CN116308813B - 一种异业联合金融权益安全管理系统 - Google Patents
一种异业联合金融权益安全管理系统 Download PDFInfo
- Publication number
- CN116308813B CN116308813B CN202310554841.6A CN202310554841A CN116308813B CN 116308813 B CN116308813 B CN 116308813B CN 202310554841 A CN202310554841 A CN 202310554841A CN 116308813 B CN116308813 B CN 116308813B
- Authority
- CN
- China
- Prior art keywords
- feature
- vector
- value
- target
- obtaining
- 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
Classifications
-
- 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
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/06—Asset management; Financial planning or analysis
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
- G06F21/60—Protecting data
- G06F21/62—Protecting access to data via a platform, e.g. using keys or access control rules
- G06F21/6218—Protecting access to data via a platform, e.g. using keys or access control rules to a system of files or objects, e.g. local or distributed file system or database
- G06F21/6245—Protecting personal data, e.g. for financial or medical purposes
-
- 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
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/04—Trading; Exchange, e.g. stocks, commodities, derivatives or currency exchange
-
- 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)
- Theoretical Computer Science (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Development Economics (AREA)
- General Health & Medical Sciences (AREA)
- Bioethics (AREA)
- Health & Medical Sciences (AREA)
- Technology Law (AREA)
- Computer Hardware Design (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Economics (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Strategic Management (AREA)
- Computer Security & Cryptography (AREA)
- Game Theory and Decision Science (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Entrepreneurship & Innovation (AREA)
- Human Resources & Organizations (AREA)
- Operations Research (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及金融权益安全管理技术领域,具体涉及一种异业联合金融权益安全管理系统。该系统包括:数据采集模块:用于基于历史时间段内的交易数据获得第一图嵌入向量矩阵和第二图嵌入向量矩阵;初始密钥获取模块:用于获取第一图嵌入向量矩阵对应的各第一特征向量以及各第一特征向量对应的特征值,根据各第一特征向量与其他第一特征向量之间的相似度和特征值,得到对应的合适度,进而确定初始密钥;目标密钥获取模块:用于获取第二图嵌入向量矩阵对应的各第二特征向量,根据各第一特征向量与各第二特征向量之间的相似度、各第一特征向量对应的特征值和初始密钥,获得目标密钥。本发明降低了用户交易数据被泄露的风险。
Description
技术领域
