CN116226471A - 一种用于国土资源规划的数据存储方法 - Google Patents

一种用于国土资源规划的数据存储方法 Download PDF

Info

Publication number
CN116226471A
CN116226471A CN202310518006.7A CN202310518006A CN116226471A CN 116226471 A CN116226471 A CN 116226471A CN 202310518006 A CN202310518006 A CN 202310518006A CN 116226471 A CN116226471 A CN 116226471A
Authority
CN
China
Prior art keywords
data
difference
data stream
multidimensional
dimensional
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
Application number
CN202310518006.7A
Other languages
English (en)
Other versions
CN116226471B (zh
Inventor
马长凤
郗振
张帅
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.)
Jining Snail Software Technology Co ltd
Original Assignee
Jining Snail Software Technology 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 Jining Snail Software Technology Co ltd filed Critical Jining Snail Software Technology Co ltd
Priority to CN202310518006.7A priority Critical patent/CN116226471B/zh
Publication of CN116226471A publication Critical patent/CN116226471A/zh
Application granted granted Critical
Publication of CN116226471B publication Critical patent/CN116226471B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/901—Indexing; Data structures therefor; Storage structures
    • 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
    • G06F21/602—Providing cryptographic facilities or services
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L9/00—Cryptographic mechanisms or cryptographic arrangements for secret or secure communications; Network security protocols
    • H04L9/001—Cryptographic mechanisms or cryptographic arrangements for secret or secure communications; Network security protocols using chaotic signals
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L9/00—Cryptographic mechanisms or cryptographic arrangements for secret or secure communications; Network security protocols
    • H04L9/08—Key distribution or management, e.g. generation, sharing or updating, of cryptographic keys or passwords
    • H04L9/0861—Generation of secret information including derivation or calculation of cryptographic keys or passwords
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L9/00—Cryptographic mechanisms or cryptographic arrangements for secret or secure communications; Network security protocols
    • H04L9/08—Key distribution or management, e.g. generation, sharing or updating, of cryptographic keys or passwords
    • H04L9/0894—Escrow, recovery or storing of secret information, e.g. secret key escrow or cryptographic key storage
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L9/00—Cryptographic mechanisms or cryptographic arrangements for secret or secure communications; Network security protocols
    • H04L9/14—Cryptographic mechanisms or cryptographic arrangements for secret or secure communications; Network security protocols using a plurality of keys or algorithms

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Security & Cryptography (AREA)
  • Theoretical Computer Science (AREA)
  • Signal Processing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Bioethics (AREA)
  • General Health & Medical Sciences (AREA)
  • Computer Hardware Design (AREA)
  • Data Mining & Analysis (AREA)
  • Complex Calculations (AREA)
  • Storage Device Security (AREA)

Abstract

本发明涉及电数字数据技术领域，具体涉及一种用于国土资源规划的数据存储方法，包括：对待存储的国土资源目标数据集合中每个数据流中各个数据进行数据处理，确定多维差；确定多维差的特征强度，利用特征强度，对数据流进行数据分段处理，获得每个数据流对应的各数据区间；获得每个数据流对应的空间置乱数据和混沌序列，利用混沌序列对空间置乱数据进行加密处理，获得每个数据流的加密密文，使加密密文和加密密钥集合进行分开存储，实现国土资源规划数据的安全存储。本发明通过对由特征强度划分得到的数据区间进行移位置乱，改变了目标数据的分布特征，增强了数据加密效果，有利于提高国土资源规划数据存储的安全性。

