CN116910793B - 一种基于神经网络的数据加密方法、装置及存储介质 - Google Patents

一种基于神经网络的数据加密方法、装置及存储介质 Download PDF

Info

Publication number
CN116910793B
CN116910793B CN202311173459.7A CN202311173459A CN116910793B CN 116910793 B CN116910793 B CN 116910793B CN 202311173459 A CN202311173459 A CN 202311173459A CN 116910793 B CN116910793 B CN 116910793B
Authority
CN
China
Prior art keywords
data
encryption
sensor
importance
encrypted
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
Application number
CN202311173459.7A
Other languages
English (en)
Other versions
CN116910793A (zh
Inventor
洪跃宗
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.)
Xiamen Fanzhuo Information Technology Co ltd
Original Assignee
Xiamen Fanzhuo Information 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 Xiamen Fanzhuo Information Technology Co ltd filed Critical Xiamen Fanzhuo Information Technology Co ltd
Priority to CN202311173459.7A priority Critical patent/CN116910793B/zh
Publication of CN116910793A publication Critical patent/CN116910793A/zh
Application granted granted Critical
Publication of CN116910793B publication Critical patent/CN116910793B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06F21/602—Providing cryptographic facilities or services
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Computer Security & Cryptography (AREA)
  • Computational Linguistics (AREA)
  • Bioethics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computer Hardware Design (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Testing Or Calibration Of Command Recording Devices (AREA)
  • Arrangements For Transmission Of Measured Signals (AREA)

Abstract

本发明提出了一种基于神经网络的数据加密方法、装置及存储介质，该方法包括：从工厂车间中获取N个传感器的采集的现场数据流Sdata1、Sdata2、……、SdataN，采用优化的损失函数训练的神经网络模型对所述现场数据流Sdata1、Sdata2、……、SdataN进行加密模式预测，获取所述现场数据流Sdata1、Sdata2、……、SdataN对应的加密模式ENM1、ENM2、……、ENMN；使用加密模式ENM1、ENM2、……、ENMN对对应的所述现场数据流Sdata1、Sdata2、……、SdataN分别进行加密得到加密数据ESdata1、ESdata2、……、ESdataN；本发明创造性的提出了基于人工智能的方式对多种传感器采集的数据至少采用两种不同的加密模式进行加密，提高了工厂环境中传感器采集数据的加密效率及可靠性。

Description

一种基于神经网络的数据加密方法、装置及存储介质
技术领域
本发明涉及人工智能及数据处理技术领域，具体涉及一种基于神经网络的数据加密方法、装置及存储介质。
背景技术
现有技术中，工厂环境中所有传感器采集的数据都采用同样的加密方式进行加密，即不区分数据的重要性，如果采用的加密算法过于简单，则不利于重要数据的保护，若采用的加密算法过于复杂，则加密消耗的计算资源比较大，影响工厂数据系统的系统的性能，这种方式难以做到对重要数据的实时加密。
现有技术中，对数据采用不同的加密方式进行加密时，一般是指定数据的加密算法，即当出现一种新的数据时，需要为其指定新的加密算法，配置方式不灵活，且如何开辟加密初始化内存大小也是一项技术难题。
发明内容
本发明针对上述现有技术中一个或多个技术缺陷，提出了如下技术方案。
一种基于神经网络的数据加密方法，该方法包括：
数据采集步骤，从工厂车间中获取获得N个传感器的采集的现场数据流Sdata1、Sdata2、……、SdataN，每个数据流Sdatai包括对应的传感器间隔时间t采集的M条传感器采集数据、该传感器的工作模式、该传感器的精度要求数据、该传感器在所述工厂车间的位置坐标，并基于所述位置坐标计算对应的传感器的数据重要度；
加密模式获取步骤，将获取的每个数据流Sdatai中的M条传感器采集数据、该传感器的工作模式、该传感器的精度要求数据及计算出的该传感器的数据重要度输入优化的损失函数训练的神经网络模型对所述现场数据流Sdata1、Sdata2、……、SdataN进行加密模式预测，获取所述现场数据流Sdata1、Sdata2、……、SdataN对应的加密模式ENM1、ENM2、……、ENMN；
加密步骤，使用加密模式ENM1、ENM2、……、ENMN对对应的所述现场数据流Sdata1、Sdata2、……、SdataN分别进行加密得到加密数据ESdata1、ESdata2、……、ESdataN；
其中，所述传感器的数据重要度的计算方式为：计算所述N个传感器的空间中心坐标C，基于所述空间中心坐标C计算每个传感器的数据重要度：
，其中，/>表示第i个传感器的位置坐标，/>表示第i个传感器至所述空间中心坐标C的距离，/>为常数；
其中，N≥2、M≥2，N≥i≥1，所述ENM1、ENM2、……、ENMN中至少两者加密后的数据安全系数不同；
其中，所述优化的损失函数为：
；
其中，训练样本集中的样本数量为L个，、/>分别表示训练样本集中的第k个训练样本中的传感器的数据重要度、精度要求数据，/>表示训练样本集中第k个训练样本，/>分别表示神经网络每次训练的输出值，/>表示与/>对应的标签值；
其中，；
其中，T1为常数；
；
其中，在所述加密步骤中，基于所述加密模式ENM1、ENM2、……、ENMN获取对应的加密内存区域，每种加密模式对应的初始加密内存区域大小不同，每种加密模式对应的加密内存区域所需要的内存空间分别为：
；
其中，为加密前数据的大小。
更进一步地，判断所述加密模式ENM1、ENM2、……、ENMN对应的加密内存区域所需要的内存空间总大小是否小于可用内存空间大小，如果是，则返回加密模式ENM1、ENM2、……、ENMN对应的加密内存区域的地址指针，如果否，则根据传感器的数据重要度对加密模式进行降序排序，选择前K个加密模式获取对应的加密内存区域，其中，前K个加密模式获取对应的加密内存区域需要的内存空间总大小小于可用内存空间大小。
更进一步地，所述安全系数是指破解数据消耗的计算资源数量。
本发明还提出了一种基于神经网络的数据加密装置，该装置包括：
数据采集单元，从工厂车间中获取N个传感器的采集的现场数据流Sdata1、Sdata2、……、SdataN，每个数据流Sdatai包括对应的传感器间隔时间t采集的M条传感器采集数据、该传感器的工作模式、该传感器的精度要求数据、该传感器在所述工厂车间的位置坐标，并基于所述位置坐标计算对应的传感器的数据重要度；
加密模式获取单元，将获取的每个数据流Sdatai中的M条传感器采集数据、该传感器的工作模式、该传感器的精度要求数据及计算出的该传感器的数据重要度输入优化的损失函数训练的神经网络模型对所述现场数据流Sdata1、Sdata2、……、SdataN进行加密模式预测，获取所述现场数据流Sdata1、Sdata2、……、SdataN对应的加密模式ENM1、ENM2、……、ENMN；
加密单元，使用加密模式ENM1、ENM2、……、ENMN对对应的所述现场数据流Sdata1、Sdata2、……、SdataN分别进行加密得到加密数据ESdata1、ESdata2、……、ESdataN；
其中，所述传感器的数据重要度的计算方式为：计算所述N个传感器的空间中心坐标C，基于所述空间中心坐标C计算每个传感器的数据重要度：
，其中，/>表示第i个传感器的位置坐标，/>表示第i个传感器至所述空间中心坐标C的距离，/>为常数；
其中，N≥2、M≥2，N≥i≥1，所述ENM1、ENM2、……、ENMN中至少两者加密后的数据安全系数不同；
其中，所述优化的损失函数为：
；
其中，训练样本集中的样本数量为L个，、/>分别表示训练样本集中的第k个训练样本中的传感器的数据重要度、精度要求数据，/>表示训练样本集中第k个训练样本，/>分别表示神经网络每次训练的输出值，/>表示与/>对应的标签值；
其中，；
其中，T1为常数；
；
其中，在所述加密单元中，基于所述加密模式ENM1、ENM2、……、ENMN获取对应的加密内存区域，每种加密模式对应的初始加密内存区域大小不同，每种加密模式对应的加密内存区域所需要的内存空间分别为：
；
其中，为加密前数据的大小。
更进一步地，判断所述加密模式ENM1、ENM2、……、ENMN对应的加密内存区域所需要的内存空间总大小是否小于可用内存空间大小，如果是，则返回加密模式ENM1、ENM2、……、ENMN对应的加密内存区域的地址指针，如果否，则根据传感器的数据重要度对加密模式进行降序排序，选择前K个加密模式获取对应的加密内存区域，其中，前K个加密模式获取对应的加密内存区域需要的内存空间总大小小于可用内存空间大小。
更进一步地，所述安全系数是指破解数据消耗的计算资源数量。
本发明还提出了一种计算机可读存储介质，所述存储介质上存储有计算机程序代码，当所述计算机程序代码被计算机执行时执行上述之任一的方法。
本发明的技术效果在于：本发明的一种基于神经网络的数据加密方法、装置及存储介质，该方法包括：数据采集步骤S101，从工厂车间中获取N个传感器的采集的现场数据流Sdata1、Sdata2、……、SdataN，每个数据流Sdatai包括对应的传感器间隔时间t采集的M条传感器采集数据、该传感器的工作模式、该传感器的精度要求数据、该传感器在所述工厂车间的位置坐标，并基于所述位置坐标计算对应的传感器的数据重要度；加密模式获取步骤S102，将获取的每个数据流Sdatai中的M条传感器采集数据、该传感器的工作模式、该传感器的精度要求数据及计算出的该传感器的数据重要度输入优化的损失函数训练的神经网络模型对所述现场数据流Sdata1、Sdata2、……、SdataN进行加密模式预测，获取所述现场数据流Sdata1、Sdata2、……、SdataN对应的加密模式ENM1、ENM2、……、ENMN；加密步骤S103，使用加密模式ENM1、ENM2、……、ENMN对对应的所述现场数据流Sdata1、Sdata2、……、SdataN分别进行加密得到加密数据ESdata1、ESdata2、……、ESdataN；其中，N≥2、M≥2，N≥i≥1，所述ENM1、ENM2、……、ENMN中至少两者加密后的数据安全系数不同。本发明创造性的提出了基于人工智能的方式对多种传感器采集的数据至少采用两种不同的加密模式进行加密，即本发明中，采用优化的损失函数训练的神经网络模型对所述现场数据流Sdata1、Sdata2、……、SdataN进行加密模式预测，获取所述现场数据流Sdata1、Sdata2、……、SdataN对应的加密模式ENM1、ENM2、……、ENMN；使用加密模式ENM1、ENM2、……、ENMN对对应的所述现场数据流Sdata1、Sdata2、……、SdataN分别进行加密得到加密数据ESdata1、ESdata2、……、ESdataN。这种加密方式使得每种传感器匹配最佳的加密模式，且工厂环境中新增加传感器时，仅仅需要对新增加的传感器确定加密模式即可，加密模式确定方式简单，不需要对工厂数据系统进行大量的修改，本发明提高了工厂环境中传感器采集数据的加密效率及可靠性；本发明提出了传感器数据重要度的计算方式，该计算方式的理论依据在于位于工厂核心区域的传感器数据一般来说是比较重要的，外围区域的一些传感器数据相对没那么重要，因此，本发明设计了传感器的数据重要度的计算公式，可以方便的计算数据的重要度，该重要度是后续实施本发明的基础；本发明中，针对每种加密模式，基于数据重要度开辟不同的内存大小，以确保重要数据实时加密，非重要数据加密速度可以慢点，本发明重要的构思是在于当内存区域不够所有传感器的数据加密时，根据数据的重要性进行降序排序，选择前K个加密模式对对应的传感器数据进行加密，此时前K个加密模式获取对应的加密内存区域需要的内存空间总大小小于可用内存空间大小，保证了重要数据的实时加密；本发明基于传感器的数据重要度、传感器的精度要求数据二者对神经网络模型的损失函数进行优化，即在当前样本的数据重要度、传感器的精度要求都大于或等于其均值时，使用二者的和进行权重调节，如果当前样本的数据重要度、传感器的精度要求都小于其均值时，使用二者的和的一半进行权重调节，当二者之中只有一个大于或等于均值时，表明该样本数据重要度与精度要求冲突，这是因为数据重要度要求高的数据，其精度要求也高，且根据标签值与预测值之间的差值确定是否将该样本参与损失函数的计算，保证了训练的收敛，这样优化的优点不仅考虑了传感器的数据重要度，还考虑了传感器的精度要求数据，使得训练后的神经网络模型在预测加密模式更为准确，保证了重要数据可以实时加密。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显。
图1是根据本发明的实施例的一种基于神经网络的数据加密方法的流程图。
图2是根据本发明的实施例的一种基于神经网络的数据加密装置的结构图。
具体实施方式
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。
需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
图1示出了本发明的一种基于神经网络的数据加密方法，该方法包括：
数据采集步骤S101，从工厂车间中获取获得N个传感器的采集的现场数据流Sdata1、Sdata2、……、SdataN，每个数据流Sdatai包括对应的传感器间隔时间t采集的M条传感器采集数据、该传感器的工作模式、该传感器的精度要求数据、该传感器在所述工厂车间的位置坐标，并基于所述位置坐标计算对应的传感器的数据重要度；
加密模式获取步骤S102，将获取的每个数据流Sdatai中的M条传感器采集数据、该传感器的工作模式、该传感器的精度要求数据及计算出的该传感器的数据重要度输入优化的损失函数训练的神经网络模型对所述现场数据流Sdata1、Sdata2、……、SdataN进行加密模式预测，获取所述现场数据流Sdata1、Sdata2、……、SdataN对应的加密模式ENM1、ENM2、……、ENMN；
加密步骤S103，使用加密模式ENM1、ENM2、……、ENMN对对应的所述现场数据流Sdata1、Sdata2、……、SdataN分别进行加密得到加密数据ESdata1、ESdata2、……、ESdataN；
其中，N≥2、M≥2，N≥i≥1，所述ENM1、ENM2、……、ENMN中至少两者加密后的数据安全系数不同。
本发明中，可以将获取的每个数据流Sdatai中的M条传感器采集数据、该传感器的工作模式、该传感器的精度要求数据及计算出的该传感器的数据重要度构成一个向量，将该输入优化的损失函数训练的神经网络模型对每个数据流进行加密模式预测，获取所述现场数据流Sdata1、Sdata2、……、SdataN对应的加密模式ENM1、ENM2、……、ENMN。传感器的工作模式是包括测试模式和正常模式，测试模式在向量中可以使用0表示，正常模式可以使用1表示，测试模式下采集的数据相对来说不是很重要，正常模式下采集的表示是各种设备的工作状态数据，相比测试模式下的数据重要一些，所以测试模式下加密后的数据安全系数低于正常模式下加密后的数据安全系数，所以测试模式在加密模式预测时也作为输入向量的一部分参与预测。
本发明是为了解决工厂环境中所有传感器采集的数据都采用同样的加密方式进行加密，即不区分数据的重要性，如果采用的加密算法过于简单，则不利于重要数据的保护，若采用的加密算法过于复杂，则加密消耗的计算资源比较大，影响工厂数据系统的系统的性能。本发明创造性的提出了基于人工智能的方式对多种传感器采集的数据至少采用两种不同的加密模式进行加密，即本发明中，采用优化的损失函数训练的神经网络模型对所述现场数据流Sdata1、Sdata2、……、SdataN进行加密模式预测，获取所述现场数据流Sdata1、Sdata2、……、SdataN对应的加密模式ENM1、ENM2、……、ENMN；使用加密模式ENM1、ENM2、……、ENMN对对应的所述现场数据流Sdata1、Sdata2、……、SdataN分别进行加密得到加密数据ESdata1、ESdata2、……、ESdataN。这种加密方式使得每种传感器匹配最佳的加密模式，且工厂环境中新增加传感器时，仅仅需要对新增加的传感器确定加密模式即可，加密模式确定方式简单，不需要对工厂数据系统进行大量的修改，本发明提高了工厂环境中传感器采集数据的加密效率及可靠性，这是本发明的重要构思之所在。
在一个具体实施例中，所述传感器的数据重要度的计算方式为：计算所述N个传感器的空间中心坐标C，基于所述空间中心坐标C计算每个传感器的数据重要度：，其中，/>表示第i个传感器的位置坐标，/>表示第i个传感器至所述空间中心坐标C的距离。
本发明提出了传感器数据重要度的计算方式，该计算方式的理论依据在于位于工厂核心区域的传感器数据一般来说是比较重要的，外围区域的一些传感器数据相对没那么重要，因此，本发明设计了传感器的数据重要度的计算公式，可以方便的计算数据的重要度，该重要度是后续实施本发明的基础，这是本发明的一个重要发明点。
在一个实施例中，在所述加密步骤S103中，基于所述加密模式ENM1、ENM2、……、ENMN获取对应的加密内存区域，每种加密模式对应的初始加密内存区域大小不同，每种加密模式对应的加密内存区域所需要的内存空间分别为：
；
其中，为加密前数据的大小。
在一个实施例中，判断所述加密模式ENM1、ENM2、……、ENMN对应的加密内存区域所需要的内存空间总大小是否小于可用内存空间大小，如果是，则返回加密模式ENM1、ENM2、……、ENMN对应的加密内存区域的地址指针，如果否，则根据传感器的数据重要度对加密模式进行降序排序，选择前K个加密模式获取对应的加密内存区域，其中，前K个加密模式获取对应的加密内存区域需要的内存空间总大小小于可用内存空间大小。
本发明中，针对每种加密模式，基于数据重要度开辟不同的内存大小，本发明提出预开辟加密内存大小的计算方式即可以保证重要数据实时加密，又可以保证不开辟过大的内存空间，避免内存空间浪费，以确保重要数据实时加密，非重要数据加密速度可以慢点，本发明重要的构思是在于提出了基于数据重要度开辟内存大小的计算方式，以及当内存区域不够所有传感器的数据加密时，根据数据的重要性进行降序排序，选择前K个加密模式对对应的传感器数据进行加密，此时前K个加密模式获取对应的加密内存区域需要的内存空间总大小小于可用内存空间大小，保证了重要数据的实时加密，这是本发明的一个重要发明构思之所在。
在一个实施例中，所述安全系数是指破解数据消耗的计算资源数量。
在一个实施例中，其中，所述优化的损失函数为：
；
其中，训练样本集中的样本数量为L个，、/>分别表示训练样本集中的第k个训练样本中的传感器的数据重要度、精度要求数据，/>表示训练样本集中第k个训练样本，/>分别表示神经网络每次训练的输出值，/>表示与/>对应的标签值；
其中，；
其中，T1为常数，通过该常数的设置，可以将标签值与预测值比较接近的训练样本在计算损失不参与计算，即在神经网络的迭代中不再参与计算，降低计算量，这是本发明的一个发明构思所在；
；
本发明基于传感器的数据重要度、传感器的精度要求数据二者对神经网络模型的损失函数进行优化，即在当前样本的数据重要度、传感器的精度要求都大于或等于其均值时，使用二者的和进行权重调节，如果当前样本的数据重要度、传感器的精度要求都小于其均值时，使用二者的和的一半进行权重调节，当二者之中只有一个大于或等于均值时，表明该样本数据重要度与精度要求冲突，这是因为数据重要度要求高的数据，其精度要求也高，且根据标签值与预测值之间的差值确定是否将该样本参与损失函数的计算，保证了训练的收敛，这样优化的优点不仅考虑了传感器的数据重要度，还考虑了传感器的精度要求数据，使得训练后的神经网络模型在预测加密模式更为准确，保证了重要数据可以实时加密，这是本发明的重要发明构思之另一。
图2示出了本发明的本发明的一种基于神经网络的数据加密装置，该装置包括：
数据采集单元201，从工厂车间中获取N个传感器的采集的现场数据流Sdata1、Sdata2、……、SdataN，每个数据流Sdatai包括对应的传感器间隔时间t采集的M条传感器采集数据、该传感器的工作模式、该传感器的精度要求数据、该传感器在所述工厂车间的位置坐标，并基于所述位置坐标计算对应的传感器的数据重要度；
加密模式获取单元202，将获取的每个数据流Sdatai中的M条传感器采集数据、该传感器的工作模式、该传感器的精度要求数据及计算出的该传感器的数据重要度输入优化的损失函数训练的神经网络模型对所述现场数据流Sdata1、Sdata2、……、SdataN进行加密模式预测，获取所述现场数据流Sdata1、Sdata2、……、SdataN对应的加密模式ENM1、ENM2、……、ENMN；
加密单元203，使用加密模式ENM1、ENM2、……、ENMN对对应的所述现场数据流Sdata1、Sdata2、……、SdataN分别进行加密得到加密数据ESdata1、ESdata2、……、ESdataN；
其中，N≥2、M≥2，N≥i≥1，所述ENM1、ENM2、……、ENMN中至少两者加密后的数据安全系数不同。
本发明中，可以将获取的每个数据流Sdatai中的M条传感器采集数据、该传感器的工作模式、该传感器的精度要求数据及计算出的该传感器的数据重要度构成一个向量，将该输入优化的损失函数训练的神经网络模型对每个数据流进行加密模式预测，获取所述现场数据流Sdata1、Sdata2、……、SdataN对应的加密模式ENM1、ENM2、……、ENMN。传感器的工作模式是包括测试模式和正常模式，测试模式在向量中可以使用0表示，正常模式可以使用1表示，测试模式下采集的数据相对来说不是很重要，正常模式下采集的表示是各种设备的工作状态数据，相比测试模式下的数据重要一些，所以测试模式下加密后的数据安全系数低于正常模式下加密后的数据安全系数，所以测试模式在加密模式预测时也作为输入向量的一部分参与预测。
本发明是为了解决工厂环境中所有传感器采集的数据都采用同样的加密方式进行加密，即不区分数据的重要性，如果采用的加密算法过于简单，则不利于重要数据的保护，若采用的加密算法过于复杂，则加密消耗的计算资源比较大，影响工厂数据系统的系统的性能。本发明创造性的提出了基于人工智能的方式对多种传感器采集的数据至少采用两种不同的加密模式进行加密，即本发明中，采用优化的损失函数训练的神经网络模型对所述现场数据流Sdata1、Sdata2、……、SdataN进行加密模式预测，获取所述现场数据流Sdata1、Sdata2、……、SdataN对应的加密模式ENM1、ENM2、……、ENMN；使用加密模式ENM1、ENM2、……、ENMN对对应的所述现场数据流Sdata1、Sdata2、……、SdataN分别进行加密得到加密数据ESdata1、ESdata2、……、ESdataN。这种加密方式使得每种传感器匹配最佳的加密模式，且工厂环境中新增加传感器时，仅仅需要对新增加的传感器确定加密模式即可，加密模式确定方式简单，不需要对工厂数据系统进行大量的修改，本发明提高了工厂环境中传感器采集数据的加密效率及可靠性，这是本发明的重要构思之所在。
在一个具体实施例中，所述传感器的数据重要度的计算方式为：计算所述N个传感器的空间中心坐标C，基于所述空间中心坐标C计算每个传感器的数据重要度：，其中，/>表示第i个传感器的位置坐标，/>表示第i个传感器至所述空间中心坐标C的距离。
本发明提出了传感器数据重要度的计算方式，该计算方式的理论依据在于位于工厂核心区域的传感器数据一般来说是比较重要的，外围区域的一些传感器数据相对没那么重要，因此，本发明设计了传感器的数据重要度的计算公式，可以方便的计算数据的重要度，该重要度是后续实施本发明的基础，这是本发明的一个重要发明点。
在一个实施例中，在所述加密单元203中，基于所述加密模式ENM1、ENM2、……、ENMN获取对应的加密内存区域，每种加密模式对应的初始加密内存区域大小不同，每种加密模式对应的加密内存区域所需要的内存空间分别为：
；
其中，为加密前数据的大小。
在一个实施例中，判断所述加密模式ENM1、ENM2、……、ENMN对应的加密内存区域所需要的内存空间总大小是否小于可用内存空间大小，如果是，则返回加密模式ENM1、ENM2、……、ENMN对应的加密内存区域的地址指针，如果否，则根据传感器的数据重要度对加密模式进行降序排序，选择前K个加密模式获取对应的加密内存区域，其中，前K个加密模式获取对应的加密内存区域需要的内存空间总大小小于可用内存空间大小。
本发明中，针对每种加密模式，基于数据重要度开辟不同的内存大小，本发明提出预开辟加密内存大小的计算方式即可以保证重要数据实时加密，又可以保证不开辟过大的内存空间，避免内存空间浪费，以确保重要数据实时加密，非重要数据加密速度可以慢点，本发明重要的构思是在于提出了基于数据重要度开辟内存大小的计算方式，以及当内存区域不够所有传感器的数据加密时，根据数据的重要性进行降序排序，选择前K个加密模式对对应的传感器数据进行加密，此时前K个加密模式获取对应的加密内存区域需要的内存空间总大小小于可用内存空间大小，保证了重要数据的实时加密，这是本发明的一个重要发明构思之所在。
在一个实施例中，所述安全系数是指破解数据消耗的计算资源数量。
在一个实施例中，其中，所述优化的损失函数为：
；
其中，训练样本集中的样本数量为L个，、/>分别表示训练样本集中的第k个训练样本中的传感器的数据重要度、精度要求数据，/>表示训练样本集中第k个训练样本，/>分别表示神经网络每次训练的输出值，/>表示与/>对应的标签值；
其中，；
其中，T1为常数，通过该常数的设置，可以将标签值与预测值比较接近的训练样本在计算损失不参与计算，即在神经网络的迭代中不再参与计算，降低计算量，这是本发明的一个发明构思所在；
；
本发明基于传感器的数据重要度、传感器的精度要求数据二者对神经网络模型的损失函数进行优化，即在当前样本的数据重要度、传感器的精度要求都大于或等于其均值时，使用二者的和进行权重调节，如果当前样本的数据重要度、传感器的精度要求都小于其均值时，使用二者的和的一半进行权重调节，当二者之中只有一个大于或等于均值时，表明该样本数据重要度与精度要求冲突，这是因为数据重要度要求高的数据，其精度要求也高，且根据标签值与预测值之间的差值确定是否将该样本参与损失函数的计算，保证了训练的收敛，这样优化的优点不仅考虑了传感器的数据重要度，还考虑了传感器的精度要求数据，使得训练后的神经网络模型在预测加密模式更为准确，保证了重要数据可以实时加密，这是本发明的重要发明构思之另一。
本发明的为了描述的方便，描述以上装置时以功能分为各种单元分别描述。当然，在实施本申请时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
通过以上的实施方式的描述可知，本领域的技术人员可以清楚地了解到本申请可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在存储介质 中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本申请各个实施例或者实施例的某些部分所述的装置。
最后所应说明的是：以上实施例仅以说明而非限制本发明的技术方案，尽管参照上述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：依然可以对本发明进行修改或者等同替换，而不脱离本发明的精神和范围的任何修改或局部替换，其均应涵盖在本发明的权利要求范围当中。

Claims (5)

1.一种基于神经网络的数据加密方法，其特征在于，该方法包括：
数据采集步骤，从工厂车间中获取N个传感器的采集的现场数据流Sdata1、Sdata2、……、SdataN，每个数据流Sdatai包括对应的传感器间隔时间t采集的M条传感器采集数据、该传感器的工作模式、该传感器的精度要求数据、该传感器在所述工厂车间的位置坐标，并基于所述位置坐标计算对应的传感器的数据重要度；
加密模式获取步骤，将获取的每个数据流Sdatai中的M条传感器采集数据、该传感器的工作模式、该传感器的精度要求数据及计算出的该传感器的数据重要度输入优化的损失函数训练的神经网络模型对所述现场数据流Sdata1、Sdata2、……、SdataN进行加密模式预测，获取所述现场数据流Sdata1、Sdata2、……、SdataN对应的加密模式ENM1、ENM2、……、ENMN；
加密步骤，使用加密模式ENM1、ENM2、……、ENMN对对应的所述现场数据流Sdata1、Sdata2、……、SdataN分别进行加密得到加密数据ESdata1、ESdata2、……、ESdataN；
其中，所述传感器的数据重要度的计算方式为：计算所述N个传感器的空间中心坐标C，基于所述空间中心坐标C计算每个传感器的数据重要度：
其中，SPi表示第i个传感器的位置坐标，|SPi-C|表示第i个传感器至所述空间中心坐标C的距离，α为常数；
其中，N≥2、M≥2，N≥i≥1，所述ENM1、ENM2、……、ENMN中至少两者加密后的数据安全系数不同；
所述安全系数是指破解数据消耗的计算资源数量；
其中，所述优化的损失函数为：
其中，训练样本集中的样本数量为L个，SIPk、SARk分别表示训练样本集中的第k个训练样本中的传感器的数据重要度、精度要求数据，xk表示训练样本集中第k个训练样本，f(xk)表示神经网络每次训练的输出值，yk表示与xk对应的标签值；
其中，
其中，T1为常数；
其中，在所述加密步骤中，基于所述加密模式ENM1、ENM2、……、ENMN获取对应的加密内存区域，每种加密模式对应的初始加密内存区域大小不同，每种加密模式对应的加密内存区域所需要的内存空间分别为：
其中，DSi为加密前数据的大小。
2.根据权利要求1所述的方法，其特征在于，判断所述加密模式ENM1、ENM2、……、ENMN对应的加密内存区域所需要的内存空间总大小是否小于可用内存空间大小，如果是，则返回加密模式ENM1、ENM2、……、ENMN对应的加密内存区域的地址指针，如果否，则根据传感器的数据重要度对加密模式进行降序排序，选择前K个加密模式获取对应的加密内存区域，其中，前K个加密模式获取对应的加密内存区域需要的内存空间总大小小于可用内存空间大小。
3.一种基于神经网络的数据加密装置，其特征在于，该装置包括：
数据采集单元，从工厂车间中获取N个传感器的采集的现场数据流Sdata1、Sdata2、……、SdataN，每个数据流Sdatai包括对应的传感器间隔时间t采集的M条传感器采集数据、该传感器的工作模式、该传感器的精度要求数据、该传感器在所述工厂车间的位置坐标，并基于所述位置坐标计算对应的传感器的数据重要度；
加密模式获取单元，将获取的每个数据流Sdatai中的M条传感器采集数据、该传感器的工作模式、该传感器的精度要求数据及计算出的该传感器的数据重要度输入优化的损失函数训练的神经网络模型对所述现场数据流Sdata1、Sdata2、……、SdataN进行加密模式预测，获取所述现场数据流Sdata1、Sdata2、……、SdataN对应的加密模式ENM1、ENM2、……、ENMN；
加密单元，使用加密模式ENM1、ENM2、……、ENMN对对应的所述现场数据流Sdata1、Sdata2、……、SdataN分别进行加密得到加密数据ESdata1、ESdata2、……、ESdataN；
其中，N≥2、M≥2，N≥i≥1，所述ENM1、ENM2、……、ENMN中至少两者加密后的数据安全系数不同；
所述安全系数是指破解数据消耗的计算资源数量；
其中，所述传感器的数据重要度的计算方式为：计算所述N个传感器的空间中心坐标C，基于所述空间中心坐标C计算每个传感器的数据重要度：
其中，SPi表示第i个传感器的位置坐标，|SPi-C|表示第i个传感器至所述空间中心坐标C的距离，α为常数；
其中，所述优化的损失函数为：
其中，训练样本集中的样本数量为L个，SIPk、SARk分别表示训练样本集中的第k个训练样本中的传感器的数据重要度、精度要求数据，xk表示训练样本集中第k个训练样本，f(xk)表示神经网络每次训练的输出值，yk表示与xk对应的标签值；
其中，
其中，T1为常数；
其中，在所述加密单元中，基于所述加密模式ENM1、ENM2、……、ENMN获取对应的加密内存区域，每种加密模式对应的初始加密内存区域大小不同，每种加密模式对应的加密内存区域所需要的内存空间分别为：
其中，DSi为加密前数据的大小。
4.根据权利要求3所述的装置，其特征在于，判断所述加密模式ENM1、ENM2、……、ENMN对应的加密内存区域所需要的内存空间总大小是否小于可用内存空间大小，如果是，则返回加密模式ENM1、ENM2、……、ENMN对应的加密内存区域的地址指针，如果否，则根据传感器的数据重要度对加密模式进行降序排序，选择前K个加密模式获取对应的加密内存区域，其中，前K个加密模式获取对应的加密内存区域需要的内存空间总大小小于可用内存空间大小。
5.一种计算机可读存储介质，所述存储介质上存储有计算机程序代码，当所述计算机程序代码被计算机执行时执行上述权利要求1-2之任一的方法。
CN202311173459.7A 2023-09-12 2023-09-12 一种基于神经网络的数据加密方法、装置及存储介质 Active CN116910793B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311173459.7A CN116910793B (zh) 2023-09-12 2023-09-12 一种基于神经网络的数据加密方法、装置及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311173459.7A CN116910793B (zh) 2023-09-12 2023-09-12 一种基于神经网络的数据加密方法、装置及存储介质

Publications (2)

Publication Number Publication Date
CN116910793A CN116910793A (zh) 2023-10-20
CN116910793B true CN116910793B (zh) 2023-12-08

Family

ID=88351474

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311173459.7A Active CN116910793B (zh) 2023-09-12 2023-09-12 一种基于神经网络的数据加密方法、装置及存储介质

Country Status (1)

Country Link
CN (1) CN116910793B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110619220A (zh) * 2019-08-09 2019-12-27 北京小米移动软件有限公司 对神经网络模型加密的方法及装置、存储介质
CN111930599A (zh) * 2020-09-29 2020-11-13 北京海联捷讯科技股份有限公司 一种云服务系统的运维数据处理方法、装置及存储介质
EP3843323A1 (en) * 2019-07-19 2021-06-30 Eaglys Inc. Computation device, computation method, computation program, and computation system
CN114372560A (zh) * 2021-12-30 2022-04-19 厦门市美亚柏科信息股份有限公司 一种神经网络训练方法、装置、设备及存储介质

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3843323A1 (en) * 2019-07-19 2021-06-30 Eaglys Inc. Computation device, computation method, computation program, and computation system
CN110619220A (zh) * 2019-08-09 2019-12-27 北京小米移动软件有限公司 对神经网络模型加密的方法及装置、存储介质
CN111930599A (zh) * 2020-09-29 2020-11-13 北京海联捷讯科技股份有限公司 一种云服务系统的运维数据处理方法、装置及存储介质
CN114372560A (zh) * 2021-12-30 2022-04-19 厦门市美亚柏科信息股份有限公司 一种神经网络训练方法、装置、设备及存储介质

Also Published As

Publication number Publication date
CN116910793A (zh) 2023-10-20

Similar Documents

Publication Publication Date Title
Huang et al. Robust student’s t-based stochastic cubature filter for nonlinear systems with heavy-tailed process and measurement noises
JP6404909B2 (ja) 技術的な系の出力量のモデルを算出する方法
JP2021512526A5 (zh)
Chen et al. Event-triggered state estimation: Experimental performance assessment and comparative study
CN108509723A (zh) 基于人工神经网络的LRU Cache预取机制性能收益评估方法
AU2021245165A1 (en) Method and device for processing quantum data
CN116450711A (zh) Gnss坐标时间序列数据流匹配方法
CN110702093B (zh) 基于粒子滤波的定位方法、装置、存储介质及机器人
CN116546617A (zh) 基于非视通场景下的射线追踪指纹定位方法及装置
Lewis et al. Chaotic attractor prediction for server run-time energy consumption
Chen et al. A nonlinear scheduling rule incorporating fuzzy-neural remaining cycle time estimator for scheduling a semiconductor manufacturing factory—a simulation study
CN116910793B (zh) 一种基于神经网络的数据加密方法、装置及存储介质
CN117406844B (zh) 一种基于神经网络的显卡风扇控制方法及相关装置
CN110119511A (zh) 文章热点得分的预测方法、介质、装置和计算设备
CN114418093A (zh) 训练路径表征模型、输出信息的方法和装置
CN107977980B (zh) 一种目标跟踪方法、设备以及可读介质
CN113128446A (zh) 一种基于信念图增强网络的人体姿态估计方法
LeBeau Power Analysis by Simulation using R and simglm
Cortes et al. Coordinated deployment of mobile sensing networks with limited-range interactions
CN111108738A (zh) 数据处理设备、数据分析设备、数据处理系统和用于处理数据的方法
CN112242959B (zh) 微服务限流控制方法、装置、设备及计算机存储介质
Li et al. Collaborating visual tracker based on particle filter and correlation filter
CN112053386B (zh) 基于深度卷积特征自适应集成的目标跟踪方法
CN113608622A (zh) 人体姿态实时预测方法、系统、介质及设备
CN111914751A (zh) 一种图像人群密度识别检测方法及系统

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