本发明涉及金融权益安全管理技术领域,具体涉及一种异业联合金融权益安全管理系统。
背景技术
异业联合指的是金融机构与其他企业通过合作共同开展金融业务,如支付服务、贷款、保险、投资等,金融机构与其他企业在合作过程中会进行一定的交易,交易数据会伴随着交易的产生而产生,长此以往,交易数据的数据量较大,为了便于日后对历史交易数据的调取和分析,需要对历史交易过程中产生的交易数据进行存储,但是交易数据在存储过程中会存在被泄露的风险,因此往往采用加密技术对交易数据进行加密,但是现有的交易数据加密方法往往采用固定密钥,时间一长,就容易被破解,导致用户交易信息存在被泄露的风险。
发明内容
为了解决现有的数据加密方法存在的用户交易信息容易被泄露的问题,本发明的目的在于提供一种异业联合金融权益安全管理系统,所采用的技术方案具体如下:
本发明提供了一种异业联合金融权益安全管理系统,该系统包括:
数据采集模块:用于获取历史时间段内用户的交易数据,所述历史时间段包括目标子时间段;基于目标子时间段内的交易数据获得第一图嵌入向量矩阵,基于历史时间段内的交易数据获得第二图嵌入向量矩阵;
初始密钥获取模块:用于获取第一图嵌入向量矩阵对应的各第一特征向量以及各第一特征向量对应的特征值,根据各第一特征向量与其他第一特征向量之间的相似度和各第一特征向量对应的特征值,得到各第一特征向量对应的合适度;基于所述合适度确定初始密钥;
目标密钥获取模块:用于获取第二图嵌入向量矩阵对应的各第二特征向量,根据各第一特征向量与各第二特征向量之间的相似度,获得调整向量;根据各第一特征向量对应的特征值,得到满足度;根据所述满足度、所述初始密钥和所述调整向量,获得目标密钥。
优选的,所述根据各第一特征向量与其他第一特征向量之间的相似度和各第一特征向量对应的特征值,得到各第一特征向量对应的合适度,包括:
对于任一第一特征向量:
将该第一特征向量与其他各第一特征向量之间的相似度记为相似度指标,将相似度指标和对应的其他第一特征向量对应的特征值的乘积记为第一乘积;将所有第一乘积的和值记为第一指标;将该第一特征向量对应的特征值与所有第一特征向量对应的特征值的和值之间的比值,确定为第一占比;
根据所述第一指标和所述第一占比,得到该第一特征向量对应的合适度,所述第一指标和所述第一占比均与所述合适度呈负相关关系。
优选的,所述基于所述合适度确定初始密钥,包括:将最大合适度对应的第一特征向量作为初始密钥。
优选的,所述根据各第一特征向量与各第二特征向量之间的相似度,获得调整向量,包括:
将相似度最大的两个特征向量作为一个目标向量对,将目标向量对中的第二特征向量作为调整向量。
优选的,所述根据各第一特征向量对应的特征值,得到满足度,包括:
将各第一特征向量与其他所有第一特征向量之间的相似度的和值,确定为各第一特征向量对应的第一特征指标;将所有第一特征向量对应的第一特征指标按照预设顺序排序,构建特征向量序列;将特征向量序列中各第一特征向量对应的特征值按照特征向量的顺序依次排列,获得第一特征值序列;将所有第一特征向量对应的特征值按照预设顺序排序,获得第二特征值序列;
将第一特征值序列中最小特征值对应的次序值与第二特征值序列中最小特征值对应的次序值的差值的绝对值,确定为目标次序差异;将第一特征值序列中元素的个数与常数1的差值作为最大次序差异;将所述目标次序差异与所述最大次序差异的比值记为第二占比;将预设数值与所述第二占比的差值确定为满足度。
优选的,所述根据所述满足度、所述初始密钥和所述调整向量,获得目标密钥,包括:
将初始密钥中的元素大于调整向量中对应位置的元素的位置数量记为第一数量;将所述满足度与初始密钥中元素的数量的乘积记为特征值,对特征值向下取整获得目标数量;
若所述第一数量大于所述目标数量,则分别计算初始密钥中的每个元素与调整向量中对应位置的元素的差值,将所述差值作为每个位置的差异,对所有位置的差异按照预设顺序进行排序获得差异序列,将所述差异序列中的目标数量个元素用初始密钥中对应位置的元素代替,其他位置的元素用调整向量中对应位置的元素代替,获得目标密钥;
若所述第一数量小于或等于所述目标数量,则分别将初始密钥中每个位置的元素和调整向量中对应位置的元素的最大值,确定为目标密钥对应位置的元素;基于目标密钥所有位置的元素获得目标密钥。
优选的,所述基于目标子时间段内的交易数据获得第一图嵌入向量矩阵,基于历史时间段内的交易数据获得第二图嵌入向量矩阵,包括:
根据目标子时间段内的交易数据,构建第一图结构;基于所述第一图结构获得第一图嵌入向量矩阵;
根据历史时间段内的交易数据,构建第二图结构;基于所述第二图结构获得第二图嵌入向量矩阵。
优选的,所述获取第一图嵌入向量矩阵对应的各第一特征向量以及各第一特征向量对应的特征值,包括:对所述第一图嵌入向量矩阵进行分解,获得各第一特征向量以及各第一特征向量对应的特征值。
本发明至少具有如下有益效果:
1、本发明首先在历史时间段中选取一个子时间段作为了目标子时间段,根据目标子时间段内用户的交易数据的数据特征确定了初始密钥,根据历史时间段内的交易数据的数据特征确定了调整向量,结合调整向量和初始密钥确定了目标密钥,由于初始密钥和调整向量都是随着时间的变化而不断变化,且调整向量中不仅包含了目标子时间段的交易信息,还包含了历史时间段的交易信息,因此最终获得的目标密钥是动态密钥,目标密钥随着时间的变化不断变化,极大地提高了交易数据的安全性,降低了用户交易数据被泄露的风险。