Description

一种用于国土资源规划的数据存储方法
技术领域
本发明涉及电数字数据处理技术领域，具体涉及一种用于国土资源规划的数据存储方法。
背景技术
为了便于对国土资源数据进行存储管理，有关部门利用数据库、大数据、云计算、虚拟化等技术构成国土资源管理系统，实现国土资源数据的智能化管理。对于国土资源数据集合中具备重要性的规划数据，为防止规划数据发生信息泄露和受到恶意攻击，先对规划数据进行加密处理，然后再存储加密处理后的规划数据。
现有通过Logistics混沌加密算法对待存储的国土资源规划数据进行加密处理，该加密算法通过改变规划数据的统计特性，实现数据加密。Logistics混沌加密算法在加密时仅使用序列值对原数据的数值大小进行变换，并不改变原数据在数据流中的位置，所以对于统计特性强的数据，通过混沌映射后仍有可能保留原数据的特性，致使加密效果不理想，而且混沌加密算法的序列初值和参数通常为人为设定，使得密钥空间较小，导致加密后的规划数据存在被破解的可能性，导致国土资源规划数据的存储安全性低。
发明内容
为了解决上述现有加密算法的加密效果差，导致国土资源规划数据的存储安全性低，本发明的目的在于提供一种用于国土资源规划的数据存储方法，所采用的技术方案具体如下：
本发明一个实施例提供了一种用于国土资源规划的数据存储方法，该方法包括以下步骤：
获取待存储的国土资源目标数据集合，所述国土资源目标数据集合中至少包含两个数据流；
根据每个数据流中的各个数据，计算每个数据流对应的各个预设维度层中的各多维差；
根据每个数据流对应的各个预设维度层中的各多维差，确定各多维差的特征强度；
利用各多维差的特征强度，对数据流进行数据分段处理，获得每个数据流对应的各数据区间；
对所述各数据区间进行移位置乱处理，并记录置乱前后的各数据区间的位置，获得每个数据流对应的空间置乱数据和置乱密钥；
根据各个预设维度层中的各多维差，确定每个数据流对应的混沌加密模型的初值密钥和参数密钥，通过初值密钥和参数密钥获得混沌序列；
利用所述混沌序列，对每个数据流对应的空间置乱数据进行加密处理，获得每个数据流的加密密文；
对于每个数据流的加密密文和加密密钥集合，进行分开存储，所述加密密钥集合包括置乱密钥、初值密钥和参数密钥。
进一步地，根据每个数据流中的各个数据，计算每个数据流对应的各个预设维度层中的各多维差，包括：
根据预设维度层构建维度模型，所述维度模型中初始预设维度层中的数据为对应所述数据流中的数据，每个预设维度层中每个目标数据与其前一个数据的差值构成对应下个预设维度层中的多维差；
根据维度模型，获得每个数据流对应的各个预设维度层中的各多维差。
进一步地，根据每个数据流对应的各个预设维度层中的各多维差，确定各多维差的特征强度，包括：
计算每个数据流对应的各个预设维度层对应的多维差均值和每个数据流对应的多维差均值，将各个预设维度层对应的多维差均值确定为第一多维差均值，将每个数据流对应的多维差均值确定为第二多维差均值，并计算每个数据流对应的各个预设维度层的多维差方差；
对于任意一个多维差，当该多维差等于预设数值时，该多维差的初始特征程度值为数值1，当该多维差不等于预设数值时，根据该多维差、该多维差所属预设维度层对应的第一多维差均值和最大多维差，计算该多维差的初始特征程度值，进而获得各多维差的初始特征程度值；
利用各多维差所属数据流对应的第二多维差均值、各多维差所属预设维度层对应的多维差方差和第一多维差均值，对各多维差的初始特征程度值进行修正处理，获得修正处理后的初始特征程度值，将修正处理后的初始特征程度值确定为对应多维差的特征强度。
进一步地，根据该多维差、该多维差所属预设维度层对应的第一多维差均值和最大多维差，计算该多维差的初始特征程度值，包括：
计算该多维差所属预设维度层对应的最大多维差与该多维差的比值，将该比值确定为该多维差的第一特征程度；计算该多维差所属预设维度层对应的第一多维差均值与该多维差的差值，将该差值确定为该多维差的第二特征程度；
计算该多维差的第一特征程度和第二特征程度的乘积，对第一特征程度和第二特征程度的乘积进行归一化，将乘积的归一化结果确定为该多维差的初始特征程度值。
进一步地，利用各多维差所属数据流对应的第二多维差均值、各多维差所属预设维度层对应的多维差方差和第一多维差均值，对各多维差的初始特征程度值进行修正处理，获得修正处理后的初始特征程度值，包括：
对于任意一个多维差，当该多维差所属预设维度层对应的多维差方差等于预设数值时，计算该多维差所属数据流对应的第二多维差均值与该多维差所属预设维度层对应的第一多维差均值的差值绝对值，对差值绝对值进行反比例的归一化处理，将反比例的归一化处理后的差值绝对值确定为该多维差的第一修正系数，进而计算该多维差的第一修正系数与初始特征程度值的乘积，将乘积确定为该多维差对应的修正处理后的初始特征程度值；
当该多维差所属预设维度层对应的多维差方差不等于预设数值时，计算该多维差所属数据流对应的多维差方差的均值与所属预设维度层对应的多维差方差的比值，将比值确定为该多维差的第二修正系数，计算该多维差的第一修正系数、第二修正系数与初始特征程度值的乘积，将乘积确定为该多维差对应的修正处理后的初始特征程度值，进而获得各多维差对应的修正处理后的初始特征程度值。
进一步地，利用各多维差的特征强度，对数据流中的各个数据进行数据分段处理，获得每个数据流对应的各数据区间，包括：
对于任意一个数据流，判断该数据流对应的各个预设维度层中的各多维差的特征强度中是否存在大于特征强度阈值的多维差，若不存在，则判定该数据流不需要进行数据分段处理，若存在，则选取最大特征强度对应的多维差确定为趋势结点；
判断趋势结点的预设维度层否为第一维度层，当趋势结点的预设维度层为第一维度层时，将该数据流中趋势结点对应的连续分布数据划分为第一数据区间，当趋势结点的预设维度层不为第一维度层，根据趋势结点的预设维度层和数据序号，确定第一维度结点和第二维度结点；不断重复上述划分第一数据区间的步骤，直至维度结点对应的预设维度层为第一维度层或划分迭代次数达到预设次数；
对于该数据流中不属于所述第一数据区间的连续分布数据，将其划分为第二数据区间，获得该数据流对应的各数据区间，从而获得每个数据流对应的各数据区间，所述数据区间为第一数据区间或第二数据区间。
进一步地，第一维度结点和第二维度结点的预设维度层均为向上取整后的趋势结点的预设维度层的一半，第一维度结点的数据序号为趋势结点的数据序号与所述预设维度层的一半相减后所得到的向上取整后的数值，第二维度结点的数据序号为趋势结点的数据序号，数据序号为数据流中各个数据的序号。
进一步地，根据各个预设维度层中的各多维差，确定每个数据流对应的混沌加密模型的初值密钥和参数密钥，包括：
计算每个数据流对应的最大多维差和最小多维差的差值，将最大多维差和最小多维差的差值与对应数据流对应的第二多维差均值的比值确定为对应数据流对应的初值密钥；
根据每个数据流对应的多维差方差的均值、最大多维差方差和最小多维差方差，结合混沌加密算法对应的参数密钥计算模型，获得每个数据流对应的参数密钥。
进一步地，利用所述混沌序列，对每个数据流对应的空间置乱数据进行加密处理，获得每个数据流的加密密文，包括：
将每个数据流对应的混沌序列映射到数据空间中，获得映射后的混沌序列，每个数据流对应的映射后的混沌序列与对应数据流的空间置乱数据进行异或操作，将异或操作后的空间置乱数据确定为对应数据流的加密密文。
本发明具有如下有益效果：
本发明提供了一种用于国土资源规划的数据存储方法，该方法利用电数字数据处理技术，对获取的国土资源目标数据集合进行加密处理，该加密过程不但考虑到数据分布特征的改变，还顾虑到数据统计特征的改变，有利于获得加密效果更好的加密密文，进而有效提高了国土资源规划数据的存储安全性。通过计算目标数据集合中每个数据流对应的各个预设维度层中的各多维差，来分析目标数据集合的连续分布数据的趋势变化情况，相比仅计算相邻数据间的变化幅度，多维差可以反映出数据的变化趋势，有利于后续分析数据的特征强度；将多维差作为数据流变化趋势分析的基础数据，计算每个多维差在整体数据中的数据特征程度，即确定各多维差的特征强度，基于多维差得到的特征强度的趋势分析更准确；相比现有平均划分数据区间，利用特征强度进行数据区间划分，可以得到属于同一趋势的数据区间，增强数据区间划分的复杂性；此时对每个数据流对应的各数据区间进行移位置乱，获得空间置乱数据，有利于提升目标数据的加密效果；为了改变目标数据的统计特征实现目标数据的再次加密，基于多维差获得混沌加密模型的初始密钥和参数密钥，利用初始密钥和参数密钥构成的混沌序列对生成的空间置乱数据进行数据处理，以获得每个数据流的加密密文。最终，对加密密文和加密密钥集合分开存储，以实现更安全的国土资源规划数据存储。
