CN116132107B - 基于数据云处理产品全生命周期质量数据追溯管理系统 - Google Patents
基于数据云处理产品全生命周期质量数据追溯管理系统 Download PDFInfo
- Publication number
- CN116132107B CN116132107B CN202211627972.4A CN202211627972A CN116132107B CN 116132107 B CN116132107 B CN 116132107B CN 202211627972 A CN202211627972 A CN 202211627972A CN 116132107 B CN116132107 B CN 116132107B
- Authority
- CN
- China
- Prior art keywords
- data
- quality data
- quality
- module
- cloud storage
- 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
Links
- 238000012545 processing Methods 0.000 title claims abstract description 28
- 238000000605 extraction Methods 0.000 claims abstract description 40
- 238000003860 storage Methods 0.000 claims abstract description 40
- 238000000034 method Methods 0.000 claims abstract description 28
- 230000010354 integration Effects 0.000 claims abstract description 26
- 230000009466 transformation Effects 0.000 claims description 12
- 238000013139 quantization Methods 0.000 claims description 11
- 230000011218 segmentation Effects 0.000 claims description 9
- 238000012797 qualification Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000007906 compression Methods 0.000 claims description 4
- 230000006835 compression Effects 0.000 claims description 4
- 230000004927 fusion Effects 0.000 claims description 3
- 230000006837 decompression Effects 0.000 claims description 2
- 230000005540 biological transmission Effects 0.000 abstract description 12
- 238000004519 manufacturing process Methods 0.000 abstract description 12
- 238000007726 management method Methods 0.000 description 20
- 238000013144 data compression Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 238000012552 review Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000013496 data integrity verification Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000008014 freezing Effects 0.000 description 1
- 238000007710 freezing Methods 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
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
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