2、本发明在获取初始密钥时,首先基于目标子时间段内的交易数据获得了多个第一特征向量以及每个第一特征向量对应的特征值,考虑到交易数据之间存在一定的关联性,特征值越大的第一特征向量在历史时间段内的交易信息中出现的概率越大,当某个第一特征向量与其他所有第一特征向量之间的相似度越大时,说明该第一特征向量出现的概率越高,因此该第一特征向量越不适合作为初始密钥,基于此,本发明结合每个第一特征向量与其他所有第一特征向量之间的相似度和每个第一特征向量对应的特征值,得到了每个第一特征向量对应的合适度,进而确定了初始密钥,提高了交易数据加密的可靠性。
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为本发明实施例所提供的一种异业联合金融权益安全管理系统的系统框图;
图2为本发明实施例中第一图结构的示意图。
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一种异业联合金融权益安全管理系统进行详细说明如下。
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异业联合金融权益安全管理系统的具体方案。
一种异业联合金融权益安全管理系统实施例:
本实施例提出了一种异业联合金融权益安全管理系统,考虑到交易数据的时间特性,本实施例在历史时间段中选取一个子时间段,作为目标子时间段,根据目标子时间段内用户的交易数据的数据特征确定初始密钥,根据历史时间段内的交易数据的数据特征确定调整向量,结合调整向量和初始密钥确定目标密钥,由于初始密钥和调整向量都是在不断变化的,且调整向量中不仅包含了目标子时间段的交易信息,还包含了历史时间段的交易信息,因此最终获得的目标密钥是动态密钥,目标密钥随着时间的变化不断变化,极大地提高了交易数据的加密安全性。
本实施例提出了一种异业联合金融权益安全管理系统,如图1所示,本实施例的一种异业联合金融权益安全管理系统包括数据采集模块、初始密钥获取模块和目标密钥获取模块,接下来分别对各模块进行介绍。
Ⅰ.数据采集模块
本实施例的数据采集模块用于获取历史时间段内用户的交易数据,所述历史时间段包括目标子时间段;基于目标子时间段内的交易数据获得第一图嵌入向量矩阵,基于历史时间段内的交易数据获得第二图嵌入向量矩阵。
异业联合指的是金融机构与其他企业通过合作共同开展金融业务,如支付服务、贷款、保险、投资等,其中,其他企业如第三方支付、电子商务平台等。本实施例首先采集历史时间段内用户的交易数据,其中,历史时间段为与当前时刻的时间间隔大于或等于预设时间长度的历史时刻构成的集合,本实施例中的预设时间长度为半年,因此获取了近半年用户的交易数据,在具体应用中,实施者可根据具体情况进行设置。考虑到历史时间段中最后一天与当前时刻的时间间隔最近,因此历史时间段中最后一天用户的交易数据与当前时刻用户的交易情况的关联程度较大,本实施例将历史时间段中最后一天作为目标子时间段,在具体应用中,实施者可根据具体情况在历史时间段中选取目标子时间段,并根据具体情况设置目标子时间段的时长。至此,本实施例获取到了历史时间段内用户的交易数据和目标子时间段内用户的交易数据。
为了得到一个动态的密钥,考虑到用户的交易数据在不断更新,每天用户的交易数据不同,本实施例将对历史时间段的交易数据进行信息获得目标密钥。交易数据是企业与用户之间通过交易产生的交易数据,通常用图结构表示,因此首先通过图嵌入的方法对目标子时间段内的交易数据进行信息提取,使得每个节点在表示自身信息的同时,也可以表示整体信息,提高每个节点向量的特征表示能力。
具体的,根据目标子时间段内的交易数据,构建第一图结构,该图结构为企业图结构,企业是指与该金融机构合作的企业,如图2所示,该图为第一图结构的示意图,图中的o、a、b、c分别表示不同的企业,节点之间的边权值的具体获取方法为:首先计算得到目标子时间段内的交易记录中每个企业的交易用户,然后计算两个节点的交易用户的交集与并集的比值作为边权值,边权值表示两个企业的交易相关性,如果大部分用户在与一个企业存在交易行为的同时也与另一个企业存在交易行为,则这两个企业的交易相关性较大。通过图神经网络算法(即GraphSAGE)对第一图结构进行处理,得到第一图结构中每个节点的嵌入向量,该嵌入向量表示节点的特征信息和其邻居节点的特征信息。将第一图结构中所有节点的嵌入向量作为矩阵的行数据,获得一个矩阵,将该矩阵记为第一图嵌入向量矩阵,第一图嵌入向量矩阵表示目标子时间段内用户的交易行为之间的相关性信息,由于每天的交易数据在不断更新,每个用户的交易企业也会变化,因此每天的交易数据对应的图嵌入向量矩阵不同。同理,根据历史时间段内的交易数据,构建第二图结构,并基于第二图结构获得一个矩阵,将此时获得的矩阵记为第二图嵌入向量矩阵。图结构的构建方法为现有技术,此处不再过多赘述。
至此,获得了第一图嵌入向量矩阵和第二图嵌入向量矩阵。
Ⅱ.初始密钥获取模块
本实施例的初始密钥获取模块用于获取第一图嵌入向量矩阵对应的各第一特征向量以及各第一特征向量对应的特征值,根据各第一特征向量与其他第一特征向量之间的相似度和各第一特征向量对应的特征值,得到各第一特征向量对应的合适度;基于所述合适度确定初始密钥。
虽然每天的交易数据对应的图嵌入向量矩阵不同,但不同天的图嵌入向量矩阵可能相近,为了增大不同天的差异,通过对目标子时间段对应的图嵌入向量矩阵进行分解,得到特征向量,从中选取与其它特征向量差异较大,基于特征向量的特征值确定初始密钥,降低不同天初始密钥的相似性。
