B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20190303349A1 (en) * | 2015-05-19 | 2019-10-03 | Cryptomove, Inc. | Security via data concealment |
| CN109195164A (zh) * | 2018-09-27 | 2019-01-11 | 南京航空航天大学 | 无线传感器网络中基于扰动压缩感知的数据传输安全防护方法 |
| CN110795751A (zh) * | 2019-10-30 | 2020-02-14 | 浪潮云信息技术有限公司 | 一种通过自然语言分析对敏感数据进行安全保护的方法 |
| CN113595969A (zh) * | 2021-04-13 | 2021-11-02 | 彭松英 | 一种基于多次核验的物联网信息保护系统 |
| CN113411384A (zh) * | 2021-06-10 | 2021-09-17 | 华中科技大学 | 针对物联网数据安全共享过程中隐私保护的系统及方法 |
| CN113485144A (zh) * | 2021-07-27 | 2021-10-08 | 广州市威士丹利智能科技有限公司 | 基于物联网的智能家居控制方法及系统 |
| CN114579397A (zh) * | 2022-02-22 | 2022-06-03 | 湖北美和易思教育科技有限公司 | 一种基于数据挖掘的异常检测方法及系统 |
| CN114662133A (zh) * | 2022-04-18 | 2022-06-24 | 清华大学 | 一种基于差分隐私保护的积极防御方法及系统 |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115599312A (zh) * | 2022-12-02 | 2023-01-13 | 王丹亮（Cn） | 基于存储集群的大数据处理方法及ai系统 |
| CN115599312B (zh) * | 2022-12-02 | 2023-10-27 | 北京国联视讯信息技术股份有限公司 | 基于存储集群的大数据处理方法及ai系统 |
| CN115687792A (zh) * | 2022-12-20 | 2023-02-03 | 邢台达喆网络科技有限公司 | 针对在线互联网服务的大数据采集方法及系统 |
| CN115687792B (zh) * | 2022-12-20 | 2023-06-16 | 成都坐联智城科技有限公司 | 针对在线互联网服务的大数据采集方法及系统 |
| CN117319286A (zh) * | 2023-09-21 | 2023-12-29 | 鸿图百奥科技(广州)有限公司 | 一种通信数据的传输方法及系统 |
| CN117235559A (zh) * | 2023-11-14 | 2023-12-15 | 四川万物纵横科技股份有限公司 | 一种基于边缘计算的物联网数据采集方法及系统 |
| CN117235559B (zh) * | 2023-11-14 | 2024-02-06 | 四川万物纵横科技股份有限公司 | 一种基于边缘计算的物联网数据采集方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115412371B (zh) | 2023-03-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115412371B (zh) | 基于物联网的大数据安全防护方法、系统及云平台 | |
| CN111027048B (zh) | 一种操作系统识别方法、装置、电子设备及存储介质 | |
| Yang et al. | A scalable data chunk similarity based compression approach for efficient big sensing data processing on cloud | |
| CN115563477B (zh) | 谐波数据识别方法、装置、计算机设备和存储介质 | |
| WO2022134881A1 (en) | Data processing method, data processing apparatus, computer device, and non-transitory storage medium | |
| CN115687674A (zh) | 服务于智慧云服务平台的大数据需求分析方法及系统 | |
| CN110807050B (zh) | 性能分析方法、装置、计算机设备及存储介质 | |
| CN115603973A (zh) | 基于政务信息网络的异构安全监测方法及系统 | |
| CN113111078B (zh) | 资源数据处理方法、装置、计算机设备和存储介质 | |
| US11829866B1 (en) | System and method for hierarchical deep semi-supervised embeddings for dynamic targeted anomaly detection | |
| CN113326064A (zh) | 划分业务逻辑模块的方法、电子设备及存储介质 | |
| CN115952398B (zh) | 基于物联网的数据上传统计计算方法、系统和存储介质 | |
| CN117294497A (zh) | 一种网络流量异常检测方法、装置、电子设备及存储介质 | |
| CN109800775B (zh) | 文件聚类方法、装置、设备及可读介质 | |
| CN114513498B (zh) | 文件传输校验方法、装置、计算机设备和存储介质 | |
| CN115147134A (zh) | 基于工业互联网的产品防伪追溯方法、系统及云平台 | |
| CN114021112A (zh) | 密码算法能量分析方法及装置、存储介质及电子设备 | |
| CN113781156B (zh) | 恶意订单的识别方法、模型的训练方法、设备及存储介质 | |
| CN117370473B (zh) | 基于完整性攻击的数据处理方法、装置、设备及存储介质 | |
| CN117370471B (zh) | 基于修剪平均的全局预测方法、装置、设备及存储介质 | |
| CN116662415B (zh) | 基于数据挖掘的智能匹配方法及系统 | |
| CN115599312B (zh) | 基于存储集群的大数据处理方法及ai系统 | |
| CN115620210B (zh) | 基于图像处理的电子线料的性能确定方法及系统 | |
| CN116934191A (zh) | 基于图像分析的物流配送调度方法及系统 | |
| CN117149846B (zh) | 一种基于数据融合的电力数据分析方法和系统 |
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 |