- G06Q10/087—Inventory or stock management, e.g. order filling, procurement or balancing against orders
-
- 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
- H04L67/10—Protocols in which an application is distributed across nodes in the network
- H04L67/1097—Protocols in which an application is distributed across nodes in the network for distributed storage of data in networks, e.g. transport arrangements for network file system [NFS], storage area networks [SAN] or network attached storage [NAS]
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Signal Processing (AREA)
- Computer Security & Cryptography (AREA)
- Economics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Development Economics (AREA)
- Computing Systems (AREA)
- Computer Hardware Design (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- General Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Storage Device Security (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了基于数据云处理产品全生命周期质量数据追溯管理系统,采集质量数据后在云存储模块中进行特征提取,同步进行标定,明晰了各节点的数据特征,使得在追溯管理过程中一目了然;同时,云平台传输过程中一方面压缩数据,方便了传输的稳定性及快捷性,另一方面采用霍夫曼编码解码操作对需要保护的数据进行加密覆盖,使得加密算法整合度更高,额外的,本发明还提供了一种整合加密算法,增大了加密算法的私密性,解决了现有产品生产周期质量数据监管系统一方面现有加密算法整合度不清晰,另一方面每一个产品生产周期内的数据散乱,未形成特征明晰显示的问题。
Description
技术领域
本发明涉及产品质量追溯管理的技术领域,尤其涉及基于数据云处理产品全生命周期质量数据追溯管理系统。
背景技术
随着互联网技术的不断发展,智慧工厂逐步走入产业生产中,集约化及智能化程度不断加深。
考虑到食品冷冻行业中产品的质量为重中之重,对产品进行全生命周期的质量监管具有重要意义。传统的监管方式通常都是数据库中由当前步骤责任人进行质量数据的纳入,由于质量及操作数据对于食品企业来说属于保护部分,故此,一般此类质量数据不会进行常规数据库的公开,需要使用者通过解密从而查阅产品生产过程全生命周期中的相关质量生产数据,一方面现有加密算法整合度不清晰,另一方面,每一个产品生产周期内的数据散乱,未形成特征明晰显示。
发明内容
本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊,而这种简化或省略不能用于限制本发明的范围。
鉴于上述现有产品生产周期质量数据监管存在的问题,提出了本发明。
因此,本发明解决的技术问题是:解决现有产品生产周期质量数据监管系统一方面现有加密算法整合度不清晰,另一方面每一个产品生产周期内的数据散乱,未形成特征明晰显示的问题。
为解决上述技术问题,本发明提供如下技术方案:基于数据云处理产品全生命周期质量数据追溯管理系统,包括采集输入模块,用于采集产品各生命周期中的质量数据,并将其依次输入至对应的云存储模块节点中;一组云存储模块,与所述采集输入模块数据连接,接收各所述质量数据,并对应存储;特征提取模块,与一组所述云存储模块数据连接,获取存储的各所述质量数据后分别进行特征提取;标定模块,嵌设于所述特征提取模块中,并与所述云存储模块数据连接,接收各所述质量数据的特征提取量,并依据所述特征提取量标定各所述质量数据;追溯管理模块,与所述云存储模块数据连接,触屏显示,并当指定节点发生触屏操作时,发送指定至所述云存储模块中,打开当前云存储节点处存储的所述质量数据并显示;其中,采集输入模块还包括对各所述质量数据进行压缩处理的压缩单元,所述采集输入模块采集各所述质量数据后将其依次输入至对应的所述云存储模块节点中包括如下步骤,采集各所述质量数据;压缩处理各所述质量数据,获取各压缩质量数据;将各所述压缩质量数据无线传输至所述云存储模块的数据处理管理节点中进行存储;其中,压缩处理各所述质量数据,获取各所述压缩质量数据具体包括如下步骤,读入采集的各所述质量数据;对各所述质量数据进行DCT变换;对DCT系数进行量化;对量化后的DCT系数进行霍夫曼编码;
