CN116561814B - 纺织化纤供应链信息防篡改方法及其系统 - Google Patents
纺织化纤供应链信息防篡改方法及其系统 Download PDFInfo
- Publication number
- CN116561814B CN116561814B CN202310555423.9A CN202310555423A CN116561814B CN 116561814 B CN116561814 B CN 116561814B CN 202310555423 A CN202310555423 A CN 202310555423A CN 116561814 B CN116561814 B CN 116561814B
- Authority
- CN
- China
- Prior art keywords
- word
- matrix
- feature vector
- semantic understanding
- enterprise
- 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
- 239000000835 fiber Substances 0.000 title claims abstract description 81
- 239000000126 substance Substances 0.000 title claims abstract description 78
- 238000000034 method Methods 0.000 title claims abstract description 58
- 239000004753 textile Substances 0.000 title claims description 84
- 239000013598 vector Substances 0.000 claims abstract description 240
- 239000011159 matrix material Substances 0.000 claims abstract description 203
- 238000011144 upstream manufacturing Methods 0.000 claims abstract description 143
- 238000012546 transfer Methods 0.000 claims abstract description 77
- 230000008569 process Effects 0.000 claims description 20
- 238000001514 detection method Methods 0.000 claims description 19
- 238000012545 processing Methods 0.000 claims description 19
- 230000004927 fusion Effects 0.000 claims description 16
- 230000011218 segmentation Effects 0.000 claims description 16
- 239000004744 fabric Substances 0.000 claims description 13
- 239000002994 raw material Substances 0.000 claims description 13
- 238000009941 weaving Methods 0.000 claims description 13
- 230000006870 function Effects 0.000 claims description 12
- 230000004044 response Effects 0.000 claims description 11
- 238000005457 optimization Methods 0.000 claims description 10
- 238000013507 mapping Methods 0.000 claims description 7
- 238000010606 normalization Methods 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 3
- 238000009826 distribution Methods 0.000 description 14
- 238000010586 diagram Methods 0.000 description 10
- 230000000694 effects Effects 0.000 description 7
- 238000013527 convolutional neural network Methods 0.000 description 6
- 238000003860 storage Methods 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 230000006399 behavior Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000000306 recurrent effect Effects 0.000 description 3
- 230000003252 repetitive effect Effects 0.000 description 3
- 230000007704 transition Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000007477 logistic regression Methods 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 230000015654 memory Effects 0.000 description 2
- 238000005065 mining Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000005094 computer simulation Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 230000001902 propagating effect Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000009987 spinning Methods 0.000 description 1
Classifications
-
- 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
- G06F21/64—Protecting data integrity, e.g. using checksums, certificates or signatures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
-
- 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)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Security & Cryptography (AREA)
- Health & Medical Sciences (AREA)
- Bioethics (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Computer Hardware Design (AREA)
- Probability & Statistics with Applications (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