具体的,对第一图嵌入向量矩阵进行SVD分解,获得多个第一特征向量以及每个第一特征向量对应的特征值,SVD分解为现有技术,此处不再过多赘述。由于交易数据之间存在一定的关联性,特征值越大的第一特征向量在历史时间段内的交易信息中出现的概率越大,因此第j个第一特征向量与其它第一特征向量的相似度越小,第j个特征向量的重复概率越小。某个第一特征向量与其他所有第一特征向量之间的相似度越大,说明该第一特征向量出现的概率越高,因此该第一特征向量越不适合作为密钥。基于此,本实施例将结合每个第一特征向量与其他所有第一特征向量之间的相似度和每个第一特征向量对应的特征值,来选取适合作为密钥的第一特征向量。
对于第j个第一特征向量:将该第一特征向量与其他各第一特征向量之间的相似度记为相似度指标,将相似度指标和对应的其他第一特征向量对应的特征值的乘积记为第一乘积;将所有第一乘积的和值记为第一指标;将该第一特征向量对应的特征值与所有第一特征向量对应的特征值的和值之间的比值,确定为第一占比;根据所述第一指标和所述第一占比,得到该第一特征向量对应的合适度,所述第一指标和所述第一占比均与所述合适度呈负相关关系。其中,负相关关系表示因变量会随着自变量的增大而减小,因变量会随着自变量的减小而增大,可以为相减关系、相除关系等,由实际应用进行确定。作为一个具体实施方式,给出合适度的具体计算公式,第j个第一特征向量对应的合适度的计算公式为:
;
其中,为第j个第一特征向量对应的合适度,为第一特征向量的数量,为
除第j个第一特征向量外的其他第i个第一特征向量,为第j个第一特征向量,为第j个第一特征向量与除第j个第一特征向量外的其他第i个第一特征向量
之间的相似度,为第j个第一特征向量对应的特征值,为第k个第一特征向量对应的
特征值,为除第j个第一特征向量外的其他第i个第一特征向量对应的特征值,为自然
常数。
本实施例中两个特征向量之间的相似度选用的是余弦相似度,两个特征向量之间的余弦相似度的计算过程为现有技术,此处不再过多赘述。表示相似度指标,也即第j个第一特征向量与除第j个第一特征向量外的其他第i个第一特征向量之间的余弦相似度;/>表示第一指标,也即所有第一乘积的和值;表示第一占比,也即第j个第一特征向量对应的特征值在所有特征值的和值中的占比值,该占比值越小,说明第j个第一特征向量能够反映越少的嵌入向量矩阵的信息,第j个第一特征向量的重复概率越小。当第j个第一特征向量与其他所有第一特征向量之间的相似度越小、且第j个第一特征向量对应的特征值越小,说明第j个第一特征向量与其它第一特征向量的差异越大,第j个第一特征向量越适合作为密钥,即第j个第一特征向量对应的合适度越大。
采用上述方法,能够获得每个第一特征向量对应的合适度,合适度越大,说明对应第一特征向量作为初始密钥时,初始密钥的重复概率越小,交易数据的安全性越高,因此,本实施例将最大合适度对应的第一特征向量作为初始密钥。
Ⅲ.目标密钥获取模块
本实施例的目标密钥获取模块用于获取第二图嵌入向量矩阵对应的各第二特征向量,根据各第一特征向量与各第二特征向量之间的相似度,获得调整向量;根据各第一特征向量对应的特征值,得到满足度;根据所述满足度、所述初始密钥和所述调整向量,获得目标密钥。
不同时间段的交易数据对应的图嵌入向量矩阵可能相近,攻击者一旦获得了目标子时间段的交易数据,历史时间段中的其他交易数据就存在较大被泄露的风险,为了提高交易数据存储的安全性,本实施例将通过历史时间段的交易数据与目标子时间段的交易数据的差异生成调整向量,根据调整向量对初始密钥进行调整,使得用户在不知道历史时间段的交易数据的前提下,无法获得调整向量,而历史时间段的交易数据的数据量较大,完全被破解的概率极小,进一步降低了密钥重复性,提高了调整后密钥的安全性。
具体的,对第二图嵌入向量矩阵进行奇异值分解(即SVD分解),获得多个特征向量以及每个特征向量对应的特征值,将此时获得的每个特征向量记为第二特征向量,也即获得了多个第二特征向量以及每个第二特征向量对应的特征值。计算每个第一特征向量与每个第二特征向量之间的相似度,需要说明的是,此处的相似度仍为余弦相似度,两个向量之间的余弦相似度越大,说明这两个向量越相似。将相似度最大的两个特征向量作为一个目标向量对,将目标向量对中的第二特征向量作为调整向量。
将调整向量与初始密钥进行比较,将相同次序位置的最大值作为调整后的密钥对应位置元素值,但可能出现较为极端的情况,初始密钥中元素值均是最大值,就起不到调整效果。需要说明的是:调整向量中元素的数量与初始密钥中元素的数量相等。考虑到对于初始密钥而言,是通过特征向量之间的相似度和特征值较小性确定的,理想情况下就是特征值最小的,也是特征向量相似度最小的,但不一定能满足理想情况,因此本实施例将通过计算满足度来确定初始密钥的本身数据的保留性的上限值,进而进一步提高调整后密钥的安全性。
具体的,将各第一特征向量与其他所有第一特征向量之间的相似度的和值,确定为各第一特征向量对应的第一特征指标;将所有第一特征向量对应的第一特征指标按照预设顺序排序,构建特征向量序列,特征向量序列中的元素为第一特征向量;本实施例中的预设顺序为从大到小的顺序,也即按照第一特征指标从大到小的顺序将所有第一特征向量进行排序,将所有第一特征向量构成的序列作为了特征向量序列。将特征向量序列中各第一特征向量对应的特征值按照特征向量的顺序依次排列,获得第一特征值序列,也即根据特征向量序列中每个第一特征向量对应的特征值,得到了对应的第一特征值序列;需要说明的是:第一特征值序列中第一个元素为特征向量序列中第一个第一特征向量对应的特征值,第一特征值序列中第二个元素为特征向量序列中第二个第一特征向量对应的特征值,以此类推,第一特征值序列中最后一个元素为特征向量序列中最后一个第一特征向量对应的特征值。将所有第一特征向量对应的特征值按照预设顺序排序,获得第二特征值序列,也即将所有第一特征向量对应的特征值按照从大到小的顺序进行排序,将此时获得的特征值序列记为了第二特征值序列。将第一特征值序列中最小特征值对应的次序值与第二特征值序列中最小特征值对应的次序值的差值的绝对值,确定为目标次序差异。将第一特征值序列中元素的个数与常数1的差值作为最大次序差异;将所述目标次序差异与所述最大次序差异的比值记为第二占比;将预设数值与所述第二占比的差值确定为满足度。本实施例的预设数值为1,在具体应用中,实施者可根据具体情况进行设置。满足度的具体计算公式为:
;
其中,r为满足度;w为目标次序差异,也即第一特征值序列中最小特征值对应的次序值与第二特征值序列中最小特征值对应的次序值的差值的绝对值;为第一特征值序列中元素的个数;/>为最大次序差异。
采用上述方法,获得了满足度,接下来分别比较初始密钥中的每个元素与调整向量中对应位置的元素的大小,将初始密钥中的元素大于调整向量中对应位置的元素的位置数量记为第一数量;将所述满足度与初始密钥中元素的数量的乘积记为特征值,对特征值向下取整,将向下取整后获得的数值作为目标数量;若所述第一数量大于所述目标数量,则分别计算初始密钥中的每个元素与调整向量中对应位置的元素的差值,将所述差值作为每个位置的差异,对所有位置的差异按照预设顺序进行排序获得差异序列,本实施例的预设顺序为从大到小的顺序,也即将所有位置的差异按照从大到小的顺序进行排序,将此时获得的序列作为差异序列;将所述差异序列中前目标数量个元素用初始密钥中对应位置的元素代替,其他位置的元素用调整向量中对应位置的元素代替,获得目标密钥;例如:若第一数量为7,目标数量为5,初始密钥中元素数量为10,则将差异序列中前5个元素用初始密钥中对应位置的元素代替,将差异序列中后5个元素分别用调整向量中对应位置的元素代替,获得了一个新的向量,新的向量即为目标密钥。若所述第一数量小于或等于所述目标数量,则分别将初始密钥中每个位置的元素和调整向量中对应位置的元素的最大值,确定为目标密钥对应位置的元素;基于目标密钥所有位置的元素获得目标密钥;例如:第一数量为3,目标数量为5,初始密钥中元素数量为10,则分别获取初始密钥中每个位置的元素和调整向量中对应位置的元素的最大值,将每个位置对应的最大值组合到一起,获得了一个新的向量,新的向量即为目标密钥。
本实施例采用上述方法获得了目标密钥,目标密钥为一个向量,通过目标密钥对交易数据进行加密,采用异或加密的方法对交易数据进行加密,具体实现过程如下:
1.将目标密钥复制到和原始数据矩阵M相同大小的矩阵中;2.对矩阵/>进行随机置换,例如交换矩阵的行列、对角线、行列内部等,随机置换后的矩阵为/>;3.将矩阵M和矩阵/>进行矩阵乘法运算,得到矩阵/>;4.对矩阵C中的每个元素进行异或运算,异或运算的对象为目标密钥;5.将异或运算后的矩阵/>和矩阵/>存储在可信的存储设备上,并将矩阵/>的随机置换方式记录下来。
解密的过程与加密的过程相反,具体实现过程如下:
1.从可信的存储设备上获取加密后的矩阵和矩阵/>的随机置换方式;2.对矩阵中的每个元素进行异或运算,异或运算的对象为目标密钥;3.将异或运算后的矩阵/>和矩阵/>进行矩阵乘法运算,得到原始矩阵。
至此,本实施例提供的一种异业联合金融权益安全管理系统完成了对交易数据的加密,提高了交易数据的安全性,降低了用户交易数据被泄露的风险。
本实施例首先在历史时间段中选取一个子时间段作为了目标子时间段,根据目标子时间段内用户的交易数据的数据特征确定了初始密钥,根据历史时间段内的交易数据的数据特征确定了调整向量,结合调整向量和初始密钥确定了目标密钥,由于初始密钥和调整向量都是在不断变化的,且调整向量中不仅包含了目标子时间段的交易信息,还包含了历史时间段的交易信息,因此最终获得的目标密钥是动态密钥,目标密钥随着时间的变化不断变化,极大地提高了交易数据的安全性,降低了用户交易数据被泄露的风险。本实施例在获取初始密钥时,首先基于目标子时间段内的交易数据获得了多个第一特征向量以及每个第一特征向量对应的特征值,考虑到交易数据之间存在一定的关联性,特征值越大的第一特征向量在历史时间段内的交易信息中出现的概率越大,当某个第一特征向量与其他所有第一特征向量之间的相似度越大时,说明该第一特征向量出现的概率越高,因此该第一特征向量越不适合作为初始密钥,基于此,本实施例结合每个第一特征向量与其他所有第一特征向量之间的相似度和每个第一特征向量对应的特征值,得到了每个第一特征向量对应的合适度,进而确定了初始密钥,提高了交易数据加密的可靠性。
Claims (3)
1.一种异业联合金融权益安全管理系统,其特征在于,该系统包括:
数据采集模块:用于获取历史时间段内用户的交易数据,所述历史时间段包括目标子时间段;基于目标子时间段内的交易数据获得第一图嵌入向量矩阵,基于历史时间段内的交易数据获得第二图嵌入向量矩阵;
初始密钥获取模块:用于获取第一图嵌入向量矩阵对应的各第一特征向量以及各第一特征向量对应的特征值,根据各第一特征向量与其他第一特征向量之间的相似度和各第一特征向量对应的特征值,得到各第一特征向量对应的合适度;基于所述合适度确定初始密钥;
目标密钥获取模块:用于获取第二图嵌入向量矩阵对应的各第二特征向量,根据各第一特征向量与各第二特征向量之间的相似度,获得调整向量;根据各第一特征向量对应的特征值,得到满足度;根据所述满足度、所述初始密钥和所述调整向量,获得目标密钥;