具体的,对各所述质量数据进行DCT变换时,将采集的各生命周期中的所述质量数据分成8×8个像素块,对每块进行DCT变换,计算公式为:
其中,F(u,v)是量化前的DCT系数,f(x,y)是采集的各生命周期中的质量数据报文量;
其中,
u,v=0,1,...,7,
其中,对DCT系数进行量化时,定义量化公式为:
其中,K(u,v)是量化后的DCT系数,Q(u,v)是量化步长,int()是取整运算符;其中,获取存储的各所述质量数据后分别进行特征提取具体包括如下步骤,将各所述压缩质量数据无线传输至所述特征提取模块的数据处理管理节点中;通过数据处理管理节点对各所述压缩质量数据进行解压处理,获取各所述质量数据;构建提取算法模型,对各所述质量数据进行特征提取以获取各质量数据的特征提取量;其中,通过数据处理管理节点对各所述压缩质量数据进行解压处理,获取各所述质量数据包括如下步骤,对量化的DCT系数进行霍夫曼解码;对量化的DCT系数进行逆量化;对各所述压缩质量数据进行DCT反变换;将DCT反变换后所有的数据块依次拼接起来重构各所述质量数据;其中,构建的提取算法模型具体为,
其中,Vi为各质量数据的特征提取量;i为第i个质量数据的特征提取量;n为各所述质量数据的存储节点数;为第i个质量数据的报文分词量;m为提取期望值,定义为㏑2;Xj为非线性函数,且所述非线性函数为Xj=tan(1.5n);其中,所述标定模块还包括加密单元,用于对标定后的各所述质量数据进行加密;
所述加密算法的生成过程包括:基于各所述质量数据利用随机生成器生成各随机数据;构建整合算法模型,基于各所述整合算法模型的权重系数对各所述质量数据进行调整,得到有规则顺序的标准数据集;将所述标准数据集进行数据长度的划分,并与初始各所述质量数据进行比对,确定所述数据长度阈值;将初始各所述质量数据与排列划分后的数据进行数据融合,生成加密算法;
其中,对各所述质量数据进行调整时,调整的判断标准包括:根据整合算法模型中的权重系数ω进行判断,将不同数据得到的权重系数由大到小进行排列整合;
其中,将标准数据集进行数据长度的划分,并与初始各质量数据进行比对,具体包括如下步骤:对得到的数据和初始各质量数据分别进行分词处理;分等级提取分词处理后的特征数据并进行评分;获取AB合格率分界线:依据每条数据的长度划分,分别获取不同长度的数据的AB评分分界线;利用初始各质量数据的合格率分界线优化特征数据的等级划分和评分,优化数据长度的划分;确定最终的标准数据集数据长度划分分界线,并进行数据完整性检验;其中,所述整合算法模型包括,
其权重系数ω为:
其中,τAB表示输入的A、B两个数据的整合度,θij表示相关系数,τg表示数据整合度系数,τmin、τmax分别表示输入数据整合度的最小值和最大值,Pi、Pj分别表示i和j端子对应输入值的概率,
本发明的有益效果:本发明提供基于数据云处理产品全生命周期质量数据追溯管理系统,采集质量数据后在云存储模块中进行特征提取,同步进行标定,明晰了各节点的数据特征,使得在追溯管理过程中一目了然;同时,云平台传输过程中一方面压缩数据,方便了传输的稳定性及快捷性,另一方面采用霍夫曼编码解码操作对需要保护的数据进行加密覆盖,使得加密算法整合度更高,额外的,本发明还提供了一种整合加密算法,增大了加密算法的私密性,解决了现有产品生产周期质量数据监管系统一方面现有加密算法整合度不清晰,另一方面每一个产品生产周期内的数据散乱,未形成特征明晰显示的问题。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是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它的附图。其中:
图1为本发明提供的基于数据云处理产品全生命周期质量数据追溯管理系统的系统模块图。
图2为本发明提供的采集各质量数据后将其依次输入至对应的云存储模块节点中的方法流程图。
图3为本发明提供的压缩处理各所述质量数据,获取各所述压缩质量数据的方法流程图。
图4为本发明提供的获取存储的各所述质量数据后分别进行特征提取的方法流程图。
图5为本发明提供的通过数据处理管理节点对各压缩质量数据进行解压处理,获取各质量数据的方法流程图。
图6为本发明提供的加密算法生成过程的方法流程图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合说明书附图对本发明的具体实施方式做详细的说明,显然所描述的实施例是本发明的一部分实施例,而不是全部实施例。基于本发明中的实施例,本领域普通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,都应当属于本发明的保护的范围。
传统的监管方式通常都是数据库中由当前步骤责任人进行质量数据的纳入,由于质量及操作数据对于食品企业来说属于保护部分,故此,一般此类质量数据不会进行常规数据库的公开,需要使用者通过解密从而查阅产品生产过程全生命周期中的相关质量生产数据,一方面现有加密算法整合度不清晰,另一方面,每一个产品生产周期内的数据散乱,未形成特征明晰显示。
故此,请参阅图1,本发明提供基于数据云处理产品全生命周期质量数据追溯管理系统,包括,
采集输入模块100,用于采集产品各生命周期中的质量数据,并将其依次输入至对应的云存储模块200节点中;
一组云存储模块200,与采集输入模块100数据连接,接收各质量数据,并对应存储;
特征提取模块300,与一组云存储模块200数据连接,获取存储的各质量数据后分别进行特征提取;
标定模块400,嵌设于特征提取模块300中,并与云存储模块200数据连接,接收各质量数据的特征提取量,并依据特征提取量标定各质量数据;
追溯管理模块500,与云存储模块200数据连接,触屏显示,并当指定节点发生触屏操作时,发送指定至云存储模块200中,打开当前云存储节点处存储的质量数据并显示。
需要说明的是,采集输入模块100采集产品各生命周期中的质量数据,采集过程相当于相关周期责任人按要求输入对应的质量数据。采集完成后将其依次输入至对应的云存储模块200节点中,每一个节点对应每一步周期所涉及到的质量数据,采集过程和存储过程均为现有技术的直接运用。
进一步的,采集输入模块100还包括对各质量数据进行压缩处理的压缩单元,参阅图2,采集输入模块100采集各质量数据后将其依次输入至对应的云存储模块200节点中包括如下步骤:
S1:采集各质量数据;
S2:参阅图3,考虑到各生命周期中的质量数据容量较大,直接在无线信道上传输各生命周期中的质量数据将造成较大的网络流量开销与传输延迟,降低无线传输效能,因此需要在传输前对各生命周期中的质量数据进行压缩处理,精简各生命周期中的质量数据的容量。其中,压缩处理各质量数据,获取各压缩质量数据具体包括如下步骤:
读入采集的各质量数据;
对各质量数据进行DCT(离散余弦)变换;
具体地,将采集的各生命周期中的质量数据分成8×8个像素块,对每块进行DCT变换,其计算公式为:
其中,F(u,v)是量化前的DCT系数,f(x,y)是采集的各生命周期中的质量数据报文量,
u,v=0,1,...,7,
对DCT系数进行量化;
具体地,量化是在数据压缩中造成复原数据质量下降的重要因素之一,其目的是通过降低DCT变换产生的数值结果的精度,减少存储变换后的系数所需要的比特数,从而达到压缩数据的目的。定义量化公式为:
其中,K(u,v)是量化后的DCT系数,Q(u,v)是量化步长,int()是取整运算符,量化步长采用JPEG标准,如下表1所示:
表1:JPEG标准表
对量化后的DCT系数进行霍夫曼编码,包括:
初始化,根据符号概率由大到小的顺序,对符号进行排序;
把概率最小的两个符号组成一个新符号(节点),即新符号的概率等于这两个符号概率之和;
重复前一步,直到形成一个符号为止(树),其概率最后等于1;
从编码树的根开始回溯到原始的符号,并将每一下分枝赋值为1,上分枝赋值为0。
需要说明的是,现有常用的数据压缩方法包括但不限于预测编码、变换编码、统计编码等。其中,DCT(离散余弦)变换作为变换编码的一种典型方式,通过对数据信号的正交分解,使得数据信号在频率域重组成更为紧凑的形式,并使得变换系数之间在保持数据含量不变的前提下,极大地削弱原数据的相关性。同时,考虑到DCT函数的频域分辨率与时域分辨域成反比,与实际信号长时低频、短时高频的特征相吻合,且计算复杂度适中,本发明采用DCT数据压缩方法。
S3:将各压缩质量数据无线传输至云存储模块200的数据处理管理节点中进行存储。
需要说明的是,采集对应数据后,数据集成一组数据包,将数据包进行编码压缩,一方面能够提高传输运算的流畅性,另一方面能够提高传输过程数据的保密安全性。
更进一步的,参阅图4,获取存储的各质量数据后分别进行特征提取具体包括如下步骤:
S1:将各压缩质量数据无线传输至特征提取模块300的数据处理管理节点中;
S2:参阅图5,通过数据处理管理节点对各压缩质量数据进行解压处理,获取各质量数据具体包括如下步骤:
对量化的DCT系数进行霍夫曼解码;
对量化的DCT系数进行逆量化;
对各压缩质量数据进行DCT反变换;
将DCT反变换后所有的数据块依次拼接起来重构各质量数据。
需要说明的是,本步骤中的解码步骤为上述加密步骤的逆步骤,在此不做多余赘述。
S3:构建提取算法模型,对各质量数据进行特征提取以获取各质量数据的特征提取量。
其中,构建的提取算法模型具体为:
其中,Vi为各质量数据的特征提取量;i为第i个质量数据的特征提取量;n为各质量数据的存储节点数;为第i个质量数据的报文分词量;m为提取期望值,定义为㏑2;Xj为非线性函数,且非线性函数为Xj=tan(1.5n)。
额外的,标定模块400还包括加密单元,用于对标定后的各质量数据进行加密;
参阅图6,加密算法的生成过程包括:
S1:基于各质量数据利用随机生成器生成各随机数据;
S2:构建整合算法模型,基于各整合算法模型的权重系数对各质量数据进行调整,得到有规则顺序的标准数据集;
其中,整合算法模型包括:
其权重系数ω为:
其中,τAB表示输入的A、B两个数据的整合度,θij表示相关系数,τg表示数据整合度系数,τmin、τmax分别表示输入数据整合度的最小值和最大值,Pi、Pj分别表示i和j端子对应输入值的概率,
S3:将标准数据集进行数据长度的划分,并与初始各质量数据进行比对,确定数据长度阈值;
S4:将初始各质量数据与排列划分后的数据进行数据融合,生成加密算法。
进一步的,调整的判断标准包括:
根据整合算法模型中的权重系数ω进行判断,将不同数据得到的权重系数由大到小进行排列整合。
更进一步的,将标准数据集进行数据长度的划分,并与初始各质量数据进行比对,包括:
对得到的数据和初始各质量数据分别进行分词处理;
分等级提取分词处理后的特征数据并进行评分;
获取AB合格率分界线:依据每条数据的长度划分,分别获取不同长度的数据的AB评分分界线;
利用初始各质量数据的合格率分界线优化特征数据的等级划分和评分,优化数据长度的划分;
确定最终的标准数据集数据长度划分分界线,并进行数据完整性检验。
另外,数据完整性检验算法包括,
其中,int表示完整性检验结果,m、n表示向量常数,Amn、Bmn表示数据特征向量,当int≥0.83时,数据完整。
进一步的,通过加密算法对集成数据进行加密,得到加密后的集成数据包括:
获取加密算法的第一密钥、第二密钥及第三密钥;
通过第一密钥对待传输的集成数据进行加密,生成第一加密数据;
通过第二密钥对第一加密数据进行解密,生成第二加密数据;
通过第三密钥对第二加密数据进行加密,生成加密的集成数据;
具体的,基于3DES加密算法加密数据以防止数据中途被窃取,其中,3DES加密过程为:C=Ek3(Dk2(Ek1(P))),3DES解密过程为:P=Dk1(EK2(Dk3(C)));
更加具体的,定义Ek()和Dk()代表DES算法的加密和解密过程,K表示DES算法使用的密钥,P代表明文,C代表密文。
用作实现该算法的部分代码如下所示:
使用非对称加密算法,实现身份认证和密钥交换,
其中,非对称加密就是加密和解密使用的不是相同的密钥:只有同一个公钥-私钥对才能正常加解密,实现该算法的部分代码如下:
利用CA根证书验证集成数据接收端的身份信息的有效性,若身份信息有效,则发送加密的集成数据至集成数据接收端;需要说明的是:
所谓根证书,是CA认证中心与用户建立信任关系的基础,用户的数字证书必须有一个受信任的根证书,用户的数字证书才是有效的;从技术上讲,证书其实包含三部分:用户的信息、用户的公钥以及CA中心对该证书里面的信息的签名,要验证一份证书的真伪(即验证CA中心对该证书信息的签名是否有效),需要用CA中心的公钥验证,而CA中心的公钥存在于对这份证书进行签名的证书内,故需要下载该证书,但使用该证书验证又需先验证该证书本身的真伪,故又要用签发该证书的证书来验证,这样一来就构成一条证书链的关系,这条证书链在根证书这阶段终结,根证书是一份特殊的证书,它的签发者是它本身,下载根证书就表明对该根证书以下所签发的证书都表示信任,而技术上则是建立起一个验证证书信息的链条,证书的验证追溯至根证书即为结束;因此用户在使用自己的数字证书之前必须先下载根证书;采用CA根证书验证集成数据接收端的身份信息的有效性,增加了其信息传输的安全性。
本发明提供基于数据云处理产品全生命周期质量数据追溯管理系统,采集质量数据后在云存储模块中进行特征提取,同步进行标定,明晰了各节点的数据特征,使得在追溯管理过程中一目了然;同时,云平台传输过程中一方面压缩数据,方便了传输的稳定性及快捷性,另一方面采用霍夫曼编码解码操作对需要保护的数据进行加密覆盖,使得加密算法整合度更高,额外的,本发明还提供了一种整合加密算法,增大了加密算法的私密性,解决了现有产品生产周期质量数据监管系统一方面现有加密算法整合度不清晰,另一方面每一个产品生产周期内的数据散乱,未形成特征明晰显示的问题。
应说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本发明技术方案的精神和范围,其均应涵盖在本发明的权利要求范围当中。
Claims (1)
1.基于数据云处理产品全生命周期质量数据追溯管理系统,其特征在于:包括,
采集输入模块,用于采集产品各生命周期中的质量数据,并将其依次输入至对应的云存储模块节点中;
一组云存储模块,与所述采集输入模块数据连接,接收各所述质量数据,并对应存储;
特征提取模块,与一组所述云存储模块数据连接,获取存储的各所述质量数据后分别进行特征提取;
标定模块,嵌设于所述特征提取模块中,并与所述云存储模块数据连接,接收各所述质量数据的特征提取量,并依据所述特征提取量标定各所述质量数据;
追溯管理模块,与所述云存储模块数据连接,触屏显示,并当指定节点发生触屏操作时,发送指定至所述云存储模块中,打开当前云存储模块节点处存储的所述质量数据并显示;
其中,采集输入模块还包括对各所述质量数据进行压缩处理的压缩单元,所述采集输入模块采集各所述质量数据后将其依次输入至对应的所述云存储模块节点中包括如下步骤,
采集各所述质量数据;
压缩处理各所述质量数据,获取各压缩质量数据;
将各所述压缩质量数据无线传输至所述云存储模块的数据处理管理节点中进行存储;
其中,压缩处理各所述质量数据,获取各所述压缩质量数据具体包括如下步骤,
读入采集的各所述质量数据;
对各所述质量数据进行DCT变换;
对DCT系数进行量化;
对量化后的DCT系数进行霍夫曼编码;
具体的,对各所述质量数据进行DCT变换时,将采集的各生命周期中的所述质量数据分成8×8个像素块,对每块进行DCT变换,计算公式为:
;
其中,是量化前的DCT系数,/>是采集的各生命周期中的质量数据报文量;
其中,;
其中,对DCT系数进行量化时,定义量化公式为:;
其中,是量化后的DCT系数,/>是量化步长,int( )是取整运算符;
其中,获取存储的各所述质量数据后分别进行特征提取具体包括如下步骤,
将各所述压缩质量数据无线传输至所述特征提取模块的数据处理管理节点中;
通过数据处理管理节点对各所述压缩质量数据进行解压处理,获取各所述质量数据;
构建提取算法模型,对各所述质量数据进行特征提取以获取各质量数据的特征提取量;
其中,通过数据处理管理节点对各所述压缩质量数据进行解压处理,获取各所述质量数据包括如下步骤,
对量化的DCT系数进行霍夫曼解码;
对量化的DCT系数进行逆量化;
对各所述压缩质量数据进行DCT反变换;
将DCT反变换后所有的数据块依次拼接起来重构各所述质量数据;
其中,构建的提取算法模型具体为,;
其中,Vi为各质量数据的特征提取量;i为第i个质量数据的特征提取量;n为各所述质量数据的存储节点数;为第i个质量数据的报文分词量;m为提取期望值,定义为㏑2;Xj为非线性函数,且所述非线性函数为Xj=tan(1.5n);
其中,所述标定模块还包括加密单元,用于对标定后的各所述质量数据进行加密;
加密算法的生成过程包括:
基于各所述质量数据利用随机生成器生成各随机数据;
构建整合算法模型,基于各所述整合算法模型的权重系数对各所述质量数据进行调整,得到有规则顺序的标准数据集;
将所述标准数据集进行数据长度的划分,并与初始各所述质量数据进行比对,确定数据长度阈值;
将初始各所述质量数据与排列划分后的数据进行数据融合,生成加密算法;
其中,对各所述质量数据进行调整时,调整的判断标准包括:根据整合算法模型中的权重系数进行判断,将不同数据得到的权重系数由大到小进行排列整合;
其中,将标准数据集进行数据长度的划分,并与初始各质量数据进行比对,具体包括如下步骤:
对得到的数据和初始各质量数据分别进行分词处理;
分等级提取分词处理后的特征数据并进行评分;
获取AB合格率分界线:依据每条数据的长度划分,分别获取不同长度的数据的AB评分分界线;
利用初始各质量数据的合格率分界线优化特征数据的等级划分和评分,优化数据长度的划分;
确定最终的标准数据集数据长度划分分界线,并进行数据完整性检验;
其中,所述整合算法模型包括,;
其权重系数为:/>;
其中,表示输入的/>两个数据的整合度,/>表示相关系数,/>表示数据整合度系数,/>分别表示输入数据整合度的最小值和最大值,/>分别表示i和j端子对应输入值的概率,/>。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211627972.4A CN116132107B (zh) | 2022-12-16 | 2022-12-16 | 基于数据云处理产品全生命周期质量数据追溯管理系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211627972.4A CN116132107B (zh) | 2022-12-16 | 2022-12-16 | 基于数据云处理产品全生命周期质量数据追溯管理系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116132107A CN116132107A (zh) | 2023-05-16 |
CN116132107B true CN116132107B (zh) | 2024-04-12 |
Family
ID=86293827
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211627972.4A Active CN116132107B (zh) | 2022-12-16 | 2022-12-16 | 基于数据云处理产品全生命周期质量数据追溯管理系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116132107B (zh) |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101095137A (zh) * | 2003-11-25 | 2007-12-26 | 德州仪器公司 | 8×8变换和量化 |
CN103383755A (zh) * | 2013-06-25 | 2013-11-06 | 浙江百唐网络技术有限公司 | 基于云计算的农产品大规模质量监管平台 |
CN108304382A (zh) * | 2018-01-25 | 2018-07-20 | 山东大学 | 基于制造过程文本数据挖掘的质量分析方法与系统 |
CN109034837A (zh) * | 2018-06-29 | 2018-12-18 | 山东华夏维康农牧科技有限公司 | 多码溯源防伪的方法及系统 |
WO2020051193A1 (en) * | 2018-09-05 | 2020-03-12 | Translational Imaging Innovations Llc | Methods, systems and computer program products for retrospective data mining |
CN111325562A (zh) * | 2020-02-17 | 2020-06-23 | 武汉轻工大学 | 粮食安全追溯系统及方法 |
CN112116277A (zh) * | 2020-10-10 | 2020-12-22 | 华中农业大学 | 一种全链条食品安全大数据采集方法 |
CN112149690A (zh) * | 2020-09-29 | 2020-12-29 | 厦门大学 | 一种基于生物图像特征识别的溯源方法和溯源系统 |
CN112399181A (zh) * | 2019-08-19 | 2021-02-23 | 华为技术有限公司 | 图像编解码的方法、装置和芯片 |
CN114424167A (zh) * | 2019-05-06 | 2022-04-29 | 强力物联网投资组合2016有限公司 | 用于促进工业物联网系统智能开发的平台 |
CN114900365A (zh) * | 2022-05-20 | 2022-08-12 | 帕特思科技咨询(杭州)有限公司 | 一种创新服务资源数据处理及安全交互方法 |
-
2022
- 2022-12-16 CN CN202211627972.4A patent/CN116132107B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101095137A (zh) * | 2003-11-25 | 2007-12-26 | 德州仪器公司 | 8×8变换和量化 |
CN103383755A (zh) * | 2013-06-25 | 2013-11-06 | 浙江百唐网络技术有限公司 | 基于云计算的农产品大规模质量监管平台 |
CN108304382A (zh) * | 2018-01-25 | 2018-07-20 | 山东大学 | 基于制造过程文本数据挖掘的质量分析方法与系统 |
CN109034837A (zh) * | 2018-06-29 | 2018-12-18 | 山东华夏维康农牧科技有限公司 | 多码溯源防伪的方法及系统 |
WO2020051193A1 (en) * | 2018-09-05 | 2020-03-12 | Translational Imaging Innovations Llc | Methods, systems and computer program products for retrospective data mining |
CN114424167A (zh) * | 2019-05-06 | 2022-04-29 | 强力物联网投资组合2016有限公司 | 用于促进工业物联网系统智能开发的平台 |
CN112399181A (zh) * | 2019-08-19 | 2021-02-23 | 华为技术有限公司 | 图像编解码的方法、装置和芯片 |