公开了一种纺织化纤供应链信息防篡改方法及其系统。其首先将提取的上游企业节点上传的第一数据通过第一上下文编码器以得到上游企业语义理解特征向量,将提取的下游企业节点上传的第二数据通过第二上下文编码器以得到下游企业语义理解特征向量,接着,计算所述上游企业语义理解特征向量和所述下游企业语义理解特征向量之间的转移矩阵,然后,计算所述上游企业语义理解特征向量和所述下游企业语义理解特征向量之间的协方差矩阵,最后,将融合所述转移矩阵和所述协方差矩阵得到的分类特征矩阵通过分类器以得到用于表示是否存在信息篡改分类结果。这样,可以对是否发生信息篡改进行及时精准地检测判断。
Description
技术领域
本申请涉及智能检测领域,且更为具体地,涉及一种纺织化纤供应链信息防篡改方法及其系统。
背景技术
目前,从纺纱到成品的过程非常漫长,构成了一个极复杂的网络,正是由于供应链结构复杂、地理分布广泛,焦点企业在监测供应链可持续性风险方面经常面临问题,通常表现在:所涉供应商、承包商和次级供应商等合作伙伴的行为很难跟踪,这种不透明性会让上游供应商偏离标准做法以降低成本、实现利润最大化。
针对上述问题,中国专利CN115525931A揭露了一种基于区块链的纺织行业供应链信息防篡改方法及系统,其通过将纺织行业供应链的多个环节为节点,建立供应链溯源区块链,并利用预设符号标记算法对所述区块信息进行链接关系标记,进而判断相邻链接两个父子节点间的区块信息是否一致,以此来对纺织行业中的供应链信息进行溯源,并实现对数据篡改行为位置的高效查找和定位,防止篡改行为的扩散。
在上述方案实际应用的过程中发现,虽然区块链可以确保数据不可篡改性,但无法规范数据源头的数据格式和数据规范,因此,在对比上下游数据以判断是否出现信息篡改时,需要专业人士基于专业经验进行人工分析并判断,导致篡改检测的效率和精度难以保证。
因此,期望一种优化的纺织化纤供应链信息防篡改系统。
发明内容
为了解决上述技术问题,提出了本申请。本申请的实施例提供了一种纺织化纤供应链信息防篡改方法及其系统。其首先将提取的上游企业节点上传的第一数据通过第一上下文编码器以得到上游企业语义理解特征向量,将提取的下游企业节点上传的第二数据通过第二上下文编码器以得到下游企业语义理解特征向量,接着,计算所述上游企业语义理解特征向量和所述下游企业语义理解特征向量之间的转移矩阵,然后,计算所述上游企业语义理解特征向量和所述下游企业语义理解特征向量之间的协方差矩阵,最后,将融合所述转移矩阵和所述协方差矩阵得到的分类特征矩阵通过分类器以得到用于表示是否存在信息篡改分类结果。这样,可以对是否发生信息篡改进行及时精准地检测判断。
根据本申请的一个方面,提供了一种纺织化纤供应链信息防篡改系统,其包括:
数据采集模块,用于从区块链结构的第一区块提取由纺织化纤供应链的上游企业节点上传的第一数据,以及,从所述区块链结构的第二区块提取由纺织化纤供应链的下游企业节点上传的第二数据,其中,所述第一数据和所述第二数据分别包括原材料信息、织造工艺信息、面料信息和订单信息;
上游数据语义理解模块,用于将所述上游企业节点上传的第一数据通过包含词嵌入层的第一上下文编码器以得到上游企业语义理解特征向量;
下游数据语义理解模块,用于将所述下游企业节点上传的第二数据通过包含词嵌入层的第二上下文编码器以得到下游企业语义理解特征向量;
转移关联模块,用于计算所述上游企业语义理解特征向量和所述下游企业语义理解特征向量之间的转移矩阵;
差异关联模块,用于计算所述上游企业语义理解特征向量和所述下游企业语义理解特征向量之间的协方差矩阵;
特征融合模块,用于融合所述转移矩阵和所述协方差矩阵以得到分类特征矩阵;以及
信息篡改检测模块,用于将所述分类特征矩阵通过分类器以得到分类结果,所述分类结果用于表示是否存在信息篡改。
在上述的纺织化纤供应链信息防篡改系统中,所述上游数据语义理解模块,包括:
第一分词单元,用于对所述第一数据进行分词处理以将所述第一数据转化为由多个词组成的第一词序列;
第一词嵌入单元,用于使用所述包含词嵌入层的第一上下文编码器的词嵌入层将所述第一词序列中各个词映射到词向量以获得第一词向量的序列;以及
第一上下文语义编码单元,用于使用所述包含词嵌入层的第一上下文编码器的转化器对所述第一词向量的序列进行基于全局的上下文语义编码以获得所述上游企业语义理解特征向量。
在上述的纺织化纤供应链信息防篡改系统中,所述第一上下文语义编码单元,包括:
第一查询向量构造子单元,用于将所述第一词向量的序列进行一维排列以得到第一全局词序列特征向量;
第一自注意子单元,用于计算所述第一全局词序列特征向量与所述第一词向量的序列中各个词向量的转置向量之间的乘积以得到多个第一自注意力关联矩阵;
第一标准化子单元,用于分别对所述多个第一自注意力关联矩阵中各个第一自注意力关联矩阵进行标准化处理以得到多个第一标准化后自注意力关联矩阵;
第一关注度计算子单元,用于将所述多个第一标准化后自注意力关联矩阵中各个第一标准化后自注意力关联矩阵通过Softmax分类函数以得到多个第一概率值;以及
第一注意力施加子单元,用于分别以所述多个第一概率值中各个第一概率值作为权重对所述第一词向量的序列中各个第一词向量进行加权以得到所述上游企业语义理解特征向量。
在上述的纺织化纤供应链信息防篡改系统中,所述下游数据语义理解模块,包括:
第二分词单元,用于对所述第二数据进行分词处理以将所述第二数据转化为由多个词组成的第二词序列;
第二词嵌入单元,用于使用所述包含词嵌入层的第二上下文编码器的词嵌入层将所述第二词序列中各个词映射到词向量以获得第二词向量的序列;以及
第二上下文语义编码单元,用于使用所述包含词嵌入层的第二上下文编码器的转化器对所述第二词向量的序列进行基于全局的上下文语义编码以获得所述下游企业语义理解特征向量。
在上述的纺织化纤供应链信息防篡改系统中,所述转移关联模块,用于:
以如下转移公式计算所述上游企业语义理解特征向量和所述下游企业语义理解特征向量之间的所述转移矩阵;
其中,所述转移公式为:
其中,V表示所述上游企业语义理解特征向量,V1表示所述下游企业语义理解特征向量,M1表示所述转移矩阵,表示向量相乘。
在上述的纺织化纤供应链信息防篡改系统中,所述特征融合模块,用于:
采用卷积式字典对照响应学习以如下优化公式融合所述转移矩阵和所述协方差矩阵以得到所述分类特征矩阵;
其中,所述优化公式为:
其中,M1是所述转移矩阵,M2是所述协方差矩阵,(·)T表示矩阵的转置矩阵,且||·||F表示矩阵的Frobenius范数,表示矩阵加法,/>表示矩阵乘法,Mc表示所述分类特征矩阵。
在上述的纺织化纤供应链信息防篡改系统中,所述信息篡改检测模块,包括:
矩阵展开单元,用于将所述分类特征矩阵按照行向量或列向量展开为分类特征向量;
全连接编码单元,用于使用所述分类器的多个全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量;以及
分类单元,用于将所述编码分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。
根据本申请的另一个方面,提供了一种纺织化纤供应链信息防篡改方法,其包括:
从区块链结构的第一区块提取由纺织化纤供应链的上游企业节点上传的第一数据,以及,从所述区块链结构的第二区块提取由纺织化纤供应链的下游企业节点上传的第二数据,其中,所述第一数据和所述第二数据分别包括原材料信息、织造工艺信息、面料信息和订单信息;
将所述上游企业节点上传的第一数据通过包含词嵌入层的第一上下文编码器以得到上游企业语义理解特征向量;
将所述下游企业节点上传的第二数据通过包含词嵌入层的第二上下文编码器以得到下游企业语义理解特征向量;
计算所述上游企业语义理解特征向量和所述下游企业语义理解特征向量之间的转移矩阵;
计算所述上游企业语义理解特征向量和所述下游企业语义理解特征向量之间的协方差矩阵;
融合所述转移矩阵和所述协方差矩阵以得到分类特征矩阵;以及
将所述分类特征矩阵通过分类器以得到分类结果,所述分类结果用于表示是否存在信息篡改。
在上述的纺织化纤供应链信息防篡改方法中,将所述上游企业节点上传的第一数据通过包含词嵌入层的第一上下文编码器以得到上游企业语义理解特征向量,包括:
对所述第一数据进行分词处理以将所述第一数据转化为由多个词组成的第一词序列;
使用所述包含词嵌入层的第一上下文编码器的词嵌入层将所述第一词序列中各个词映射到词向量以获得第一词向量的序列;以及
使用所述包含词嵌入层的第一上下文编码器的转化器对所述第一词向量的序列进行基于全局的上下文语义编码以获得所述上游企业语义理解特征向量。
在上述的纺织化纤供应链信息防篡改方法中,使用所述包含词嵌入层的第一上下文编码器的转化器对所述第一词向量的序列进行基于全局的上下文语义编码以获得所述上游企业语义理解特征向量,包括:
将所述第一词向量的序列进行一维排列以得到第一全局词序列特征向量;
计算所述第一全局词序列特征向量与所述第一词向量的序列中各个词向量的转置向量之间的乘积以得到多个第一自注意力关联矩阵;
分别对所述多个第一自注意力关联矩阵中各个第一自注意力关联矩阵进行标准化处理以得到多个第一标准化后自注意力关联矩阵;
将所述多个第一标准化后自注意力关联矩阵中各个第一标准化后自注意力关联矩阵通过Softmax分类函数以得到多个第一概率值;以及
分别以所述多个第一概率值中各个第一概率值作为权重对所述第一词向量的序列中各个第一词向量进行加权以得到所述上游企业语义理解特征向量。
与现有技术相比,本申请提供的纺织化纤供应链信息防篡改方法及其系统,其首先将提取的上游企业节点上传的第一数据通过第一上下文编码器以得到上游企业语义理解特征向量,将提取的下游企业节点上传的第二数据通过第二上下文编码器以得到下游企业语义理解特征向量,接着,计算所述上游企业语义理解特征向量和所述下游企业语义理解特征向量之间的转移矩阵,然后,计算所述上游企业语义理解特征向量和所述下游企业语义理解特征向量之间的协方差矩阵,最后,将融合所述转移矩阵和所述协方差矩阵得到的分类特征矩阵通过分类器以得到用于表示是否存在信息篡改分类结果。这样,可以对是否发生信息篡改进行及时精准地检测判断。
附图说明
为了更清楚地说明本申请实施例的技术方案,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申请的一些实施例,对于本领域普通技术人员而言,在没有做出创造性劳动的前提下,还可以根据这些附图获得其他的附图。以下附图并未刻意按实际尺寸等比例缩放绘制,重点在于示出本申请的主旨。
图1为根据本申请实施例的纺织化纤供应链信息防篡改系统的应用场景图。
图2为根据本申请实施例的纺织化纤供应链信息防篡改系统的框图示意图。
图3为根据本申请实施例的纺织化纤供应链信息防篡改系统中的所述上游数据语义理解模块的框图示意图。
图4为根据本申请实施例的纺织化纤供应链信息防篡改系统中的所述第一上下文语义编码单元的框图示意图。
图5为根据本申请实施例的纺织化纤供应链信息防篡改系统中的所述下游数据语义理解模块的框图示意图。
图6为根据本申请实施例的纺织化纤供应链信息防篡改系统中的所述信息篡改检测模块的框图示意图。
图7为根据本申请实施例的纺织化纤供应链信息防篡改方法的流程图。
图8为根据本申请实施例的纺织化纤供应链信息防篡改方法的系统架构的示意图。
具体实施方式
下面将结合附图对本申请实施例中的技术方案进行清楚、完整地描述,显而易见地,所描述的实施例仅仅是本申请的部分实施例,而不是全部的实施例。基于本申请实施例,本领域普通技术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,也属于本申请保护的范围。
如本申请和权利要求书中所示,除非上下文明确提示例外情形,“一”、“一个”、“一种”和/或“该”等词并非特指单数,也可包括复数。一般说来,术语“包括”与“包含”仅提示包括已明确标识的步骤和元素,而这些步骤和元素不构成一个排它性的罗列,方法或者设备也可能包含其他的步骤或元素。
虽然本申请对根据本申请的实施例的系统中的某些模块做出了各种引用,然而,任何数量的不同模块可以被使用并运行在用户终端和/或服务器上。所述模块仅是说明性的,并且所述系统和方法的不同方面可以使用不同模块。
本申请中使用了流程图用来说明根据本申请的实施例的系统所执行的操作。应当理解的是,前面或下面操作不一定按照顺序来精确地执行。相反,根据需要,可以按照倒序或同时处理各种步骤。同时,也可以将其他操作添加到这些过程中,或从这些过程移除某一步或数步操作。
下面,将参考附图详细地描述根据本申请的示例实施例。显然,所描述的实施例仅仅是本申请的一部分实施例,而不是本申请的全部实施例,应理解,本申请不受这里描述的示例实施例的限制。
如上所述,中国专利CN115525931A揭露的一种基于区块链的纺织行业供应链信息防篡改方法及系统,虽然其中的区块链可以确保数据不可篡改性,但无法规范数据源头的数据格式和数据规范,因此,在对比上下游数据以判断是否出现信息篡改时,需要专业人士基于专业经验进行人工分析并判断,导致篡改检测的效率和精度难以保证。因此,期望一种优化的纺织化纤供应链信息防篡改系统。
相应地,考虑到若纺织化纤供应链出现了信息篡改,那么上下游的数据信息会对应不上。因此,在本申请的技术方案中,期望通过供应链的原材料信息、织造工艺信息、面料信息、订单信息,以及上下游之间供应链的关系,判断是否出现信息篡改。在实际的信息篡改检测过程中,关键在于对于上下游企业的数据信息进行对比检测。但是,由于上下游企业的数据中的各个子数据项是以文本形式呈现的,其具有着上下文的语义理解特征信息,并且所述各个子数据项的语义理解特征之间还具有着关联关系。因此,在此过程中,难点在于如何挖掘所述上下游企业的各个子数据项的文本语义理解特征之间的关联性特征分布信息,以此来对于上下游企业的数据信息进行对比评估检测,从而对于是否发生信息篡改进行及时精准地检测判断。
近年来,深度学习以及神经网络已经广泛应用于计算机视觉、自然语言处理、文本信号处理等领域。深度学习以及神经网络的发展为挖掘所述上下游企业的各个子数据项的文本语义理解特征之间的关联性特征分布信息提供了新的解决思路和方案。
具体地,在本申请的技术方案中,首先,从区块链结构的第一区块提取由纺织化纤供应链的上游企业节点上传的第一数据,以及,从所述区块链结构的第二区块提取由纺织化纤供应链的下游企业节点上传的第二数据,其中,所述第一数据和所述第二数据分别包括原材料信息、织造工艺信息、面料信息和订单信息。应可以理解,一旦出现信息篡改,上下游数据会对应不上,因此,通过对于供应链的原材料信息、织造工艺信息、面料信息、订单信息,以及上下游之间供应链的关系的分析判断,能够检测出是否出现信息篡改。
然后,考虑到所述上游企业节点上传的第一数据中的各个子数据项都是由各个词组成的,并且各个词之间具有着上下文的语义关联关系,因此,在本申请的技术方案中,将所述上游企业节点上传的第一数据通过包含词嵌入层的第一上下文编码器中进行编码,以提取出所述上游企业节点上传的第一数据中的各个子数据项的基于全局的上下文语义关联特征信息,即所述上游企业节点数据的语义理解特征,从而得到上游企业语义理解特征向量。
接着,对于所述下游企业节点上传的第二数据来说,所述第二数据中的各个子数据项也是由多个词组成的,并且各个词之间也具有着上下文的语义关联特征。因此,为了能够充分地进行所述下游企业节点数据的语义特征表达,在本申请的技术方案中,进一步将所述下游企业节点上传的第二数据通过包含词嵌入层的第二上下文编码器以得到下游企业语义理解特征向量。这样,能够提取出所述下游企业节点上传的第二数据中的各个子数据项的基于全局的上下文语义关联特征信息,也就是,所述下游企业节点数据的语义理解特征信息。
进一步地,为了能够对于是否发生篡改进行检测,需要对于上下游的语义理解特征在高维空间中进行特征关联对比。也就是,具体地,在本申请的技术方案中,计算所述上游企业语义理解特征向量和所述下游企业语义理解特征向量之间的转移矩阵,以此来表示所述上游企业节点数据的语义理解特征与所述下游企业节点数据的语义理解特征之间的映射关联特征分布信息,即所述上下游企业节点数据的语义理解特征在高维空间中的相似性特征信息。接着,再计算所述上游企业语义理解特征向量和所述下游企业语义理解特征向量之间的协方差矩阵,以此来表示所述上下游企业节点数据的语义理解特征在高维空间中的差异性特征分布信息。
然后,融合所述转移矩阵和所述协方差矩阵以得到分类特征矩阵,以此来表示所述纺织化纤供应链的上下游企业节点数据的语义理解特征的相似性和差异性的融合特征分布信息。进一步地,再将具体该融合特征信息的所述分类特征矩阵通过分类器中进行分类处理,进而以所述上下游企业节点数据的语义特征的差异性特征和相似性特征来综合进行上下游数据信息的对比检测,从而得到用于表示是否存在信息篡改的分类结果。
也就是,在本申请的技术方案中,所述分类器的标签包括存在信息篡改(第一标签),以及,不存在信息篡改(第二标签),其中,所述分类器通过软最大值函数来确定所述分类特征矩阵属于哪个分类标签。值得注意的是,这里的所述第一标签p1和所述第二标签p2并不包含人为设定的概念,实际上在训练过程当中,计算机模型并没有“是否存在信息篡改”这种概念,其只是有两种分类标签且输出特征在这两个分类标签下的概率,即p1和p2之和为一。因此,是否存在信息篡改的分类结果实际上是通过分类标签转化为符合自然规律的二分类的类概率分布,实质上用到的是标签的自然概率分布的物理意义,而不是“是否存在信息篡改”的语言文本意义。应可以理解,在本申请的技术方案中,所述分类器的分类标签为是否存在信息篡改的检测判断标签,因此,在得到所述分类结果后,可基于所述分类结果来对于上下游企业的数据信息进行对比评估检测,从而对于是否发生信息篡改进行及时精准地检测判断。
特别地,在本申请的技术方案中,这里,在融合所述转移矩阵和所述协方差矩阵得到所述分类特征矩阵时,考虑到所述转移矩阵和所述协方差矩阵的特征值分别包含所述上游企业语义理解特征向量和所述下游企业语义理解特征向量之间的不同的特征域间关联信息,因此为了在例如通过点加的方式融合所述转移矩阵和所述协方差矩阵时进一步提升所述转移矩阵和所述协方差矩阵的细粒度局部特征的融合效果,在本申请的技术方案中,本申请的申请人考虑优选地采用卷积式字典对照响应学习来进行特征融合,表示为:
其中M1和M2分别是所述转移矩阵和所述协方差矩阵,且||·||F表示矩阵的Frobenius范数。
也就是,基于所述转移矩阵M1和所述协方差矩阵M2的类卷积神经网络的卷积核表征的邻域操作符属性,通过基于对应特征之间的点加特征流的空间结构化卷积式字典对照学习,来对于所述转移矩阵M1和所述协方差矩阵M2的特征值的n级(n-hop)邻居进行本征先验结构的特征表达,并将低秩融合表示的先验知识作为高维特征分布的特征响应参照,从而学习到特征间的可解释性响应,这样,就提高了融合后得到的所述分类特征矩阵Mc的特征表达效果,从而提升了所述分类特征矩阵通过分类器得到的分类结果的准确性。这样,能够准确地对于上下游企业的数据信息进行对比评估检测,从而对于是否发生信息篡改进行及时精准地检测判断。
图1为根据本申请实施例的纺织化纤供应链信息防篡改系统的应用场景图。如图1所示,在该应用场景中,首先,从区块链结构的第一区块提取由纺织化纤供应链的上游企业节点上传的第一数据(例如,图1中所示意的D1),以及,从所述区块链结构的第二区块提取由纺织化纤供应链的下游企业节点上传的第二数据(例如,图1中所示意的D2),其中,所述第一数据和所述第二数据分别包括原材料信息、织造工艺信息、面料信息和订单信息,然后,将所述第一数据和所述第二数据输入至部署有纺织化纤供应链信息防篡改算法的服务器中(例如,图1中所示意的S),其中,所述服务器能够使用所述纺织化纤供应链信息防篡改算法对所述第一数据和所述第二数据进行处理以得到用于表示是否存在信息篡改的分类结果。
在介绍了本申请的基本原理之后,下面将参考附图来具体介绍本申请的各种非限制性实施例。
图2为根据本申请实施例的纺织化纤供应链信息防篡改系统的框图示意图。如图2所示,根据本申请实施例的纺织化纤供应链信息防篡改系统100,包括:数据采集模块110,用于从区块链结构的第一区块提取由纺织化纤供应链的上游企业节点上传的第一数据,以及,从所述区块链结构的第二区块提取由纺织化纤供应链的下游企业节点上传的第二数据,其中,所述第一数据和所述第二数据分别包括原材料信息、织造工艺信息、面料信息和订单信息;上游数据语义理解模块120,用于将所述上游企业节点上传的第一数据通过包含词嵌入层的第一上下文编码器以得到上游企业语义理解特征向量;下游数据语义理解模块130,用于将所述下游企业节点上传的第二数据通过包含词嵌入层的第二上下文编码器以得到下游企业语义理解特征向量;转移关联模块140,用于计算所述上游企业语义理解特征向量和所述下游企业语义理解特征向量之间的转移矩阵;差异关联模块150,用于计算所述上游企业语义理解特征向量和所述下游企业语义理解特征向量之间的协方差矩阵;特征融合模块160,用于融合所述转移矩阵和所述协方差矩阵以得到分类特征矩阵;以及,信息篡改检测模块170,用于将所述分类特征矩阵通过分类器以得到分类结果,所述分类结果用于表示是否存在信息篡改。
更具体地,在本申请实施例中,所述数据采集模块110,用于从区块链结构的第一区块提取由纺织化纤供应链的上游企业节点上传的第一数据,以及,从所述区块链结构的第二区块提取由纺织化纤供应链的下游企业节点上传的第二数据,其中,所述第一数据和所述第二数据分别包括原材料信息、织造工艺信息、面料信息和订单信息。应可以理解,一旦出现信息篡改,上下游数据会对应不上,因此,通过对于供应链的原材料信息、织造工艺信息、面料信息、订单信息,以及上下游之间供应链的关系的分析判断,能够检测出是否出现信息篡改。因此,在本申请的技术方案中,通过挖掘所述上下游企业的各个子数据项的文本语义理解特征之间的关联性特征分布信息,以此来对于上下游企业的数据信息进行对比评估检测,从而对于是否发生信息篡改进行及时精准地检测判断。
更具体地,在本申请实施例中,所述上游数据语义理解模块120,用于将所述上游企业节点上传的第一数据通过包含词嵌入层的第一上下文编码器以得到上游企业语义理解特征向量。考虑到所述上游企业节点上传的第一数据中的各个子数据项都是由各个词组成的,并且各个词之间具有着上下文的语义关联关系,因此,在本申请的技术方案中,将所述上游企业节点上传的第一数据通过包含词嵌入层的第一上下文编码器中进行编码,以提取出所述上游企业节点上传的第一数据中的各个子数据项的基于全局的上下文语义关联特征信息,即所述上游企业节点数据的语义理解特征,从而得到上游企业语义理解特征向量。
相应地,在一个具体示例中,如图3所示,所述上游数据语义理解模块120,包括:第一分词单元121,用于对所述第一数据进行分词处理以将所述第一数据转化为由多个词组成的第一词序列;第一词嵌入单元122,用于使用所述包含词嵌入层的第一上下文编码器的词嵌入层将所述第一词序列中各个词映射到词向量以获得第一词向量的序列;以及,第一上下文语义编码单元123,用于使用所述包含词嵌入层的第一上下文编码器的转化器对所述第一词向量的序列进行基于全局的上下文语义编码以获得所述上游企业语义理解特征向量。
相应地,在一个具体示例中,如图4所示,所述第一上下文语义编码单元123,包括:第一查询向量构造子单元1231,用于将所述第一词向量的序列进行一维排列以得到第一全局词序列特征向量;第一自注意子单元1232,用于计算所述第一全局词序列特征向量与所述第一词向量的序列中各个词向量的转置向量之间的乘积以得到多个第一自注意力关联矩阵;第一标准化子单元1233,用于分别对所述多个第一自注意力关联矩阵中各个第一自注意力关联矩阵进行标准化处理以得到多个第一标准化后自注意力关联矩阵;第一关注度计算子单元1234,用于将所述多个第一标准化后自注意力关联矩阵中各个第一标准化后自注意力关联矩阵通过Softmax分类函数以得到多个第一概率值;以及,第一注意力施加子单元1235,用于分别以所述多个第一概率值中各个第一概率值作为权重对所述第一词向量的序列中各个第一词向量进行加权以得到所述上游企业语义理解特征向量。
更具体地,在本申请实施例中,所述下游数据语义理解模块130,用于将所述下游企业节点上传的第二数据通过包含词嵌入层的第二上下文编码器以得到下游企业语义理解特征向量。所述第二数据中的各个子数据项也是由多个词组成的,并且各个词之间也具有着上下文的语义关联特征。因此,为了能够充分地进行所述下游企业节点数据的语义特征表达,在本申请的技术方案中,进一步将所述下游企业节点上传的第二数据通过包含词嵌入层的第二上下文编码器以得到下游企业语义理解特征向量。这样,能够提取出所述下游企业节点上传的第二数据中的各个子数据项的基于全局的上下文语义关联特征信息,也就是,所述下游企业节点数据的语义理解特征信息。
相应地,在一个具体示例中,如图5所示,所述下游数据语义理解模块130,包括:第二分词单元131,用于对所述第二数据进行分词处理以将所述第二数据转化为由多个词组成的第二词序列;第二词嵌入单元132,用于使用所述包含词嵌入层的第二上下文编码器的词嵌入层将所述第二词序列中各个词映射到词向量以获得第二词向量的序列;以及,第二上下文语义编码单元133,用于使用所述包含词嵌入层的第二上下文编码器的转化器对所述第二词向量的序列进行基于全局的上下文语义编码以获得所述下游企业语义理解特征向量。
应可以理解,通过上下文编码器,可以分析向量表示序列中的某个分词与其他分词之间的关系,以得到相应的特征信息。上下文编码器旨在挖掘得到词序列中上下文之间的隐藏模式,可选地,编码器包括:CNN(Convolutional Neural Network,卷积神经网络)、Recursive NN(RecursiveNeural Network,递归神经网络)、语言模型(Language Model)等。基于CNN的方法对于局部特征有比较好的提取效果,但其对于句子中的长程依赖(Long-term Dependency)问题效果欠佳,因此基于Bi-LSTM(Long Short-Term Memory,长短期记忆网络)的编码器被广泛使用。Recursive NN把句子当作树状结构而非序列进行处理,从理论上而言具有更强的表示能力,但其存在样本标注难度大、深层易梯度消失、难以并行计算等弱点,因此在实际应用中使用较少。Transformer是应用广泛的网络结构了,同时具有CNN和RNN的特性,对于全局特征有较好的提取效果,同时相较于RNN(循环神经网络)在并行计算上具有一定优势。
更具体地,在本申请实施例中,所述转移关联模块140,用于计算所述上游企业语义理解特征向量和所述下游企业语义理解特征向量之间的转移矩阵。为了能够对于是否发生篡改进行检测,需要对于上下游的语义理解特征在高维空间中进行特征关联对比。也就是,具体地,在本申请的技术方案中,计算所述上游企业语义理解特征向量和所述下游企业语义理解特征向量之间的转移矩阵,以此来表示所述上游企业节点数据的语义理解特征与所述下游企业节点数据的语义理解特征之间的映射关联特征分布信息,即所述上下游企业节点数据的语义理解特征在高维空间中的相似性特征信息。
相应地,在一个具体示例中,所述转移关联模块140,用于:以如下转移公式计算所述上游企业语义理解特征向量和所述下游企业语义理解特征向量之间的所述转移矩阵;其中,所述转移公式为:
其中,V表示所述上游企业语义理解特征向量,V1表示所述下游企业语义理解特征向量,M1表示所述转移矩阵,表示向量相乘。
更具体地,在本申请实施例中,所述差异关联模块150,用于计算所述上游企业语义理解特征向量和所述下游企业语义理解特征向量之间的协方差矩阵。以此来表示所述上下游企业节点数据的语义理解特征在高维空间中的差异性特征分布信息。
更具体地,在本申请实施例中,所述特征融合模块160,用于融合所述转移矩阵和所述协方差矩阵以得到分类特征矩阵。以此来表示所述纺织化纤供应链的上下游企业节点数据的语义理解特征的相似性和差异性的融合特征分布信息。
特别地,在本申请的技术方案中,这里,在融合所述转移矩阵和所述协方差矩阵得到所述分类特征矩阵时,考虑到所述转移矩阵和所述协方差矩阵的特征值分别包含所述上游企业语义理解特征向量和所述下游企业语义理解特征向量之间的不同的特征域间关联信息,因此为了在例如通过点加的方式融合所述转移矩阵和所述协方差矩阵时进一步提升所述转移矩阵和所述协方差矩阵的细粒度局部特征的融合效果,在本申请的技术方案中,本申请的申请人考虑优选地采用卷积式字典对照响应学习来进行特征融合。
相应地,在一个具体示例中,所述特征融合模块160,用于:采用卷积式字典对照响应学习以如下优化公式融合所述转移矩阵和所述协方差矩阵以得到所述分类特征矩阵;其中,所述优化公式为:
其中,M1是所述转移矩阵,M2是所述协方差矩阵,(·)T表示矩阵的转置矩阵,且||·||F表示矩阵的Frobenius范数,表示矩阵加法,/>表示矩阵乘法,Mc表示所述分类特征矩阵。
也就是,基于所述转移矩阵和所述协方差矩阵的类卷积神经网络的卷积核表征的邻域操作符属性,通过基于对应特征之间的点加特征流的空间结构化卷积式字典对照学习,来对于所述转移矩阵和所述协方差矩阵的特征值的n级(n-hop)邻居进行本征先验结构的特征表达,并将低秩融合表示的先验知识作为高维特征分布的特征响应参照,从而学习到特征间的可解释性响应,这样,就提高了融合后得到的所述分类特征矩阵的特征表达效果,从而提升了所述分类特征矩阵通过分类器得到的分类结果的准确性。这样,能够准确地对于上下游企业的数据信息进行对比评估检测,从而对于是否发生信息篡改进行及时精准地检测判断。
更具体地,在本申请实施例中,所述信息篡改检测模块170,用于将所述分类特征矩阵通过分类器以得到分类结果,所述分类结果用于表示是否存在信息篡改。将具体该融合特征信息的所述分类特征矩阵通过分类器中进行分类处理,进而以所述上下游企业节点数据的语义特征的差异性特征和相似性特征来综合进行上下游数据信息的对比检测,从而得到用于表示是否存在信息篡改的分类结果。
应可以理解,分类器的作用是利用给定的类别、已知的训练数据来学习分类规则和分类器,然后对未知数据进行分类(或预测)。逻辑回归(logistics)、SVM等常用于解决二分类问题,对于多分类问题(multi-class classification),同样也可以用逻辑回归或SVM,只是需要多个二分类来组成多分类,但这样容易出错且效率不高,常用的多分类方法有Softmax分类函数。
相应地,在一个具体示例中,如图6所示,所述信息篡改检测模块170,包括:矩阵展开单元171,用于将所述分类特征矩阵按照行向量或列向量展开为分类特征向量;全连接编码单元172,用于使用所述分类器的多个全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量;以及,分类单元173,用于将所述编码分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。
综上,基于本申请实施例的纺织化纤供应链信息防篡改系统100被阐明,其首先将提取的上游企业节点上传的第一数据通过第一上下文编码器以得到上游企业语义理解特征向量,将提取的下游企业节点上传的第二数据通过第二上下文编码器以得到下游企业语义理解特征向量,接着,计算所述上游企业语义理解特征向量和所述下游企业语义理解特征向量之间的转移矩阵,然后,计算所述上游企业语义理解特征向量和所述下游企业语义理解特征向量之间的协方差矩阵,最后,将融合所述转移矩阵和所述协方差矩阵得到的分类特征矩阵通过分类器以得到用于表示是否存在信息篡改分类结果。这样,可以对是否发生信息篡改进行及时精准地检测判断。
如上所述,根据本申请实施例的基于本申请实施例的纺织化纤供应链信息防篡改系统100可以实现在各种终端设备中,例如具有基于本申请实施例的纺织化纤供应链信息防篡改算法的服务器等。在一个示例中,基于本申请实施例的纺织化纤供应链信息防篡改系统100可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如,该基于本申请实施例的纺织化纤供应链信息防篡改系统100可以是该终端设备的操作系统中的一个软件模块,或者可以是针对于该终端设备所开发的一个应用程序;当然,该基于本申请实施例的纺织化纤供应链信息防篡改系统100同样可以是该终端设备的众多硬件模块之一。
替换地,在另一示例中,该基于本申请实施例的纺织化纤供应链信息防篡改系统100与该终端设备也可以是分立的设备,并且该纺织化纤供应链信息防篡改系统100可以通过有线和/或无线网络连接到该终端设备,并且按照约定的数据格式来传输交互信息。
图7为根据本申请实施例的纺织化纤供应链信息防篡改方法的流程图。如图7所示,根据本申请实施例的纺织化纤供应链信息防篡改方法,其包括:S110,从区块链结构的第一区块提取由纺织化纤供应链的上游企业节点上传的第一数据,以及,从所述区块链结构的第二区块提取由纺织化纤供应链的下游企业节点上传的第二数据,其中,所述第一数据和所述第二数据分别包括原材料信息、织造工艺信息、面料信息和订单信息;S120,将所述上游企业节点上传的第一数据通过包含词嵌入层的第一上下文编码器以得到上游企业语义理解特征向量;S130,将所述下游企业节点上传的第二数据通过包含词嵌入层的第二上下文编码器以得到下游企业语义理解特征向量;S140,计算所述上游企业语义理解特征向量和所述下游企业语义理解特征向量之间的转移矩阵;S150,计算所述上游企业语义理解特征向量和所述下游企业语义理解特征向量之间的协方差矩阵;S160,融合所述转移矩阵和所述协方差矩阵以得到分类特征矩阵;以及,S170,将所述分类特征矩阵通过分类器以得到分类结果,所述分类结果用于表示是否存在信息篡改。
图8为根据本申请实施例的纺织化纤供应链信息防篡改方法的系统架构的示意图。如图8所示,在所述纺织化纤供应链信息防篡改方法的系统架构中,首先,从区块链结构的第一区块提取由纺织化纤供应链的上游企业节点上传的第一数据,以及,从所述区块链结构的第二区块提取由纺织化纤供应链的下游企业节点上传的第二数据,其中,所述第一数据和所述第二数据分别包括原材料信息、织造工艺信息、面料信息和订单信息;接着,将所述上游企业节点上传的第一数据通过包含词嵌入层的第一上下文编码器以得到上游企业语义理解特征向量;然后,将所述下游企业节点上传的第二数据通过包含词嵌入层的第二上下文编码器以得到下游企业语义理解特征向量;接着,计算所述上游企业语义理解特征向量和所述下游企业语义理解特征向量之间的转移矩阵;然后,计算所述上游企业语义理解特征向量和所述下游企业语义理解特征向量之间的协方差矩阵;接着,融合所述转移矩阵和所述协方差矩阵以得到分类特征矩阵;最后,将所述分类特征矩阵通过分类器以得到分类结果,所述分类结果用于表示是否存在信息篡改。
在一个具体示例中,在上述纺织化纤供应链信息防篡改方法中,将所述上游企业节点上传的第一数据通过包含词嵌入层的第一上下文编码器以得到上游企业语义理解特征向量,包括:对所述第一数据进行分词处理以将所述第一数据转化为由多个词组成的第一词序列;使用所述包含词嵌入层的第一上下文编码器的词嵌入层将所述第一词序列中各个词映射到词向量以获得第一词向量的序列;以及,使用所述包含词嵌入层的第一上下文编码器的转化器对所述第一词向量的序列进行基于全局的上下文语义编码以获得所述上游企业语义理解特征向量。
在一个具体示例中,在上述纺织化纤供应链信息防篡改方法中,使用所述包含词嵌入层的第一上下文编码器的转化器对所述第一词向量的序列进行基于全局的上下文语义编码以获得所述上游企业语义理解特征向量,包括:将所述第一词向量的序列进行一维排列以得到第一全局词序列特征向量;计算所述第一全局词序列特征向量与所述第一词向量的序列中各个词向量的转置向量之间的乘积以得到多个第一自注意力关联矩阵;分别对所述多个第一自注意力关联矩阵中各个第一自注意力关联矩阵进行标准化处理以得到多个第一标准化后自注意力关联矩阵;将所述多个第一标准化后自注意力关联矩阵中各个第一标准化后自注意力关联矩阵通过Softmax分类函数以得到多个第一概率值;以及,分别以所述多个第一概率值中各个第一概率值作为权重对所述第一词向量的序列中各个第一词向量进行加权以得到所述上游企业语义理解特征向量。
在一个具体示例中,在上述纺织化纤供应链信息防篡改方法中,将所述下游企业节点上传的第二数据通过包含词嵌入层的第二上下文编码器以得到下游企业语义理解特征向量,包括:对所述第二数据进行分词处理以将所述第二数据转化为由多个词组成的第二词序列;使用所述包含词嵌入层的第二上下文编码器的词嵌入层将所述第二词序列中各个词映射到词向量以获得第二词向量的序列;以及,使用所述包含词嵌入层的第二上下文编码器的转化器对所述第二词向量的序列进行基于全局的上下文语义编码以获得所述下游企业语义理解特征向量。
在一个具体示例中,在上述纺织化纤供应链信息防篡改方法中,计算所述上游企业语义理解特征向量和所述下游企业语义理解特征向量之间的转移矩阵,包括:以如下转移公式计算所述上游企业语义理解特征向量和所述下游企业语义理解特征向量之间的所述转移矩阵;其中,所述转移公式为:
其中,V表示所述上游企业语义理解特征向量,V1表示所述下游企业语义理解特征向量,M1表示所述转移矩阵,表示向量相乘。
在一个具体示例中,在上述纺织化纤供应链信息防篡改方法中,融合所述转移矩阵和所述协方差矩阵以得到分类特征矩阵,包括:采用卷积式字典对照响应学习以如下优化公式融合所述转移矩阵和所述协方差矩阵以得到所述分类特征矩阵;其中,所述优化公式为:
其中,M1是所述转移矩阵,M2是所述协方差矩阵,(·)T表示矩阵的转置矩阵,且||·||F表示矩阵的Frobenius范数,表示矩阵加法,/>表示矩阵乘法,Mc表示所述分类特征矩阵。
在一个具体示例中,在上述纺织化纤供应链信息防篡改方法中,将所述分类特征矩阵通过分类器以得到分类结果,所述分类结果用于表示是否存在信息篡改,包括:将所述分类特征矩阵按照行向量或列向量展开为分类特征向量;使用所述分类器的多个全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量;以及,将所述编码分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。
这里,本领域技术人员可以理解,上述纺织化纤供应链信息防篡改方法中的各个步骤的具体操作已经在上面参考图1到图6的纺织化纤供应链信息防篡改系统100的描述中得到了详细介绍,并因此,将省略其重复描述。
根据本申请的另一方面,还提供了一种非易失性的计算机可读存储介质,其上存储有计算机可读的指令,当利用计算机执行所述指令时可以执行如前所述的方法。
技术中的程序部分可以被认为是以可执行的代码和/或相关数据的形式而存在的“产品”或“制品”,通过计算机可读的介质所参与或实现的。有形的、永久的储存介质可以包括任何计算机、处理器、或类似设备或相关的模块所用到的内存或存储器。例如,各种半导体存储器、磁带驱动器、磁盘驱动器或者类似任何能够为软件提供存储功能的设备。
所有软件或其中的一部分有时可能会通过网络进行通信,如互联网或其他通信网络。此类通信可以将软件从一个计算机设备或处理器加载到另一个。例如:从视频目标检测设备的一个服务器或主机计算机加载至一个计算机环境的硬件平台,或其他实现系统的计算机环境,或与提供目标检测所需要的信息相关的类似功能的系统。因此,另一种能够传递软件元素的介质也可以被用作局部设备之间的物理连接,例如光波、电波、电磁波等,通过电缆、光缆或者空气等实现传播。用来载波的物理介质如电缆、无线连接或光缆等类似设备,也可以被认为是承载软件的介质。在这里的用法除非限制了有形的“储存”介质,其他表示计算机或机器“可读介质”的术语都表示在处理器执行任何指令的过程中参与的介质。
本申请使用了特定词语来描述本申请的实施例。如“第一/第二实施例”、“一实施例”、和/或“一些实施例”意指与本申请至少一个实施例相关的某一特征、结构或特点。因此,应强调并注意的是,本说明书中在不同位置两次或多次提及的“一实施例”或“一个实施例”或“一替代性实施例”并不一定是指同一实施例。此外,本申请的一个或多个实施例中的某些特征、结构或特点可以进行适当的组合。
此外,本领域技术人员可以理解,本申请的各方面可以通过若干具有可专利性的种类或情况进行说明和描述,包括任何新的和有用的工序、机器、产品或物质的组合,或对他们的任何新的和有用的改进。相应地,本申请的各个方面可以完全由硬件执行、可以完全由软件(包括固件、常驻软件、微码等)执行、也可以由硬件和软件组合执行。以上硬件或软件均可被称为“数据块”、“模块”、“引擎”、“单元”、“组件”或“系统”。此外,本申请的各方面可能表现为位于一个或多个计算机可读介质中的计算机产品,该产品包括计算机可读程序编码。
除非另有定义,这里使用的所有术语(包括技术和科学术语)具有与本发明所属领域的普通技术人员共同理解的相同含义。还应当理解,诸如在通常字典里定义的那些术语应当被解释为具有与它们在相关技术的上下文中的含义相一致的含义,而不应用理想化或极度形式化的意义来解释,除非这里明确地这样定义。
上面是对本发明的说明,而不应被认为是对其的限制。尽管描述了本发明的若干示例性实施例,但本领域技术人员将容易地理解,在不背离本发明的新颖教学和优点的前提下可以对示例性实施例进行许多修改。因此,所有这些修改都意图包含在权利要求书所限定的本发明范围内。应当理解,上面是对本发明的说明,而不应被认为是限于所公开的特定实施例,并且对所公开的实施例以及其他实施例的修改意图包含在所附权利要求书的范围内。本发明由权利要求书及其等效物限定。
Claims (9)
1.一种纺织化纤供应链信息防篡改系统,其特征在于,包括:
数据采集模块,用于从区块链结构的第一区块提取由纺织化纤供应链的上游企业节点上传的第一数据,以及,从所述区块链结构的第二区块提取由纺织化纤供应链的下游企业节点上传的第二数据,其中,所述第一数据和所述第二数据分别包括原材料信息、织造工艺信息、面料信息和订单信息;
上游数据语义理解模块,用于将所述上游企业节点上传的第一数据通过包含词嵌入层的第一上下文编码器以得到上游企业语义理解特征向量;
下游数据语义理解模块,用于将所述下游企业节点上传的第二数据通过包含词嵌入层的第二上下文编码器以得到下游企业语义理解特征向量;
转移关联模块,用于计算所述上游企业语义理解特征向量和所述下游企业语义理解特征向量之间的转移矩阵;
差异关联模块,用于计算所述上游企业语义理解特征向量和所述下游企业语义理解特征向量之间的协方差矩阵;
特征融合模块,用于融合所述转移矩阵和所述协方差矩阵以得到分类特征矩阵;以及
信息篡改检测模块,用于将所述分类特征矩阵通过分类器以得到分类结果,所述分类结果用于表示是否存在信息篡改;
其中,所述特征融合模块,用于:
采用卷积式字典对照响应学习以如下优化公式融合所述转移矩阵和所述协方差矩阵以得到所述分类特征矩阵;
其中,所述优化公式为:
其中,M1是所述转移矩阵,M2是所述协方差矩阵,(·)T表示矩阵的转置矩阵,且‖·‖F表示矩阵的Frobenius范数,表示矩阵加法,/>表示矩阵乘法,Mc表示所述分类特征矩阵。
2.根据权利要求1所述的纺织化纤供应链信息防篡改系统,其特征在于,所述上游数据语义理解模块,包括:
第一分词单元,用于对所述第一数据进行分词处理以将所述第一数据转化为由多个词组成的第一词序列;
第一词嵌入单元,用于使用所述包含词嵌入层的第一上下文编码器的词嵌入层将所述第一词序列中各个词映射到词向量以获得第一词向量的序列;以及
第一上下文语义编码单元,用于使用所述包含词嵌入层的第一上下文编码器的转化器对所述第一词向量的序列进行基于全局的上下文语义编码以获得所述上游企业语义理解特征向量。
3.根据权利要求2所述的纺织化纤供应链信息防篡改系统,其特征在于,所述第一上下文语义编码单元,包括:
第一查询向量构造子单元,用于将所述第一词向量的序列进行一维排列以得到第一全局词序列特征向量;
第一自注意子单元,用于计算所述第一全局词序列特征向量与所述第一词向量的序列中各个词向量的转置向量之间的乘积以得到多个第一自注意力关联矩阵;
第一标准化子单元,用于分别对所述多个第一自注意力关联矩阵中各个第一自注意力关联矩阵进行标准化处理以得到多个第一标准化后自注意力关联矩阵;
第一关注度计算子单元,用于将所述多个第一标准化后自注意力关联矩阵中各个第一标准化后自注意力关联矩阵通过Softmax分类函数以得到多个第一概率值;以及
第一注意力施加子单元,用于分别以所述多个第一概率值中各个第一概率值作为权重对所述第一词向量的序列中各个第一词向量进行加权以得到所述上游企业语义理解特征向量。
4.根据权利要求3所述的纺织化纤供应链信息防篡改系统,其特征在于,所述下游数据语义理解模块,包括:
第二分词单元,用于对所述第二数据进行分词处理以将所述第二数据转化为由多个词组成的第二词序列;
第二词嵌入单元,用于使用所述包含词嵌入层的第二上下文编码器的词嵌入层将所述第二词序列中各个词映射到词向量以获得第二词向量的序列;以及
第二上下文语义编码单元,用于使用所述包含词嵌入层的第二上下文编码器的转化器对所述第二词向量的序列进行基于全局的上下文语义编码以获得所述下游企业语义理解特征向量。
5.根据权利要求4所述的纺织化纤供应链信息防篡改系统,其特征在于,所述转移关联模块,用于:
以如下转移公式计算所述上游企业语义理解特征向量和所述下游企业语义理解特征向量之间的所述转移矩阵;
其中,所述转移公式为:
其中,V表示所述上游企业语义理解特征向量,V1表示所述下游企业语义理解特征向量,M1表示所述转移矩阵,表示向量相乘。
6.根据权利要求5所述的纺织化纤供应链信息防篡改系统,其特征在于,所述信息篡改检测模块,包括:
矩阵展开单元,用于将所述分类特征矩阵按照行向量或列向量展开为分类特征向量;
全连接编码单元,用于使用所述分类器的多个全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量;以及
分类单元,用于将所述编码分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。
7.一种纺织化纤供应链信息防篡改方法,其特征在于,包括:
从区块链结构的第一区块提取由纺织化纤供应链的上游企业节点上传的第一数据,以及,从所述区块链结构的第二区块提取由纺织化纤供应链的下游企业节点上传的第二数据,其中,所述第一数据和所述第二数据分别包括原材料信息、织造工艺信息、面料信息和订单信息;
将所述上游企业节点上传的第一数据通过包含词嵌入层的第一上下文编码器以得到上游企业语义理解特征向量;
将所述下游企业节点上传的第二数据通过包含词嵌入层的第二上下文编码器以得到下游企业语义理解特征向量;
计算所述上游企业语义理解特征向量和所述下游企业语义理解特征向量之间的转移矩阵;
计算所述上游企业语义理解特征向量和所述下游企业语义理解特征向量之间的协方差矩阵;
融合所述转移矩阵和所述协方差矩阵以得到分类特征矩阵;以及
将所述分类特征矩阵通过分类器以得到分类结果,所述分类结果用于表示是否存在信息篡改;
其中,融合所述转移矩阵和所述协方差矩阵以得到分类特征矩阵,包括:
采用卷积式字典对照响应学习以如下优化公式融合所述转移矩阵和所述协方差矩阵以得到所述分类特征矩阵;
其中,所述优化公式为:
其中,M1是所述转移矩阵,M2是所述协方差矩阵,(·)T表示矩阵的转置矩阵,且‖·‖F表示矩阵的Frobenius范数,表示矩阵加法,/>表示矩阵乘法,Mc表示所述分类特征矩阵。
8.根据权利要求7所述的纺织化纤供应链信息防篡改方法,其特征在于,将所述上游企业节点上传的第一数据通过包含词嵌入层的第一上下文编码器以得到上游企业语义理解特征向量,包括:
对所述第一数据进行分词处理以将所述第一数据转化为由多个词组成的第一词序列;
使用所述包含词嵌入层的第一上下文编码器的词嵌入层将所述第一词序列中各个词映射到词向量以获得第一词向量的序列;以及
使用所述包含词嵌入层的第一上下文编码器的转化器对所述第一词向量的序列进行基于全局的上下文语义编码以获得所述上游企业语义理解特征向量。
9.根据权利要求8所述的纺织化纤供应链信息防篡改方法,其特征在于,使用所述包含词嵌入层的第一上下文编码器的转化器对所述第一词向量的序列进行基于全局的上下文语义编码以获得所述上游企业语义理解特征向量,包括:
将所述第一词向量的序列进行一维排列以得到第一全局词序列特征向量;
计算所述第一全局词序列特征向量与所述第一词向量的序列中各个词向量的转置向量之间的乘积以得到多个第一自注意力关联矩阵;
分别对所述多个第一自注意力关联矩阵中各个第一自注意力关联矩阵进行标准化处理以得到多个第一标准化后自注意力关联矩阵;
将所述多个第一标准化后自注意力关联矩阵中各个第一标准化后自注意力关联矩阵通过Softmax分类函数以得到多个第一概率值;以及
分别以所述多个第一概率值中各个第一概率值作为权重对所述第一词向量的序列中各个第一词向量进行加权以得到所述上游企业语义理解特征向量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310555423.9A CN116561814B (zh) | 2023-05-17 | 2023-05-17 | 纺织化纤供应链信息防篡改方法及其系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310555423.9A CN116561814B (zh) | 2023-05-17 | 2023-05-17 | 纺织化纤供应链信息防篡改方法及其系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116561814A CN116561814A (zh) | 2023-08-08 |
CN116561814B true CN116561814B (zh) | 2023-11-24 |
Family
ID=87485803
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310555423.9A Active CN116561814B (zh) | 2023-05-17 | 2023-05-17 | 纺织化纤供应链信息防篡改方法及其系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116561814B (zh) |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108446273A (zh) * | 2018-03-15 | 2018-08-24 | 哈工大机器人(合肥)国际创新研究院 | 基于狄式过程的卡尔曼滤波词向量学习方法 |
CN113052200A (zh) * | 2020-12-09 | 2021-06-29 | 江苏科技大学 | 一种基于yolov3网络的声呐图像目标检测方法 |
CN115495804A (zh) * | 2022-10-25 | 2022-12-20 | 浙江理工大学 | 工业设计用辅助系统及其方法 |
CN115510475A (zh) * | 2022-09-14 | 2022-12-23 | 湖北文理学院 | 一种纺织供应链数据防篡改机制与低库存保障方法及系统 |
CN115525931A (zh) * | 2022-10-13 | 2022-12-27 | 湖北文理学院 | 一种基于区块链的纺织行业供应链信息防篡改方法及系统 |
CN115719298A (zh) * | 2022-11-23 | 2023-02-28 | 浙江鸿屹智能装备科技有限公司 | 一种纺织加弹机 |
CN115761642A (zh) * | 2022-11-23 | 2023-03-07 | 华能伊敏煤电有限责任公司 | 基于图像处理的破碎作业监控方法及其系统 |
US11615247B1 (en) * | 2022-04-24 | 2023-03-28 | Zhejiang Lab | Labeling method and apparatus for named entity recognition of legal instrument |
CN115953840A (zh) * | 2022-12-29 | 2023-04-11 | 杭州玉甄数码科技有限公司 | 基于并行网络的手势识别方法及其系统 |
CN115994822A (zh) * | 2023-02-20 | 2023-04-21 | 杭银消费金融股份有限公司 | 一种人机交互的实时信用审核决策系统 |
CN116010713A (zh) * | 2023-03-27 | 2023-04-25 | 日照职业技术学院 | 基于云计算的创新创业平台服务数据处理方法及系统 |
-
2023
- 2023-05-17 CN CN202310555423.9A patent/CN116561814B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108446273A (zh) * | 2018-03-15 | 2018-08-24 | 哈工大机器人(合肥)国际创新研究院 | 基于狄式过程的卡尔曼滤波词向量学习方法 |
CN113052200A (zh) * | 2020-12-09 | 2021-06-29 | 江苏科技大学 | 一种基于yolov3网络的声呐图像目标检测方法 |
US11615247B1 (en) * | 2022-04-24 | 2023-03-28 | Zhejiang Lab | Labeling method and apparatus for named entity recognition of legal instrument |
CN115510475A (zh) * | 2022-09-14 | 2022-12-23 | 湖北文理学院 | 一种纺织供应链数据防篡改机制与低库存保障方法及系统 |
CN115525931A (zh) * | 2022-10-13 | 2022-12-27 | 湖北文理学院 | 一种基于区块链的纺织行业供应链信息防篡改方法及系统 |
CN115495804A (zh) * | 2022-10-25 | 2022-12-20 | 浙江理工大学 | 工业设计用辅助系统及其方法 |
CN115719298A (zh) * | 2022-11-23 | 2023-02-28 | 浙江鸿屹智能装备科技有限公司 | 一种纺织加弹机 |
CN115761642A (zh) * | 2022-11-23 | 2023-03-07 | 华能伊敏煤电有限责任公司 | 基于图像处理的破碎作业监控方法及其系统 |
CN115953840A (zh) * | 2022-12-29 | 2023-04-11 | 杭州玉甄数码科技有限公司 | 基于并行网络的手势识别方法及其系统 |
CN115994822A (zh) * | 2023-02-20 | 2023-04-21 | 杭银消费金融股份有限公司 | 一种人机交互的实时信用审核决策系统 |
CN116010713A (zh) * | 2023-03-27 | 2023-04-25 | 日照职业技术学院 | 基于云计算的创新创业平台服务数据处理方法及系统 |
Non-Patent Citations (1)
Title |
---|
综合时空语义与关键出行特征的车辆目的地预测;孙云增;《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》(第05期);C034-644 * |
Also Published As
Publication number | Publication date |
---|---|
CN116561814A (zh) | 2023-08-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113822494B (zh) | 风险预测方法、装置、设备及存储介质 | |
Bucher et al. | Improving semantic embedding consistency by metric learning for zero-shot classiffication | |
CN112711953B (zh) | 一种基于注意力机制和gcn的文本多标签分类方法和系统 | |
CN109002834B (zh) | 基于多模态表征的细粒度图像分类方法 | |
CN116010713A (zh) | 基于云计算的创新创业平台服务数据处理方法及系统 | |
Banerjee et al. | Automated triaging of very large bug repositories | |
Mani et al. | Automatic digitization of engineering diagrams using deep learning and graph search | |
CN108984775B (zh) | 一种基于商品评论的舆情监控方法及系统 | |
CN112364352B (zh) | 可解释性的软件漏洞检测与推荐方法及系统 | |
Joseph et al. | Novel class discovery without forgetting | |
CN116245513B (zh) | 基于规则库的自动化运维系统及其方法 | |
CN116204266A (zh) | 远程协助的信息创建运维系统及其方法 | |
CN111898704B (zh) | 对内容样本进行聚类的方法和装置 | |
CN116861924A (zh) | 基于人工智能的项目风险预警方法及系统 | |
CN115712740A (zh) | 多模态蕴含增强图像文本检索的方法和系统 | |
Wibowo et al. | Detection of Fake News and Hoaxes on Information from Web Scraping using Classifier Methods | |
CN116363441B (zh) | 具备标记功能的管道腐蚀检测系统 | |
Perera et al. | Personality Classification of text through Machine learning and Deep learning: A Review (2023) | |
CN116757773A (zh) | 服装电子商务销售管理系统及其方法 | |
CN116624903A (zh) | 一种用于油烟管道的智能监测方法及系统 | |
CN116561814B (zh) | 纺织化纤供应链信息防篡改方法及其系统 | |
CN115098681A (zh) | 一种基于有监督对比学习的开放服务意图检测方法 | |
Menon et al. | An insight into the relevance of word ordering for text data analysis | |
Prasad | Pattern recognition: possible research areas and issues | |
Reddy et al. | Comparative Analysis of Handwritten Digit Recognition Using Logistic Regression, SVM, KNN and CNN Algorithms |
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 | ||
CB03 | Change of inventor or designer information |
Inventor after: Xu Hua Inventor after: Zhao Xinwei Inventor after: Hua Xiaonan Inventor before: Xu Hua Inventor before: Zhao Xinwei Inventor before: Hua Xiaonan |
|
CB03 | Change of inventor or designer information |