CN117156442A - 基于5g网络的云数据安全保护方法及系统 - Google Patents

Abstract

本申请公开了一种基于5G网络的云数据安全保护方法及系统，其通过基于5G网络的智能特性来实现实时的云端存储数据流量值的监测和分析，这样，能够更快地发现和处理异常情况，从而减少延迟。同时，利用5G网络的高带宽和低延迟特性，更好地应对大规模数据处理需求，保证数据在遭受异常或威胁时能够及时发现和处理。

Description

基于5G网络的云数据安全保护方法及系统

技术领域

本申请涉及云数据安全保护领域，且更为具体地，涉及一种基于5G网络的云数据安全保护方法及系统。

背景技术

随着云计算和大数据的快速发展，越来越多的数据被存储在云端，包括个人信息、商业机密等。如果这些数据遭到泄露，将会给个人和组织带来严重的损失，包括财务损失、声誉损害等。然而，云环境中会存在各种数据异常和威胁的影响，因此，保护云数据的安全对于个人和组织来说至关重要。

然而，在传统的云数据安全保护方案中，数据监测和分析通常是基于离线或批处理的方式进行的，这意味着检测到异常或威胁后需要一定的时间才能采取相应的措施，效率较低且及时性较差。并且，由于云环境中存储的数据量庞大，传统方案可能面临处理大规模数据的挑战，无法高效地处理大规模数据流量，也就不能够实时监测和分析云端数据流量，导致异常情况无法及时发现和处理。

因此，期望一种基于5G网络的云数据安全保护方案。

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基于5G网络的云数据安全保护方法及系统，其通过基于5G网络的智能特性来实现实时的云端存储数据流量值的监测和分析，这样，能够更快地发现和处理异常情况，从而减少延迟。同时，利用5G网络的高带宽和低延迟特性，更好地应对大规模数据处理需求，保证数据在遭受异常或威胁时能够及时发现和处理。

根据本申请的一个方面，提供了一种基于5G网络的云数据安全保护方法，其包括：

通过5G网络实时监测云端存储的数据流量值以得到预定时间段内多个预定时间点的数据流量值；

将所述预定时间段内多个预定时间点的数据流量值按照时间维度排列为存储数据流量时序输入向量；

对所述存储数据流量时序输入向量进行局部时序特征提取以得到存储数据流量局部时序特征向量的序列；

对所述存储数据流量局部时序特征向量的序列进行一致性拓扑关联编码以得到数据流量局部模式一致性拓扑特征矩阵；

对所述存储数据流量局部时序特征向量的序列和所述数据流量局部模式一致性拓扑特征矩阵进行基于图像数据的关联编码以得到一致性拓扑存储数据流量全局时序特征；以及

基于所述一致性拓扑存储数据流量全局时序特征，确定数据流量是否正常。

根据本申请的另一个方面，提供了一种基于5G网络的云数据安全保护系统，其包括：

数据获取模块，用于通过5G网络实时监测云端存储的数据流量值以得到预定时间段内多个预定时间点的数据流量值；

排列模块，用于将所述预定时间段内多个预定时间点的数据流量值按照时间维度排列为存储数据流量时序输入向量；

局部时序特征提取模块，用于对所述存储数据流量时序输入向量进行局部时序特征提取以得到存储数据流量局部时序特征向量的序列；

一致性拓扑关联编码模块，用于对所述存储数据流量局部时序特征向量的序列进行一致性拓扑关联编码以得到数据流量局部模式一致性拓扑特征矩阵；

关联编码模块，用于对所述存储数据流量局部时序特征向量的序列和所述数据流量局部模式一致性拓扑特征矩阵进行基于图像数据的关联编码以得到一致性拓扑存储数据流量全局时序特征；以及结果生成模块，用于基于所述一致性拓扑存储数据流量全局时序特征，确定数据流量是否正常。

与现有技术相比，本申请提供的一种基于5G网络的云数据安全保护方法及系统，其通过基于5G网络的智能特性来实现实时的云端存储数据流量值的监测和分析，这样，能够更快地发现和处理异常情况，从而减少延迟。同时，利用5G网络的高带宽和低延迟特性，更好地应对大规模数据处理需求，保证数据在遭受异常或威胁时能够及时发现和处理。

附图说明

通过结合附图对本申请实施例进行更详细的描述，本申请的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本申请实施例的进一步理解，并且构成说明书的一部分，与本申请实施例一起用于解释本申请，并不构成对本申请的限制。在附图中，相同的参考标号通常代表相同部件或步骤。

图1为根据本申请实施例的基于5G网络的云数据安全保护方法的流程图；

图2为根据本申请实施例的基于5G网络的云数据安全保护方法的系统架构图；

图3为根据本申请实施例的基于5G网络的云数据安全保护方法的子步骤S3的流程图；

图4为根据本申请实施例的基于5G网络的云数据安全保护方法的子步骤S4的流程图；

图5为根据本申请实施例的基于5G网络的云数据安全保护系统的框图。

实施方式

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。

风光发电储能管理包括风光储多能互补管理策略、储能SOC智能监测、多能管理数据分析评多种机型能量估等。特别地，通过监测储能系统的SOC可以实现对能量的合理管理和调度，例如，根据当前SOC值来决定何时进行充电或放电操作以最大程度地提高能量利用效率。但是，在储能SOC智能监测中，储能系统（例如，储能电池）的SOC值与多个因素相关，不仅各个因素与SOC之间存在复杂的线性或非线性关联，且各个因素之间也存在复杂的线性或非线性关联，这导致SOC值的测量值的精准度不高，从而影响后续的决策合理性。因此，期待一种优化的风光发电储能管理方案。

在本申请的技术方案中，提出了一种风光发电储能管理方法。图1为根据本申请实施例的风光发电储能管理方法的流程图。图2为根据本申请实施例的风光发电储能管理方法的系统架构图。如图1和图2所示，根据本申请的实施例的风光发电储能管理方法，包括步骤：S1，获取储能过程中被储能电池的储能参数，其中，所述储能参数包括充电电压值、充电电流至和电池温度值；以及，S2，基于所述储能参数，确定所述被储能电池的SOC值。

特别地，在步骤S1中，通过5G网络实时监测云端存储的数据流量值以得到预定时间段内多个预定时间点的数据流量值。应可以理解，5G网络作为新一代移动通信技术，具有高带宽、低延迟和大连接数的特点，为实时监测和分析云数据提供了更好的基础。也就是说，基于5G网络的智能特性可以实现实时的云端存储数据流量值的监测和分析，能够更快地发现和处理异常情况，从而减少延迟。同时，基于5G网络的云数据安全保护方案可以利用5G网络的高带宽和低延迟特性，更好地应对大规模数据处理需求，保证数据在遭受异常或威胁时能够及时发现和处理。具体地，在本申请的技术方案中，首先，通过5G网络实时监测云端存储的数据流量值以得到预定时间段内多个预定时间点的数据流量值。

相应的，在一种可能的实现方式中，可通过以下步骤通过5G网络实时监测云端存储的数据流量值以得到预定时间段内多个预定时间点的数据流量值，例如：首先，确定要监测的云端存储数据流量值以及预定时间段内的多个预定时间点；使用设备访问云端存储平台，例如Amazon S3、Google Cloud Storage或Microsoft Azure等。确保具备访问云端存储的权限和凭证；通过云端存储平台的API或其他适当的方式获取当前的数据流量值。这可能涉及调用特定的API端点或使用云端存储平台提供的命令行工具；确定要监测的多个预定时间点。可以是固定的时间间隔，例如每小时或每分钟一次，或者是您自定义的时间点；在每个预定时间点，使用相同的方法获取数据流量值。记录每个时间点的数据流量值并进行存储；对收集到的数据进行分析和处理。可以计算每个时间点的数据流量增量、平均值、峰值等统计指标，以及生成图表或报告；将分析和处理后的数据结果进行可视化展示，例如使用图表、仪表盘或其他形式的可视化工具。这样可以更直观地了解数据流量的变化趋势和特征。

特别地，在步骤S2中，将所述预定时间段内多个预定时间点的数据流量值按照时间维度排列为存储数据流量时序输入向量。考虑到由于所述数据流量值在时间维度上具有着时序的动态变化规律，也就是说，所述多个预定时间点的数据流量值之间具有着时序的动态关联特性。因此，在本申请的技术方案中，为了能够对于所述数据流量值进行时序分析，需要将所述预定时间段内多个预定时间点的数据流量值按照时间维度排列为存储数据流量时序输入向量，以此来整合所述数据流量值在时间维度上的时序分布信息。

特别地，在步骤S3中，对所述存储数据流量时序输入向量进行局部时序特征提取以得到存储数据流量局部时序特征向量的序列。特别地，在本申请的一个具体示例中，如图3所示，所述S3，包括：S31，对所述存储数据流量时序输入向量进行向量切分以得到存储数据流量局部时序输入向量的序列；以及，S32，通过基于深度神经网络模型的时序特征提取器分别对所述存储数据流量局部时序输入向量的序列进行时序特征提取以得到所述存储数据流量局部时序特征向量的序列。

具体地，所述S31，对所述存储数据流量时序输入向量进行向量切分以得到存储数据流量局部时序输入向量的序列。在对于所述数据流量值的时序变化特征进行特征提取时，为了能够更好地捕捉到所述数据流量值在时间维度上的时序细致变化特征信息，进一步需要对所述存储数据流量时序输入向量进行向量切分以得到存储数据流量局部时序输入向量的序列，以便于后续更好地提取出不同时间片段中的数据流量局部时序细节变化特征信息。

相应的，在一种可能的实现方式中，可通过以下步骤对所述存储数据流量时序输入向量进行向量切分以得到存储数据流量局部时序输入向量的序列，例如：确定用于切分时序输入向量的窗口大小。切分窗口大小表示每个局部时序输入向量的长度；根据时序输入向量的长度和切分窗口大小计算切分窗口的数量。这可以通过将时序输入向量的长度除以切分窗口大小来获得；将时序输入向量按照切分窗口大小进行切分。从时序输入向量的起始点开始，按照切分窗口大小依次切分向量，形成多个局部时序输入向量；将所有切分得到的局部时序输入向量按照切分的顺序形成局部时序输入向量的序列。

具体地，所述S32，通过基于深度神经网络模型的时序特征提取器分别对所述存储数据流量局部时序输入向量的序列进行时序特征提取以得到所述存储数据流量局部时序特征向量的序列。也就是，在本申请的技术方案中，将所述存储数据流量局部时序输入向量的序列通过基于一维卷积层的时序特征提取器中进行特征提取，以提取出所述数据流量值在时间维度上的各个局部时间片段内的局部时序细微变化特征信息，从而得到存储数据流量局部时序特征向量的序列。这样，有利于进行所述数据流量值的时序变化趋势分析和异常数据流量的检测。具体地，使用所述基于一维卷积层的时序特征提取器的各层在层的正向传递中分别对输入数据进行：对输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行基于特征矩阵的池化以得到池化特征图；以及，对所述池化特征图进行非线性激活以得到激活特征图；其中，所述基于一维卷积层的时序特征提取器的最后一层的输出为所述存储数据流量局部时序特征向量的序列，所述基于一维卷积层的时序特征提取器的第一层的输入为所述存储数据流量局部时序输入向量的序列。

值得注意的是，一维卷积层是深度学习中常用的一种神经网络层，用于处理具有时序结构的数据，如时间序列数据或一维信号数据。它可以捕捉输入数据中的局部模式和特征，并通过卷积操作对输入数据进行特征提取。一维卷积层的结构如下：输入数据：一维卷积层接收一个一维的输入数据，通常表示为一个序列，如时间序列或一维信号；卷积核（滤波器）：一维卷积层包含多个卷积核（滤波器），每个卷积核都是一个小的一维权重向量。每个卷积核在输入数据上进行滑动操作，通过点乘计算来提取局部特征；卷积操作：卷积核在输入数据上进行滑动操作，通过将卷积核的权重与输入数据的对应部分进行逐元素相乘，并求和得到一个输出值。通过滑动操作，可以在整个输入数据上提取特征；输出特征图：一维卷积层的输出是一个或多个二维的特征图，其中每个特征图对应一个卷积核。特征图的大小取决于输入数据的长度、卷积核的大小和卷积的步幅。

值得一提的是，在本申请的其他具体示例中，还可以通过其他方式对所述存储数据流量时序输入向量进行局部时序特征提取以得到存储数据流量局部时序特征向量的序列，例如：确定用于提取局部时序特征的窗口大小。窗口大小表示在数据流中考虑的时间范围；将窗口应用于存储数据流量的时序输入向量。从时序输入向量的起始点开始，按照窗口大小滑动窗口，每次滑动一个时间步长；对于每个滑动窗口，提取局部时序特征。这些特征可以是统计量、频域特征、时域特征或其他适当的特征；将每个滑动窗口提取的局部时序特征组合成特征向量。每个特征向量对应一个窗口，并且包含窗口内提取的局部时序特征；将所有特征向量按照滑动窗口的顺序形成特征向量序列。这将得到存储数据流量局部时序特征向量的序列。

特别地，在步骤S4中，对所述存储数据流量局部时序特征向量的序列进行一致性拓扑关联编码以得到数据流量局部模式一致性拓扑特征矩阵。特别地，在本申请的一个具体示例中，如图4所示，所述S4，包括：S41，计算所述存储数据流量局部时序特征向量的序列中任意两个存储数据流量局部时序特征向量之间的余弦相似度以得到数据流量局部模式一致性拓扑矩阵；以及，S42，将所述数据流量局部模式一致性拓扑矩阵通过基于卷积神经网络模型的拓扑特征提取器以得到所述数据流量局部模式一致性拓扑特征矩阵。

具体地，所述S41，计算所述存储数据流量局部时序特征向量的序列中任意两个存储数据流量局部时序特征向量之间的余弦相似度以得到数据流量局部模式一致性拓扑矩阵。考虑到由于所述数据流量值在各个局部时序片段中的动态细微变化特征信息之间具有着时序的关联关系，也就是说，所述存储数据流量局部时序特征向量的序列中的各个存储数据流量局部时序特征向量之间存在着关于数据流量时序模式的关联信息。因此，在本申请的技术方案中，为了能够更好地进行数据流量的异常检测，需要进一步计算所述存储数据流量局部时序特征向量的序列中任意两个存储数据流量局部时序特征向量之间的余弦相似度以得到数据流量局部模式一致性拓扑矩阵，以便于后续能够捕捉到所述各个局部时序片段中有关于数据流量值的局部时序动态变化特征之间基于数据流量局部模式的一致性关联特征信息。

具体地，所述S42，将所述数据流量局部模式一致性拓扑矩阵通过基于卷积神经网络模型的拓扑特征提取器以得到所述数据流量局部模式一致性拓扑特征矩阵。也就是，将所述数据流量局部模式一致性拓扑矩阵通过基于卷积神经网络模型的拓扑特征提取器中进行特征挖掘，以提取出所述各个局部时序片段中的数据流量局部模式之间的一致性关联拓扑特征信息，从而得到数据流量局部模式一致性拓扑特征矩阵。具体地，使用所述基于卷积神经网络模型的拓扑特征提取器的各层在层的正向传递中分别对输入数据进行：对输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行沿通道维度的池化以得到池化特征图；以及，对所述池化特征图进行非线性激活以得到激活特征图；其中，所述基于卷积神经网络模型的拓扑特征提取器的最后一层的输出为所述数据流量局部模式一致性拓扑特征矩阵，所述基于卷积神经网络模型的拓扑特征提取器的第一层的输入为所述数据流量局部模式一致性拓扑矩阵。

卷积神经网络（Convolutional Neural Network，CNN）是一种深度学习模型，专门用于处理具有网格结构数据的任务，尤其是图像和视频数据。它是由多个卷积层、激活函数、池化层和全连接层等组成的神经网络。CNN的核心思想是利用卷积操作来提取输入数据中的特征，并通过层级抽象逐渐学习到更高级别的特征表示。这种特征提取的方式使得CNN在图像处理和计算机视觉任务中表现出色。CNN的主要组成部分包括：卷积层：卷积层是CNN的核心，通过卷积操作对输入数据进行特征提取。它使用一组卷积核（滤波器）在输入数据上滑动，并计算与局部区域的卷积，生成对应的特征图；激活函数：在卷积层的输出上应用激活函数，引入非线性关系。常用的激活函数包括ReLU、Sigmoid和Tanh等，用于增加网络的表达能力；池化层：池化层用于减小特征图的尺寸，并保留主要的特征信息。最常见的池化操作是最大池化和平均池化，通过对局部区域取最大值或平均值来减少特征的维度；全连接层：在卷积和池化层之后，通常会添加全连接层。全连接层将前面层的输出展平，并通过全连接的神经元进行分类、回归或其他任务。CNN的训练过程通常使用反向传播算法（Backpropagation）和梯度下降优化来更新网络的权重参数。通过大量的训练数据和迭代优化，CNN可以学习到适合特定任务的特征表示，并在测试阶段对新数据进行预测或分类。

值得一提的是，在本申请的其他具体示例中，还可以通过其他方式对所述存储数据流量局部时序特征向量的序列进行一致性拓扑关联编码以得到数据流量局部模式一致性拓扑特征矩阵，例如：对于给定的局部时序特征向量序列，首先计算每对局部时序特征向量之间的相似度。可以使用各种相似度度量方法，如欧氏距离、余弦相似度等，根据问题的特点选择适当的相似度度量方法。将相似度计算结果组成一个相似度矩阵；基于相似度矩阵，可以定义一个邻接矩阵来表示局部时序特征向量之间的拓扑关系。邻接矩阵是一个二进制矩阵，其中元素表示节点之间的连接关系。可以根据相似度矩阵中的相似度阈值来确定邻接矩阵中的连接关系，例如将相似度大于某个阈值的节点连接起来；一致性拓扑关联编码是一种图编码方法，用于将图的结构信息编码为向量表示。可以使用一致性拓扑关联编码算法，如Graph Convolutional Networks (GCN) 或 Graph Attention Networks(GAT)，对邻接矩阵进行编码，得到节点的一致性拓扑特征向量；将编码后的一致性拓扑特征向量按照相应的顺序组合成一个特征矩阵。特征矩阵的每一行对应一个局部时序特征向量，每一列对应一种一致性拓扑特征。

特别地，在步骤S5中，对所述存储数据流量局部时序特征向量的序列和所述数据流量局部模式一致性拓扑特征矩阵进行基于图像数据的关联编码以得到一致性拓扑存储数据流量全局时序特征。特别地，在本申请的一个具体示例中，所述S5，包括：将所述存储数据流量局部时序特征向量的序列和所述数据流量局部模式一致性拓扑特征矩阵通过图神经网络模型以得到一致性拓扑存储数据流量全局时序特征矩阵作为所述一致性拓扑存储数据流量全局时序特征。也就是，以所述各个存储数据流量局部时序特征向量作为节点的特征表示，而以所述数据流量局部模式一致性拓扑特征矩阵作为节点与节点之间的边的特征表示，将由所述存储数据流量局部时序特征向量的序列经二维排列得到的存储数据流量局部时序特征矩阵和所述数据流量局部模式一致性拓扑特征矩阵通过图神经网络模型以得到一致性拓扑存储数据流量全局时序特征矩阵。具体地，所述图神经网络模型通过可学习的神经网络参数对所述存储数据流量局部时序特征矩阵和所述数据流量局部模式一致性拓扑特征矩阵进行图结构数据编码以得到包含不规则的数据流量局部模式之间的一致性关联拓扑特征和所述各个局部时序片段中有关于数据流量值的局部时序动态变化特征信息的所述一致性拓扑存储数据流量全局时序特征矩阵。

值得注意的是，图神经网络（Graph Neural Network，GNN）是一种用于处理图结构数据的深度学习模型。与传统的神经网络主要处理向量或矩阵数据不同，GNN专门用于学习和表示图中节点和边的特征，并进行图级别的预测和分析。GNN的核心思想是通过信息传递和聚合来更新节点的特征表示。具体而言，GNN通过迭代地更新每个节点的特征，将节点的邻居信息进行聚合，并结合当前节点的特征来更新节点的表示。这种信息传递和聚合的过程可以通过图卷积操作来实现。常见的GNN模型包括Graph Convolutional Networks（GCN）、GraphSAGE、Graph Attention Networks（GAT）等。这些模型在图结构数据的节点分类、链接预测、图生成等任务中取得了很好的效果。

值得一提的是，在本申请的其他具体示例中，还可以通过其他方式对所述存储数据流量局部时序特征向量的序列和所述数据流量局部模式一致性拓扑特征矩阵进行基于图像数据的关联编码以得到一致性拓扑存储数据流量全局时序特征，例如：收集存储数据流量的局部时序特征向量的序列和数据流量的局部模式一致性拓扑特征矩阵；将数据流量的局部时序特征向量的序列转化为图像数据。可以使用各种图像编码方法，如时间序列图像编码或者使用特征向量的数值作为像素值进行编码；对生成的图像数据进行特征提取。可以使用传统的计算机视觉方法，如使用卷积神经网络（CNN）进行特征提取，或者使用基于图像的特征提取方法，如基于图神经网络（GNN）的方法；将数据流量的局部模式一致性拓扑特征矩阵与图像特征进行关联编码。可以使用各种关联编码方法，如将两个特征矩阵进行拼接、融合或者使用注意力机制等方法；从关联编码后的特征中提取存储数据流量的全局时序特征。可以使用传统的机器学习方法，如使用循环神经网络（RNN）或长短期记忆网络（LSTM）进行时序特征提取，或者使用基于图的方法，如使用图神经网络（GNN）进行全局特征提取；将提取得到的存储数据流量的全局时序特征进行存储或进一步的分析和应用。

特别地，在步骤S6中，基于所述一致性拓扑存储数据流量全局时序特征，确定数据流量是否正常。特别地，在本申请的一个具体示例中，所述S6，包括：将所述一致性拓扑存储数据流量全局时序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数据流量是否正常。

具体地，将所述一致性拓扑存储数据流量全局时序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数据流量是否正常。也就是，利用有关于所述数据流量的局部时序动态变化特征和所述数据流量局部模式的一致性拓扑关联特征之间基于图结构数据的关联特征信息来进行分类处理，以此来对于云端存储数据流量值进行实时监测和分析，以便于更快地发现和处理异常情况，从而减少延迟。更具体地，将所述一致性拓扑存储数据流量全局时序特征矩阵基于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。

分类器（Classifier）是指一种机器学习模型或算法，用于将输入数据分为不同的类别或标签。分类器是监督学习的一部分，它通过学习从输入数据到输出类别的映射关系来进行分类任务。

全连接层（Fully Connected Layer）是神经网络中常见的一种层类型。在全连接层中，每个神经元都与上一层的所有神经元相连接，每个连接都有一个权重。这意味着全连接层中的每个神经元都接收来自上一层所有神经元的输入，并通过权重对这些输入进行加权求和，然后将结果传递给下一层。

Softmax分类函数是一种常用的激活函数，用于多分类问题。它将输入向量的每个元素转化为一个介于0和1之间的概率值，并且这些概率值的和等于1。Softmax函数常用于神经网络的输出层，特别适用于多分类问题，因为它能够将网络输出映射为各个类别的概率分布。在训练过程中，Softmax函数的输出可以用于计算损失函数，并通过反向传播算法来更新网络参数。值得注意的是，Softmax函数的输出并不会改变元素之间的相对大小关系，只是对其进行了归一化处理。因此，Softmax函数并不改变输入向量的特性，只是将其转化为概率分布形式。

值得一提的是，在本申请的其他具体示例中，还可以通过其他方式基于所述一致性拓扑存储数据流量全局时序特征，确定数据流量是否正常，例如：使用正常的存储数据流量样本，建立一个正常数据流量的模型。可以使用传统的机器学习方法，如支持向量机（SVM）、随机森林（Random Forest）等，或者使用深度学习方法，如卷积神经网络（CNN）或循环神经网络（RNN）来建立模型；从存储数据流量的全局时序特征中提取用于判断数据流量是否正常的特征。可以使用统计特征、频域特征、时域特征等方法来提取特征；使用建立的正常数据流量模型和提取的特征来进行异常检测。通过将新的存储数据流量样本输入到模型中，根据模型的输出判断数据流量是否正常。如果模型输出的异常程度高于设定的阈值，则判断数据流量为异常；根据异常检测的结果，将数据流量分为正常和异常两类。可以根据具体需求进一步细分异常类型；对于被判断为异常的数据流量，根据具体情况采取相应的处理措施。例如，可以触发警报、采取自动化的修复措施、进行进一步的调查等。

在本申请的一个具体示例中，所述基于5G网络的云数据安全保护方法，还包括：训练步骤，用于对所述基于深度神经网络模型的时序特征提取器、所述基于卷积神经网络模型的拓扑特征提取器、所述图神经网络模型和所述分类器进行训练；其中，所述训练步骤，包括：获取训练数据，所述训练数据，包括预定时间段内多个预定时间点的训练数据流量值，以及，所述训练数据流量是否正常的真实值；将所述预定时间段内多个预定时间点的训练数据流量值按照时间维度排列为训练存储数据流量时序输入向量；对所述训练存储数据流量时序输入向量进行向量切分以得到训练存储数据流量局部时序输入向量的序列；通过所述基于深度神经网络模型的时序特征提取器分别对所述训练存储数据流量局部时序输入向量的序列进行时序特征提取以得到训练存储数据流量局部时序特征向量的序列；计算所述训练存储数据流量局部时序特征向量的序列中任意两个训练存储数据流量局部时序特征向量之间的余弦相似度以得到训练数据流量局部模式一致性拓扑矩阵；将所述训练数据流量局部模式一致性拓扑矩阵通过所述基于卷积神经网络模型的拓扑特征提取器以得到训练数据流量局部模式一致性拓扑特征矩阵；将所述训练存储数据流量局部时序特征向量的序列和所述训练数据流量局部模式一致性拓扑特征矩阵通过所述图神经网络模型以得到训练一致性拓扑存储数据流量全局时序特征矩阵；将所述训练一致性拓扑存储数据流量全局时序特征矩阵通过分类器以得到分类损失函数值；反向传播训练单元，用于基于所述分类损失函数值并通过梯度下降的方向传播来对所述基于深度神经网络模型的时序特征提取器、所述基于卷积神经网络模型的拓扑特征提取器、所述图神经网络模型和所述分类器进行训练，其中，在训练过程中的每次迭代时，对所述训练存储数据流量局部时序特征向量的序列中的每个训练存储数据流量局部时序特征向量以及所述训练一致性拓扑存储数据流量全局时序特征矩阵进行特征分布优化。

在本申请的技术方案中，将所述训练存储数据流量局部时序输入向量的序列通过基于一维卷积层的时序特征提取器后，得到的所述训练存储数据流量局部时序特征向量的序列中的每个训练存储数据流量局部时序特征向量表达局部时间域内存储数据流量之间的局部邻域语义关联特征，这样，将所述训练存储数据流量局部时序特征向量的序列和所述训练数据流量局部模式一致性拓扑特征矩阵通过图神经网络模型，可以进一步提取存储数据局部时域关联特征在全局时间域内的局部时域关联特征分布相似性拓扑下的拓扑关联，但是，如果将所述训练一致性拓扑存储数据流量全局时序特征矩阵作为整体，则其对于各个存储数据局部时域关联特征表达可能存在不均衡，并且，本申请的申请人进一步发现，这种不均衡在很大程度上与特征表达尺度相关，即特征向量的局部时间维度上的邻域语义特征表达尺度，和各个特征向量间的特征矩阵的全局时间维度下的局部时间分布的邻域语义特征拓扑关联尺度，例如，可以理解为相对于进行向量切分的尺度，局部时间域内与局部时间域间的尺度分布越不均衡，则所述训练一致性拓扑存储数据流量全局时序特征矩阵的整体表达也越不均衡。因此，优选地，对于所述训练存储数据流量局部时序特征向量的序列中的每个训练存储数据流量局部时序特征向量，例如记为以及所述训练一致性拓扑存储数据流量全局时序特征矩阵，例如记为/>进行特征尺度约束的概率密度收敛优化。

在本申请的一个具体示例中，对所述训练存储数据流量局部时序特征向量的序列中的每个训练存储数据流量局部时序特征向量以及所述训练一致性拓扑存储数据流量全局时序特征矩阵进行特征分布优化，包括：以如下公式分别计算所述存储数据流量局部时序特征向量的序列中的每个存储数据流量局部时序特征向量和所述一致性拓扑存储数据流量全局时序特征矩阵的概率密度收敛权重以得到第一权重的序列和第二权重；其中，所述公式为：

其中，是所述训练存储数据流量局部时序特征向量的序列中的第/>个训练存储数据流量局部时序特征向量，/>是所述训练一致性拓扑存储数据流量全局时序特征矩阵，/>是特征向量/>的长度，/>是特征向量/>的第/>个特征值，/>表示特征向量/>的二范数的平方，/>是特征矩阵的尺度，即宽度乘以高度，且/>表示特征矩阵的Frobenius范数的平方，/>是所述第一权重的序列中的第/>个第一权重，/>是所述第二权重。

以所述第一权重的序列对所述训练存储数据流量局部时序特征向量的序列中的每个存储数据流量局部时序特征向量进行加权以得到从优化后的训练存储数据流量局部时序特征向量的序列；以所述第二权重对从优化后的训练存储数据流量局部时序特征向量的序列得到的训练一致性拓扑存储数据流量全局时序特征矩阵进行加权以得到优化后的训练一致性拓扑存储数据流量全局时序特征矩阵。

这里，所述特征尺度约束的概率密度收敛优化可以通过类标准柯西分布式的尾部分布加强机制，来基于特征尺度对高维特征空间内的特征概率密度分布进行多层次分布结构的相关性约束，以使得具有不同尺度的高维特征的概率密度分布在整体概率密度空间内进行均匀性展开，从而弥补特征尺度偏差导致的概率密度收敛异质性。这样，在训练过程中的每次迭代时，以上述权重对所述训练存储数据流量局部时序特征向量的序列中的每个存储数据流量局部时序特征向量进行加权，并以权重/>对从优化后的训练存储数据流量局部时序特征向量的序列得到的训练一致性拓扑存储数据流量全局时序特征矩阵进行加权，就可以提升优化后的训练一致性拓扑存储数据流量全局时序特征矩阵在概率密度域内的表达收敛性，从而提升其通过分类器得到的分类结果的准确性。这样，能够对于云端存储数据流量值进行实时监测和分析，以便于更快地发现和处理异常情况，从而减少延迟，并且通过基于5G网络的云数据保护还能够更好地应对大规模数据处理需求，保证数据在遭受异常或威胁时能够及时发现和处理。

综上，根据本申请实施例的基于5G网络的云数据安全保护方法被阐明，其通过基于5G网络的智能特性来实现实时的云端存储数据流量值的监测和分析，这样，能够更快地发现和处理异常情况，从而减少延迟。同时，利用5G网络的高带宽和低延迟特性，更好地应对大规模数据处理需求，保证数据在遭受异常或威胁时能够及时发现和处理。

进一步地，还提供一种基于5G网络的云数据安全保护系统。

图5为根据本申请实施例的基于5G网络的云数据安全保护系统的框图。如图5所示，根据本申请实施例的基于5G网络的云数据安全保护系统300，包括：数据获取模块310，用于通过5G网络实时监测云端存储的数据流量值以得到预定时间段内多个预定时间点的数据流量值；排列模块320，用于将所述预定时间段内多个预定时间点的数据流量值按照时间维度排列为存储数据流量时序输入向量；局部时序特征提取模块330，用于对所述存储数据流量时序输入向量进行局部时序特征提取以得到存储数据流量局部时序特征向量的序列；一致性拓扑关联编码模块340，用于对所述存储数据流量局部时序特征向量的序列进行一致性拓扑关联编码以得到数据流量局部模式一致性拓扑特征矩阵；关联编码模块350，用于对所述存储数据流量局部时序特征向量的序列和所述数据流量局部模式一致性拓扑特征矩阵进行基于图像数据的关联编码以得到一致性拓扑存储数据流量全局时序特征；以及，结果生成模块360，用于基于所述一致性拓扑存储数据流量全局时序特征，确定数据流量是否正常。

如上所述，根据本申请实施例的基于5G网络的云数据安全保护系统300可以实现在各种无线终端中，例如具有基于5G网络的云数据安全保护算法的服务器等。在一种可能的实现方式中，根据本申请实施例的基于5G网络的云数据安全保护系统300可以作为一个软件模块和/或硬件模块而集成到无线终端中。例如，该基于5G网络的云数据安全保护系统300可以是该无线终端的操作系统中的一个软件模块，或者可以是针对于该无线终端所开发的一个应用程序；当然，该基于5G网络的云数据安全保护系统300同样可以是该无线终端的众多硬件模块之一。

替换地，在另一示例中，该基于5G网络的云数据安全保护系统300与该无线终端也可以是分立的设备，并且该基于5G网络的云数据安全保护系统300可以通过有线和/或无线网络连接到该无线终端，并且按照约定的数据格式来传输交互信息。

以上已经描述了本公开的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术的改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。

Claims (9)

1.一种基于5G网络的云数据安全保护方法，其特征在于，包括：

通过5G网络实时监测云端存储的数据流量值以得到预定时间段内多个预定时间点的数据流量值；

将所述预定时间段内多个预定时间点的数据流量值按照时间维度排列为存储数据流量时序输入向量；

对所述存储数据流量时序输入向量进行局部时序特征提取以得到存储数据流量局部时序特征向量的序列；

对所述存储数据流量局部时序特征向量的序列进行一致性拓扑关联编码以得到数据流量局部模式一致性拓扑特征矩阵；

对所述存储数据流量局部时序特征向量的序列和所述数据流量局部模式一致性拓扑特征矩阵进行基于图像数据的关联编码以得到一致性拓扑存储数据流量全局时序特征；以及基于所述一致性拓扑存储数据流量全局时序特征，确定数据流量是否正常。

2.根据权利要求1所述的基于5G网络的云数据安全保护方法，其特征在于，对所述存储数据流量时序输入向量进行局部时序特征提取以得到存储数据流量局部时序特征向量的序列，包括：

对所述存储数据流量时序输入向量进行向量切分以得到存储数据流量局部时序输入向量的序列；以及通过基于深度神经网络模型的时序特征提取器分别对所述存储数据流量局部时序输入向量的序列进行时序特征提取以得到所述存储数据流量局部时序特征向量的序列。

3.根据权利要求2所述的基于5G网络的云数据安全保护方法，其特征在于，所述基于深度神经网络模型的时序特征提取器为基于一维卷积层的时序特征提取器。

4.根据权利要求3所述的基于5G网络的云数据安全保护方法，其特征在于，对所述存储数据流量局部时序特征向量的序列进行一致性拓扑关联编码以得到数据流量局部模式一致性拓扑特征矩阵，包括：

计算所述存储数据流量局部时序特征向量的序列中任意两个存储数据流量局部时序特征向量之间的余弦相似度以得到数据流量局部模式一致性拓扑矩阵；以及将所述数据流量局部模式一致性拓扑矩阵通过基于卷积神经网络模型的拓扑特征提取器以得到所述数据流量局部模式一致性拓扑特征矩阵。

5.根据权利要求4所述的基于5G网络的云数据安全保护方法，其特征在于，对所述存储数据流量局部时序特征向量的序列和所述数据流量局部模式一致性拓扑特征矩阵进行基于图像数据的关联编码以得到一致性拓扑存储数据流量全局时序特征，包括：将所述存储数据流量局部时序特征向量的序列和所述数据流量局部模式一致性拓扑特征矩阵通过图神经网络模型以得到一致性拓扑存储数据流量全局时序特征矩阵作为所述一致性拓扑存储数据流量全局时序特征。

6.根据权利要求5所述的基于5G网络的云数据安全保护方法，其特征在于，基于所述一致性拓扑存储数据流量全局时序特征，确定数据流量是否正常，包括：

将所述一致性拓扑存储数据流量全局时序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数据流量是否正常。

7.根据权利要求6所述的基于5G网络的云数据安全保护方法，其特征在于，将所述一致性拓扑存储数据流量全局时序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数据流量是否正常，包括：

将所述一致性拓扑存储数据流量全局时序特征矩阵基于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。

8.根据权利要求7所述的基于5G网络的云数据安全保护方法，其特征在于，还包括：训练步骤，用于对所述基于深度神经网络模型的时序特征提取器、所述基于卷积神经网络模型的拓扑特征提取器、所述图神经网络模型和所述分类器进行训练；

其中，所述训练步骤，包括：

获取训练数据，所述训练数据，包括预定时间段内多个预定时间点的训练数据流量值，以及，所述训练数据流量是否正常的真实值；

将所述预定时间段内多个预定时间点的训练数据流量值按照时间维度排列为训练存储数据流量时序输入向量；

对所述训练存储数据流量时序输入向量进行向量切分以得到训练存储数据流量局部时序输入向量的序列；

通过所述基于深度神经网络模型的时序特征提取器分别对所述训练存储数据流量局部时序输入向量的序列进行时序特征提取以得到训练存储数据流量局部时序特征向量的序列；

计算所述训练存储数据流量局部时序特征向量的序列中任意两个训练存储数据流量局部时序特征向量之间的余弦相似度以得到训练数据流量局部模式一致性拓扑矩阵；

将所述训练数据流量局部模式一致性拓扑矩阵通过所述基于卷积神经网络模型的拓扑特征提取器以得到训练数据流量局部模式一致性拓扑特征矩阵；

将所述训练存储数据流量局部时序特征向量的序列和所述训练数据流量局部模式一致性拓扑特征矩阵通过所述图神经网络模型以得到训练一致性拓扑存储数据流量全局时序特征矩阵；

将所述训练一致性拓扑存储数据流量全局时序特征矩阵通过分类器以得到分类损失函数值；以及反向传播训练单元，用于基于所述分类损失函数值并通过梯度下降的方向传播来对所述基于深度神经网络模型的时序特征提取器、所述基于卷积神经网络模型的拓扑特征提取器、所述图神经网络模型和所述分类器进行训练，其中，在训练过程中的每次迭代时，对所述训练存储数据流量局部时序特征向量的序列中的每个训练存储数据流量局部时序特征向量以及所述训练一致性拓扑存储数据流量全局时序特征矩阵进行特征分布优化。

9.一种基于5G网络的云数据安全保护系统，其特征在于，包括：

数据获取模块，用于通过5G网络实时监测云端存储的数据流量值以得到预定时间段内多个预定时间点的数据流量值；

排列模块，用于将所述预定时间段内多个预定时间点的数据流量值按照时间维度排列为存储数据流量时序输入向量；

局部时序特征提取模块，用于对所述存储数据流量时序输入向量进行局部时序特征提取以得到存储数据流量局部时序特征向量的序列；

一致性拓扑关联编码模块，用于对所述存储数据流量局部时序特征向量的序列进行一致性拓扑关联编码以得到数据流量局部模式一致性拓扑特征矩阵；

关联编码模块，用于对所述存储数据流量局部时序特征向量的序列和所述数据流量局部模式一致性拓扑特征矩阵进行基于图像数据的关联编码以得到一致性拓扑存储数据流量全局时序特征；以及结果生成模块，用于基于所述一致性拓扑存储数据流量全局时序特征，确定数据流量是否正常。