CN111325562A (zh) * | 2020-02-17 | 2020-06-23 | 武汉轻工大学 | 粮食安全追溯系统及方法 |
CN112149690A (zh) * | 2020-09-29 | 2020-12-29 | 厦门大学 | 一种基于生物图像特征识别的溯源方法和溯源系统 |
CN112116277A (zh) * | 2020-10-10 | 2020-12-22 | 华中农业大学 | 一种全链条食品安全大数据采集方法 |
CN114900365A (zh) * | 2022-05-20 | 2022-08-12 | 帕特思科技咨询(杭州)有限公司 | 一种创新服务资源数据处理及安全交互方法 |
Also Published As
Publication number | Publication date |
---|---|
CN116132107A (zh) | 2023-05-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US6122379A (en) | Method and apparatus for performing simultaneous data compression and encryption | |
US10785545B2 (en) | Systems and methods for simultaneous compression and encryption | |
Chen et al. | Compression-unimpaired batch-image encryption combining vector quantization and index compression | |
CN112511514A (zh) | 一种http加密传输方法、装置、计算机设备及存储介质 | |
Zhang et al. | GLS coding based security solution to JPEG with the structure of aggregated compression and encryption | |
Xiao et al. | Chaotic image encryption of regions of interest | |
CN116108506A (zh) | 一种元宇宙数字资产安全管理系统 | |
Sreelakshmi et al. | An encryption-then-compression scheme using autoencoder based image compression for color images | |
CN111641500A (zh) | 一种用于无人机无线视频传输安全的加解密方法 | |
CN104735136A (zh) | 一种新型的基于网络的数学学习系统 | |
CN111597521B (zh) | 一种变电站移动终端数据安全处理方法及系统 | |
CN113987525A (zh) | 一种基于分组密码算法的系统数据防护方法 | |
CN116132107B (zh) | 基于数据云处理产品全生命周期质量数据追溯管理系统 | |
CN107786562A (zh) | 数据加密方法、解密方法及装置 | |
US10230391B2 (en) | Compression and/or encryption of a file | |
CN107507254A (zh) | 基于算术编码的图像压缩加密方法 | |
CN114244635B (zh) | 通信设备的加密型数据编码方法 | |
CN114900365A (zh) | 一种创新服务资源数据处理及安全交互方法 | |
CN113992401B (zh) | 数据处理方法和装置 | |
CN115150134A (zh) | 一种智能电网数据加密传输方法和系统 | |
CN113591151A (zh) | 一种基于高效压缩数据传输的隐私求交方法 | |
Hua et al. | Secure reversible data hiding in encrypted images using cipher-feedback secret sharing | |
CN112367157B (zh) | 一种物联网环境加密方法及装置 | |
Hussein et al. | Randomized Information Hiding in RGB Images Using Genetic Algorithm and Huffman Coding. | |
CN113221131B (zh) | 一种基于lwe的qr码加密解密方法 |
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 |