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为本发明一种用于国土资源规划的数据存储方法的流程图；
图2为本发明实施例中的第b个数据流对应的各个预设维度层中的各多维差的示意图；
图3本发明实施例中的波动明显的数据区间的示意图；
图4本发明实施例中的波动平稳的数据区间的示意图。
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技术方案的具体实施方式、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”指的不一定是同一个实施例。此外，一个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。
本实施例所针对的具体场景为：
国土资源数据集合中的规划数据和招标数据等属于重要数据，需要对重要数据进行加密处理后，再进行存储，以保障重要数据的安全性。在使用Logistics混沌加密算法对重要数据进行加密处理时，仅通过异或运算改变数据的统计特征，并没有考虑到数据的分布特征的改变，其导致混沌加密后的加密密文仍有可能保留部分数据的分布特征，加密效果差。
为了克服上述Logistics混沌加密算法存在技术缺陷，对于国土资源数据集合中的重要数据，本实施例通过分析连续分布数据的趋势变化特征，将数据量大且趋势变化特征强的数据进行分段处理，分解成数据量小且趋势变化特征弱的数据区间，进而对数据区间进行移置乱处理，移位置乱处理后的数据可以改变数据的分布特征。然后，结合自适应的Logistics混沌加密算法，对各数据区间进行加密处理，以改变数据区间中数据的初始值，达到消除数据统计特征的目的。具体，本实施例提供了一种用于国土资源规划的数据存储方法，如图1所示，包括以下步骤：
S1，获取待存储的国土资源目标数据集合。
需要说明的是，为了保障国土资源目标数据集合中的规划、招标审批等重要数据的数据安全性，需要对国土资源目标数据集合中的重要数据进行加密处理后，再进行存储。首先，对待存储的国土资源数据集合进行数据筛选清洗，提取目标数据，并将目标数据转换为机器可以识别的数据字符。这里的目标数据是指需要进行加密处理的国土资源数据集合中的重要数据，例如，规划数据、招标审批数据等。
在本实施例中，通过国土资源管理系统的数据采集模块，获得多源数据，多源数据的数据类型包括工业绘图的矢量数据、图标的栅格数据和文档的文件数据。由于多源数据的来源、格式、质量不同，故在数据传输过程中需要将多源数据标准化为计算机可识别的数据形式，获得多源数据对应的初始数值，初始数值的数值格式为ASCII（American StandardCode for Information Interchange，美国信息交换标准代码）码字符，初始数值为十进制数据，编码取值可以为0到127。多源数据的质量和重要程度各不相同，需要通过质量检查进行数据清洗，将清洗后的多源数据分层上传到资源数据存储层。资源数据存储层中的专业层和管理层对应的数据属于机密数据，其对地区的发展方向起到决定性作用，因此，需要对专业层和管理层对应的数据进行严格加密。
将专业层和管理层对应的数据组成的集合作为待存储的国土资源目标数据集合， 集合中至少存在不少于2个数据流，数据流为有起点有终点的数据序列，一个数据流可以表 征一个类型的重要数据，例如，土地数据流为同一个数据流，土地利用数据为另外一个数据 流。将国土资源目标数据集合记为
Figure SMS_1
，
Figure SMS_2
，
Figure SMS_3
为待存储的国土资源目标 数据集合中第b个数据流，b为数据流的下标编号，其表示数据流的序号，国土资源目标数据 集合中共有b个数据流。ASCII码转换数据字符的过程和数据清洗的过程均为现有技术，不 在本发明保护范围内，此处不再进行详细阐述。
至此，本实施例获得了待存储的国土资源目标数据集合中的每个数据流。
S2，根据每个数据流中的各个数据，计算每个数据流对应的各个预设维度层中的各多维差。
需要说明的是，每个数据流中存在不同程度的数据波动，波动明显和波动稳定的数据区间均属于趋势波动变化特征明显的数据区间。持续发生波动的数据区间经过Logistics加密算法进行加密处理后，仍可能为发生波动的数据区间，而持续稳定的数据区间经过Logistics加密算法进行加密处理后的趋势波动特征取决于混沌序列的变化程度。因此，为了提高国土资源目标数据集合内每个数据流的安全性，需要将每个数据流中趋势变化特征明显的区域进行提取、分段和移位，以降低数据特征，增强加密效果。
根据每个数据流中的各个数据，计算每个数据流对应的各个预设维度层中的各多维差，多维差是衡量数据趋势变化特征强弱的基础分析指标，其步骤包括：
根据预设维度层构建维度模型，维度模型中初始预设维度层中的数据为对应数据流中的数据，每个预设维度层中每个目标数据与其前一个数据的差值构成对应下个预设维度层中的多维差；根据维度模型，获得每个数据流对应的各个预设维度层中的各多维差。
确定多维差的具体实现内容可以包括：
将每个数据流中的各个目标数据与其上一个数据之间的差值确定为第一差值，将第一差值确定为第一维度层的多维差，进而获得每个数据流对应的第一维度层中的各多维差；将第一维度层的各目标多维差与其上一个多维差之间的差值确定为第二差值，将第二差值确定为第二维度层的多维差，进而获得每个数据流对应的第二维度层中的各多维差；将第二维度层的各目标多维差与其上一个多维差之间的差值确定为第三差值，将第三差值确定为第三维度层的多维差，进而获得每个数据流对应的第三维度层中的各多维差，不断重复上述根据前一个维度层中的各多维差获得后一个维度层中的各多维差的过程，直至获得各个预设维度层中的各多维差。这里的目标数据为每个数据流中的第一个数据以外的数据，这里的目标多维差为各个预设维度层中的各多维差中第一个多维差以外的多维差。
在本实施例中，数据流中连续分布且趋势相同的数据量越多、数据值越近似，数据 趋势变化特征越明显，但相邻数据间的差值仅能反映变化幅度，并不能体现数据的趋势变 化。为了提取数据趋势变化特征明显的数据区间，通过多维差计算连续分布数据的局部趋 势，对于国土资源目标数据集合中第b个数据流
Figure SMS_4
，可以表征为
Figure SMS_5
，
Figure SMS_6
为第 b个数据流中共有i个数据。多维差的确定过程包括：
对于一维数据，计算第b个数据流对应的第一维度层的多维差，其计算公式可以为
Figure SMS_7
，其中，
Figure SMS_8
为第b个数据流对应的第一维度层中数据序号为i的多维差，本实 施例中的数据序号均为数据流中数据的位置编号，
Figure SMS_9
的上标编号可以表征第一维度层，其 下标编号可以表征该多维差在第b个数据流中的数据序号。参考
Figure SMS_10
的计算公式，可以获得每 个数据流对应的第一维度层的各多维差。值得说明的是，在计算第一维度层对应的各多维 差时，每个数据流中的第一个数据之前不存在数据，故第一维度层对应的多维差数量等于 数据流中数据数量减数值1。
对于高维数据，以计算第二维度层中数据序号为i的多维差为例，第二维度层中数 据序号为i的多维差的计算公式可以为
Figure SMS_11
，其中，
Figure SMS_12
为第二维度层中数据序号 为i的多维差，
Figure SMS_13
为第一维度层中数据序号为i的多维差，
Figure SMS_14
为第一维度层中数据序号为 i-1的多维差。参考
Figure SMS_15
的计算公式，可以获得每个数据流对应的第二维度层中的各多维差。 在获得每个数据点对应的第一维度层和第二维度层的各多维差之后，为了提高数据区间划 分的精准性，参考第二维度层对应的各多维差的计算过程，不断重复计算下一维度层中的 各多维差，获得各个预设维度层中的各多维差。预设维度层的取值范围可以为1到20，即第 一维度层到第二十维度层，预设维度层的取值范围可以由实施者根据数据流的实际情况自 行设置，不做具体限定。
例如，对于国土资源目标数据集合中的第b个数据流，将该数据流内存在的数据数 量设定为7，那么该数据流对应的预设维度层的取值范围可以为第一维度层到第六维度层。 根据第b个数据流中每个数据的值，参考上述计算第一维度层和第二维度层中各多维差的 过程，可以获得该数据流对应的各个预设维度层中的各多维差，第b个数据流对应的各个预 设维度层中的各多维差的示意图如图2所示。在图2中，从下往上遍历，第一行数据为第一维 度层的各多维差，即
Figure SMS_16
，第一维度层的多维差数量为6；第二行数 据为第二维度层的各多维差，即
Figure SMS_17
，第二维度层的多维差数量为5；第 三行数据为第三维度层的各多维差，即
Figure SMS_18
，第三维度层的多维差数量为4； 第四行数据为第四维度层的各多维差，即
Figure SMS_19
，第四维度层的多维差数量为3；第 五行数据为第五维度层的各多维差，即
Figure SMS_20
，第五维度层的多维差数量为2；第六行数 据为第六维度层的各多维差，即
Figure SMS_21
，第六维度层的多维差数量为1。由图2可知，若第一维 度层为底层，第二维度层中多维差的个数比第一维度层中多维差的个数少一个，即各个预 设维度层从下往上呈现三角形分布。
至此，本实施例获得了每个数据流对应的各个预设维度层中可以表征数据趋势特征的多维差。
S3，根据每个数据流对应的各个预设维度层中的各多维差，确定各多维差的特征强度。
需要说明的是，多维差可以反映数据流中的数据在不同维度层中的数据特征，当数据流对应的某个预设维度层的多维差的数值大小趋近于0时，该多维差对应在数据流中部分连续分布的数据组成的数据区间具有明显的数据特征。因此，明显数据特征在维度层中存在特殊性。
根据预设维度层中的各多维差构建各多维差的特征强度计算模型，确定各多维差的特征强度，其步骤包括：
第一步，确定每个数据流对应的各个预设维度层的多维差方差和第一多维差均值、每个数据流对应的第二多维差均值。
计算每个数据流对应的各个预设维度层对应的多维差均值和每个数据流对应的多维差均值，将各个预设维度层对应的多维差均值确定为第一多维差均值，将每个数据流对应的多维差均值确定为第二多维差均值，并计算每个数据流对应的各个预设维度层的多维差方差。
在本实施例中，某个数据流对应的第t个预设维度层中数据序号为j的多维差越趋近于0，则表明在该数据流中第t个预设维度层中数据序号为j的多维差对应的分布连续数据的数据特征越明显。但该多维差在其他维度层中的分布情况并不确定，存在该多维差在当前维度层中数据分布特征较弱，但对于整体多维层，该多维差的数据分布特征较强。因此，需要分析每个多维差在其所属维度层和整体维度层中的数据分布情况，即计算每个数据流对应的各个预设维度层对应的多维差均值和每个数据流对应的多维差均值。首先，计算每个数据流对应的各个预设维度层对应的多维差均值其计算公式可以为：
Figure SMS_22
其中，
Figure SMS_23
为每个数据流对应的第t个预设维度层对应的多维差均值，
Figure SMS_24
为每个数 据流对应的第t个预设维度层对应的多维差数目，I为每个数据流对应的数据数目，t为每个 数据流对应的预设维度层的层数序号，也可以为预设维度层的维度大小，
Figure SMS_25
为每个数据流 对应的第t个预设维度层中数据序号为j的多维差，第t个预设维度层也可以称为第t维度 层。
然后，在获得每个数据流对应的各个预设维度层的多维差均值后，为了衡量每个数据流对应的各个预设维度层的多维差的离散程度，根据各个预设维度层的多维差均值，计算每个数据流对应的各个预设维度层的多维差方差，计算方差的过程为现有技术，此处不再赘述。
最后，为了衡量每个预设维度层在整体所有预设维度层中的数据分布情况，需要计算每个数据流对应的多维差均值，其计算公式可以为：
Figure SMS_26
其中，
Figure SMS_27
为每个数据流对应的多维差均值，T为每个数据流对应的预设维度层的层 数，t为每个数据流对应的预设维度层的层数序号，
Figure SMS_28
为每个数据流对应的第t个预设维度 层对应的多维差均值。
需要说明的是，为了区分每个数据流对应的各个预设维度层对应的多维差均值和每个数据流对应的多维差均值，将各个预设维度层对应的多维差均值确定为第一多维差均值，将每个数据流对应的多维差均值确定为第二多维差均值。
至此，本实施例获得了每个数据流对应的各个预设维度层的多维差方差和第一多维差均值、每个数据流对应的第二多维差均值。
第二步，获得每个数据流对应的各个预设维度层中的各多维差的初始特征程度值。
对于任意一个多维差，当该多维差等于预设数值时，该多维差的初始特征程度值为数值1，当该多维差不等于预设数值时，根据该多维差、该多维差所属预设维度层对应的第一多维差均值和最大多维差，计算该多维差的初始特征程度值，进而获得各多维差的初始特征程度值。
在本实施例中，根据每个数据流对应的各个预设维度层中的各多维差的数值大小，可分为两种情况：当多维差等于预设数值时，说明该多维差对应的数据趋势变化相同，符合数据趋势变化明显的分布特征，那么可以表征数据趋势的初始特征程度值应取最大值1，这里的预设数值设置为0。需要说明的是，由于初始特征程度值为归一化后的数值，故初始特征程度值的最大值为1；当多维差不等于预设数值时，说明该多维差对应的数据趋势变化存在一定程度差异，为了衡量差异程度，根据该多维差、该多维差所属预设维度层对应的第一多维差均值和最大多维差，计算该多维差的初始特征程度值，其步骤包括：
计算多维差所属预设维度层对应的最大多维差与该多维差的比值，将该比值确定为该多维差的第一特征程度；计算该多维差所属预设维度层对应的第一多维差均值与该多维差的差值，将该差值确定为该多维差的第二特征程度；对第一特征程度和第二特征程度的乘积进行归一化，将乘积的归一化结果确定为该多维差的初始特征程度值。
在本实施例中，为了便于理解和分析，基于上述对初始特征程度值计算过程的描述，利用数学建模的相关知识，构建初始特征程度值的计算公式，其计算公式可以为：
Figure SMS_29
其中，
Figure SMS_31
为每个数据流对应的第t个预设维度层中数据序号为i的多维差的初始特 征程度值，
Figure SMS_33
为每个数据流对应的第t个预设维度层中的最大多维差，
Figure SMS_35
为每个数据流对 应的第t个预设维度层中数据序号为i的多维差，
Figure SMS_32
为每个数据流对应的第t个预设维度层 对应的第一多维差均值，
Figure SMS_34
为每个数据流对应的第t个预设维度层中数据序号为i的多维 差的第一特征程度，
Figure SMS_36
为每个数据流对应的第t个预设维度层中数据序号为i的多维差 的第二特征程度，
Figure SMS_37
为利用双曲正切函数对
Figure SMS_30
进行归一 化处理，0为预设数值。
在初始特征程度值的计算公式中，
Figure SMS_46
可以表征从第1个预设维度层到第t-1个预设 维度层对应在数据流中所包含数据的变化趋势，各个预设维度层在本实施例中按照从下往 上的顺序进行遍历，这里的第1个预设维度层是指第一维度层，
Figure SMS_40
越小，越能说明该多维差 对应的数据存在的变化趋势越相似，初始特征程度值
Figure SMS_42
越大，故当
Figure SMS_38
时，直接将该多维 差对应的初始特征程度值赋值为1；
Figure SMS_45
第一特征程度越大，说明在第t个预设维度层中的 多维差
Figure SMS_49
越小，初始特征程度值
Figure SMS_51
越大，越接近于1；对于
Figure SMS_48
，由于
Figure SMS_52
越小，越能说明 该多维差对应的数据存在的变化趋势越相似，假设
Figure SMS_41
等于5，
Figure SMS_43
等于8，此时的
Figure SMS_55
，若
Figure SMS_57
等于2，此时的
Figure SMS_56
，此时若对
Figure SMS_58
取绝对值，其说明
Figure SMS_47
等于8与
Figure SMS_54
等于2所表 征的含义相同，其破坏了多维差的原始含义，故此处不对
Figure SMS_50
取绝对值；
Figure SMS_53
第二 特征程度越大，说明相较于第t个预设维度层中的所有多维差，多维差
Figure SMS_39
的离散程度越大， 初始特征程度值
Figure SMS_44
越大；初始特征程度值是指每个多维差在其所属预设维度层中变化情 况，当多维差不等于0时，从两个方面分析初始特征程度值，第一特征程度和第二特征程度； 第一特征程度从多维差其自身的数值变化大小来表述数据幅度情况，第二特征程度从多维 差与其所属预设维度层中其他多维差之间的差异来表示数据连续变化情况，即该多维差在 所属预设维度层中的离散程度；初始特征程度值越大，说明多维差对应的数据变化趋势越 明显。
第三步，利用各多维差所属数据流对应的第二多维差均值、各多维差所属预设维度层对应的多维差方差和第一多维差均值，对各多维差的初始特征程度值进行修正处理，获得修正处理后的初始特征程度值，将修正处理后的初始特征程度值确定为对应多维差的特征强度。
需要说明的是，不同数据对应的多维差在预设维度层中的分布不同，其容易导致存在强趋势特征的宽分布数据在窄分布中被判定为弱趋势特征，造成趋势判断错误，故需要对各多维差的初始特征程度值进行修正处理，并将修正处理后的初始特征程度值确定为对应多维差的特征强度。其中，修正处理后的初始特征程度值的计算步骤包括：
使多维差所属预设维度层对应的多维差方差与预设数值进行比对，根据比对结果确定修正处理后的初始特征程度值，其具体内容包括：
当多维差所属预设维度层对应的多维差方差等于预设数值时，计算该多维差所属数据流对应的第二多维差均值与该多维差所属预设维度层对应的第一多维差均值的差值绝对值，对差值绝对值进行反比例的归一化处理，将反比例的归一化处理后的差值绝对值确定为该多维差的第一修正系数，计算该多维差的第一修正系数与初始特征程度值的乘积，将乘积确定为该多维差对应的修正处理后的初始特征程度值。
当多维差所属预设维度层对应的多维差方差不等于预设数值时，计算该多维差所属数据流对应的多维差方差的均值与所属预设维度层对应的多维差方差的比值，将比值确定为该多维差的第二修正系数，计算该多维差的第一修正系数、第二修正系数与初始特征程度值的乘积，将乘积确定为该多维差对应的修正处理后的初始特征程度值，进而获得各多维差对应的修正处理后的初始特征程度值。
在本实施例中，为了便于理解和分析，基于上述对修正处理后的初始特征程度值的计算过程的描述，利用数学建模的相关知识，构建修正处理后的初始特征程度值的计算公式，其计算公式可以为：
Figure SMS_59
其中，
Figure SMS_62
为每个数据流对应的第t个预设维度层中数据序号为i的多维差对应的修 正处理后的初始特征程度值，
Figure SMS_65
为每个数据流对应的第t个预设维度层中数据序号为i的多 维差的初始特征程度值，t为每个数据流对应的预设维度层的层数序号，
Figure SMS_69
为每个数据流对 应的第k个预设维度层的多维差方差，
Figure SMS_61
为每个数据流对应的多维差方差的均值，
Figure SMS_64
为每个数据流对应的第t个预设维度层的多维差方差，
Figure SMS_68
为每个数据流对应的第二多维差均 值，
Figure SMS_71
为每个数据流对应的第t个预设维度层对应的第一多维差均值，
Figure SMS_63
为对
Figure SMS_66
求绝对值，
Figure SMS_70
为每个数据流对应的第t个预设维度层中数据序号为i的多维差 的第一修正系数，
Figure SMS_72
为每个数据流对应的第t个预设维度层中数据序号为i的多维差的 第二修正系数，
Figure SMS_60
为对
Figure SMS_67
进行反比例的归一化处理，其取值范围0到1 之间，0为预设数值。
在修正处理后的初始特征程度值的计算公式中，修正处理后的初始特征程度值可 以称为特征强度，每个多维差呈现的趋势变化（初始特征程度值）相较于其他维度层并非标 准分布，此时需要使用多维差方差和多维差均值，对初始特征程度值进行修正。当第t个预 设维度层的维度分布小于标准分布时，第二修正系数
Figure SMS_73
大于1，对初始特征程度值进行 拉伸；当某个数据流对应的第t个预设维度层的第一多维差均值等于该数据流对应的第二 多维差均值时，说明第t个预设维度层为标准分布，第一修正系数
Figure SMS_74
取值为1； 当第t个预设维度层的多维差方差等于预设数值0时，说明第t个预设维度层中的多维差均 为0，令第二修正系数
Figure SMS_75
等于1。
至此，本实施例获得了每个数据流对应的各个预设维度层中的各多维差的特征强度，特征强度可用于后续划分数据区间。
S4，利用各多维差的特征强度，对数据流进行数据分段处理，获得每个数据流对应的各数据区间。
在本实施例中，特征强度可以表征数据流中数据区间的趋势变化明显程度，为了实现后续的数据区间移位、置乱，增强目标数据加密的加密效果，需要利用特征强度，确定不同数据流对应的各数据区间，其步骤包括：
第一步，判断数据流对应的各个预设维度层中的各多维差的特征强度中是否存在大于特征强度阈值的多维差，若不存在，则判定该数据流不需要进行数据分段处理，若存在，则选取最大特征强度对应的多维差确定为趋势结点。
在本实施例中，设置特征强度阈值为0.9，记为T，使每个数据流对应的各个多维差的特征强度依次与特征强度阈值作对比，可以存在两种比对情况：
当某个数据流对应的所有多维差的特征强度均小于或等于特征强度阈值时，说明该数据流中连续分布数据不存在波动或者波动幅度较小，混沌序列对该数据流进行加密时的加密效果的影响较小，不需要对该数据流进行数据区间划分。
当某个数据流对应的所有多维差的特征强度中存在大于特征强度阈值的多维差时，说明该数据流中连续分布数据具有较强的趋势变化，需要对该数据流进行数据区间划分。位于高维度层的多维差能够覆盖位于低维度层的多维差，若两个多维差均为0，那么该两个多维差对应的更高维度的多维差同样为0。由于高维度层可以覆盖低维度层，为了提取出数据特征明显的数据区间，从最高维度层向下遍历，对该数据流对应的所有多维差进行筛选，选取出特征强度最大的多维差确定为趋势结点，将趋势结点记为F。
需要说明的是，若某个数据流对应的第t维度层中数据序号为i的多维差的特征强 度
Figure SMS_76
大于特征强度阈值T，根据多维差的定义可知，
Figure SMS_77
同样成立，其说明该数 据流中从
Figure SMS_78
到
Figure SMS_79
存在趋势的变化。由于多维差可以将具有相同趋势的数据进行聚合，故该 数据流中从
Figure SMS_80
到
Figure SMS_81
的趋势变化相似。因此，基于特征强度，可以将趋势变化明显的连续分 布数据划分到同一个数据区间中。
第二步，判断趋势结点的预设维度层否为第一维度层，当趋势结点的预设维度层为第一维度层时，将该数据流中趋势结点对应的连续分布数据划分为第一数据区间，当趋势结点的预设维度层不为第一维度层，根据趋势结点的预设维度层和数据序号，确定第一维度结点和第二维度结点；不断重复上述划分第一数据区间的步骤，直至维度结点对应的预设维度层为第一维度层或划分迭代次数达到预设次数。
当趋势结点的预设维度层为第一维度层时，说明趋势结点对应连续分布数据具有相同的特征趋势，可以将相同特征趋势的连续分布数据划分为数据区间，这里的数据区间为第一数据区间，第一数据区间包括波动明显的数据区间和波动平稳的数据区间，其均为数据特征明显的数据区间。波动明显的数据区间的示意图如图3所示，波动明显的数据区间存在局部近似的数据，波动平稳的数据区间的示意图如图4所示，波动平稳的数据区间中相邻数据存在较大波动，但该数据区间的波动程度较为平稳。
当趋势结点的预设维度层不为第一维度层时，为了将连续分布数据量大且数据特征强的数据区间划分为数据量小且数据特征弱的数据区间，对趋势结点进行自适应分段，即根据趋势结点的预设维度层和数据序号，对趋势结点进行降维处理，获得该趋势结点对应的两个维度结点，两个维度结点分别为第一维度结点和第二维度结点。
其中，获得趋势结点对应的两个维度结点的内容可以包括：第一维度结点和第二 维度结点的预设维度层均为向上取整后的趋势结点的预设维度层的一半，第一维度结点的 数据序号为趋势结点的数据序号与预设维度层的一半相减后所得到的向上取整后的数值， 第二维度结点的数据序号为趋势结点的数据序号，数据序号为数据流中各个数据的序号。 对于趋势结点
Figure SMS_83
，该趋势结点对应的第一维度结点可以为
Figure SMS_85
，第二维度结点可以为
Figure SMS_88
。 其中，
Figure SMS_82
为对
Figure SMS_86
向上取整，
Figure SMS_89
为对
Figure SMS_91
向上取整。例如，趋势结点为
Figure SMS_84
，
Figure SMS_87
的上标为预设 维度层序号，下标为对应数据流的数据序号，则该趋势结点对应的第一维度结点为
Figure SMS_90
、第 二维度结点为
Figure SMS_92
。在确定维度结点的预设维度层时，取趋势结点的预设维度层的一半是为 了实现对维度层的降维处理，向上取整是为了尽量保留较多的数据信息，提高数据区间划 分的精准性。当然，在其它实施例中实施者可以根据具体实际情况，通过其他方法实现维度 层的降维处理，不做具体限定。
进一步判断第一维度结点和第二维度结点对应的预设维度层是否为第一维度层，若为第一维度层，则将该数据流流中第一维度结点对应的连续分布数据划分为第一数据区间，将该数据流中第二维度结点对应的连续分布数据划分为第一数据区间，若不为第一维度层，则根据第一维度结点对应的预设维度层和数据序号，确定第三维度结点和第四维度结点，并根据第二维度结点对应的预设维度层和数据序号，确定第五维度结点和第六维度结点；不断重复上述划分第一数据区间的确定步骤，直至维度结点对应的预设维度层为第一维度层或划分迭代次数达到预设次数。至此，获得了每个数据流对应的各个第一数据区间。
需要说明的是，第一维度结点对应第三维度结点和第四维度结点、第二维度结点对应第五维度结点和第六维度结点的确定过程与趋势结点对应的两个维度结点的确定过程一致，此处不再进行详细阐述其确定过程。划分迭代次数可以设置为3，实施者可以根据具体实际情况自行设置。
第三步，对于数据流中不属于第一数据区间的连续分布数据，将其划分为第二数据区间，获得该数据流对应的各数据区间。
至此，本实施例获得了每个数据流对应的各数据区间，这里的数据区间可以为第一数据区间或第二数据区间。
S5，对各数据区间进行移位置乱处理，并记录置乱前后的各数据区间的位置，获得每个数据流对应的空间置乱数据和置乱密钥。
在本实施例中，数据区间可以表征具有同一特征趋势的数据流分段，为了改变目标数据的分布特征，对每个数据流对应的各数据区间进行随机移位，实现数据区间置乱，获得空间置乱数据。为了便于后续实现数据解密，需要记录每个数据流对应的置乱前后的各数据区间的位置，将置乱前后的各数据区间的位置作为置乱密钥，获得每个数据流对应的置乱密钥。需要说明的是，为了实现无损加密，数据区间置乱只在其所属数据流范围内，不能跨数据流移位。
至此，通过对每个数据流对应的多个多维差的分析，提取到目标数据集合中存在近似趋势的数据区间，对数据区间进行移位操作，将移位操作后的数据流确定为该数据流的空间置乱数据。
S6，根据各个预设维度层中的各多维差，确定每个数据流对应的混沌加密模型的初值密钥和参数密钥，通过初值密钥和参数密钥获得混沌序列。
需要说明的是，步骤S5通过对国土资源目标数据集合中每个数据流的数据分布趋势的分析，将数据流分段为多个数据区间，对数据区间进行移位、置乱，获得每个数据流对应的空间置乱数据，但空间置乱数据仅改变数据的分布特征，并没有改变数据的统计特征。因此，为了提高目标数据的加密安全性，需要基于每个数据流的数据分布特征，利用混沌加密算法，对空间置乱数据进行加密处理。Logistics混沌加密通过生成混沌序列对原数据做异或运算，得到加密密文，确定混沌序列的步骤包括：
第一步，计算每个数据流对应的最大多维差和最小多维差的差值，将最大多维差和最小多维差的差值与对应数据流对应的第二多维差均值的比值确定为对应数据流对应的初值密钥。
在本实施例中，每个数据流对应的初值密钥的计算公式可以为：
Figure SMS_93
其中，
Figure SMS_94
为国土资源目标数据集合中第b个数据流对应的初值密钥，
Figure SMS_95
的取值 区间为(0，1)，
Figure SMS_96
为国土资源目标数据集合中第b个数据流对应的第二多维差均值，
Figure SMS_97
为 国土资源目标数据集合中第b个数据流对应的最大多维差，
Figure SMS_98
为国土资源目标数据集合 中第b个数据流对应的最小多维差。
第二步，根据每个数据流对应的多维差方差的均值、最大多维差方差和最小多维差方差，结合混沌加密算法对应的参数密钥计算模型，获得每个数据流对应的参数密钥。
在本实施例中，每个数据流对应的参数密钥的计算公式可以为：
Figure SMS_99
其中，
Figure SMS_100
为国土资源目标数据集合中第b个数据流对应的参数密钥，参数密钥的取 值区间可以为[3.57，4]，
Figure SMS_101
为国土资源目标数据集合中第b个数据流对应的最大多维差 方差，
Figure SMS_102
为国土资源目标数据集合中第b个数据流对应的最小多维差方差，
Figure SMS_103
为国土资源 目标数据集合中第b个数据流对应的第k个预设维度层的多维差方差，K为国土资源目标数 据集合中第b个数据流对应的预设维度层的层数。
至此，本实施例参考第b个数据流对应的初值密钥和参数密钥的计算过程，可以得到每个数据流对应的初值密钥和参数密钥。基于多维差获得初值密钥和参数密钥的准确度更高，初值密钥和参数密钥的计算过程为现有技术，不在本发明保护范围内，详细内容不再进行阐述。
第三步，根据每个数据流对应的初值密钥和参数密钥，获得每个数据流对应的混沌序列。
在本实施例中，混沌序列的计算公式如下：
Figure SMS_104
其中，
Figure SMS_105
为第n+1个数据，
Figure SMS_106
为参数密钥，
Figure SMS_107
为初值密钥。
需要说明的是，根据初值密钥和参数密钥获得混沌序列的过程为现有技术，不在本发明保护范围内，此处不再进行详细阐述。
至此，本实施例获得了国土资源目标数据集合中每个数据流对应的混沌序列。
S7，利用混沌序列，对每个数据流对应的空间置乱数据进行加密处理，获得每个数据流的加密密文。
将每个数据流对应的混沌序列映射到数据空间中，获得映射后的混沌序列，每个数据流对应的映射后的混沌序列与对应数据流的空间置乱数据进行异或操作，将异或操作后的空间置乱数据确定为对应数据流的加密密文。
首先，获得映射后的混沌序列。
在本实施例中的混沌序列的取值范围为0到1，为了便于后续利用混沌序列进行加密处理，将混沌序列映射到数据空间中，其计算公式可以为：
Figure SMS_108
其中，
Figure SMS_109
为国土资源目标数据集合中第b个数据流对应的映射后的混沌序列，
Figure SMS_110
为对
Figure SMS_111
向下取整，
Figure SMS_112
为对序列值
Figure SMS_113
取模 128，使映射后的混沌序列中的各个数据分布到0-127之间。
然后，获得每个数据流的加密密文。
在本实施例中，使用映射后的混沌序列
Figure SMS_114
对空间置乱数据
Figure SMS_115
进行加密，其计算公 式可以为：
Figure SMS_116
其中，
Figure SMS_117
为国土资源目标数据集合中第b个数据流的加密密文，
Figure SMS_118
为国土资源 目标数据集合中第b个数据流对应的空间置乱数据，
Figure SMS_119
为国土资源目标数据集合中第b个 数据流对应的映射后的混沌序列，
Figure SMS_120
为异或运算。
至此，每个数据流通过分析趋势变化，对数据量大且趋势变化强的连续分布数据进行分段移位操作，以弱化数据趋势，进而使用混沌加密算法对空间置乱数据进行加密处理，获得每个数据流对应的加密密文。
S8，对于每个数据流的加密密文和加密密钥集合，进行分开存储。
在得到国土资源目标数据集合中每个数据流的加密密文后，对加密密文进行存储。为了提高数据加密的安全性，将每个数据流的加密密文和加密密钥集合分开存储，即加密密文和加密密钥集合分别单独进行存储，防止攻击者在获取加密密文的同时，也获得加密密钥，利用加密密钥对加密密文进行解密，导致国土资源的规划数据丢失。这里的加密密钥集合包括：置乱密钥、初值密钥和参数密钥，每个数据流均会有其对应的加密密钥集合。
需要说明的是，空间置乱数据通过混沌序列进行的异或操作具有自反性，使用混沌序列再次对加密密文进行异或运算，可以获得空间置乱数据，具体解密步骤包括：
首先，使用初始密钥和参数密钥生成混沌序列，并将混沌序列映射到数据空间中，得到映射后的混沌序列。然后，使用映射后的混沌序列对加密密文进行异或操作，得到空间置乱数据。最后，使用置乱密钥对空间置乱数据进行移位还原，得到原始数据流。
至此，本实施例实现了国土资源规划数据的安全存储。
本发明提供了一种用于国土资源规划的数据存储方法，其在进行数据加密和数据解密时，并没有对数据本身的数值大小造成改变，故该数据加密方法属于无损加密算法。具体为，通过对采集的国土资源目标数据进行数据处理和分析，根据连续分布数据的趋势变化程度，确定多维差，利用多维差实现数据区间的准确划分，进而对数据区间进行移位、置乱，获得空间置乱数据。利用获取的混沌序列，对空间置乱数据进行加密处理，获得加密密文和加密密钥，对加密密文和加密密钥分别进行存储，以提高国土资源规划数据加密的安全性，实现更严谨的国土资源规划数据存储。
以上所述实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围，均应包含在本发明的保护范围之内。

Claims (9)

1.一种用于国土资源规划的数据存储方法，其特征在于，包括以下步骤：
获取待存储的国土资源目标数据集合，所述国土资源目标数据集合中至少包含两个数据流；
根据每个数据流中的各个数据，计算每个数据流对应的各个预设维度层中的各多维差；
根据每个数据流对应的各个预设维度层中的各多维差，确定各多维差的特征强度；
利用各多维差的特征强度，对数据流进行数据分段处理，获得每个数据流对应的各数据区间；
对所述各数据区间进行移位置乱处理，并记录置乱前后的各数据区间的位置，获得每个数据流对应的空间置乱数据和置乱密钥；
根据各个预设维度层中的各多维差，确定每个数据流对应的混沌加密模型的初值密钥和参数密钥，通过初值密钥和参数密钥获得混沌序列；
利用所述混沌序列，对每个数据流对应的空间置乱数据进行加密处理，获得每个数据流的加密密文；
对于每个数据流的加密密文和加密密钥集合，进行分开存储，所述加密密钥集合包括置乱密钥、初值密钥和参数密钥。
2.根据权利要求1所述的一种用于国土资源规划的数据存储方法，其特征在于，根据每个数据流中的各个数据，计算每个数据流对应的各个预设维度层中的各多维差，包括：
根据预设维度层构建维度模型，所述维度模型中初始预设维度层中的数据为对应所述数据流中的数据，每个预设维度层中每个目标数据与其前一个数据的差值构成对应下个预设维度层中的多维差；
根据维度模型，获得每个数据流对应的各个预设维度层中的各多维差。
3.根据权利要求1所述的一种用于国土资源规划的数据存储方法，其特征在于，根据每个数据流对应的各个预设维度层中的各多维差，确定各多维差的特征强度，包括：
计算每个数据流对应的各个预设维度层对应的多维差均值和每个数据流对应的多维差均值，将各个预设维度层对应的多维差均值确定为第一多维差均值，将每个数据流对应的多维差均值确定为第二多维差均值，并计算每个数据流对应的各个预设维度层的多维差方差；
对于任意一个多维差，当该多维差等于预设数值时，该多维差的初始特征程度值为数值1，当该多维差不等于预设数值时，根据该多维差、该多维差所属预设维度层对应的第一多维差均值和最大多维差，计算该多维差的初始特征程度值，进而获得各多维差的初始特征程度值；
利用各多维差所属数据流对应的第二多维差均值、各多维差所属预设维度层对应的多维差方差和第一多维差均值，对各多维差的初始特征程度值进行修正处理，获得修正处理后的初始特征程度值，将修正处理后的初始特征程度值确定为对应多维差的特征强度。
4.根据权利要求3所述的一种用于国土资源规划的数据存储方法，其特征在于，根据该多维差、该多维差所属预设维度层对应的第一多维差均值和最大多维差，计算该多维差的初始特征程度值，包括：
计算该多维差所属预设维度层对应的最大多维差与该多维差的比值，将该比值确定为该多维差的第一特征程度；计算该多维差所属预设维度层对应的第一多维差均值与该多维差的差值，将该差值确定为该多维差的第二特征程度；
计算该多维差的第一特征程度和第二特征程度的乘积，对第一特征程度和第二特征程度的乘积进行归一化，将乘积的归一化结果确定为该多维差的初始特征程度值。
5.根据权利要求3所述的一种用于国土资源规划的数据存储方法，其特征在于，利用各多维差所属数据流对应的第二多维差均值、各多维差所属预设维度层对应的多维差方差和第一多维差均值，对各多维差的初始特征程度值进行修正处理，获得修正处理后的初始特征程度值，包括：
对于任意一个多维差，当该多维差所属预设维度层对应的多维差方差等于预设数值时，计算该多维差所属数据流对应的第二多维差均值与该多维差所属预设维度层对应的第一多维差均值的差值绝对值，对差值绝对值进行反比例的归一化处理，将反比例的归一化处理后的差值绝对值确定为该多维差的第一修正系数，进而计算该多维差的第一修正系数与初始特征程度值的乘积，将乘积确定为该多维差对应的修正处理后的初始特征程度值；
当该多维差所属预设维度层对应的多维差方差不等于预设数值时，计算该多维差所属数据流对应的多维差方差的均值与所属预设维度层对应的多维差方差的比值，将比值确定为该多维差的第二修正系数，计算该多维差的第一修正系数、第二修正系数与初始特征程度值的乘积，将乘积确定为该多维差对应的修正处理后的初始特征程度值，进而获得各多维差对应的修正处理后的初始特征程度值。
6.根据权利要求2所述的一种用于国土资源规划的数据存储方法，其特征在于，利用各多维差的特征强度，对数据流中的各个数据进行数据分段处理，获得每个数据流对应的各数据区间，包括：
对于任意一个数据流，判断该数据流对应的各个预设维度层中的各多维差的特征强度中是否存在大于特征强度阈值的多维差，若不存在，则判定该数据流不需要进行数据分段处理，若存在，则选取最大特征强度对应的多维差确定为趋势结点；
判断趋势结点的预设维度层否为第一维度层，当趋势结点的预设维度层为第一维度层时，将该数据流中趋势结点对应的连续分布数据划分为第一数据区间，当趋势结点的预设维度层不为第一维度层，根据趋势结点的预设维度层和数据序号，确定第一维度结点和第二维度结点；不断重复上述划分第一数据区间的步骤，直至维度结点对应的预设维度层为第一维度层或划分迭代次数达到预设次数；
对于该数据流中不属于所述第一数据区间的连续分布数据，将其划分为第二数据区间，获得该数据流对应的各数据区间，从而获得每个数据流对应的各数据区间，所述数据区间为第一数据区间或第二数据区间。
7.根据权利要求6所述的一种用于国土资源规划的数据存储方法，其特征在于，第一维度结点和第二维度结点的预设维度层均为向上取整后的趋势结点的预设维度层的一半，第一维度结点的数据序号为趋势结点的数据序号与所述预设维度层的一半相减后所得到的向上取整后的数值，第二维度结点的数据序号为趋势结点的数据序号，数据序号为数据流中各个数据的序号。
8.根据权利要求1所述的一种用于国土资源规划的数据存储方法，其特征在于，根据各个预设维度层中的各多维差，确定每个数据流对应的混沌加密模型的初值密钥和参数密钥，包括：
计算每个数据流对应的最大多维差和最小多维差的差值，将最大多维差和最小多维差的差值与对应数据流对应的第二多维差均值的比值确定为对应数据流对应的初值密钥；
根据每个数据流对应的多维差方差的均值、最大多维差方差和最小多维差方差，结合混沌加密算法对应的参数密钥计算模型，获得每个数据流对应的参数密钥。
9.根据权利要求1所述的一种用于国土资源规划的数据存储方法，其特征在于，利用所述混沌序列，对每个数据流对应的空间置乱数据进行加密处理，获得每个数据流的加密密文，包括：
将每个数据流对应的混沌序列映射到数据空间中，获得映射后的混沌序列，每个数据流对应的映射后的混沌序列与对应数据流的空间置乱数据进行异或操作，将异或操作后的空间置乱数据确定为对应数据流的加密密文。
CN202310518006.7A 2023-05-10 2023-05-10 一种用于国土资源规划的数据存储方法 Active CN116226471B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310518006.7A CN116226471B (zh) 2023-05-10 2023-05-10 一种用于国土资源规划的数据存储方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310518006.7A CN116226471B (zh) 2023-05-10 2023-05-10 一种用于国土资源规划的数据存储方法

Publications (2)

Publication Number Publication Date
CN116226471A true CN116226471A (zh) 2023-06-06
CN116226471B CN116226471B (zh) 2023-07-25

Family

ID=86573561

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310518006.7A Active CN116226471B (zh) 2023-05-10 2023-05-10 一种用于国土资源规划的数据存储方法

Country Status (1)

Country Link
CN (1) CN116226471B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116611097A (zh) * 2023-07-17 2023-08-18 山东金田测绘地理信息有限公司 基于行政数据的土地资源管理方法、装置及电子设备
CN116644457A (zh) * 2023-07-21 2023-08-25 中珀(北京)新材料科技有限公司 一种内微凝胶氟硅自交联涂料的生产数据加密方法
CN117077182A (zh) * 2023-10-16 2023-11-17 南通百视智能科技有限公司 用于电子商务管理系统数据的安全存储方法
CN117614731A (zh) * 2023-12-11 2024-02-27 杭州广安汽车电器有限公司 基于云计算平台的车辆空调数据安全传输方法

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2007117423A2 (en) * 2006-03-31 2007-10-18 Cira Discovery Sciences, Inc. Method and apparatus for representing multidimensional data
WO2019005891A1 (en) * 2017-06-29 2019-01-03 Microsoft Technology Licensing, Llc HIGH RATE NUMBER OF ARITHMETIC ACCURACY IN THE HOMOMORPHIC ENCRYPTION
CN110677694A (zh) * 2019-10-15 2020-01-10 华南理工大学 一种用于抵抗轮廓攻击的视频加密方法
CN112800444A (zh) * 2021-01-19 2021-05-14 桂林电子科技大学 基于二维混沌映射的彩色图像加密方法
CN114168993A (zh) * 2022-02-15 2022-03-11 佛山市达衍数据科技有限公司 企业数据处理方法、系统、计算机装置及存储介质
US20220121758A1 (en) * 2020-10-16 2022-04-21 Qilu University Of Technology Image encryption and decryption communication algorithm based on two-dimensional lag complex logistic map
CN115314600A (zh) * 2022-10-12 2022-11-08 山东沃尔美肥业有限公司 一种化肥生产监控数据管理方法
CN115378742A (zh) * 2022-10-25 2022-11-22 北京创新乐知网络技术有限公司 一种基于云计算的数据处理方法及装置
CN115378574A (zh) * 2022-08-09 2022-11-22 徐州恒佳电子科技有限公司 一种轻量级动态图像数据加密方法及系统
CN115834023A (zh) * 2023-02-21 2023-03-21 山东水发紫光大数据有限责任公司 一种基于大数据的数据加密方法

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2007117423A2 (en) * 2006-03-31 2007-10-18 Cira Discovery Sciences, Inc. Method and apparatus for representing multidimensional data
WO2019005891A1 (en) * 2017-06-29 2019-01-03 Microsoft Technology Licensing, Llc HIGH RATE NUMBER OF ARITHMETIC ACCURACY IN THE HOMOMORPHIC ENCRYPTION
CN110677694A (zh) * 2019-10-15 2020-01-10 华南理工大学 一种用于抵抗轮廓攻击的视频加密方法
US20220121758A1 (en) * 2020-10-16 2022-04-21 Qilu University Of Technology Image encryption and decryption communication algorithm based on two-dimensional lag complex logistic map
CN112800444A (zh) * 2021-01-19 2021-05-14 桂林电子科技大学 基于二维混沌映射的彩色图像加密方法
CN114168993A (zh) * 2022-02-15 2022-03-11 佛山市达衍数据科技有限公司 企业数据处理方法、系统、计算机装置及存储介质
CN115378574A (zh) * 2022-08-09 2022-11-22 徐州恒佳电子科技有限公司 一种轻量级动态图像数据加密方法及系统
CN115314600A (zh) * 2022-10-12 2022-11-08 山东沃尔美肥业有限公司 一种化肥生产监控数据管理方法
CN115378742A (zh) * 2022-10-25 2022-11-22 北京创新乐知网络技术有限公司 一种基于云计算的数据处理方法及装置
CN115834023A (zh) * 2023-02-21 2023-03-21 山东水发紫光大数据有限责任公司 一种基于大数据的数据加密方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
YALIN MIAO 等: "Information Encryption Algorithm Based on Aes and Hyperchaotic System", ACM, pages 1 - 6 *
刘冰;: "基于改进Logistic映射的二值序列置乱加密算法", 西华师范大学学报(自然科学版), no. 03, pages 340 - 346 *
朱文英;: "国土资源信息化建设中安全技术的分析", 国土资源信息化, no. 04, pages 33 - 37 *

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116611097A (zh) * 2023-07-17 2023-08-18 山东金田测绘地理信息有限公司 基于行政数据的土地资源管理方法、装置及电子设备
CN116611097B (zh) * 2023-07-17 2023-09-19 山东金田测绘地理信息有限公司 基于行政数据的土地资源管理方法、装置及电子设备
CN116644457A (zh) * 2023-07-21 2023-08-25 中珀(北京)新材料科技有限公司 一种内微凝胶氟硅自交联涂料的生产数据加密方法
CN116644457B (zh) * 2023-07-21 2023-09-29 中珀(北京)新材料科技有限公司 一种内微凝胶氟硅自交联涂料的生产数据加密方法
CN117077182A (zh) * 2023-10-16 2023-11-17 南通百视智能科技有限公司 用于电子商务管理系统数据的安全存储方法
CN117077182B (zh) * 2023-10-16 2024-02-02 南通百视智能科技有限公司 用于电子商务管理系统数据的安全存储方法
CN117614731A (zh) * 2023-12-11 2024-02-27 杭州广安汽车电器有限公司 基于云计算平台的车辆空调数据安全传输方法
CN117614731B (zh) * 2023-12-11 2024-06-04 杭州广安汽车电器有限公司 基于云计算平台的车辆空调数据安全传输方法

Also Published As

Publication number Publication date
CN116226471B (zh) 2023-07-25

Similar Documents

Publication Publication Date Title
CN116226471B (zh) 一种用于国土资源规划的数据存储方法
Alawida et al. An image encryption scheme based on hybridizing digital chaos and finite state machine
Chai et al. An image encryption scheme based on multi-objective optimization and block compressed sensing
WO2023040365A1 (zh) 基于多尺度压缩感知和马尔科夫模型的图像加密方法
CN115242475B (zh) 一种大数据安全传输方法及系统
Wang et al. An image encryption scheme based on chaotic system and compressed sensing for multiple application scenarios
CN104008174A (zh) 一种海量图像检索的隐私保护索引生成方法
Peng et al. A robust coverless steganography based on generative adversarial networks and gradient descent approximation
Merhav et al. Optimal watermark embedding and detection strategies under limited detection resources
CN106952212B (zh) 一种基于向量同态加密的hog图像特征提取算法
Zhang et al. Image encryption algorithm based on image hashing, improved chaotic mapping and DNA coding
CN116071164B (zh) 一种基于区块链管理的数字资产溯源方法
CN107633175A (zh) 一种基于混沌的快速彩色图像加密方法
CN111130748A (zh) 一种量子混沌的并行图像加密方法
CN116663069A (zh) 基于数据编码的数据库安全加密方法及系统
Su et al. Visualized multiple image selection encryption based on log chaos system and multilayer cellular automata saliency detection
Singh et al. An efficient chaos-based image encryption algorithm using real-time object detection for smart city applications
CN114118267B (zh) 基于半监督生成对抗网络的文物感知数据缺失值插补方法
Tang et al. Robust image hashing via visual attention model and ring partition
Kong et al. An information security method based on optimized high-fidelity reversible data hiding
CN117195274B (zh) 一种版式文件防伪方法与系统
CN114820268A (zh) 一种基于离散超混沌系统和具有扩散性的动态dna编码的图像处理方法
Yang et al. Medical image encryption based on josephus traversing and hyperchaotic lorenz system
Liu et al. Machine learning-based similarity attacks for chaos-based cryptosystems
Halboos et al. Improve steganography system using agents software based on statistical and classification technique

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