所述根据各第一特征向量与其他第一特征向量之间的相似度和各第一特征向量对应的特征值,得到各第一特征向量对应的合适度,包括:
对于任一第一特征向量:
将该第一特征向量与其他各第一特征向量之间的相似度记为相似度指标,将相似度指标和对应的其他第一特征向量对应的特征值的乘积记为第一乘积;将所有第一乘积的和值记为第一指标;将该第一特征向量对应的特征值与所有第一特征向量对应的特征值的和值之间的比值,确定为第一占比;
根据所述第一指标和所述第一占比,得到该第一特征向量对应的合适度,所述第一指标和所述第一占比均与所述合适度呈负相关关系;
所述基于所述合适度确定初始密钥,包括:将最大合适度对应的第一特征向量作为初始密钥;
所述根据各第一特征向量与各第二特征向量之间的相似度,获得调整向量,包括:
将相似度最大的两个特征向量作为一个目标向量对,将目标向量对中的第二特征向量作为调整向量;
所述根据各第一特征向量对应的特征值,得到满足度,包括:
将各第一特征向量与其他所有第一特征向量之间的相似度的和值,确定为各第一特征向量对应的第一特征指标;将所有第一特征向量对应的第一特征指标按照预设顺序排序,构建特征向量序列;将特征向量序列中各第一特征向量对应的特征值按照特征向量的顺序依次排列,获得第一特征值序列;将所有第一特征向量对应的特征值按照预设顺序排序,获得第二特征值序列;
将第一特征值序列中最小特征值对应的次序值与第二特征值序列中最小特征值对应的次序值的差值的绝对值,确定为目标次序差异;将第一特征值序列中元素的个数与常数1的差值作为最大次序差异;将所述目标次序差异与所述最大次序差异的比值记为第二占比;将预设数值与所述第二占比的差值确定为满足度;
所述根据所述满足度、所述初始密钥和所述调整向量,获得目标密钥,包括:
将初始密钥中的元素大于调整向量中对应位置的元素的位置数量记为第一数量;将所述满足度与初始密钥中元素的数量的乘积记为特征值,对特征值向下取整获得目标数量;
若所述第一数量大于所述目标数量,则分别计算初始密钥中的每个元素与调整向量中对应位置的元素的差值,将所述差值作为每个位置的差异,对所有位置的差异按照预设顺序进行排序获得差异序列,将所述差异序列中的目标数量个元素用初始密钥中对应位置的元素代替,其他位置的元素用调整向量中对应位置的元素代替,获得目标密钥;
若所述第一数量小于或等于所述目标数量,则分别将初始密钥中每个位置的元素和调整向量中对应位置的元素的最大值,确定为目标密钥对应位置的元素;基于目标密钥所有位置的元素获得目标密钥。
2.根据权利要求1所述的一种异业联合金融权益安全管理系统,其特征在于,所述基于目标子时间段内的交易数据获得第一图嵌入向量矩阵,基于历史时间段内的交易数据获得第二图嵌入向量矩阵,包括:
根据目标子时间段内的交易数据,构建第一图结构;基于所述第一图结构获得第一图嵌入向量矩阵;
根据历史时间段内的交易数据,构建第二图结构;基于所述第二图结构获得第二图嵌入向量矩阵。
3.根据权利要求1所述的一种异业联合金融权益安全管理系统,其特征在于,所述获取第一图嵌入向量矩阵对应的各第一特征向量以及各第一特征向量对应的特征值,包括:对所述第一图嵌入向量矩阵进行分解,获得各第一特征向量以及各第一特征向量对应的特征值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310554841.6A CN116308813B (zh) | 2023-05-17 | 2023-05-17 | 一种异业联合金融权益安全管理系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310554841.6A CN116308813B (zh) | 2023-05-17 | 2023-05-17 | 一种异业联合金融权益安全管理系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116308813A CN116308813A (zh) | 2023-06-23 |
CN116308813B true CN116308813B (zh) | 2023-08-08 |
Family
ID=86799955
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310554841.6A Active CN116308813B (zh) | 2023-05-17 | 2023-05-17 | 一种异业联合金融权益安全管理系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116308813B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1107504A2 (en) * | 1999-12-02 | 2001-06-13 | International Business Machines Corporation | Method of updating encryption keys in a data communication system |
KR20020003059A (ko) * | 2000-07-01 | 2002-01-10 | 배민관 | 정수 또는 다항식 행열을 이용한 공개키 암호시스템 |
JP2010203091A (ja) * | 2009-03-02 | 2010-09-16 | Glory Ltd | 鍵管理装置および鍵管理システム |
CN112559854A (zh) * | 2020-12-02 | 2021-03-26 | 中国联合网络通信集团有限公司 | 一种分类方法及装置 |
CN113051626A (zh) * | 2019-12-27 | 2021-06-29 | 英特尔公司 | 基于动态密钥推导的多密钥全存储器加密的方法和装置 |
CN115333727A (zh) * | 2022-07-13 | 2022-11-11 | 中国电信股份有限公司 | 一种密钥生成方法和装置 |
CN115619555A (zh) * | 2022-08-08 | 2023-01-17 | 付舒丛 | 一种数据加密传输的电子商务交易系统 |
CN115618397A (zh) * | 2022-12-19 | 2023-01-17 | 深圳市研强物联技术有限公司 | 一种录音笔语音加密方法 |
CN116056073A (zh) * | 2023-03-31 | 2023-05-02 | 山东伟创达实业发展有限公司 | 一种多用途医疗仪检测数据处理系统 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20020184303A1 (en) * | 2001-05-31 | 2002-12-05 | Virtaul Media, Inc. | Embedded web server capable of managing dynamic content delivery of data stream, audio stream, or video stream |
US20140250030A1 (en) * | 2013-03-01 | 2014-09-04 | Vincent Paul Iannazzo | Method and apparatus using debt or equity for making financial transactions economic |
US11521203B2 (en) * | 2015-07-09 | 2022-12-06 | Cryptography Research, Inc. | Generating a cryptographic key based on transaction data of mobile payments |
WO2021146859A1 (en) * | 2020-01-20 | 2021-07-29 | Nokia Shanghai Bell Co., Ltd. | Data privacy protection based polar coding |
-
2023
- 2023-05-17 CN CN202310554841.6A patent/CN116308813B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1107504A2 (en) * | 1999-12-02 | 2001-06-13 | International Business Machines Corporation | Method of updating encryption keys in a data communication system |
KR20020003059A (ko) * | 2000-07-01 | 2002-01-10 | 배민관 | 정수 또는 다항식 행열을 이용한 공개키 암호시스템 |
JP2010203091A (ja) * | 2009-03-02 | 2010-09-16 | Glory Ltd | 鍵管理装置および鍵管理システム |
CN113051626A (zh) * | 2019-12-27 | 2021-06-29 | 英特尔公司 | 基于动态密钥推导的多密钥全存储器加密的方法和装置 |
CN112559854A (zh) * | 2020-12-02 | 2021-03-26 | 中国联合网络通信集团有限公司 | 一种分类方法及装置 |
CN115333727A (zh) * | 2022-07-13 | 2022-11-11 | 中国电信股份有限公司 | 一种密钥生成方法和装置 |
CN115619555A (zh) * | 2022-08-08 | 2023-01-17 | 付舒丛 | 一种数据加密传输的电子商务交易系统 |
CN115618397A (zh) * | 2022-12-19 | 2023-01-17 | 深圳市研强物联技术有限公司 | 一种录音笔语音加密方法 |
CN116056073A (zh) * | 2023-03-31 | 2023-05-02 | 山东伟创达实业发展有限公司 | 一种多用途医疗仪检测数据处理系统 |
Non-Patent Citations (1)
Title |
---|
汤斌,李健.金融控股公司:商业银行实践混业经营的组织模式选择.乡镇经济.2004,(第07期),全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN116308813A (zh) | 2023-06-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Xia et al. | EPCBIR: An efficient and privacy-preserving content-based image retrieval scheme in cloud computing | |
Kaleli et al. | Privacy-preserving SOM-based recommendations on horizontally distributed data | |
CN112883070B (zh) | 一种带有差分隐私的生成式对抗网络推荐方法 | |
Jia et al. | Privacy-preserving data classification and similarity evaluation for distributed systems | |
Gunsilius et al. | Independent nonlinear component analysis | |
Le et al. | Stochastically robust personalized ranking for lsh recommendation retrieval | |
Jiang et al. | ASB-CS: Adaptive sparse basis compressive sensing model and its application to medical image encryption | |
CN115618212A (zh) | 电力数据处理方法、装置、计算机设备和存储介质 | |
Akter et al. | Edge intelligence-based privacy protection framework for iot-based smart healthcare systems | |
Ranbaduge et al. | Differentially private vertical federated learning | |
CN116308813B (zh) | 一种异业联合金融权益安全管理系统 | |
US20230401336A1 (en) | Enhanced Synthetic Data and a Unified Framework for Quantifying Privacy Risk in Synthetic Data | |
US9779142B2 (en) | Methods and systems to estimate query responses based on data set sketches | |
CN116702976A (zh) | 基于建模动态企业关系的企业资源预测方法以及装置 | |
US20230081162A1 (en) | Method and apparatus for privacy preserving using homomorphic encryption with private variables | |
Wei et al. | CrimeSTC: A deep spatial-temporal-categorical network for citywide crime prediction | |
Bao et al. | Color image encryption based on lite dense-ResNet and bit-XOR diffusion | |
Lu et al. | Tensor mutual information and its applications | |
Sriananthakumar | Testing linear regression model with AR (1) errors against a first-order dynamic linear regression model with white noise errors: A point optimal testing approach | |
Zhu et al. | A face occlusion removal and privacy protection method for IoT devices based on generative adversarial networks | |
Saharan et al. | Scaling & fuzzing: Personal image privacy from automated attacks in mobile cloud computing | |
Mahfouz et al. | PPS-FPCM: Privacy-Preserving Semi-Fuzzy Possibilistic c-means | |
CN117093903B (zh) | 一种纵向联邦学习场景中标签推理攻击方法 | |
Rässler et al. | How useful are uncertainty bounds? Some recent theory with an application to Rubin’s causal model | |
CN117709444B (zh) | 基于去中心化联邦学习的差分隐私模型更新方法以及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |