CN115994373A - 基于大数据的高考志愿填报系统数据加密方法 - Google Patents
基于大数据的高考志愿填报系统数据加密方法 Download PDFInfo
- Publication number
- CN115994373A CN115994373A CN202310280354.5A CN202310280354A CN115994373A CN 115994373 A CN115994373 A CN 115994373A CN 202310280354 A CN202310280354 A CN 202310280354A CN 115994373 A CN115994373 A CN 115994373A
- Authority
- CN
- China
- Prior art keywords
- volunteer
- information
- value
- examinee
- block
- 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 56
- 239000011159 matrix material Substances 0.000 claims abstract description 42
- 238000013507 mapping Methods 0.000 claims abstract description 27
- 238000005192 partition Methods 0.000 claims abstract description 16
- 238000000638 solvent extraction Methods 0.000 claims abstract description 7
- 230000000739 chaotic effect Effects 0.000 claims description 77
- 238000012360 testing method Methods 0.000 claims description 30
- 238000012545 processing Methods 0.000 abstract description 5
- 230000002708 enhancing effect Effects 0.000 abstract description 4
- 239000004973 liquid crystal related substance Substances 0.000 description 12
- 238000010586 diagram Methods 0.000 description 9
- 238000004364 calculation method Methods 0.000 description 6
- 230000009466 transformation Effects 0.000 description 6
- 230000000694 effects Effects 0.000 description 5
- 238000006243 chemical reaction Methods 0.000 description 3
- 230000035945 sensitivity Effects 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000010287 polarization Effects 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000005314 correlation function Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
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
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/50—Reducing energy consumption in communication networks in wire-line communication networks, e.g. low power modes or reduced link rate
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及数据处理技术领域,具体涉及基于大数据的高考志愿填报系统数据加密方法。该方法首先提取高考志愿填报系统数据采集考生填报信息,根据考生填报信息构建关系有向图,生成关系有向图的邻接表和对应的邻接矩阵,将邻接矩阵映射到二值图像上得到志愿选择图;将志愿选择图进行分块得到各分块的混沌初值;基于志愿顺序值得到分块的混沌参数;使用混沌初值和混沌参数对分块进行加密,将加密后的分块合并成密文,并得到密钥;验证加密方法,将得到的密文和密钥上传填报系统。本发明根据考生信息和学校信息构建关系有向图并得到志愿选择图,对志愿选择图使用分析后的志愿顺序值自适应加密,达到增强加密的目的。
Description
技术领域
本发明涉及数据处理技术领域,具体涉及基于大数据的高考志愿填报系统数据加密方法。
背景技术
在填报高考志愿信息时,考生所选的学校和专业之间存在报考顺序,在报考完成后系统将各个考生的报考信息上传至系统,作为学校录取和调剂专业的资料来源。然而考生的报考信息存在泄漏的可能,并且在信息传输过程中可能存在被篡改的可能,造成学校和学生的双向损失。出于对考生填报信息的保护,需要对考生的填报信息进行加密。传统的加密方法为基于数据经过统计分析后,对统计结果进行频次变换或置乱后加密传输,这种方法对数据本身存在统计特性的数据有较好加密效果。但是考生填报信息中的考生信息和由学校代号专业代号构成的填报学校信息之间几乎不存在统计特性和隐私信息,故直接对统计结果进行频次变换或置乱实现加密的方法不能有效的对高考志愿信息进行加密。
发明内容
为了解决传统的加密方法不能对高考志愿信息进行有效加密的技术问题,本发明的目的在于提供基于大数据的高考志愿填报系统数据加密方法,所采用的技术方案具体如下:
提取高考志愿填报系统数据采集考生填报信息,所述考生填报信息包括考生信息、填报学校信息和志愿顺序值;
根据考生填报信息构建关系有向图,生成关系有向图的邻接表和对应的邻接矩阵,将所述邻接矩阵映射到二值图像上得到志愿选择图;
将所述志愿选择图进行分块得到各分块的混沌初值;基于志愿顺序值得到分块的混沌参数;使用所述混沌初值和所述混沌参数对分块进行加密,将加密后的分块合并成密文,并得到密钥;
验证加密方法,将得到的密文和密钥上传填报系统。
优选的,所述将所述志愿选择图进行分块得到各分块的混沌初值,包括:
对于每个分块,将分块内像素值为1的像素点的数量占比作为分块对应的混沌初值。
优选的,所述基于志愿顺序值得到分块的混沌参数,包括:
基于分块对应的志愿顺序值,计算分块的信息量;
将预设参数值和初始参数值的差值作为调节参数;将调节参数和归一化后的信息量的乘积作为分块的初始混沌参数;将初始混沌参数和所述初始参数值之和作为分块的混沌参数。
优选的,所述基于分块对应的志愿顺序值,计算分块的信息量,包括:
计算分块内各像素点对应的志愿顺序值和预设最大志愿数的差值,作为信息量差值;将所述信息量差值和像素点对应的预设权重值的乘积作为初始信息量;将所述初始信息量和预设倍数的分块面积的比值作为分块的信息量。
优选的,所述使用所述混沌初值和所述混沌参数对分块进行加密,将加密后的分块合并成密文,包括:
对于任意分块,基于分块对应的混沌初值和混沌参数生成混沌序列;
将混沌序列中大于预设序列阈值的值置为1,将混沌序列中小于等于预设序列阈值的值置为0,得到二值混沌序列;将所述二值混沌序列映射到二值矩阵,由所述二值矩阵与分块进行异或运算生成分块对应的密文。
优选的,所述密钥为:志愿顺序值和分块内非零像素点的数量。
优选的,所述根据考生填报信息构建关系有向图,包括:
将考生信息和填报学校信息分别作为对应的节点,有向连接考生信息对应的节点和填报学校对应的节点,将填报的学校对应的志愿顺序值作为边权值。
优选的,所述将所述邻接矩阵映射到二值图像上得到志愿选择图,包括:
所述志愿选择图的横轴为考生的填报学校信息,纵轴为考生信息。
本发明实施例至少具有如下有益效果:
该方法首先提取高考志愿填报系统数据采集考生填报信息,考生填报信息包括考生信息、填报学校信息和志愿顺序值;根据考生填报信息构建关系有向图,生成关系有向图的邻接表和对应的邻接矩阵,将邻接矩阵映射到二值图像上得到志愿选择图;相较于现有的对数据本身加密的方法,利用数据之间的关系结构构建关系有向图,对关系有向图的邻接矩阵映射到二值图像中得到志愿选择图,后续对志愿选择图进行分析可以将多个考生填报信息连接起来,达到降低压缩成本的目的。将志愿选择图进行分块得到各分块的混沌初值;基于志愿顺序值得到分块的混沌参数;使用混沌初值和混沌参数对分块进行加密,将加密后的分块合并成密文,并得到密钥;通过特征自适应得到混沌初值和混沌参数,实现对填报关系加密,使用志愿顺序值对学生是否选择学校进行加密,增加了密钥敏感度,降低被破译的可能。最后验证加密方法,将得到的密文和密钥上传填报系统。本发明根据考生信息和学校信息构建关系有向图,并分析关系有向图的邻接表映射出志愿选择图,对志愿选择图使用分析后的志愿顺序值自适应加密,达到增强加密的目的。
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为本发明一个实施例所提供的基于大数据的高考志愿填报系统数据加密方法的方法流程图;
图2为本发明一个实施例所提供的关系有向图的示意图;
图3为本发明一个实施例所提供的关系有向图对应的邻接表的示意图;
图4为本发明一个实施例所提供的邻接表对应的邻接矩阵表的示意图。
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基于大数据的高考志愿填报系统数据加密方法,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。
本发明实施例提供了基于大数据的高考志愿填报系统数据加密方法的具体实施方法,该方法适用于高考志愿填报系统加密场景。该场景下每个考生有各自对应的学籍号,填报的学校信息和对应的专业信息。为了解决传统的加密方法不能对高考志愿信息进行有效加密的问题。本发明根据考生信息和学校信息构建关系有向图,并分析关系有向图的邻接表映射出志愿选择图,对志愿选择图使用分析后的志愿顺序值自适应加密,达到增强加密的目的。
下面结合附图具体的说明本发明所提供的基于大数据的高考志愿填报系统数据加密方法的具体方案。
请参阅图1,其示出了本发明一个实施例提供的基于大数据的高考志愿填报系统数据加密方法的步骤流程图,该方法包括以下步骤:
步骤S100,提取高考志愿填报系统数据采集考生填报信息,所述考生填报信息包括考生信息、填报学校信息和志愿顺序值。
提取高考志愿填报系统数据中考生填报的信息,也即考生填报信息,该考生填报信息包括考生信息、考生填报的学校信息和专业信息,由于考生信息包括考生姓名、身份证号、联系信息等,这类数据在上传统计时数据量大且复杂,不利于系统处理,因此在本发明实施例中使用考生的学籍号作为索引代表考生信息。考生填报的填报学校信息使用十进制的5位院校代号和6位专业代号表示,通过将考生信息、学校及专业代号使用十进制数表示,降低了系统处理数据的量。
考生登陆报考系统,在本地选择院校代号和对应的专业代号,并排序所投递的学校专业,作为第一志愿、第二志愿等。考生提交上传数据时,服务器向网页发送数据采集信号,网页提取考生所填报的5位院校代号和6位专业代号。志愿信息包括考生学籍号、院校代号、专业代号和志愿顺序值,将院校代号和专业代号结合得到十进制11位的填报学校信息。在本发明实施例中设定一个考生最多对应6个填报学校信息,在不同的情况下由实施者调节一个考生对应的填报学校信息数量,如当考生最多可以填报6个志愿学校且每个志愿学校可以填报6个志愿专业时,则一个考生所对应的填报学校信息的数量最多可以有36个。对于填报的学校而言,填报的填报学校信息存在志愿顺序值,,表示考生的志愿信息,由于每个考生最多的填报学校信息有6个,故这里志愿顺序值的最小取值为1,最大取值为6。
至此,通过服务器提取报考数据,得到第i个考生的考生信息、第i个考生的第j个填报学校信息和第i个考生的第j个填报学校信息的志愿顺序值。
步骤S200,根据考生填报信息构建关系有向图,生成关系有向图的邻接表和对应的邻接矩阵,将所述邻接矩阵映射到二值图像上得到志愿选择图。
单独的考生信息和填报学校信息不能反映考生所报考的学校志愿,即不存在有效隐私信息,只有将考生信息和填报学校信息两类信息结合起来,并结合报考的志愿顺序值才能得到真实的考生志愿信息。本发明通过报考的志愿顺序值对考生信息-填报学校信息的关系结构加密,降低对数据本身加密的繁琐性,利用志愿关系的加密变换,达到隐藏报考信息的目的。
一个考生可以选择多个学校投递志愿,同样的,一个学校会收到多个考生的志愿投递,因此考生和学校之间是属于多对多的关系,且报考信息的隐私数据为报考关系与志愿顺序值,满足图结构的特性。
故本发明对采集得到的考生填报信息通过加密结合得到密文达到隐藏隐私数据的过程具体的:(1)将考生填报信息映射到图结构生成邻接矩阵,映射得到志愿选择图;(2)根据学生志愿顺序值生成混沌辅助密钥,对志愿选择图混沌加密得到密文和密钥;(3)验证加密方法并给出解密过程。
将考生填报信息映射到图结构生成邻接矩阵,映射得到志愿选择图,具体的:根据考生填报信息构建关系有向图,生成关系有向图的邻接表和对应的邻接矩阵,将所述邻接矩阵映射到二值图像上得到志愿选择图,具体展开如下:
该志愿选择图是结合了考生填报信息得到的,考生填报信息包括考生信息、考生填报的学校信息和专业信息,在本发明实施例中后续对根据学生志愿顺序值对志愿选择图进行加密,以实现对考生填报信息和学生志愿顺序值的加密,也即实现对考生信息、考生填报的学校信息、专业信息和学生志愿顺序值的加密。根据考生信息和学校信息构建有向图结构,节点的方向由考生信息指向填报学校信息,表示学生志愿为该学校,有向图的权值为考生填报该学校的志愿顺序值,根据构建的关系有向图结构生成邻接表和邻接矩阵。
第i个考生的考生信息唯一且固定,表示在报考系统中的第个考生,在报考系统为公开信息,考生信息可以对应至多6个填报学校信息,即志愿顺序值。如考生将学校A放置在了第四个志愿的位置,则学校A对应的志愿顺序值即为4,当考生并未选择学校A时,则学校A对应的志愿顺序值即为0。填报学校信息为院校代号和专业代号的结合,属于唯一且固定公知的信息,根据考生填报信息构建图结构。
请参阅图2,为考生信息表示四个考生,为5所学校的填报学校信息,四位学生选择不同数量不同专业的学校,且每个学校的填报志愿顺序值不同,生成带有关系和权重的图结构,将该图结构称为关系有向图。也可以说将考生信息和填报学校信息分别作为对应的节点,有向连接考生信息对应的节点和填报学校对应的节点,将所填报的填报学校对应的志愿顺序值作为边权值。以节点为例,该考生填报了五所学校,将对应的学校作为第四志愿,即志愿顺序值。以该关系有向图体现出单独的信息数据反映不出报考的隐私,只有当信息通过关系网络连接时,体现报考隐私。
通过关系有向图生成对应的邻接表,请参阅图3,图3为关系有向图对应的邻接表,所述邻接表中为5所学校的填报学校信息,为考生信息表示四个考生。根据邻接表得到邻接矩阵。需要说明的是,根据图结构生成邻接表和邻接矩阵为本领域技术人员的公知技术,在此不再进行赘述。
请参阅图4,图4为邻接表对应的邻接矩阵表。图4中为5所学校的填报学校信息,为考生信息表示四个考生;邻接矩阵中的1表示考生选择了该学校,邻接矩阵中的0表示考生没有选择该学校。
将邻接矩阵映射到二值图像中得到志愿选择图,志愿选择图的轴表示学校信息,轴表示考生的考生信息。院校代号和专业代号为现有固定参数,学校信息最大值固定不变;对学生信息分批次处理,使每个批次学生的信息数量,即映射的二值图像的大小为。
至此,通过对采集得到的数据构建图结构,得到关系有向图,进一步的得到邻接矩阵和邻接表,将邻接矩阵映射到二值图像上,得到志愿选择图。
步骤S300,将所述志愿选择图进行分块得到各分块的混沌初值;基于志愿顺序值得到分块的混沌参数;使用所述混沌初值和所述混沌参数对分块进行加密,将加密后的分块合并成密文,并得到密钥。
进一步的,根据考生的志愿顺序值生成混沌辅助密钥,对志愿选择图混沌加密得到密文和密钥。
由于二值图的数据点之间的特征关系较弱,通过提取特征变换像素点值的方法并不适用,因此二值图像多是通过混沌映射变换加密破坏图像原有信息,也即破坏图像的像素占比,通过记录变换参数,在解密时逆变换实现不丢失细节的解密。logistic混沌映射方法通过迭代产生混沌序列,在给定合适的参数时处于完全混沌状态,呈现混沌特征。传统logistic混沌映射在加密过程中通过给定初始参数,结合待压缩数据序列的大小作为迭代次数,得到混沌序列。通过混沌序列对原数据分析,即可得到密文,生成混沌序列的参数和初值即为密钥。一般的logistic混沌加密通过给定参数和初值作为密钥,并结合数据长度得到混沌序列的方式为:
其中,为迭代第n次时得到的值;为迭代第n+1次时得到的值;为给定参数;由生成的的值构成混沌序列,混沌序列是比较均匀的混沌分布。虽然logistic的混沌分布对数据的加密很有效,但给定的密钥单一随机性差,不适合大量数据的长久加密,一个数据的混沌加密密钥被知道后会导致所有通过此密钥加密的数据都可以被破解,如果通过认为给定不同的参数作为密钥,其主观性较强,在应对大量数据时可能存在重复的可能。需要说明的是通过给定参数和初值作为密钥,结合数据长度N得到混沌序列的方法为本领域技术人员的公知技术,在此不再赘述。
因此本发明通过结合考生填报的志愿顺序值生成混沌参数,并通过分块置乱变换改变志愿选择图的混沌初值,对志愿选择图加密,使得志愿学校的选择和志愿顺序值相关联,避免人为给定参数的主观存在。将志愿选择图进行分块得到各分块的混沌初值,具体过程为:首先对志愿选择图进行分块,如志愿选择图的大小为,将志愿选择图分块,每个分块的边长为,其中,J为志愿选择图的边长,函数为向上取整函数。将志愿选择图分为多个分块,每个分块的大小为,不满的分块用0填充,对于每个分块,对于每个分块,将分块内像素值为1的像素点的数量占比作为分块对应的混沌初值。
各分块的混沌初值的计算公式为:
其中,为分块k的混沌初值;为分块的边长;为分块k内像素值为1的像素点的数量,也即分块k内的目标数量。
该分块的混沌初值的取值范围为(0,1),志愿二值图分块内像素点的值为0和1,混沌初值使用分块内的学生选择的学校的数量占比表示。如果分块k的混沌初值或,则可以取为任意数,在本发明实施例中当分块k的混沌初值或时,取。当分块内像素值为1的像素点的数量越多,反映考生所填报的分块内的志愿学校越多,在志愿学校越多的情况下,应对该分块进行加密的程度越复杂,故当分块内像素值为1的像素点越多时,对应的分块的混沌初值越大;反之,当分块内像素值为1的像素点越少时,对应的分块的混沌初值越小。
至此,得到志愿二值图中各分块的混沌初值。
进一步的,基于志愿顺序值得到分块的混沌参数。
由于参数在满足区间时,logistic处于混沌状态,该系统生成的混沌值得大小是无序的,且参数或初值在发生细微的改变时,生成的混沌映射值会产生雪崩效应,在解密过程中即使参数具有极小的差距也会使得解密结果出现极大的偏差。如将图像使用同一初值和相差0.00000001的两个初值解密,生成的微调密钥明文无法从图像中获得任何原图信息,即logistic在加密过程中的密钥敏感性高。
构建获取混沌参数的公式模型的目的为参数取不同值时混沌映射的分布,当参数取值越贴近于4时,分布呈现的混沌程度越大,在参数时混沌程度取最大值。传统logistic混沌映射的参数值多为给定值,给定值的数据容量范围小,存在被强行破解的可能。因此本发明通过每个分块内像素点为1的志愿顺序值赋予每个分块不同的信息量,自适应得到参数。所述构建信息量的计算模型,也即获取分块信息量的步骤为:计算分块内各像素点对应的志愿顺序值和预设最大志愿数的差值,作为信息量差值。需要说明的是分块是由志愿选择图构成的,分块内像素值为1的点即为考生所填报的志愿学校,每个志愿学校对于不同的考生均有各自对应的志愿顺序值,分块内像素值为0的点即为考生未填报的学校,未填报的学校对应的志愿顺序值为0。进一步的,将信息量差值和像素点对应的预设权重值的乘积作为初始信息量。将初始信息量和预设倍数的分块面积的比值作为分块的信息量。在本发明实施例中预设倍数的取值为6,在其他实施例中实施者可根据实际情况调整该取值。
分块的信息量的计算公式为:
其中,表示该块内的信息量,;为分块内第个像素点对应的志愿顺序值;;为分块的边长;为分块的大小;为第个像素点的志愿顺序值的预设权重值。
使信息量与志愿顺序值成反比,即志愿顺序值的值越小,表明志愿越靠前,包含的信息量越大;6为志愿顺序值的最大值,也即为本发明实施例中的预设倍数。需要说明的是,当每个考生最多能报考6个学校时,对应的志愿顺序值的最大值为6;当每个考生最多能够报考的学校的数量发生改变时,则志愿顺序值的最大值也随之发生改变,此时预设倍数也随之发生改变。分块内的点对应的预设权重值由人为设定,在本发明实施例中当时,,当时,,当时,;当时,;当时,;当时,;特有的时,取值为0,在其他实施例中由实施者根据实际情况进行设定该取值。计算每个分块内的信息量大小,其中志愿顺序值的值小的越多,包含的首要志愿越多,计算得到的信息量的值越大,选择的参数越大,混沌程度越大。
进一步的,根据志愿顺序值得到的信息量,计算分块的混沌参数,具体的:在得到分块对应的信息量之后,将预设参数值和初始参数值的差值作为调节参数;将调节参数和归一化后的信息量的乘积作为分块的初始混沌参数;将初始混沌参数和所述初始参数值之和作为分块的混沌参数。在本发明实施例中预设参数值的取值为4,在其他实施例中由实施者根据实际情况调整该取值。
混沌参数的计算模型,也即混沌参数的计算公式为:
其中,表示分块k的混沌参数,由于当参数的范围在时才能产生混沌,为参数的初始值,也即初始参数值;为归一化后的信息量;为分块k的信息量;4即为预设参数值;exp为以自然常数为底数的指数函数。在本发明实施例中初始参数值取,在其他实施例中实施者可根据实际情况调整后该取值。为负相关映射函数。当时,表示块内所有的像素点值为0,即都没被选择;当时,即块内所有的点取值均为1。将负相关函数归一化,并映射到参数的范围,得到分块k的混沌参数。
分块内的像素值为1的点对应的志愿顺序值的值越小,表示志愿顺序值越靠前,则所赋予的权值越大,即分块内包含的信息量越大,则对该分块对应的信息量归一化到参数,即信息量越大,所选的混沌参数值越大,混沌程度越大。当分块对应的信息量越大时,则对应的应将该分块进行保密的更加严格,因为信息量越大,对应的该分块内的学校对于考生来说其志愿顺序值越靠前,越应该进行保密,故信息量越大,混沌参数值越大,对应的混沌程度越大。
至此,通过分析分块志愿选择图和志愿顺序值,得到自适应的混沌参数。
使用每个分块的混沌参数和混沌初值对每个分块进行加密,将加密后的分块合并生成密文。具体的:首先对于任意分块,基于分块对应的混沌初值和混沌参数生成混沌序列。
根据上述步骤得到分块的混沌参数和混沌初值,根据logistic混沌映射的定义生成混沌序列:
其中,表示分块k的混沌参数;为迭代第n次时得到的值;为迭代第n+1次时得到的值。
将混沌初值带入上式得到混沌序列,混沌映射在最初的一段区域内序列混沌近似,需要舍弃前段部分,舍弃长度,为分块内第个像素点,为分块内第个像素点对应的志愿顺序值,为分块的边长,即可得到各分块所对应的混沌序列。由迭代多次得到的值构成混沌序列。需要说明的是,根据混沌参数和混沌初值生成混沌序列的方法为本领域技术人员的公知技术,在此不再进行过多赘述。
由于志愿选择图为二值图像,使用异或加密对混沌序列置量两极化。将混沌序列中大于预设序列阈值的值置为1,将混沌序列中小于等于预设序列阈值的值置为0,得到二值混沌序列;将二值混沌序列映射到二值矩阵,由二值矩阵与分块进行异或运算生成分块对应的密文。在发明实施例中预设序列阈值的取值为0.5,在其他实施例中实施者可根据实际情况调整该取值。也即对于混沌序列,当时,,当时,,得到二值混沌序列,序列中的0和1随机分布,二值混沌序列映射到二值矩阵,使用二值矩阵与原分块异或运算生成密文。
其中,为异或运算符号,为分块的密文,为分块k;为分块k对应的二值矩阵。将密文块根据分块位置合并,得到总志愿选择图的密文,通过与或变换使得二值图像的0和1分布占比改变,达到加密的目的。
至此,使用志愿顺序值对志愿选择图加密,得到志愿选择图的密文,密钥为志愿顺序值和分块内点的非零个数,志愿顺序值大小为矩阵,为志愿选择图的大小边长。
步骤S400,验证加密方法,将得到的密文和密钥上传填报系统。
基于logistic混沌映射对密钥敏感度高的特性,由密钥计算的参数存在较小的偏差都会导致混沌序列发生变化,造成雪崩效应,即一组密钥对应一组密文,密文自适应随机生成,该加密方式具有唯一性和随机性。
由于混沌映射的所有值均由密钥自适应得到,明文在通过异或运算时并未改变大小,则通过对密文分块能得到原分块,选择志愿选择图内对应每个分块的非零个数,计算得到初值,舍去长度和混沌参数生成混沌序列,由于密钥的值为固定,且混沌序列的参数初值等均由密钥得到,在密钥不改变的条件下,生成的混沌序列与原序列一致。
将混沌序列两极化,映射到二维矩阵,使用二维矩阵对密文做异或运算,异或运算满足:,即使用同一矩阵对原数据异或得到的还是原数据,满足无损对称加密,即完成了验证加密。
至此,对高考志愿填报信息加密完成,并给出对应的解密方法。
通过上述步骤加密得到志愿信息的密文,密文为二值二维图像,纵向表示考生的考生信息,横向为填报的填报学校信息,将二维图像上传志愿填报系统由系统内置保存;该段高考填报信息的报考志愿顺序值和分块后块的非零个数作为该段数据的密钥,将密钥通过不同传输协议上传系统。
在需要得到明文信息时,通过密钥计算参数,使用参数对密文解密,即可得到高考志愿填报信息,如果解密数据发生异常,即无法通过解密得到原有的报考信息,分析异常的方法例如一行学生对应的报考学校数量大于6个,表示该报考志愿信息出错、丢失或被篡改,舍弃当前数据重新采集。
综上所述,本发明涉及数据处理技术领域。该方法首先提取高考志愿填报系统数据采集考生填报信息,考生填报信息包括考生信息、填报学校信息和志愿顺序值;根据考生填报信息构建关系有向图,生成关系有向图的邻接表和对应的邻接矩阵,将邻接矩阵映射到二值图像上得到志愿选择图;将志愿选择图进行分块得到各分块的混沌初值;基于志愿顺序值得到分块的混沌参数;使用混沌初值和所述混沌参数对分块进行加密,将加密后的分块合并成密文,并得到密钥;验证加密方法,将得到的密文和密钥上传填报系统。本发明根据考生信息和学校信息构建关系有向图,并分析关系有向图的邻接表映射出志愿选择图,对志愿选择图使用分析后的志愿顺序值自适应加密,达到增强加密的目的。
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。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。
Claims (8)
1.基于大数据的高考志愿填报系统数据加密方法,其特征在于,该方法包括以下步骤:
提取高考志愿填报系统数据采集考生填报信息,所述考生填报信息包括考生信息、填报学校信息和志愿顺序值;
根据考生填报信息构建关系有向图,生成关系有向图的邻接表和对应的邻接矩阵,将所述邻接矩阵映射到二值图像上得到志愿选择图;
将所述志愿选择图进行分块得到各分块的混沌初值;基于志愿顺序值得到分块的混沌参数;使用所述混沌初值和所述混沌参数对分块进行加密,将加密后的分块合并成密文,并得到密钥;
验证加密方法,将得到的密文和密钥上传填报系统。
2.根据权利要求1所述的基于大数据的高考志愿填报系统数据加密方法,其特征在于,所述将所述志愿选择图进行分块得到各分块的混沌初值,包括:
对于每个分块,将分块内像素值为1的像素点的数量占比作为分块对应的混沌初值。
3.根据权利要求1所述的基于大数据的高考志愿填报系统数据加密方法,其特征在于,所述基于志愿顺序值得到分块的混沌参数,包括:
基于分块对应的志愿顺序值,计算分块的信息量;
将预设参数值和初始参数值的差值作为调节参数;将调节参数和归一化后的信息量的乘积作为分块的初始混沌参数;将初始混沌参数和所述初始参数值之和作为分块的混沌参数。
4.根据权利要求3所述的基于大数据的高考志愿填报系统数据加密方法,其特征在于,所述基于分块对应的志愿顺序值,计算分块的信息量,包括:
计算分块内各像素点对应的志愿顺序值和预设最大志愿数的差值,作为信息量差值;将所述信息量差值和像素点对应的预设权重值的乘积作为初始信息量;将所述初始信息量和预设倍数的分块面积的比值作为分块的信息量。
5.根据权利要求1所述的基于大数据的高考志愿填报系统数据加密方法,其特征在于,所述使用所述混沌初值和所述混沌参数对分块进行加密,将加密后的分块合并成密文,包括:
对于任意分块,基于分块对应的混沌初值和混沌参数生成混沌序列;
将混沌序列中大于预设序列阈值的值置为1,将混沌序列中小于等于预设序列阈值的值置为0,得到二值混沌序列;将所述二值混沌序列映射到二值矩阵,由所述二值矩阵与分块进行异或运算生成分块对应的密文。
6.根据权利要求1所述的基于大数据的高考志愿填报系统数据加密方法,其特征在于,所述密钥为:志愿顺序值和分块内非零像素点的数量。
7.根据权利要求1所述的基于大数据的高考志愿填报系统数据加密方法,其特征在于,所述根据考生填报信息构建关系有向图,包括:
将考生信息和填报学校信息分别作为对应的节点,有向连接考生信息对应的节点和填报学校对应的节点,将填报的学校对应的志愿顺序值作为边权值。
8.根据权利要求1所述的基于大数据的高考志愿填报系统数据加密方法,其特征在于,所述将所述邻接矩阵映射到二值图像上得到志愿选择图,包括:
所述志愿选择图的横轴为考生的填报学校信息,纵轴为考生信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310280354.5A CN115994373B (zh) | 2023-03-22 | 2023-03-22 | 基于大数据的高考志愿填报系统数据加密方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310280354.5A CN115994373B (zh) | 2023-03-22 | 2023-03-22 | 基于大数据的高考志愿填报系统数据加密方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115994373A true CN115994373A (zh) | 2023-04-21 |
CN115994373B CN115994373B (zh) | 2023-05-30 |
Family
ID=85993708
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310280354.5A Active CN115994373B (zh) | 2023-03-22 | 2023-03-22 | 基于大数据的高考志愿填报系统数据加密方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115994373B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101872339A (zh) * | 2010-06-11 | 2010-10-27 | 南京邮电大学 | 一种基于复杂动态网络的Hash算法 |
CN106570815A (zh) * | 2016-10-21 | 2017-04-19 | 广东工业大学 | 一种基于双混沌系统和分块的图像加密方法 |
CN110009093A (zh) * | 2018-12-07 | 2019-07-12 | 阿里巴巴集团控股有限公司 | 用于分析关系网络图的神经网络系统和方法 |
CN110032665A (zh) * | 2019-03-25 | 2019-07-19 | 阿里巴巴集团控股有限公司 | 确定关系网络图中图节点向量的方法及装置 |
WO2022077793A1 (zh) * | 2020-10-16 | 2022-04-21 | 齐鲁工业大学 | 基于二维滞后复Logistic映射的图像加解密通信算法 |
CN115567186A (zh) * | 2022-09-22 | 2023-01-03 | 沈阳理工大学 | 一种混沌优选的深度窗口置乱加密方法 |
-
2023
- 2023-03-22 CN CN202310280354.5A patent/CN115994373B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101872339A (zh) * | 2010-06-11 | 2010-10-27 | 南京邮电大学 | 一种基于复杂动态网络的Hash算法 |
CN106570815A (zh) * | 2016-10-21 | 2017-04-19 | 广东工业大学 | 一种基于双混沌系统和分块的图像加密方法 |
CN110009093A (zh) * | 2018-12-07 | 2019-07-12 | 阿里巴巴集团控股有限公司 | 用于分析关系网络图的神经网络系统和方法 |
CN110032665A (zh) * | 2019-03-25 | 2019-07-19 | 阿里巴巴集团控股有限公司 | 确定关系网络图中图节点向量的方法及装置 |
WO2022077793A1 (zh) * | 2020-10-16 | 2022-04-21 | 齐鲁工业大学 | 基于二维滞后复Logistic映射的图像加解密通信算法 |
CN115567186A (zh) * | 2022-09-22 | 2023-01-03 | 沈阳理工大学 | 一种混沌优选的深度窗口置乱加密方法 |
Non-Patent Citations (2)
Title |
---|
夏大飞;张自力;周欢;: "基于关联规则的高考数据隐私保护", 西南师范大学学报(自然科学版), no. 06 * |
李繁;林才寿;王小敏;: "基于双Logistic混沌映射的数字图像加密算法研究", 矿产综合利用, no. 03 * |
Also Published As
Publication number | Publication date |
---|---|
CN115994373B (zh) | 2023-05-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wu et al. | Local Shannon entropy measure with statistical tests for image randomness | |
CN104751403B (zh) | 一种基于多混沌系统的明文相关图像加密方法 | |
CN111600707A (zh) | 一种在隐私保护下的去中心化联邦机器学习方法 | |
EP3580685A1 (en) | Security measures for determination of private set intersections | |
CN110071798B (zh) | 一种等效密钥获取方法、装置及计算机可读存储介质 | |
Guo et al. | PEID: A perceptually encrypted image database for visual security evaluation | |
Wu et al. | Shannon entropy based randomness measurement and test for image encryption | |
CN113160944B (zh) | 一种基于区块链的医疗图像共享方法 | |
Munoz-Guillermo | Image encryption using q-deformed logistic map | |
Mahmoud et al. | Hill cipher modification based on pseudo-random eigenvalues | |
CN107633175A (zh) | 一种基于混沌的快速彩色图像加密方法 | |
Es-Sabry et al. | A new color image encryption algorithm using multiple chaotic maps with the intersecting planes method | |
Li et al. | Design of cross-plane colour image encryption based on a new 2D chaotic map and combination of ECIES framework | |
Ahmed et al. | A benchmark for performance evaluation and security assessment of image encryption schemes | |
Zebua | Encoding the record database of computer based test exam based on spritz algorithm | |
Al-Roithy et al. | Trustworthy image security via involving binary and chaotic gravitational searching within PRNG selections | |
CN115994373B (zh) | 基于大数据的高考志愿填报系统数据加密方法 | |
Kumar et al. | Securing images with a diffusion mechanism based on Fractional Brownian Motion | |
Wang et al. | An image encryption algorithm based on pixel bit operation and nonlinear chaotic system | |
Wang et al. | Weighted Polynomial‐Based Secret Image Sharing Scheme with Lossless Recovery | |
HS et al. | Enhanced security system using symmetric encryption and visual cryptography | |
Arun et al. | High security cryptographic technique using steganography and chaotic image encryption | |
Naveenkumar et al. | Chaos and hill cipher based image encryption for mammography images | |
Dixit et al. | An approach for secret sharing using randomised visual secret sharing | |
Lokesh et al. | Chaotic neural network based pseudo-random sequence generator for cryptographic applications |
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 | ||
PE01 | Entry into force of the registration of the contract for pledge of patent right |
Denomination of invention: A Data Encryption Method for the College Entrance Examination Volunteer Filling System Based on Big Data Effective date of registration: 20231207 Granted publication date: 20230530 Pledgee: Industrial and Commercial Bank of China Limited Liangshan sub branch Pledgor: Shandong Zhonglian Hanyuan Education Technology Co.,Ltd. Registration number: Y2023980069799 |
|
PE01 | Entry into force of the registration of the contract for pledge of patent right |