CN115913552B - 一种工业机器人控制系统的信息安全测试数据处理方法 - Google Patents

一种工业机器人控制系统的信息安全测试数据处理方法 Download PDF

Info

Publication number
CN115913552B
CN115913552B CN202310014772.XA CN202310014772A CN115913552B CN 115913552 B CN115913552 B CN 115913552B CN 202310014772 A CN202310014772 A CN 202310014772A CN 115913552 B CN115913552 B CN 115913552B
Authority
CN
China
Prior art keywords
gaussian
model
parameter
key
single gaussian
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
CN202310014772.XA
Other languages
English (en)
Other versions
CN115913552A (zh
Inventor
李芬
公延廷
王磊
刘浩
吴沧海
于夏夏
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.)
Shandong Zhuolang Testing Co ltd
Original Assignee
Shandong Zhuolang Testing Co 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 Shandong Zhuolang Testing Co ltd filed Critical Shandong Zhuolang Testing Co ltd
Priority to CN202310014772.XA priority Critical patent/CN115913552B/zh
Publication of CN115913552A publication Critical patent/CN115913552A/zh
Application granted granted Critical
Publication of CN115913552B publication Critical patent/CN115913552B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]

Landscapes

  • Complex Calculations (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

本发明涉及安全存储领域，具体涉及一种工业机器人控制系统的信息安全测试数据处理方法，该方法获得二维矩阵以及二维矩阵的混合高斯模型，生成综合密钥序列；根据二维矩阵得到多个区域；根据各单高斯模型及多个区域得到各单高斯模型的综合描述能力；根据各单高斯模型的综合描述能力和各高斯参数的混乱程度得到各单高斯模型的各高斯参数的易暴露程度；根据易暴露程度和综合密钥序列的各密钥值的破解难度得到各单高斯模型的各高斯参数的密钥序列；根据各单高斯模型的各高斯参数的密钥序列的密钥序列得到密文数据；将密文数据存储在服务器中,从而实现工业机器人控制系统的信息安全测试数据的安全存储。

Description

一种工业机器人控制系统的信息安全测试数据处理方法
技术领域
本申请涉及安全存储领域，具体涉及一种工业机器人控制系统的信息安全测试数据处理方法。
背景技术
随着智能化技术的发展，工业机器人在工业现场的应用越发广泛，工业机器人的控制系统的信息作为工业机器人的技术核心，一旦工业机器人的控制系统信息被竞争者窃取利用，很容易导致技术丢失或导致工业机器人的失去控制，进而造成企业的经济损失。为了防止该问题的发生，需对企业的工业机器人控制系统的信息进行加密保护，对工业机器人控制系统的信息的加密数据进行存储。
当入侵者对密文进行破解时，很容易将数据的统计规律作为突破点来对密文进行暴力破解。由于复杂的密钥在后续维护过程中所需成本较大，因而在进行数据加密时需分析数据的统计特征来对不同的数据分配不同复杂度的密钥，对于统计特征明显的数据需要利用复杂的密钥来对该数据进行加密，从而防止入侵者利用该统计特征破解出密钥得到解密数据，对于统计特征不明显的数据需要利用简单的密钥来对该数据加密，从而降低加密的复杂性，因而针对此来设计一种工业机器人控制系统的信息安全测试数据处理方法。
发明内容
为了解决上述技术问题，本发明提供一种工业机器人控制系统的信息安全测试数据处理方法，所述方法包括：
采集数据得到二维矩阵，生成综合密钥序列；
获取二维矩阵的混合高斯模型，所述混合高斯模型包含多个单高斯模型；
根据混合高斯模型得到二维矩阵的第一主区域分布面积，根据第一主区域分布面积将二维矩阵划分得到多个区域；根据各单高斯模型对多个区域的描述情况得到各单高斯模型的综合描述能力；根据混合高斯模型的高斯参数得到各高斯参数的混乱程度；根据各单高斯模型的综合描述能力和各高斯参数的混乱程度得到各单高斯模型的各高斯参数的易暴露程度；根据易暴露程度得到各单高斯模型的各高斯参数的加密复杂性，根据综合密钥序列得到各密钥值的破解难度，根据各单高斯模型的各高斯参数的加密复杂性和各密钥值的破解难度得到各单高斯模型的各高斯参数的密钥序列；根据各单高斯模型的各高斯参数的密钥序列对二维矩阵进行加密处理得到密文数据；
将密文数据存储在服务器中。
优选的，所述根据混合高斯模型得到二维矩阵的第一主区域分布面积，包括的具体步骤为：
获取混合高斯模型中各单高斯模型的协方差矩阵，根据各单高斯模型的协方差矩阵得到各单高斯模型的主分布面积：
Figure 162600DEST_PATH_IMAGE001
其中，
Figure 556935DEST_PATH_IMAGE002
表示混合高斯模型的第
Figure 330856DEST_PATH_IMAGE003
个单高斯模型的协方差矩阵，
Figure 851836DEST_PATH_IMAGE004
表示矩阵的
Figure 554475DEST_PATH_IMAGE005
范数，
Figure 403482DEST_PATH_IMAGE006
表示混合高斯模型的第
Figure 981094DEST_PATH_IMAGE003
个单高斯模型的主分布区域面积；
根据混合高斯模型的所有单高斯模型的主分布区域面积得到二维矩阵的第一主分布区域面积。
优选的，所述根据各单高斯模型对多个区域的描述情况得到各单高斯模型的综合描述能力，包括的具体步骤为：
获取各单高斯模型在各区域的积分，根据各单高斯模型在各区域的积分得到各单高斯模型在对区域的描述能力：
Figure 294264DEST_PATH_IMAGE007
其中，
Figure 218402DEST_PATH_IMAGE008
表示第
Figure 882602DEST_PATH_IMAGE003
个单高斯模型在第
Figure 358845DEST_PATH_IMAGE009
个区域的积分，
Figure 57679DEST_PATH_IMAGE010
表示混合高斯模型中单高斯 模型的总个数，
Figure 836542DEST_PATH_IMAGE011
表示第
Figure 50354DEST_PATH_IMAGE003
个单高斯模型对第
Figure 173031DEST_PATH_IMAGE009
个区域的描述能力；
根据各单高斯模型对各区域的描述能力得到各单高斯模型的综合描述能力为：
Figure 696678DEST_PATH_IMAGE012
其中，
Figure 4032DEST_PATH_IMAGE011
表示第
Figure 49348DEST_PATH_IMAGE003
个单高斯模型对第
Figure 273918DEST_PATH_IMAGE009
个区域的描述能力，
Figure 478504DEST_PATH_IMAGE013
表示二维矩阵中划分 得到的区域个数，
Figure 363283DEST_PATH_IMAGE014
表示第
Figure 459677DEST_PATH_IMAGE003
个单高斯模型的综合描述能力。
优选的，所述根据混合高斯模型的高斯参数得到各高斯参数的混乱程度，包括的具体步骤为：
获取混合高斯模型中所有单高斯模型的各高斯参数组成的集合，记为二维矩阵的各高斯参数集合，根据二维矩阵的各高斯参数集合得到各高斯参数的混乱程度。
优选的，所述根据综合密钥序列得到各密钥值的破解难度，包括的具体步骤为：
获取综合密钥序列的混合高斯模型，所述综合密钥序列的混合高斯模型包含多个单高斯模型，将综合密钥序列的混合高斯模型中每个单高斯模型称为综合密钥序列的单高斯模型；将综合密钥序列中各元素称为综合密钥序列的各密钥值；根据综合密钥序列的各单高斯模型得到综合密钥序列的各密钥值的拟合值，根据综合密钥序列的所有单高斯模型得到综合密钥序列的各密钥值的拟合值集合，根据各密钥值的拟合值集合得到各密钥值的破解难度。
优选的，所述根据各单高斯模型的各高斯参数的加密复杂性和各密钥值的破解难度得到各单高斯模型的各高斯参数的密钥序列，包括的具体步骤为：
获取各单高斯模型的各高斯参数的加密复杂性作为各单高斯模型的各高斯参数的第一位置，在综合密钥序列中获取第一位置处的密钥值记为第一密钥值，将第一密钥值作为各单高斯模型的各高斯参数的中间密钥序列，根据中间密钥序列中所有密钥值的破解难度得到第一累加和，根据各单高斯模型的各高斯参数的加密复杂性与第一累加和对中间密钥序列进行判定，当第一累加和大于各单高斯模型的各高斯参数的加密复杂性时，将中间密钥序列作为各单高斯模型的各高斯参数的密钥序列，当第一累加和小于各单高斯模型的各高斯参数的加密复杂性时，将第一密钥值作为第二位置，将综合密钥序列中第二位置处的密钥值记为第二密钥值，将第一密钥值与第二密钥值构成中间密钥序列，根据中间密钥序列中所有密钥值的破解难度累加和得到第二累加和，根据各单高斯模型的各高斯参数的加密复杂性与第二累加和对中间密钥序列进行判定，当第二累加和大于各单高斯模型的各高斯参数的加密复杂性时，将中间密钥序列作为各单高斯模型的各高斯参数的密钥序列，当第二累加和小于各单高斯模型的各高斯参数的加密复杂性时，将第二密钥值作为第三位置，将综合密钥序列中第三位置处的密钥值记为第三密钥值，将第一密钥值、第二密钥值和第三密钥值构成中间密钥序列，以此类推，直至得到各单高斯模型的各高斯参数的密钥序列。
优选的，所述根据各单高斯模型的各高斯参数的密钥序列对二维矩阵进行加密处理得到密文数据，包括的具体步骤为：
根据各单高斯模型的各高斯参数的密钥序列中各密钥值得到各密钥值的第一位数和，根据各单高斯模型的各高斯参数的密钥序列中所有密钥值的第一位数和得到各单高斯模型的各高斯参数的第二位数和；根据各单高斯模型的各高斯参数和第二位数和得到各单高斯模型的各高斯参数的调整后参数；根据各单高斯模型的所有高斯参数的调整后参数得到各单高斯模型的调整后单高斯模型，根据所有单高斯模型的调整后单高斯模型得到二维矩阵的调整后混合高斯模型；根据二维矩阵的调整后混合高斯模型得到加密矩阵；根据加密矩阵得到密文数据。
本发明实施例至少具有如下有益效果：获得二维矩阵以及二维矩阵的混合高斯模型，通过分析混合高斯模型中各单高斯的主分布区域得到各单高斯模型的第一主分布区域面积，根据各单高斯模型的第一主分布区域面积得到二维矩阵的多个区域，根据各单高斯模型对各区域的描述情况得到各单高斯模型的综合描述能力；计算混合高斯模型中各高斯参数的混乱程度，结合各单高斯模型的综合描述能力和各高斯参数的混乱程度得到各单高斯模型各高斯参数的易暴露程度。通过各单高斯模型的综合描述能力来反应二维矩阵具有各单高斯模型的统计特征的明显情况，当各单高斯模型的综合描述能力越大时，说明该二维矩阵具有该单高斯模型的统计特征越明显，为了防止加密后的密文数据后泄露这种统计特征，因而需给予该单高斯模型一个较复杂的密钥，通过各单高斯模型的各高斯参数的易暴露程度来说明各单高斯模型的各高斯参数的易暴露情况，该值越大说明该单高斯模型的高斯参数越容易泄露，因而需给该单高斯模型的各参数分配一个复杂的密钥，从而使得加密得到的密文数据安全性更强。
根据各单高斯模型的各高斯参数的易暴露程度得到加密复杂性，获得综合密钥序列的混合高斯模型，根据综合密钥序列的混合高斯模型得到综合密钥序列中各密钥值的破解难度，根据各单高斯模型的各高斯参数的加密复杂性和各密钥值的破解难度得到各单高斯模型的各高斯参数的密钥序列，根据各单高斯模型的各高斯参数的密钥序列对二维矩阵进行加密得到密文数据，实现给不同易暴露程度的单高斯模型的各高斯参数分配不同复杂的密钥序列，从而达到对二维矩阵的不同数据进行不同复杂程度的加密，再保障去除二维矩阵中统计特征的同时还能提高加密效率。
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和优点，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的介绍，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的前提下，还可以根据这些附图获得其它附图。
图1为本发明提供的一种工业机器人控制系统的信息安全测试数据处理方法的流程图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的一种工业机器人控制系统的信息安全测试数据处理方法，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的一种工业机器人控制系统的信息安全测试数据处理方法的具体方案。
请参阅图1，其示出了本发明一个实施例提供的一种工业机器人控制系统的信息安全测试数据处理方法的步骤流程图，该方法包括以下步骤：
步骤S001，采集得到二维矩阵，生成综合密钥序列。
1、获取工业机器人控制系统的信息安全测试数据序列：
为了防止工业机器人控制系统的信息安全测试数据被泄露，造成工业机器人技术泄露等，需对工业机器人控制系统的信息安全测试数据进行加密处理，因而需先采集工业机器人控制系统的信息安全测试数据。
将采集的所有信息安全测试数据组成工业机器人控制系统的信息安全测试数据序列。
2、构建二维矩阵：
由于二维矩阵具有空间关联性特征，因而二维矩阵数能够较好的反映数据之间的关联，因而需将工业机器人控制系统的信息安全测试数据序列转化成二维矩阵。
获取工业机器人控制系统的信息安全测试数据序列的长度
Figure 924157DEST_PATH_IMAGE015
，将信息安全测试数 据序列均匀分割成长度为
Figure 920932DEST_PATH_IMAGE016
的子序列，得到
Figure 71552DEST_PATH_IMAGE017
个子序列，需要说明的是当L不能被N整除 时，需在安全测试数据序列的末尾补0，使得L能被N刚好整除。
将
Figure 91461DEST_PATH_IMAGE018
个子序列构建成一个
Figure 421948DEST_PATH_IMAGE019
的二维矩阵。
3、生成综合密钥序列：
利用混沌映射函数生成一个
Figure 7650DEST_PATH_IMAGE020
维的混沌序列，将混沌序列称为综合密钥序列，该混 沌映射函数的超参数是加密方和解密方事先约定好的，无需进行传输。
将综合密钥序列中的各数据称为密钥值。
步骤S002，计算各单高斯模型的综合描述能力和各高斯参数的混乱程度，根据各单高斯模型的综合描述能力和各高斯参数的混乱程度得到各单高斯模型的各高斯参数的易暴露程度。
由于二维矩阵中有些数据具有明显的统计特征，即这些数据通过一个单一的统计模型就能够较准确的描述，因而二维矩阵具有这个统计模型的特征较明显，因而为了防止得到的密文数据具有这种统计特征，需对二维矩阵中统计模型表征的统计特征进行较强破坏，而有些数据需要多个统计模型才能准确的描述，因而二维矩阵具有各统计模型的特征不明显，因而无需对二维矩阵中的统计模型表征的统计特征进行较强破坏就能够打破这种统计特征，因而需先分析每种统计模型对二维矩阵的综合描述能力，进而来对二维矩阵数据进行加密处理。
拟合出二维矩阵的混合高斯模型：
利用EM算法拟合出二维矩阵的混合高斯模型，该混合高斯模型中包含
Figure 735697DEST_PATH_IMAGE010
个单高斯模 型，本实施例
Figure 367536DEST_PATH_IMAGE010
取20，获取混合高斯模型中各单高斯模型的权值，将各单高斯模型按权值大 小排序得到单高斯模型序列，将单高斯模型序列中第
Figure 970555DEST_PATH_IMAGE003
位置的单高斯模型即为二维矩阵的 第
Figure 82868DEST_PATH_IMAGE003
个单高斯模型。
2、划分区域：
由于统计模型对二维矩阵中的各区域的综合描述能力不同，即二维矩阵各区域具有统计模型的特征明显程度不同，而在进行密文破解时，一般是将最明显的统计特征作为破解突破口，因而需将统计模型对所有区域的描述能力的最大值作为该统计模型对该二维矩阵的综合描述能力。
在进行划分区域时，应考虑二维矩阵的各单高斯模型的主分布区域面积，各单高斯模型的主分布区域占整个分布区域比重较大，主分布区域基本代表了各单高斯模型的分布情况，因而再对二维矩阵进行区域划分时需考虑二维矩阵混合高斯模型中各单高斯的主分布区域。
计算各单高斯模型的主分布区域面积：
一般各单高斯模型的主分布区域为各单高斯模型的
Figure 259114DEST_PATH_IMAGE021
区域内，
Figure 784773DEST_PATH_IMAGE022
表 示各单高斯模型的均值，
Figure 191484DEST_PATH_IMAGE023
表示单高斯模型的方差，基于此来计算各单高斯模型的主分布区 域面积。
Figure 486199DEST_PATH_IMAGE001
其中，
Figure 556048DEST_PATH_IMAGE002
表示二维矩阵的第
Figure 569004DEST_PATH_IMAGE003
个单高斯模型的协方差矩阵，
Figure 513826DEST_PATH_IMAGE004
表示矩阵的
Figure 725364DEST_PATH_IMAGE024
范数， 由于二维矩阵的协方差矩阵为
Figure 434957DEST_PATH_IMAGE025
维的矩阵，即二维矩阵的协方差矩阵中包含4个斜方差 值，因而需将协方差矩阵的
Figure 200787DEST_PATH_IMAGE005
范数除以4得到所有协方差平方的均值；二维矩阵各单高斯模 型的主分布区域一般为椭圆或者圆形，且主分布区域的半径为
Figure 949301DEST_PATH_IMAGE026
，因而第
Figure 218608DEST_PATH_IMAGE003
个单高斯模型的 主分布区域半径为
Figure 895839DEST_PATH_IMAGE027
，因而第
Figure 211283DEST_PATH_IMAGE003
个单高斯模型的主分布区域面积为
Figure 170012DEST_PATH_IMAGE028
，
Figure 388766DEST_PATH_IMAGE006
表 示二维矩阵的第
Figure 469854DEST_PATH_IMAGE003
个单高斯模型的主分布区域面积。
将二维矩阵的所有单高斯模型的主分布区域面积求均值得到二维矩阵的第一主分布区域面积。
根据二维矩阵的第一主分布区域面积将二维矩阵均匀划分成多个区域：
获取二维矩阵的第一主分布区域面积的开方，并将二维矩阵的第一主分布区域面 积的开方向上取整得到区域边长
Figure 944698DEST_PATH_IMAGE029
，将二维矩阵均匀划分成多个
Figure 35013DEST_PATH_IMAGE030
的区域，需要说明的是， 当二维矩阵的面积不是整数倍的区域面积时，就会存在一些小于面积
Figure 780378DEST_PATH_IMAGE030
的区域，本方案不 予考虑，只考虑
Figure 297947DEST_PATH_IMAGE030
的区域。
3、计算各单高斯模型的综合描述能力：
（1）计算第
Figure 260087DEST_PATH_IMAGE003
个单高斯模型对二维矩阵中第
Figure 888514DEST_PATH_IMAGE009
个区域的描述能力：
获取第
Figure 488385DEST_PATH_IMAGE003
个单高斯模型在第
Figure 176855DEST_PATH_IMAGE009
个区域的积分
Figure 360712DEST_PATH_IMAGE031
，因而第
Figure 792830DEST_PATH_IMAGE003
个单高斯模型在第
Figure 778366DEST_PATH_IMAGE009
个区域 的描述能力为：
Figure 637738DEST_PATH_IMAGE007
其中，
Figure 308890DEST_PATH_IMAGE008
表示第
Figure 279120DEST_PATH_IMAGE003
个单高斯模型在第
Figure 841865DEST_PATH_IMAGE009
个区域的积分，该值越接近第
Figure 872138DEST_PATH_IMAGE009
个区域的积分 总值时，说明第
Figure 30587DEST_PATH_IMAGE009
个区域是由第
Figure 804507DEST_PATH_IMAGE003
个单高斯模型来描述。
Figure 233477DEST_PATH_IMAGE010
表示二维矩阵的单高斯模型的总个 数，
Figure 434651DEST_PATH_IMAGE011
表示第
Figure 80396DEST_PATH_IMAGE003
个单高斯模型对第
Figure 658008DEST_PATH_IMAGE009
个区域的描述能力。
（2）计算第
Figure 941484DEST_PATH_IMAGE003
个单高斯模型的综合描述能力：
由于单高斯模型对二维矩阵中的各区域的描述能力不同，即二维矩阵各区域具有单高斯模型的特征明显程度不同，而在进行密文破解时，一般是将最明显的统计特征作为破解突破口，因而需将单高斯模型对所有区域的描述能力的最大值作为该单高斯模型对该二维矩阵的综合描述能力。
因而第
Figure 313560DEST_PATH_IMAGE003
个单高斯模型的综合描述能力为
Figure 181022DEST_PATH_IMAGE032
，其中
Figure 562324DEST_PATH_IMAGE033
表示第
Figure 700307DEST_PATH_IMAGE003
个 单高斯模型对第
Figure 243284DEST_PATH_IMAGE009
个区域的描述能力，
Figure 535725DEST_PATH_IMAGE013
表示二维矩阵中划分得到的区域个数，
Figure 189560DEST_PATH_IMAGE014
表示第
Figure 680584DEST_PATH_IMAGE003
个 单高斯模型的综合描述能力，
Figure 427086DEST_PATH_IMAGE034
表示获取最大值的函数。
4、计算高斯参数的混乱程度：
获取
Figure 269140DEST_PATH_IMAGE010
个单高斯模型的第
Figure 726666DEST_PATH_IMAGE035
个高斯参数得到二维矩阵的第
Figure 603355DEST_PATH_IMAGE035
个高斯参数集合，例如第
Figure 317495DEST_PATH_IMAGE003
个单高斯模型的第
Figure 646845DEST_PATH_IMAGE035
个高斯参数为第
Figure 173642DEST_PATH_IMAGE003
个单高斯模型的其中一个协方差值，计算二维矩阵的 第
Figure 406302DEST_PATH_IMAGE035
个高斯参数集合的信息熵
Figure 461983DEST_PATH_IMAGE036
，记为第
Figure 481891DEST_PATH_IMAGE035
个高斯参数的混乱程度，该值越大说明二维矩阵 的第
Figure 281220DEST_PATH_IMAGE035
个参数的取值越混乱，越没有规律，因而该高斯参数越不容易被泄露。
5、计算各单高斯模型的各高斯参数的易暴露程度：
将第
Figure 368387DEST_PATH_IMAGE003
个单高斯模型的综合描述能力
Figure 860548DEST_PATH_IMAGE014
与第
Figure 164491DEST_PATH_IMAGE035
个高斯参数的混乱程度
Figure 501931DEST_PATH_IMAGE036
的乘积值作 为第
Figure 720903DEST_PATH_IMAGE003
个单高斯模型的第
Figure 118386DEST_PATH_IMAGE035
个高斯参数的易暴露程度
Figure 175204DEST_PATH_IMAGE037
，该值越大说明第
Figure 316335DEST_PATH_IMAGE003
个单高斯模型的第
Figure 378094DEST_PATH_IMAGE035
个高斯参数越明显，越容易暴露，因而第
Figure 212058DEST_PATH_IMAGE003
个单高斯模型的第
Figure 225013DEST_PATH_IMAGE035
个高斯参数的密钥序列越复 杂，这样才能防止被破解。
至此，得到各单高斯模型的各高斯参数的易暴露程度，在获取各单高斯模型的各高斯参数的易暴露程度时，分析了二维矩阵中具有各单高斯模型的统计特征的明显情况，从而得到各单高斯模型的综合描述能力，同时根据二维矩阵的混合高斯模型中各高斯参数的取值混乱程度得到各高斯参数的混乱程度，根据各单高斯模型的综合描述能力和各高斯参数的混乱程度得到各单高斯模型的各高斯参数的易暴露程度，通过各单高斯模型的各高斯参数的易暴露程度来反应各单高斯模型各高斯参数的易暴露程度，从而为后根据各单高斯模型各高斯参数的易暴露程度给各单高斯模型各高斯参数的密钥序列，从而对各单高斯模型各高斯参数进行不同的加密。
步骤S003，根据各单高斯模型各高斯参数的易暴露程度得到各单高斯模型的各高斯参数的密钥序列，根据各单高斯模型的各高斯参数的密钥序列完成二维矩阵的加密处理得到密文数据。
计算综合密钥序列中各密钥值的破解难度：
利用EM算法拟合出综合密钥序列的混合高斯模型，所述综合密钥序列的混合高斯 模型包含
Figure 999197DEST_PATH_IMAGE038
个单高斯模型，本实施例中Z取20，在其他实施例中，实施者可根据应用场景进行 设置，将综合密钥序列的混合高斯模型中每个单高斯模型称为综合密钥序列的单高斯模 型。
利用综合密钥序列的第
Figure 413997DEST_PATH_IMAGE039
个单高斯模型拟合出综合密钥序列的第
Figure 418862DEST_PATH_IMAGE040
个密钥值的拟合 值
Figure 919114DEST_PATH_IMAGE041
，同理利用综合密钥序列的各单高斯模型拟合出综合密钥序列的第
Figure 903513DEST_PATH_IMAGE040
个密钥值的拟合 值，得到第
Figure 110503DEST_PATH_IMAGE040
个密钥值的拟合值集合，根据各单高斯模型对第
Figure 286270DEST_PATH_IMAGE040
个密钥值的拟合值得到第
Figure 273817DEST_PATH_IMAGE040
个 密钥值的破解难度为：
计算出第
Figure 560442DEST_PATH_IMAGE040
个密钥值的拟合值集合的信息熵作为第
Figure 185721DEST_PATH_IMAGE040
个密钥值的破解难度
Figure 532388DEST_PATH_IMAGE042
，该值 越大说明第
Figure 7232DEST_PATH_IMAGE040
个密钥值的所有拟合值越混乱，即该密钥值具有各单高斯模型的统计特征均 较少，因而不会凸显出单高斯模型统计特征，因而第
Figure 97548DEST_PATH_IMAGE040
个密钥值的破解难度较大。
根据各单高斯模型的各高斯参数的易暴露程度得到各单高斯模型的各高斯参数的加密复杂性：
Figure 842912DEST_PATH_IMAGE043
其中，
Figure 422798DEST_PATH_IMAGE037
表示第
Figure 57042DEST_PATH_IMAGE003
个单高斯模型的第
Figure 685469DEST_PATH_IMAGE035
个高斯参数的易暴露程度，该值越大说明二 维矩阵的第
Figure 550919DEST_PATH_IMAGE003
个单高斯模型的第
Figure 301706DEST_PATH_IMAGE035
个高斯参数越容易暴露，因而，越应该给该参数进行复杂加 密，才能不暴露出二维矩阵的统计特征，
Figure 16722DEST_PATH_IMAGE044
表示超参数，本方案取
Figure 950305DEST_PATH_IMAGE045
，
Figure 106480DEST_PATH_IMAGE046
表示第
Figure 965851DEST_PATH_IMAGE003
个单高斯模型 的第
Figure 637004DEST_PATH_IMAGE035
个高斯参数的加密复杂性,
Figure 362559DEST_PATH_IMAGE047
表示向上取整符号。
根据各单高斯模型的各高斯参数的加密复杂性和各密钥值的破解难度得到各单高斯模型的各高斯参数的密钥序列：
获取第
Figure 435558DEST_PATH_IMAGE003
个单高斯模型的第
Figure 465830DEST_PATH_IMAGE035
个高斯参数的加密复杂性作为第
Figure 624279DEST_PATH_IMAGE003
个单高斯模型的第
Figure 899665DEST_PATH_IMAGE035
个高斯参数的第一位置，在综合密钥序列中获取第一位置处的密钥值记为第一密钥值，将 第一密钥自作为第
Figure 827170DEST_PATH_IMAGE003
个单高斯模型的第
Figure 28344DEST_PATH_IMAGE035
个高斯参数的中间密钥序列，计算中间密钥序列中 所有密钥值的破解难度累加和记为第一累加和，将第一累加和与第
Figure 674089DEST_PATH_IMAGE003
个单高斯模型的第
Figure 487586DEST_PATH_IMAGE035
个 高斯参数的加密复杂性比较，当第一累加和大于第
Figure 800756DEST_PATH_IMAGE003
个单高斯模型的第
Figure 172832DEST_PATH_IMAGE035
个高斯参数的加密 复杂性时，将中间密钥序列作为第
Figure 305873DEST_PATH_IMAGE003
个单高斯模型的第
Figure 923061DEST_PATH_IMAGE035
个高斯参数的密钥序列，当第一累加 和小于第
Figure 825158DEST_PATH_IMAGE003
个单高斯模型的第
Figure 368135DEST_PATH_IMAGE035
个高斯参数的加密复杂性时，将第一密钥值作为第二位置，将 综合密钥序列中第二位置处的密钥值记为第二密钥值，将第一密钥值与第二密钥值构成中 间密钥序列，将中间密钥序列中所有密钥值的破解难度累加和记为第二累加和，将第二累 加和与第
Figure 722893DEST_PATH_IMAGE003
个单高斯模型的第
Figure 471668DEST_PATH_IMAGE035
个高斯参数的加密复杂性比较，当第二累加和大于第
Figure 228272DEST_PATH_IMAGE003
个单高 斯模型的第
Figure 942150DEST_PATH_IMAGE035
个高斯参数的加密复杂性时，将中间密钥序列作为第
Figure 20089DEST_PATH_IMAGE003
个单高斯模型的第
Figure 477616DEST_PATH_IMAGE035
个高 斯参数的密钥序列，当第二累加和小于第
Figure 88726DEST_PATH_IMAGE003
个单高斯模型的第
Figure 239084DEST_PATH_IMAGE035
个高斯参数的加密复杂性时， 将第二密钥值作为第三位置，将综合密钥序列中第三位置处的密钥值记为第三密钥值，将 第一密钥值、第二密钥值和第三密钥值构成中间密钥序列，以此类推，直至得到第
Figure 69899DEST_PATH_IMAGE003
个单高 斯模型的第
Figure 862275DEST_PATH_IMAGE035
个高斯参数的密钥序列。
根据各单高斯模型的各高斯参数的密钥序列对二维矩阵进行加密处理得到密文数据：
将第
Figure 62312DEST_PATH_IMAGE003
个单高斯模型的第
Figure 383572DEST_PATH_IMAGE035
个高斯参数的密钥序列的各密钥值的各位上的数据计算 累计和记为各密钥值的第一位数和，例如密钥值为123，将密钥值各位上数据“1”、“2”、“3” 计算累加和得到6，因而密钥值的第一位数和为6。将第
Figure 701683DEST_PATH_IMAGE003
个单高斯模型的第
Figure 828908DEST_PATH_IMAGE035
个高斯参数的密 钥序列所有密钥值的第一位数和的累加和作为第
Figure 86714DEST_PATH_IMAGE003
个单高斯模型的第
Figure 578875DEST_PATH_IMAGE035
个高斯参数的第二位 数和。
将第
Figure 942922DEST_PATH_IMAGE003
个单高斯模型的第
Figure 545941DEST_PATH_IMAGE035
个高斯参数加上第二位数和得到第
Figure 251729DEST_PATH_IMAGE003
个单高斯模型的第
Figure 649212DEST_PATH_IMAGE035
个高斯参数的调整后参数。
需要说明的是，二维矩阵的各单高斯模型的第一个高斯参数为均值向量，该均值向量为二维向量，因而二维矩阵的各单高斯模型的第一个高斯参数加密方式为：
获取第
Figure 941916DEST_PATH_IMAGE003
个单高斯模型的第1个高斯参数的密钥序列，获取第
Figure 83047DEST_PATH_IMAGE003
个单高斯模型的第1 个高斯参数的密钥序列包含的元素个数
Figure 643341DEST_PATH_IMAGE048
，获取第
Figure 211726DEST_PATH_IMAGE003
个单高斯模型的第1个高斯参数的密钥 序列中前
Figure 991726DEST_PATH_IMAGE049
维的序列记为第一序列，获取第
Figure 936548DEST_PATH_IMAGE003
个单高斯模型的第1个高斯参数的密钥序列中 后
Figure 85769DEST_PATH_IMAGE049
维的序列记为第二序列，将第一序列中各密钥值的累加和记为第一序列的累加和，将 第二序列中各密钥值的累加和记为第二序列的累加和，将第一序列的累加和与第
Figure 90634DEST_PATH_IMAGE003
个单高 斯模型的均值向量的第一个位置的数据的累加和作为第
Figure 92351DEST_PATH_IMAGE003
个单高斯模型的均值向量的第一 个位置的调整后参数，将第二序列的累加和与第
Figure 372022DEST_PATH_IMAGE003
个单高斯模型的均值向量的第二个位置 的数据的累加和作为第
Figure 110171DEST_PATH_IMAGE003
个单高斯模型的均值向量的第二个位置的调整后参数，第
Figure 20358DEST_PATH_IMAGE003
个单高 斯模型的均值向量的第一个位置的调整后参数与第二个位置的调整后参数构成的向量作 为第
Figure 306109DEST_PATH_IMAGE003
个单高斯模型的调整后均值向量，即第
Figure 592733DEST_PATH_IMAGE003
个单高斯模型的第1个高斯参数的调整后参 数。
将第
Figure 982126DEST_PATH_IMAGE003
个单高斯模型的所有高斯参数的调整后参数构成的单高斯模型作为第
Figure 328794DEST_PATH_IMAGE003
个单 高斯模型的调整后单高斯模型，将二维矩阵的所有单高斯模型的调整后单高斯模型构成的 混合高斯模型作为二维矩阵的调整后混合高斯模型。
将二维矩阵的调整后混合高斯模型生成新的二维矩阵记为加密矩阵。
将加密矩阵恢复成的数据序列作为密文数据。
至此，完成了二维矩阵的加密得到密文数据，在对二维矩阵加密的过程中需先根据二维矩阵各单高斯模型各高斯参数的易暴露程度来得到各单高斯模型各高斯参数的密钥序列，然后根据密钥序列对二维矩阵进行加密处理得到密文数据，通过该加密方式能够将二维矩阵的统计特征较好的隐藏，使得加密后的密文数据很难通过统计特征进行破解。
步骤S004，对密文数据进行解密得到工业机器人控制系统的信息安全测试数据序列。
加密方将密文数据和各单高斯模型的各高斯参数的易暴露程度传递给解密方。由于得到综合密钥序列的混沌映射函数的超参数是事先约定好的，因而解密方可根据超参数确定混沌映射函数，进而得到综合密钥序列。
解密方根据密文数据得到加密矩阵，根据加密矩阵得到加密矩阵的混合高斯模型，将加密矩阵的混合高斯模型中的各单高斯模型根据权重大小排列得到单高斯模型序列。
根据各单高斯模型的各高斯参数的易暴露程度得到加密复杂性，根据各单高斯模型的各高斯参数的加密复杂性得到各单高斯模型的各高斯参数的密钥序列。
根据各单高斯模型的各高斯参数的密钥序列，利用加密方法的逆向过程对加密矩阵进行解密处理得到二维矩阵。
将二维矩阵恢复成数据序列得到工业机器人控制系统的信息安全测试数据序列。
综上所述，本发明实施例提供了一种工业机器人控制系统的信息安全测试数据处理方法，获得二维矩阵以及二维矩阵的混合高斯模型，通过分析混合高斯模型中各单高斯的主分布区域得到各单高斯模型的第一主分布区域面积，根据各单高斯模型的第一主分布区域面积得到二维矩阵的多个区域，根据各单高斯模型对各区域的描述情况得到各单高斯模型的综合描述能力；计算混合高斯模型中各高斯参数的混乱程度，结合各单高斯模型的综合描述能力和各高斯参数的混乱程度得到各单高斯模型各高斯参数的易暴露程度。通过各单高斯模型的综合描述能力来反应二维矩阵具有各单高斯模型的统计特征的明显情况，当各单高斯模型的综合描述能力越大时，说明该二维矩阵具有该单高斯模型的统计特征越明显，为了防止加密后的密文数据后泄露这种统计特征，因而需将该单高斯模型给予较复杂的密钥，通过各单高斯模型的各高斯参数的易暴露程度来说明各单高斯模型的各高斯参数的易暴露情况，该值越大说明该单高斯模型的高斯参数越容易泄露，因而需对该单高斯模型的各参数分配一个复杂的密钥，从而使得加密得到的密文数据安全性更强。
根据各单高斯模型的各高斯参数的易暴露程度得到加密复杂性，获得综合密钥序列的混合高斯模型，根据综合密钥序列的混合高斯模型得到综合密钥序列中各密钥值的破解难度，根据各单高斯模型的各高斯参数的加密复杂性和各密钥值的破解难度得到各单高斯模型的各高斯参数的密钥序列，根据各单高斯模型的各高斯参数的密钥序列对二维矩阵进行加密得到密文数据，通过此来实现给不同易暴露程度的单高斯模型的各高斯参数分配不同复杂的密钥序列，从而达到对二维矩阵的不同数据进行不同复杂的加密，再保障去除二维矩阵中统计特征的同时还能提高加密效率。
需要说明的是：上述本发明实施例先后顺序仅仅为了描述，不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的原则之内，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 (7)

1.一种工业机器人控制系统的信息安全测试数据处理方法，其特征在于，所述方法包括：
采集数据得到二维矩阵，生成综合密钥序列；
获取二维矩阵的混合高斯模型，所述混合高斯模型包含多个单高斯模型；
根据混合高斯模型得到二维矩阵的第一主区域分布面积，根据第一主区域分布面积将二维矩阵划分得到多个区域；根据各单高斯模型对多个区域的描述情况得到各单高斯模型的综合描述能力；根据混合高斯模型的高斯参数得到各高斯参数的混乱程度；根据各单高斯模型的综合描述能力和各高斯参数的混乱程度得到各单高斯模型的各高斯参数的易暴露程度；根据易暴露程度得到各单高斯模型的各高斯参数的加密复杂性，根据综合密钥序列得到各密钥值的破解难度，根据各单高斯模型的各高斯参数的加密复杂性和各密钥值的破解难度得到各单高斯模型的各高斯参数的密钥序列；根据各单高斯模型的各高斯参数的密钥序列对二维矩阵进行加密处理得到密文数据；
将密文数据存储在服务器中。
2.如权利要求1所述的一种工业机器人控制系统的信息安全测试数据处理方法，其特征在于，所述根据混合高斯模型得到二维矩阵的第一主区域分布面积，包括的具体步骤为：
获取混合高斯模型中各单高斯模型的协方差矩阵，根据各单高斯模型的协方差矩阵得到各单高斯模型的主分布面积：
Figure QLYQS_1
其中，
Figure QLYQS_2
表示混合高斯模型的第
Figure QLYQS_3
个单高斯模型的协方差矩阵，
Figure QLYQS_4
表示矩阵的
Figure QLYQS_5
范数，
Figure QLYQS_6
表示混合高斯模型的第
Figure QLYQS_7
个单高斯模型的主分布区域面积；
根据混合高斯模型的所有单高斯模型的主分布区域面积得到二维矩阵的第一主分布区域面积。
3.如权利要求1所述的一种工业机器人控制系统的信息安全测试数据处理方法，其特征在于，所述根据各单高斯模型对多个区域的描述情况得到各单高斯模型的综合描述能力，包括的具体步骤为：
获取各单高斯模型在各区域的积分，根据各单高斯模型在各区域的积分得到各单高斯模型在对区域的描述能力：
Figure QLYQS_8
其中，
Figure QLYQS_9
表示第
Figure QLYQS_10
个单高斯模型在第
Figure QLYQS_11
个区域的积分，
Figure QLYQS_12
表示混合高斯模型中单高斯模型的总个数，
Figure QLYQS_13
表示第
Figure QLYQS_14
个单高斯模型对第
Figure QLYQS_15
个区域的描述能力；
根据各单高斯模型对各区域的描述能力得到各单高斯模型的综合描述能力为：
Figure QLYQS_16
其中，
Figure QLYQS_17
表示第
Figure QLYQS_18
个单高斯模型对第
Figure QLYQS_19
个区域的描述能力，
Figure QLYQS_20
表示二维矩阵中划分得到的区域个数，
Figure QLYQS_21
表示第
Figure QLYQS_22
个单高斯模型的综合描述能力，
Figure QLYQS_23
表示获取最大值的函数。
4.如权利要求1所述的一种工业机器人控制系统的信息安全测试数据处理方法，其特征在于，所述根据混合高斯模型的高斯参数得到各高斯参数的混乱程度，包括的具体步骤为：
获取混合高斯模型中所有单高斯模型的各高斯参数组成的集合，记为二维矩阵的各高斯参数集合，根据二维矩阵的各高斯参数集合得到各高斯参数的混乱程度。
5.如权利要求1所述的一种工业机器人控制系统的信息安全测试数据处理方法，其特征在于，所述根据综合密钥序列得到各密钥值的破解难度，包括的具体步骤为：
获取综合密钥序列的混合高斯模型，所述综合密钥序列的混合高斯模型包含多个单高斯模型，将综合密钥序列的混合高斯模型中每个单高斯模型称为综合密钥序列的单高斯模型；将综合密钥序列中各元素称为综合密钥序列的各密钥值；根据综合密钥序列的各单高斯模型得到综合密钥序列的各密钥值的拟合值，根据综合密钥序列的所有单高斯模型得到综合密钥序列的各密钥值的拟合值集合，根据各密钥值的拟合值集合得到各密钥值的破解难度。
6.如权利要求1所述的一种工业机器人控制系统的信息安全测试数据处理方法，其特征在于，所述根据各单高斯模型的各高斯参数的加密复杂性和各密钥值的破解难度得到各单高斯模型的各高斯参数的密钥序列，包括的具体步骤为：
获取各单高斯模型的各高斯参数的加密复杂性作为各单高斯模型的各高斯参数的第一位置，在综合密钥序列中获取第一位置处的密钥值记为第一密钥值，将第一密钥值作为各单高斯模型的各高斯参数的中间密钥序列，根据中间密钥序列中所有密钥值的破解难度得到第一累加和，根据各单高斯模型的各高斯参数的加密复杂性与第一累加和对中间密钥序列进行判定，当第一累加和大于各单高斯模型的各高斯参数的加密复杂性时，将中间密钥序列作为各单高斯模型的各高斯参数的密钥序列，当第一累加和小于各单高斯模型的各高斯参数的加密复杂性时，将第一密钥值作为第二位置，将综合密钥序列中第二位置处的密钥值记为第二密钥值，将第一密钥值与第二密钥值构成中间密钥序列，根据中间密钥序列中所有密钥值的破解难度累加和得到第二累加和，根据各单高斯模型的各高斯参数的加密复杂性与第二累加和对中间密钥序列进行判定，当第二累加和大于各单高斯模型的各高斯参数的加密复杂性时，将中间密钥序列作为各单高斯模型的各高斯参数的密钥序列，当第二累加和小于各单高斯模型的各高斯参数的加密复杂性时，将第二密钥值作为第三位置，将综合密钥序列中第三位置处的密钥值记为第三密钥值，将第一密钥值、第二密钥值和第三密钥值构成中间密钥序列，以此类推，直至得到各单高斯模型的各高斯参数的密钥序列。
7.如权利要求1所述的一种工业机器人控制系统的信息安全测试数据处理方法，其特征在于，所述根据各单高斯模型的各高斯参数的密钥序列对二维矩阵进行加密处理得到密文数据，包括的具体步骤为：
根据各单高斯模型的各高斯参数的密钥序列中各密钥值得到各密钥值的第一位数和，根据各单高斯模型的各高斯参数的密钥序列中所有密钥值的第一位数和得到各单高斯模型的各高斯参数的第二位数和；根据各单高斯模型的各高斯参数和第二位数和得到各单高斯模型的各高斯参数的调整后参数；根据各单高斯模型的所有高斯参数的调整后参数得到各单高斯模型的调整后单高斯模型，根据所有单高斯模型的调整后单高斯模型得到二维矩阵的调整后混合高斯模型；根据二维矩阵的调整后混合高斯模型得到加密矩阵；根据加密矩阵得到密文数据。
CN202310014772.XA 2023-01-06 2023-01-06 一种工业机器人控制系统的信息安全测试数据处理方法 Active CN115913552B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310014772.XA CN115913552B (zh) 2023-01-06 2023-01-06 一种工业机器人控制系统的信息安全测试数据处理方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310014772.XA CN115913552B (zh) 2023-01-06 2023-01-06 一种工业机器人控制系统的信息安全测试数据处理方法

Publications (2)

Publication Number Publication Date
CN115913552A CN115913552A (zh) 2023-04-04
CN115913552B true CN115913552B (zh) 2023-05-16

Family

ID=85737399

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310014772.XA Active CN115913552B (zh) 2023-01-06 2023-01-06 一种工业机器人控制系统的信息安全测试数据处理方法

Country Status (1)

Country Link
CN (1) CN115913552B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116366373B (zh) * 2023-06-01 2023-08-22 深圳市柏英特电子科技有限公司 用于机顶盒数据的智能管理方法和存储介质

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101755274A (zh) * 2007-06-01 2010-06-23 先进追踪和寻踪公司 用于保证文件安全的方法和设备
CN103098101A (zh) * 2010-07-19 2013-05-08 先进追踪和寻踪公司 标记产品和由消费者验证产品的方法和设备
CN103473733A (zh) * 2013-09-12 2013-12-25 东北林业大学 基于dna编码和混沌映射的图像加密算法
AU2016200782B1 (en) * 2015-05-28 2016-05-05 Commonwealth Scientific And Industrial Research Organisation Improved mining machine and method
AU2016210741A1 (en) * 2010-12-10 2016-09-01 Sun Patent Trust Precoding method, and transmitting device
AU2016222453A1 (en) * 2010-03-29 2016-09-22 Nationwide Children's Hospital, Inc. Compositions and methods for the removal of biofilms
CN108111710A (zh) * 2017-12-15 2018-06-01 四川大学 一种可以减少密文及密钥数据量的多图像加密方法
AU2019100608A4 (en) * 2019-06-05 2019-07-11 Southwest University Fast Supervised Discrete Hashing Algorithm Over Distributed Network

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
FR2931979B1 (fr) * 2008-06-02 2014-02-28 Advanced Track & Trace Procede et dispositif d'identification d'une plaque d'impression d'un document
CN106339976B (zh) * 2016-08-16 2019-10-29 广东工业大学 一种加密方法
WO2020113260A1 (en) * 2018-12-06 2020-06-11 Saber Astronautics Pty Ltd A method and a system for assessing aspects of an electromagnetic signal
CN112422266B (zh) * 2020-10-28 2022-07-15 郑州轻工业大学 一种基于约瑟夫遍历和位平面重构的超混沌加密方法
CN115515131A (zh) * 2022-11-21 2022-12-23 苏州大凯纸业有限公司 一种瓦楞纸板加工平台数据无线通信密钥管理方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101755274A (zh) * 2007-06-01 2010-06-23 先进追踪和寻踪公司 用于保证文件安全的方法和设备
AU2016222453A1 (en) * 2010-03-29 2016-09-22 Nationwide Children's Hospital, Inc. Compositions and methods for the removal of biofilms
CN103098101A (zh) * 2010-07-19 2013-05-08 先进追踪和寻踪公司 标记产品和由消费者验证产品的方法和设备
AU2016210741A1 (en) * 2010-12-10 2016-09-01 Sun Patent Trust Precoding method, and transmitting device
CN103473733A (zh) * 2013-09-12 2013-12-25 东北林业大学 基于dna编码和混沌映射的图像加密算法
AU2016200782B1 (en) * 2015-05-28 2016-05-05 Commonwealth Scientific And Industrial Research Organisation Improved mining machine and method
CN108111710A (zh) * 2017-12-15 2018-06-01 四川大学 一种可以减少密文及密钥数据量的多图像加密方法
AU2019100608A4 (en) * 2019-06-05 2019-07-11 Southwest University Fast Supervised Discrete Hashing Algorithm Over Distributed Network

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
A multi-target tracking algorithm based on Gaussian mixture model;SUN Lili;CAO Yunhe;WU Wenhua;LIU Yutao;;Journal of Systems Engineering and Electronics(第03期);全文 *
一种面向AVS的视频内容多重水印框架;同鸣;吴扬成;张建龙;栾英姿;;西安电子科技大学学报(第04期);全文 *

Also Published As

Publication number Publication date
CN115913552A (zh) 2023-04-04

Similar Documents

Publication Publication Date Title
US12206763B2 (en) Secret material exchange and authentication cryptography operations
Gupta et al. Secure data storage and sharing techniques for data protection in cloud environments: A systematic review, analysis, and future directions
US11811923B2 (en) Single node multi-party encryption
EP2329622B1 (en) Message authentication code pre-computation with applications to secure memory
WO2018210895A1 (en) Post-quantum secure private stream aggregation
JP2020522205A (ja) プログレッシブキー暗号化アルゴリズム
CN104851071B (zh) 一种基于三维混沌系统的数字图像加密方法
JP2002520905A (ja) 漏洩抵抗力を有する暗号索引付き鍵の更新方法及びデバイス
KR102397579B1 (ko) 부채널 분석 방지를 위한 화이트박스 암호 방법 및 장치
Rührmair et al. Practical security analysis of PUF-based two-player protocols
CN103095452A (zh) 需要采用穷举法解密的随机加密方法
CN107241196A (zh) 基于区块链技术的数字签名方法及系统
Abd El-Wahed et al. Efficiency and security of some image encryption algorithms
CN110474908A (zh) 交易监管方法与装置、存储介质及计算机设备
Fang et al. A secure chaotic block image encryption algorithm using generative adversarial networks and DNA sequence coding
CN114205144B (zh) 数据传输方法、装置、设备、存储介质及程序产品
CN118316607A (zh) 一种抗量子攻击的隐私集合求交方法、介质及系统
CN115913552B (zh) 一种工业机器人控制系统的信息安全测试数据处理方法
CN117668886B (zh) 一种小程序开发数据的安全存储方法
CN100484243C (zh) 一种数字图像加密解密方法
Blaise et al. An understanding and perspectives of end-to-end encryption
CN119484062A (zh) 面向账户管理系统的数据安全传输方法及设备
CN107766725A (zh) 抗模板攻击的数据传输方法及系统
CN116827505A (zh) 一种基于差分扩展可逆隐写的混沌数字图像加密算法
CN113206839B (zh) 一种数据传输中的数据隐藏及补全方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant