CN117221435B - 基于手机柜的手机安全性能检测方法及系统 - Google Patents
基于手机柜的手机安全性能检测方法及系统 Download PDFInfo
- Publication number
- CN117221435B CN117221435B CN202311482269.3A CN202311482269A CN117221435B CN 117221435 B CN117221435 B CN 117221435B CN 202311482269 A CN202311482269 A CN 202311482269A CN 117221435 B CN117221435 B CN 117221435B
- Authority
- CN
- China
- Prior art keywords
- node
- interaction data
- task
- interaction
- data set
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 142
- 230000003993 interaction Effects 0.000 claims abstract description 302
- 238000010130 dispersion processing Methods 0.000 claims abstract description 81
- 230000002452 interceptive effect Effects 0.000 claims abstract description 68
- 238000004364 calculation method Methods 0.000 claims abstract description 48
- 206010000117 Abnormal behaviour Diseases 0.000 claims abstract description 46
- 238000012545 processing Methods 0.000 claims abstract description 23
- 238000000034 method Methods 0.000 claims abstract description 21
- 239000006185 dispersion Substances 0.000 claims description 76
- 238000004458 analytical method Methods 0.000 claims description 36
- 238000005457 optimization Methods 0.000 claims description 29
- 238000000605 extraction Methods 0.000 claims description 15
- 238000013441 quality evaluation Methods 0.000 claims description 13
- 230000004913 activation Effects 0.000 claims description 10
- 230000006870 function Effects 0.000 claims description 9
- 238000004891 communication Methods 0.000 claims description 3
- 230000006399 behavior Effects 0.000 abstract description 173
- 230000002159 abnormal effect Effects 0.000 abstract description 14
- 230000000694 effects Effects 0.000 abstract description 3
- 230000008569 process Effects 0.000 description 5
- 238000012549 training Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 239000000969 carrier Substances 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 238000009412 basement excavation Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013075 data extraction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- 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
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本申请提供了基于手机柜的手机安全性能检测方法及系统,涉及手机性能检测技术领域,该方法包括:提取第一交互数据集、第二交互数据集直到第N交互数据集;生成交互数据分组结果;加载交互行为识别通道和交互行为识别算力分配量;生成行为识别预测时长;获得第一节点状态,第二节点状态直到第M节点状态;生成任务分散处理方案;接收异常行为识别结果;对异常行为识别结果进行标识,解决了现有技术中存在的由于用户交互数据形式多样化,处理复杂度较高,从而导致面对大量检测需求时的检测效率较低的技术问题,达到提升异常交互行为的检测效率,进而提升特定区域内手机安全性能检测效率,提升特定区域内数据安全性的技术效果。
Description
技术领域
本申请涉及手机性能检测技术领域,具体涉及基于手机柜的手机安全性能检测方法及系统。
背景技术
手机安全性能检测指的是对特定用户的手机内部的异常行为进行解析的过程,在特定区域内,由于保密性质较强,对于用户与外界的交互行为需要严格监管,所以需要周期性的对用户手机进行异常的交互行为分析,以保证特定区域内的数据安全性。
因为考虑到用户手机内隐私数据的保护,手机安全性能检测通常是在断网或内网条件下进行,但是由于用户交互数据形式多样化,处理复杂度较高,从而导致面对大量检测需求时的检测效率较低,如何在保证用户手机内隐私数据安全的前提下,实现效率较高的手机安全性能检测成为亟需解决的技术问题。
发明内容
本申请提供了基于手机柜的手机安全性能检测方法及系统,用以解决现有技术中存在的由于用户交互数据形式多样化,处理复杂度较高,从而导致面对大量检测需求时的检测效率较低的技术问题。
根据本申请的第一方面,提供了基于手机柜的手机安全性能检测方法,包括:从手机柜的第一检测腔体、第二检测腔体直到第N检测腔体,提取第一交互数据集、第二交互数据集直到第N交互数据集;对所述第一交互数据集、所述第二交互数据集直到所述第N交互数据集进行载体聚类分组,生成交互数据分组结果,其中,所述交互数据分组结果具有数据载体类型和数据信息量;基于所述数据载体类型,从交互行为识别通道库加载交互行为识别通道和交互行为识别算力分配量;结合所述交互行为识别算力分配量和所述数据信息量进行识别效率解析,生成行为识别预测时长;当所述行为识别预测时长大于或等于预设约束时长,将第一区域内网接入区块链私有云,获得第一节点状态,第二节点状态直到第M节点状态;基于所述第一节点状态,所述第二节点状态直到所述第M节点状态,结合所述交互行为识别算力分配量、所述数据信息量和所述预设约束时长进行任务分散优化,生成任务分散处理方案;基于所述任务分散处理方案在所述区块链私有云进行所述交互数据分组结果的派发进行行为识别,接收异常行为识别结果;断开区块链私有云,对所述异常行为识别结果进行腔体编号回溯,获得检测腔体身份标签,对所述异常行为识别结果进行标识,发送至第一区域内网管理终端。
根据本申请的第二方面,提供了基于手机柜的手机安全性能检测系统,包括:交互数据集提取模块,所述交互数据集提取模块用于从手机柜的第一检测腔体、第二检测腔体直到第N检测腔体,提取第一交互数据集、第二交互数据集直到第N交互数据集;聚类分组模块,所述聚类分组模块用于对所述第一交互数据集、所述第二交互数据集直到所述第N交互数据集进行载体聚类分组,生成交互数据分组结果,其中,所述交互数据分组结果具有数据载体类型和数据信息量;交互行为识别通道加载模块,所述交互行为识别通道加载模块用于基于所述数据载体类型,从交互行为识别通道库加载交互行为识别通道和交互行为识别算力分配量;识别效率解析模块,所述识别效率解析模块用于结合所述交互行为识别算力分配量和所述数据信息量进行识别效率解析,生成行为识别预测时长;节点状态获取模块,所述节点状态获取模块用于当所述行为识别预测时长大于或等于预设约束时长,将第一区域内网接入区块链私有云,获得第一节点状态,第二节点状态直到第M节点状态;任务分散优化模块,所述任务分散优化模块用于基于所述第一节点状态,所述第二节点状态直到所述第M节点状态,结合所述交互行为识别算力分配量、所述数据信息量和所述预设约束时长进行任务分散优化,生成任务分散处理方案;异常行为识别模块,所述异常行为识别模块用于基于所述任务分散处理方案在所述区块链私有云进行所述交互数据分组结果的派发进行行为识别,接收异常行为识别结果;腔体编号回溯模块,所述腔体编号回溯模块用于断开区块链私有云,对所述异常行为识别结果进行腔体编号回溯,获得检测腔体身份标签,对所述异常行为识别结果进行标识,发送至第一区域内网管理终端。
根据本申请采用的基于上述分析可知,本申请提供的一个或多个技术方案,其可达到的有益效果如下:
从手机柜的第一检测腔体、第二检测腔体直到第N检测腔体,提取第一交互数据集、第二交互数据集直到第N交互数据集,对第一交互数据集、第二交互数据集直到第N交互数据集进行载体聚类分组,生成交互数据分组结果,其中,交互数据分组结果具有数据载体类型和数据信息量,基于数据载体类型,从交互行为识别通道库加载交互行为识别通道和交互行为识别算力分配量,结合交互行为识别算力分配量和数据信息量进行识别效率解析,生成行为识别预测时长,当行为识别预测时长大于或等于预设约束时长,将第一区域内网接入区块链私有云,获得第一节点状态,第二节点状态直到第M节点状态,基于第一节点状态,第二节点状态直到第M节点状态,结合交互行为识别算力分配量、数据信息量和预设约束时长进行任务分散优化,生成任务分散处理方案,基于任务分散处理方案在区块链私有云进行交互数据分组结果的派发进行行为识别,接收异常行为识别结果,断开区块链私有云,对异常行为识别结果进行腔体编号回溯,获得检测腔体身份标签,对异常行为识别结果进行标识,发送至第一区域内网管理终端。由此对用户与手机的交互数据集进行行为识别,同时对区块链私有云中的不同边缘计算节点进行任务分散优化,对任务分散处理方案进行寻优后进行任务派发和交互行为识别,达到提升异常行为的检测效率,进而提升特定区域内手机安全性能检测效率,保证用户隐私数据安全的前提下提升特定区域内数据安全性的技术效果。
附图说明
为了更清楚地说明本申请或现有技术中的技术方案,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地介绍。构成本申请的一部分的附图用来提供对本申请的进一步理解,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定,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,还可以根据提供的附图获得其他的附图。
图1为本申请实施例提供的基于手机柜的手机安全性能检测方法的流程示意图;
图2为本申请实施例提供的基于手机柜的手机安全性能检测系统的结构示意图。
附图标记说明:交互数据集提取模块11,聚类分组模块12,交互行为识别通道加载模块13,识别效率解析模块14,节点状态获取模块15,任务分散优化模块16,异常行为识别模块17,腔体编号回溯模块18。
具体实施方式
为了使得本申请的目的、技术方案和优点更为明显,下面将参照附图详细描述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。
说明书中使用的术语用于描述实施例,而不是限制本申请。如在说明书中所使用的,单数术语“一”“一个”和“该”旨在也包括复数类型,除非上下文另有清楚指示。当在说明书中使用时,术语“包括”和/或“包含”指定了步骤、操作、元件和/或组件的存在,但是不排除一个或多个其他步骤、操作、元件、组件和/或其组的存在或添加。
除非另有定义,本说明书中使用的所有术语(包括技术和科学术语)应具有与本申请所属领域的技术人员通常理解的相同含义。术语,如常用词典中定义的术语,不应以理想化或过于正式的意义来解释,除非在此明确定义。在整个说明书中,相同的附图标记表示相同的元件。
需要说明的是,本申请所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于展示的数据、分析的数据等),均为经用户授权或者经过各方充分授权的信息和数据。
实施例一:
图1为本申请实施例提供的基于手机柜的手机安全性能检测方法图,所述方法包括:
从手机柜的第一检测腔体、第二检测腔体直到第N检测腔体,提取第一交互数据集、第二交互数据集直到第N交互数据集;
本申请实施例提供了基于手机柜的手机安全性能检测方法,应用于基于手机柜的手机安全性能检测系统,所述系统是用于执行所述方法中的任意一项步骤的系统平台,所述系统部署于第一区域内网,和手机柜通信连接,所述手机柜用于进行用户交互行为识别。内网又称局域网,是指在某一区域内由多台计算机以及网络设备构成的网络,比如某一园区内的局域网,一般方圆几公里。简单来说,本申请实施例提供的基于手机柜的手机安全性能检测方法,用于对特定用户的手机内部的异常行为进行解析,从而保证特定区域内的数据安全性。特定区域是指数据保密要求较高的区域,比如某个研发基地,特定用户则是指特定区域内的工作人员,即对特定人员的手机内部的异常行为进行解析,防止特定用户通过手机将特定区域内的保密资料传递到外界。第一区域内网则是部署于特定区域的局域网,其不可以访问因特网,防止特定用户的手机内的隐私数据泄漏。
需要说明的是,在通过本申请实施例提供的方法对特定用户的手机进行异常行为解析获取数据的过程均符合法律法规且取得特定用户的允许,同时会对从手机内获得的行为数据进行保密。
所述手机柜包括多个检测腔体,每个检测腔体内可放置一部手机,通过检测腔体对放置的手机进行用户交互行为识别。将多个检测腔体分别记为第一检测腔体、第二检测腔体直到第N检测腔体,N为大于1的整数。从手机柜的第一检测腔体、第二检测腔体直到第N检测腔体,提取第一交互数据集、第二交互数据集直到第N交互数据集。
在一个优选实施例中,还包括:
所述手机柜具有人脸识别系统,所述人脸识别系统用于开闭检测腔体;当第一用户激活所述人脸识别系统,随机开启所述手机柜的第i闲置检测腔体,并将第i闲置检测腔体编号和第一用户身份标签联立存储,获得检测腔体身份标签;将所述第i闲置检测腔体编号,添加进所述第一检测腔体、所述第二检测腔体直到所述第N检测腔体;当接收到行为提取指令时,分别对所述第一检测腔体、所述第二检测腔体直到所述第N检测腔体的手机进行软件交互行为提取,生成所述第一交互数据集、所述第二交互数据集直到所述第N交互数据集。
所述手机柜具有人脸识别系统,所述人脸识别系统基于现有技术搭建,其内部存储有若干已知身份的人脸数据库(可根据实际情况进行随时进行人脸数据的删除或者添加),通过人脸数据库和实时采集的用户人脸图像进行比对分析,识别用户身份信息。所述人脸识别系统用于开闭检测腔体,当第一用户(泛指任一用户)激活所述人脸识别系统,随机开启所述手机柜的第i闲置检测腔体,第i闲置检测腔体为第一检测腔体、第二检测腔体直到第N检测腔体中的任一检测腔体,且用唯一的编号(可以是数字或者字母的组合,由本领域技术人员自行设定)对第i闲置检测腔体进行标记,将第一用户身份标签是基于人脸识别系统对第一用户进行身份识别后得到的身份信息,第i闲置检测腔体编号和第一用户身份标签具有对应关系,将其联立存储,以第i闲置检测腔体编号和第一用户身份的联立存储结果作为检测腔体身份标签。
将所述第i闲置检测腔体编号,添加进所述第一检测腔体、所述第二检测腔体直到所述第N检测腔体,便于后续通过所述第一检测腔体、所述第二检测腔体直到所述第N检测腔体进行用户交互行为识别时,对异常行为识别结果进行检测腔体的定位,进而基于检测腔体身份标签定位异常行为的用户。
当接收到行为提取指令时,分别对所述第一检测腔体、所述第二检测腔体直到所述第N检测腔体的手机进行软件交互行为提取,其中,所述行为提取指令由所述第一检测腔体、所述第二检测腔体直到所述第N检测腔体生成并发送,即在第一用户激活所述人脸识别系统后,生成行为提取指令,用于对第一用户进行用户交互行为(第一用户在对应的手机上面的软件操作信息)提取,生成所述第一交互数据集、所述第二交互数据集直到所述第N交互数据集,交互数据集是指第一用户对所述第一检测腔体、所述第二检测腔体直到所述第N检测腔体的手机进行软件操作的操作信息,比如收发信息、软件登录信息等,且所述第一交互数据集、所述第二交互数据集直到所述第N交互数据集,交互数据集中可能包含不同类型的信息数据,比如文字、图片等,为后续的异常行为识别提供基础。
对所述第一交互数据集、所述第二交互数据集直到所述第N交互数据集进行载体聚类分组,生成交互数据分组结果,其中,所述交互数据分组结果具有数据载体类型和数据信息量;
对所述第一交互数据集、所述第二交互数据集直到所述第N交互数据集进行载体聚类分组,简单来说,所述第一交互数据集、所述第二交互数据集直到所述第N交互数据集中可能包含文字、图片、语音等多种类型的信息,载体聚类分组是指按照不同的类型对所有交互数据集中的数据进行聚类,生成交互数据分组结果,其中,所述交互数据分组结果具有数据载体类型和数据信息量,数据载体类型可以是文字、图片、视频等类型,数据信息量即为交互数据分组结果中每一分组交互数据中包含的数据总量。
在一个优选实施例中,还包括:
对所述第一交互数据集、所述第二交互数据集直到所述第N交互数据集进行图片载体交互数据提取,获得第一分组交互数据;对所述第一交互数据集、所述第二交互数据集直到所述第N交互数据集进行文字载体交互数据提取,获得第二分组交互数据;对所述第一交互数据集、所述第二交互数据集直到所述第N交互数据集进行视频载体交互数据提取,获得第三分组交互数据;对所述第一交互数据集、所述第二交互数据集直到所述第N交互数据集进行语音载体交互数据提取,获得第四分组交互数据;将所述第一分组交互数据、所述第二分组交互数据、所述第三分组交互数据和所述第四分组交互数据添加进所述交互数据分组结果。
具体来说,对所述第一交互数据集、所述第二交互数据集直到所述第N交互数据集进行图片载体交互数据提取,即从交互数据集中提取出属于图片类型的数据作为第一分组交互数据,并将图片载体作为数据载体类型标记至第一分组交互数据。对所述第一交互数据集、所述第二交互数据集直到所述第N交互数据集进行文字载体交互数据提取,即提取出其中属于文字类型的数据作为第二分组交互数据,并将文字载体作为数据载体类型标记至第二分组交互数据。对所述第一交互数据集、所述第二交互数据集直到所述第N交互数据集进行视频载体交互数据提取,即提取出其中属于视频类型的数据作为第三分组交互数据,并将视频载体作为数据载体类型标记至第三分组交互数据。对所述第一交互数据集、所述第二交互数据集直到所述第N交互数据集进行语音载体交互数据提取,即提取出其中属于语音类型的数据作为第四分组交互数据,并将语音载体作为数据载体类型标记至第四分组交互数据。最后,将所述第一分组交互数据、所述第二分组交互数据、所述第三分组交互数据和所述第四分组交互数据添加进所述交互数据分组结果,实现对所述第一交互数据集、所述第二交互数据集直到所述第N交互数据集的载体聚类分组,为后续的异常行为检测识别提供支持,通过对交互数据集进行分类,便于后续选择对应的交互行为识别通道,提升识别效率。
基于所述数据载体类型,从交互行为识别通道库加载交互行为识别通道和交互行为识别算力分配量;
基于所述数据载体类型,从交互行为识别通道库加载交互行为识别通道和交互行为识别算力分配量,其中,交互行为识别通道库包含多个用于对不同数据载体类型的交互数据进行行为识别的交互行为识别通道,比如,视频载体交互行为通道、图片载体交互行为识别通道等,其中,交互行为识别通道为基于现有技术训练构建的机器学习模型,比如神经网络模型,机器学习模型的训练构建是本领域技术人员常用技术手段,故在此不进行赘述。基于交互数据分组结果中的分组交互数据所对应的数据载体类型加载对应的交互行为识别通道和交互行为识别算力分配量,交互行为识别算力分配量是指为交互行为识别通道配置的运算资源的数量,也就是说,不同的数据载体类型对应的数据大小不同,比如视频数据所占的字节量大于语音数据大于图片数据大于文本数据,因此,对于文本载体对应的交互行为识别通道配置的交互行为识别算力分配量最小,视频载体对应的交互行为识别通道配置的交互行为识别算力分配量则最大,即按照不同的数据载体类型的数据大小进行分配。
结合所述交互行为识别算力分配量和所述数据信息量进行识别效率解析,生成行为识别预测时长;
在一个优选实施例中,还包括:
基于交互行为识别通道编号,采集多条行为识别效率记录数据,其中,任意一条行为识别效率记录数据包括算力分配量记录值、数据信息量记录值和识别时长记录值;为算力分配量设定第一偏差阈值,为数据信息量设定第二偏差阈值;将所述交互行为识别算力分配量和所述算力分配量记录值进行比对,获得第一比对偏差;将所述数据信息量和所述数据信息量记录值进行比对,获得第二比对偏差;当所述第一比对偏差小于所述第一偏差阈值,且所述第二比对偏差小于所述第二偏差阈值,提取所述识别时长记录值;对所述识别时长记录值进行集中值分析,生成所述行为识别预测时长。
交互行为识别算力分配量只是初步根据数据载体类型分配的,可能存在分配不均匀,导致不同交互行为识别的交互行为识别效率不同,后续需要进行识别任务分散处理,提升效率,因此,需要结合所述交互行为识别算力分配量和所述数据信息量进行识别效率解析,生成行为识别预测时长,行为识别预测时长是指预测出的交互行为识别通道进行任务处理时对应的处理时长。
结合所述交互行为识别算力分配量和所述数据信息量进行识别效率解析,生成行为识别预测时长的过程为:首先,每一个交互行为识别通道都具有一个唯一的编号,可由本领域技术人员自行设定,便于后续进行识别效率解析时可以定位不同交互行为识别通道的识别预测时长。基于交互行为识别通道编号,采集多条行为识别效率记录数据,其中,任意一条行为识别效率记录数据包括算力分配量记录值、数据信息量记录值和识别时长记录值,多条行为识别效率记录数据即为采集的样本数据,可以是交互行为识别通道的历史识别记录,也可以是现场进行测试的记录。
进一步为算力分配量设定第一偏差阈值,第一偏差阈值即为算力分配量记录值与交互行为识别算力分配量之间的允许偏差,可由本领域专业技术人员结合实际情况自行设定。为数据信息量设定第二偏差阈值,第二偏差阈值即为数据信息量与数据信息量记录值之间的允许偏差,可由本领域专业技术人员结合实际情况自行设定。就是说,只有在所述交互行为识别算力分配量和所述算力分配量记录值之间的偏差小于第一偏差阈值,且数据信息量与数据信息量记录值之间也小于第二偏差阈值,可以用该条行为识别效率记录数据对应的识别时长记录值作为识别预测时长的一个参考值。基于此,将所述交互行为识别算力分配量和所述算力分配量记录值进行比对,获得两者之间的偏差值作为第一比对偏差;将所述数据信息量和所述数据信息量记录值进行比对,获得两者之间的偏差值作为第二比对偏差。当所述第一比对偏差小于所述第一偏差阈值,且所述第二比对偏差小于所述第二偏差阈值,提取对应的行为识别效率记录数据中的识别时长记录值,可能会提取到多个识别时长记录值。对所述识别时长记录值进行集中值分析,简单理解,就是对多个识别时长记录值进行数据集中度分析,删除其中的离散值,对剩余识别时长记录值进行均值计算,具体来说,可设置一定的数据聚类标准,比如多个识别时长记录值之间相差5秒钟可聚为一类,由此进行聚类,最后获得聚类结果中只包含一个识别时长记录值的聚类结果,将该识别时长记录值作为离散值进行删除,然后对剩余识别时长记录值进行均值计算,以均值计算结果作为所述行为识别预测时长。由此实现对交互行为识别通道的数据识别时长预测,便于后续进行任务分散处理,提高异常行为识别效率。
当所述行为识别预测时长大于或等于预设约束时长,将第一区域内网接入区块链私有云,获得第一节点状态,第二节点状态直到第M节点状态;
预设约束时长由本领域自行设定,可以理解为进行交互行为异常识别的需求时长,具体可根据不同的应用场景和需求确定,对此不做限制,比如数据保密程度越高,设置的预设约束时长越短,这样在数据发生泄漏时可及时做出反应。当所述行为识别预测时长大于或等于预设约束时长,即行为识别预测时长不能满足需求,此时将第一区域内网接入区块链私有云,区块链私有云包括多个边缘计算节点,获得第一节点状态,第二节点状态直到第M节点状态,第一节点状态,第二节点状态直到第M节点状态则是指各个边缘计算节点的计算资源使用状态,包括冗余算力数量和配置通道类型,冗余算力数量即为剩余的计算资源,配置通道类型则是指配置的交互行为识别通道,即交互行为识别通道对应的数据载体类型。
基于所述第一节点状态,所述第二节点状态直到所述第M节点状态,结合所述交互行为识别算力分配量、所述数据信息量和所述预设约束时长进行任务分散优化,生成任务分散处理方案;
在一个优选实施例中,还包括:
所述第一节点状态,所述第二节点状态直到所述第M节点状态的任意一个节点状态包括冗余算力数量和配置通道类型;遍历所述第一节点状态,所述第二节点状态直到所述第M节点状态进行节点调度概率分布,生成第一节点调度概率、第二节点调度概率直到第M节点调度概率;基于所述预设约束时长和所述交互行为识别算力分配量进行识别效率反向解析,生成本地处理数据量;将所述本地处理数据量从所述数据信息量减去,获得待分配数据信息量和待分配数据载体类型;基于所述第一节点调度概率、所述第二节点调度概率直到所述第M节点调度概率,构建虚拟概率轮盘;基于所述冗余算力数量和所述配置通道类型,结合所述虚拟概率轮盘,对所述待分配数据信息量和所述待分配数据载体类型进行随机分配,生成多个任务分配方案;基于所述多个任务分配方案进行任务分散质量寻优,生成所述任务分散处理方案。
在一个优选实施例中,还包括:
基于所述第一区域内网,遍历所述第一节点状态,所述第二节点状态直到所述第M节点状态进行物理距离分析,生成第一节点距离、第二节点距离直到第M节点距离;加和所述第一节点距离、所述第二节点距离直到所述第M节点距离,生成节点距离总和;按照所述第M节点距离、第M-1节点距离直到所述第一节点距离与所述节点距离总和求比,生成第一节点初始调度概率、第二节点初始调度概率直到第M节点初始调度概率;加和所述第一节点状态,所述第二节点状态直到所述第M节点状态的冗余算力数量,生成算力数量总和;按照所述第一节点状态,所述第二节点状态直到所述第M节点状态的顺序,调取冗余算力数量与所述算力数量总和求比,生成第一节点调度概率调节参数、第二节点调度概率调节参数直到第M节点调度概率调节参数;求取所述第一节点调度概率调节参数和所述第一节点初始调度概率的均值概率,设为所述第一节点调度概率,求取所述第二节点调度概率调节参数和所述第二节点初始调度概率的均值概率,设为所述第二节点调度概率,直到求取所述第M节点调度概率调节参数和所述第M节点初始调度概率的均值概率,设为所述第M节点调度概率。
在一个优选实施例中,还包括:
基于所述任务分散处理方案,提取第k任务分散处理方案,其中,所述第k任务分散处理方案包括Y个任务分散节点,Y组激活通道类型和Y组任务分散数量;基于所述Y组激活通道类型和所述Y组任务分散数量,遍历所述Y个任务分散节点进行识别效率解析,生成Y个行为识别预测时长;
构建任务分散质量评价函数:
,
其中,表征第k个任务分散处理方案的分散质量,表征第k个任务分散处理方案的Y个分配节点的行为识别预测时长,/>表征第j个节点的调度概率,/>表征预设约束时长;
调取所述Y个行为识别预测时长和所述任务分散质量评价函数,对所述第k任务分散处理方案进行任务分散质量评价,生成第k任务分散处理方案质量评分结果;当所述第k任务分散处理方案质量评分结果大于前k-1次质量评分结果最大值,将所述第k任务分散处理方案质量评分结果,设为前k次质量评分结果最大值;当所述第k任务分散处理方案质量评分结果小于或等于前k-1次质量评分结果最大值,将所述前k-1次质量评分结果最大值,设为前k次质量评分结果最大值;当k满足预设数值,将所述前k次质量评分结果最大值对应的分散处理方案,设为所述任务分散处理方案。
基于所述第一节点状态,所述第二节点状态直到所述第M节点状态,结合所述交互行为识别算力分配量、所述数据信息量和所述预设约束时长进行任务分散优化,生成任务分散处理方案,简单来说,各个边缘计算节点的计算资源的使用状态不同,比如有的节点的剩余计算资源较多,有的节点的算力资源不够,需要将部分任务分配到其他节点执行,具体过程如下详述。
所述第一节点状态,所述第二节点状态直到所述第M节点状态的任意一个节点状态包括冗余算力数量(剩余计算资源)和配置通道类型(交互行为识别通道)。遍历所述第一节点状态,所述第二节点状态直到所述第M节点状态进行节点调度概率分布,节点调度概率是指各个节点被调度执行进行其他节点的任务的概率,具体需根据各个节点与第一区域内网的距离,生成第一节点调度概率、第二节点调度概率直到第M节点调度概率,距离越近,节点调度概率越大。进一步基于所述预设约束时长和所述交互行为识别算力分配量进行识别效率反向解析,具体来说,首先用交互行为识别算力分配量对应的数据信息量除以行为识别预测时长获得单位时长数据处理量,然后以预设约束时长乘以单位时长数据处理量作为本地处理数据量。将所述本地处理数据量从所述数据信息量减去,可获得剩余的数据信息量作为待分配数据信息量,同时获取待分配数据信息量对应的待分配数据载体类型,便于选择对应的交互行为识别通道进行交互行为的异常识别。
进一步基于所述第一节点调度概率、所述第二节点调度概率直到所述第M节点调度概率,构建虚拟概率轮盘,就是基于现有技术按照所述第一节点调度概率、所述第二节点调度概率直到所述第M节点调度概率设置关于第一节点直到第M节点的虚拟概率轮盘,后续可按照对应的概率模拟轮盘旋转,随机选择其中的节点,节点调度概率越大,其对应被选择的概率就越大。基于所述冗余算力数量和所述配置通道类型,结合所述虚拟概率轮盘,对所述待分配数据信息量和所述待分配数据载体类型进行随机分配,简单来说,就是保证满足冗余算力数量大于等于待分配数据信息量,且配置通道类型与待分配数据载体类型相同的情况下,按照虚拟概率轮盘进行M个节点的随机选择,生成多个任务分配方案,多个任务分配方案可以包括一个节点或多个节点,就是可以在满足要求的情况下只通过一个节点执行待分配数据信息量和所述待分配数据载体类型对应的任务,或者由几个节点共同分担待分配数据信息量和所述待分配数据载体类型对应的任务,获取满足冗余算力数量大于等于待分配数据信息量,且配置通道类型与待分配数据载体类型相同的情况下的所有任务分配方案作为多个任务分配方案。最后基于所述多个任务分配方案进行任务分散质量寻优,生成所述任务分散处理方案,由此实现不同节点的任务分配,提升交互行为识别效率。
其中,遍历所述第一节点状态,所述第二节点状态直到所述第M节点状态进行节点调度概率分布,生成第一节点调度概率、第二节点调度概率直到第M节点调度概率的过程为:
基于所述第一区域内网,遍历所述第一节点状态,所述第二节点状态直到所述第M节点状态进行物理距离分析,即采集获取各个节点分别与第一区域内网中的中心设备(交换机)的距离,生成第一节点距离、第二节点距离直到第M节点距离。加和所述第一节点距离、所述第二节点距离直到所述第M节点距离,生成节点距离总和。区块链私有云中的第一节点、第二节点、直到第M节点是按照由近到远的顺序进行排列的,因此,距离近,其与节点距离总和的比值越小,但是距离越近,初始调度概率应该越大,因此按照所述第M节点距离、第M-1节点距离直到所述第一节点距离与所述节点距离总和求比,以第M节点距离与节点距离总和的比值作为第一节点初始调度概率,以第M-1节点距离与节点距离总和的比值作为第二节点初始调度概率,以此类推,生成第一节点初始调度概率、第二节点初始调度概率直到第M节点初始调度概率。
进一步加和所述第一节点状态,所述第二节点状态直到所述第M节点状态的冗余算力数量,生成算力数量总和。按照所述第一节点状态,所述第二节点状态直到所述第M节点状态的顺序,调取冗余算力数量与所述算力数量总和求比,以各自的比值作为第一节点调度概率调节参数、第二节点调度概率调节参数直到第M节点调度概率调节参数。
求取所述第一节点调度概率调节参数和所述第一节点初始调度概率的均值概率,设为所述第一节点调度概率,求取所述第二节点调度概率调节参数和所述第二节点初始调度概率的均值概率,设为所述第二节点调度概率,直到求取所述第M节点调度概率调节参数和所述第M节点初始调度概率的均值概率,设为所述第M节点调度概率,就是计算每个节点对应的调度概率调节参数和初始调度概率的均值,得到各个节点对应的节点调度概率。便于进行任务分散处理,提升任务处理效率,即提升交互行为异常识别效率。
基于所述多个任务分配方案进行任务分散质量寻优,生成所述任务分散处理方案的过程如下:
基于所述任务分散处理方案,提取第k任务分散处理方案,其中,所述第k任务分散处理方案包括Y个任务分散节点,Y组激活通道类型和Y组任务分散数量,Y为大于0的整数,任务分散节点即为筛选出的用于进行任务处理的边缘计算节点,激活通道类型即为交互行为识别通道对应的数据载体类型,任务分散数量则是向每一个任务分散节点派发的数据信息量,其中,Y组任务分散数量的总和等于所述待分配数据信息量。基于所述Y组激活通道类型和所述Y组任务分散数量,遍历所述Y个任务分散节点进行识别效率解析,生成Y个行为识别预测时长,其中,生成Y个行为识别预测时长的方法与生成所述行为识别预测时长的方法一致,即采集Y个任务分散节点对应的多条节点行为识别效率记录数据,任意一条节点行为识别效率记录数据也包括对应的节点数据信息量记录值、激活通道类型记录值和节点识别时长记录值,然后将所述任务分散数量和节点数据信息量记录值进行比对,获得节点比对偏差。当所述节点比对偏差小于预定偏差阈值(由本领域技术人员自行设定)且激活通道类型记录值与Y组激活通道类型相同时,提取所述节点识别时长记录值,对所述节点识别时长记录值进行集中值分析,即去除离散值后求平均值,生成Y个行为识别预测时长。
进一步构建任务分散质量评价函数:
,
其中,表征第k个任务分散处理方案的分散质量,表征第k个任务分散处理方案的Y个分配节点的行为识别预测时长,/>表征第j个节点的调度概率,第j个节点属于Y个分配节点,/>表征预设约束时长。上述公式中,/>为需要计算求取的结果,其他参数均已在前述步骤中获取,因此可直接代入计算。就是说,如果第k个任务分散处理方案的Y个分配节点的行为识别预测时长的总和大于预设约束时长,第k个任务分散处理方案的分散质量取0;如果第k个任务分散处理方案的Y个分配节点的行为识别预测时长的总和小于等于预设约束时长,则将Y个分配节点的调度概率的加和计算结果作为第k个任务分散处理方案的分散质量。
调取所述Y个行为识别预测时长和所述任务分散质量评价函数,将所述Y个行为识别预测时长依次代入任务分散质量评价函数,对所述第k任务分散处理方案进行任务分散质量评价,生成第k个任务分散处理方案的分散质量作为第k任务分散处理方案质量评分结果,第k个任务分散处理方案泛指个任务分配方案中的任意一个。当所述第k任务分散处理方案质量评分结果大于前k-1次质量评分结果最大值,将所述第k任务分散处理方案质量评分结果,设为前k次质量评分结果最大值;当所述第k任务分散处理方案质量评分结果小于或等于前k-1次质量评分结果最大值,将所述前k-1次质量评分结果最大值,设为前k次质量评分结果最大值;当k满足预设数值,将所述前k次质量评分结果最大值对应的分散处理方案,设为所述任务分散处理方案,简单来说,就是经过K次分散处理方案的任务分散质量分析,举例如,假设k为10,那么,如果第10个任务分散处理方案质量评分结果大于前9个任务分散处理方案质量评分结果中的最大值,就将第10个任务分散处理方案质量评分结果设为前10次质量评分结果最大值,否则,将前9个任务分散处理方案质量评分结果中的最大值设为前10次质量评分结果最大值。k值由本领域技术人员自行设定,不可设置过小,否则容易陷入局部最优,优选的,可根据多个任务分配方案中的数量设定,比如设为多个任务分配方案中的数量的三分之二。由此通过进行任务分散质量寻优,提升任务分配的合理性,进而提升交互行为识别效率。
基于所述任务分散处理方案在所述区块链私有云进行所述交互数据分组结果的派发进行行为识别,接收异常行为识别结果;
所述任务分散处理方案向所述区块链私有云中的对应节点进行计算任务派发,然后通过每个节点的交互行为识别通道进行交互行为识别,接收异常行为识别结果。异常行为识别结果则是指第一用户通过手机对特定区域内的数据进行泄漏的信息,可通过交互行为识别通道识别获取,简单来说,可通过本领域专业技术人员挖掘获取大量的用户异常行为,包括关于文字、视频、图片等的异常行为对交互行为识别通道进行训练,从而获得满足要求的交互行为识别通道进行交互行为的异常识别。
断开区块链私有云,对所述异常行为识别结果进行腔体编号回溯,获得检测腔体身份标签,对所述异常行为识别结果进行标识,发送至第一区域内网管理终端。
在获得异常行为识别结果后,即可断开区块链私有云,对所述异常行为识别结果进行腔体编号回溯,即根据所述异常行为识别结果对应的交互数据集所对应的第i闲置检测腔体编号获得对应的检测腔体身份标签,对所述异常行为识别结果进行标识,发送至第一区域内网管理终端,提醒第一区域内网管理终端的管理者存在异常行为的用户身份和对应的检测腔体的手机,便于及时进行异常行为的验证和管理,防止造成更大的损失。
基于上述分析可知,本申请提供的一个或多个技术方案,其可达到的有益效果如下:
从手机柜的第一检测腔体、第二检测腔体直到第N检测腔体,提取第一交互数据集、第二交互数据集直到第N交互数据集,对第一交互数据集、第二交互数据集直到第N交互数据集进行载体聚类分组,生成交互数据分组结果,其中,交互数据分组结果具有数据载体类型和数据信息量,基于数据载体类型,从交互行为识别通道库加载交互行为识别通道和交互行为识别算力分配量,结合交互行为识别算力分配量和数据信息量进行识别效率解析,生成行为识别预测时长,当行为识别预测时长大于或等于预设约束时长,将第一区域内网接入区块链私有云,获得第一节点状态,第二节点状态直到第M节点状态,基于第一节点状态,第二节点状态直到第M节点状态,结合交互行为识别算力分配量、数据信息量和预设约束时长进行任务分散优化,生成任务分散处理方案,基于任务分散处理方案在区块链私有云进行交互数据分组结果的派发进行行为识别,接收异常行为识别结果,断开区块链私有云,对异常行为识别结果进行腔体编号回溯,获得检测腔体身份标签,对异常行为识别结果进行标识,发送至第一区域内网管理终端。由此对用户与手机的交互数据集进行行为识别,同时对区块链私有云中的不同边缘计算节点进行任务分散优化,对任务分散处理方案进行寻优后进行任务派发和交互行为识别,达到提升异常行为的检测效率,进而提升特定区域内手机安全性能检测效率,保证用户隐私数据安全的前提下提升特定区域内数据安全性的技术效果。
实施例二:
基于与前述实施例中基于手机柜的手机安全性能检测方法同样的发明构思,如图2所示,本申请还提供了基于手机柜的手机安全性能检测系统,所述系统包括:
交互数据集提取模块11,所述交互数据集提取模块11用于从手机柜的第一检测腔体、第二检测腔体直到第N检测腔体,提取第一交互数据集、第二交互数据集直到第N交互数据集;
聚类分组模块12,所述聚类分组模块12用于对所述第一交互数据集、所述第二交互数据集直到所述第N交互数据集进行载体聚类分组,生成交互数据分组结果,其中,所述交互数据分组结果具有数据载体类型和数据信息量;
交互行为识别通道加载模块13,所述交互行为识别通道加载模块13用于基于所述数据载体类型,从交互行为识别通道库加载交互行为识别通道和交互行为识别算力分配量;
识别效率解析模块14,所述识别效率解析模块14用于结合所述交互行为识别算力分配量和所述数据信息量进行识别效率解析,生成行为识别预测时长;
节点状态获取模块15,所述节点状态获取模块15用于当所述行为识别预测时长大于或等于预设约束时长,将第一区域内网接入区块链私有云,获得第一节点状态,第二节点状态直到第M节点状态;
任务分散优化模块16,所述任务分散优化模块16用于基于所述第一节点状态,所述第二节点状态直到所述第M节点状态,结合所述交互行为识别算力分配量、所述数据信息量和所述预设约束时长进行任务分散优化,生成任务分散处理方案;
异常行为识别模块17,所述异常行为识别模块17用于基于所述任务分散处理方案在所述区块链私有云进行所述交互数据分组结果的派发进行行为识别,接收异常行为识别结果;
腔体编号回溯模块18,所述腔体编号回溯模块18用于断开区块链私有云,对所述异常行为识别结果进行腔体编号回溯,获得检测腔体身份标签,对所述异常行为识别结果进行标识,发送至第一区域内网管理终端。
进一步而言,所述交互数据集提取模块11还包括:
所述手机柜具有人脸识别系统,所述人脸识别系统用于开闭检测腔体;
当第一用户激活所述人脸识别系统,随机开启所述手机柜的第i闲置检测腔体,并将第i闲置检测腔体编号和第一用户身份标签联立存储,获得检测腔体身份标签;
将所述第i闲置检测腔体编号,添加进所述第一检测腔体、所述第二检测腔体直到所述第N检测腔体;
当接收到行为提取指令时,分别对所述第一检测腔体、所述第二检测腔体直到所述第N检测腔体的手机进行软件交互行为提取,生成所述第一交互数据集、所述第二交互数据集直到所述第N交互数据集。
进一步而言,所述聚类分组模块12还包括:
对所述第一交互数据集、所述第二交互数据集直到所述第N交互数据集进行图片载体交互数据提取,获得第一分组交互数据;
对所述第一交互数据集、所述第二交互数据集直到所述第N交互数据集进行文字载体交互数据提取,获得第二分组交互数据;
对所述第一交互数据集、所述第二交互数据集直到所述第N交互数据集进行视频载体交互数据提取,获得第三分组交互数据;
对所述第一交互数据集、所述第二交互数据集直到所述第N交互数据集进行语音载体交互数据提取,获得第四分组交互数据;
将所述第一分组交互数据、所述第二分组交互数据、所述第三分组交互数据和所述第四分组交互数据添加进所述交互数据分组结果。
进一步而言,所述识别效率解析模块14还包括:
基于交互行为识别通道编号,采集多条行为识别效率记录数据,其中,任意一条行为识别效率记录数据包括算力分配量记录值、数据信息量记录值和识别时长记录值;
为算力分配量设定第一偏差阈值,为数据信息量设定第二偏差阈值;
将所述交互行为识别算力分配量和所述算力分配量记录值进行比对,获得第一比对偏差;
将所述数据信息量和所述数据信息量记录值进行比对,获得第二比对偏差;
当所述第一比对偏差小于所述第一偏差阈值,且所述第二比对偏差小于所述第二偏差阈值,提取所述识别时长记录值;
对所述识别时长记录值进行集中值分析,生成所述行为识别预测时长。
进一步而言,所述任务分散优化模块16还包括:
所述第一节点状态,所述第二节点状态直到所述第M节点状态的任意一个节点状态包括冗余算力数量和配置通道类型;
遍历所述第一节点状态,所述第二节点状态直到所述第M节点状态进行节点调度概率分布,生成第一节点调度概率、第二节点调度概率直到第M节点调度概率;
基于所述预设约束时长和所述交互行为识别算力分配量进行识别效率反向解析,生成本地处理数据量;
将所述本地处理数据量从所述数据信息量减去,获得待分配数据信息量和待分配数据载体类型;
基于所述第一节点调度概率、所述第二节点调度概率直到所述第M节点调度概率,构建虚拟概率轮盘;
基于所述冗余算力数量和所述配置通道类型,结合所述虚拟概率轮盘,对所述待分配数据信息量和所述待分配数据载体类型进行随机分配,生成多个任务分配方案;
基于所述多个任务分配方案进行任务分散质量寻优,生成所述任务分散处理方案。
进一步而言,所述任务分散优化模块16还包括:
基于所述第一区域内网,遍历所述第一节点状态,所述第二节点状态直到所述第M节点状态进行物理距离分析,生成第一节点距离、第二节点距离直到第M节点距离;
加和所述第一节点距离、所述第二节点距离直到所述第M节点距离,生成节点距离总和;
按照所述第M节点距离、第M-1节点距离直到所述第一节点距离与所述节点距离总和求比,生成第一节点初始调度概率、第二节点初始调度概率直到第M节点初始调度概率;
加和所述第一节点状态,所述第二节点状态直到所述第M节点状态的冗余算力数量,生成算力数量总和;
按照所述第一节点状态,所述第二节点状态直到所述第M节点状态的顺序,调取冗余算力数量与所述算力数量总和求比,生成第一节点调度概率调节参数、第二节点调度概率调节参数直到第M节点调度概率调节参数;
求取所述第一节点调度概率调节参数和所述第一节点初始调度概率的均值概率,设为所述第一节点调度概率,求取所述第二节点调度概率调节参数和所述第二节点初始调度概率的均值概率,设为所述第二节点调度概率,直到求取所述第M节点调度概率调节参数和所述第M节点初始调度概率的均值概率,设为所述第M节点调度概率。
进一步而言,所述任务分散优化模块16还包括:
基于所述任务分散处理方案,提取第k任务分散处理方案,其中,所述第k任务分散处理方案包括Y个任务分散节点,Y组激活通道类型和Y组任务分散数量;
基于所述Y组激活通道类型和所述Y组任务分散数量,遍历所述Y个任务分散节点进行识别效率解析,生成Y个行为识别预测时长;
构建任务分散质量评价函数:
,
其中,表征第k个任务分散处理方案的分散质量,表征第k个任务分散处理方案的Y个分配节点的行为识别预测时长,/>表征第j个节点的调度概率,/>表征预设约束时长;
调取所述Y个行为识别预测时长和所述任务分散质量评价函数,对所述第k任务分散处理方案进行任务分散质量评价,生成第k任务分散处理方案质量评分结果;
当所述第k任务分散处理方案质量评分结果大于前k-1次质量评分结果最大值,将所述第k任务分散处理方案质量评分结果,设为前k次质量评分结果最大值;
当所述第k任务分散处理方案质量评分结果小于或等于前k-1次质量评分结果最大值,将所述前k-1次质量评分结果最大值,设为前k次质量评分结果最大值;
当k满足预设数值,将所述前k次质量评分结果最大值对应的分散处理方案,设为所述任务分散处理方案。
前述实施例一中的基于手机柜的手机安全性能检测方法具体实例同样适用于本实施例的基于手机柜的手机安全性能检测系统,通过前述对基于手机柜的手机安全性能检测方法的详细描述,本领域技术人员可以清楚地知道本实施例中基于手机柜的手机安全性能检测系统,所以为了说明书的简洁,在此不再详述。
应该理解,可以使用上面所示的各种类型的流程,重新排序、增加或删除步骤,只要能够实现本申请公开的技术方案所期望的结果,本文在此不进行限制。
注意,上述仅为本申请的较佳实施例及所运用技术原理。本领域技术人员会理解,本申请不限于这里所述的特定实施例,对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本申请的保护范围。因此,虽然通过以上实施例对本申请进行了较为详细的说明,但是本申请不仅仅限于以上实施例,在不脱离本申请构思的情况下,还可以包括更多其他等效实施例,而本申请的范围由所附的权利要求范围决定。
Claims (7)
1.基于手机柜的手机安全性能检测方法,其特征在于,应用于基于手机柜的手机安全性能检测系统,所述系统部署于第一区域内网,和手机柜通信连接,所述手机柜用于进行用户交互行为识别,包括:
从手机柜的第一检测腔体、第二检测腔体直到第N检测腔体,提取第一交互数据集、第二交互数据集直到第N交互数据集;
对所述第一交互数据集、所述第二交互数据集直到所述第N交互数据集进行载体聚类分组,生成交互数据分组结果,其中,所述交互数据分组结果具有数据载体类型和数据信息量;
基于所述数据载体类型,从交互行为识别通道库加载交互行为识别通道和交互行为识别算力分配量;
结合所述交互行为识别算力分配量和所述数据信息量进行识别效率解析,生成行为识别预测时长;
当所述行为识别预测时长大于或等于预设约束时长,将第一区域内网接入区块链私有云,获得第一节点状态,第二节点状态直到第M节点状态;
基于所述第一节点状态,所述第二节点状态直到所述第M节点状态,结合所述交互行为识别算力分配量、所述数据信息量和所述预设约束时长进行任务分散优化,生成任务分散处理方案,包括:
所述第一节点状态,所述第二节点状态直到所述第M节点状态的任意一个节点状态包括冗余算力数量和配置通道类型;
遍历所述第一节点状态,所述第二节点状态直到所述第M节点状态进行节点调度概率分布,生成第一节点调度概率、第二节点调度概率直到第M节点调度概率;
基于所述预设约束时长和所述交互行为识别算力分配量进行识别效率反向解析,生成本地处理数据量;
将所述本地处理数据量从所述数据信息量减去,获得待分配数据信息量和待分配数据载体类型;
基于所述第一节点调度概率、所述第二节点调度概率直到所述第M节点调度概率,构建虚拟概率轮盘;
基于所述冗余算力数量和所述配置通道类型,结合所述虚拟概率轮盘,对所述待分配数据信息量和所述待分配数据载体类型进行随机分配,生成多个任务分配方案;
基于所述多个任务分配方案进行任务分散质量寻优,生成所述任务分散处理方案;
基于所述任务分散处理方案在所述区块链私有云进行所述交互数据分组结果的派发进行行为识别,接收异常行为识别结果;
断开区块链私有云,对所述异常行为识别结果进行腔体编号回溯,获得检测腔体身份标签,对所述异常行为识别结果进行标识,发送至第一区域内网管理终端。
2.如权利要求1所述的方法,其特征在于,从手机柜的第一检测腔体、第二检测腔体直到第N检测腔体,提取第一交互数据集、第二交互数据集直到第N交互数据集,包括:
所述手机柜具有人脸识别系统,所述人脸识别系统用于开闭检测腔体;
当第一用户激活所述人脸识别系统,随机开启所述手机柜的第i闲置检测腔体,并将第i闲置检测腔体编号和第一用户身份标签联立存储,获得检测腔体身份标签;
将所述第i闲置检测腔体编号,添加进所述第一检测腔体、所述第二检测腔体直到所述第N检测腔体;
当接收到行为提取指令时,分别对所述第一检测腔体、所述第二检测腔体直到所述第N检测腔体的手机进行软件交互行为提取,生成所述第一交互数据集、所述第二交互数据集直到所述第N交互数据集。
3.如权利要求1所述的方法,其特征在于,对所述第一交互数据集、所述第二交互数据集直到所述第N交互数据集进行载体聚类分组,生成交互数据分组结果,其中,所述交互数据分组结果具有数据载体类型和数据信息量,包括:
对所述第一交互数据集、所述第二交互数据集直到所述第N交互数据集进行图片载体交互数据提取,获得第一分组交互数据;
对所述第一交互数据集、所述第二交互数据集直到所述第N交互数据集进行文字载体交互数据提取,获得第二分组交互数据;
对所述第一交互数据集、所述第二交互数据集直到所述第N交互数据集进行视频载体交互数据提取,获得第三分组交互数据;
对所述第一交互数据集、所述第二交互数据集直到所述第N交互数据集进行语音载体交互数据提取,获得第四分组交互数据;
将所述第一分组交互数据、所述第二分组交互数据、所述第三分组交互数据和所述第四分组交互数据添加进所述交互数据分组结果。
4.如权利要求1所述的方法,其特征在于,结合所述交互行为识别算力分配量和所述数据信息量进行识别效率解析,生成行为识别预测时长,包括:
基于交互行为识别通道编号,采集多条行为识别效率记录数据,其中,任意一条行为识别效率记录数据包括算力分配量记录值、数据信息量记录值和识别时长记录值;
为算力分配量设定第一偏差阈值,为数据信息量设定第二偏差阈值;
将所述交互行为识别算力分配量和所述算力分配量记录值进行比对,获得第一比对偏差;
将所述数据信息量和所述数据信息量记录值进行比对,获得第二比对偏差;
当所述第一比对偏差小于所述第一偏差阈值,且所述第二比对偏差小于所述第二偏差阈值,提取所述识别时长记录值;
对所述识别时长记录值进行集中值分析,生成所述行为识别预测时长。
5.如权利要求1所述的方法,其特征在于,遍历所述第一节点状态,所述第二节点状态直到所述第M节点状态进行节点调度概率分布,生成第一节点调度概率、第二节点调度概率直到第M节点调度概率,包括:
基于所述第一区域内网,遍历所述第一节点状态,所述第二节点状态直到所述第M节点状态进行物理距离分析,生成第一节点距离、第二节点距离直到第M节点距离;
加和所述第一节点距离、所述第二节点距离直到所述第M节点距离,生成节点距离总和;
按照所述第M节点距离、第M-1节点距离直到所述第一节点距离与所述节点距离总和求比,生成第一节点初始调度概率、第二节点初始调度概率直到第M节点初始调度概率;
加和所述第一节点状态,所述第二节点状态直到所述第M节点状态的冗余算力数量,生成算力数量总和;
按照所述第一节点状态,所述第二节点状态直到所述第M节点状态的顺序,调取冗余算力数量与所述算力数量总和求比,生成第一节点调度概率调节参数、第二节点调度概率调节参数直到第M节点调度概率调节参数;
求取所述第一节点调度概率调节参数和所述第一节点初始调度概率的均值概率,设为所述第一节点调度概率,求取所述第二节点调度概率调节参数和所述第二节点初始调度概率的均值概率,设为所述第二节点调度概率,直到求取所述第M节点调度概率调节参数和所述第M节点初始调度概率的均值概率,设为所述第M节点调度概率。
6.如权利要求1所述的方法,其特征在于,基于所述多个任务分配方案进行任务分散质量寻优,生成所述任务分散处理方案,包括:
基于所述任务分散处理方案,提取第k任务分散处理方案,其中,所述第k任务分散处理方案包括Y个任务分散节点,Y组激活通道类型和Y组任务分散数量;
基于所述Y组激活通道类型和所述Y组任务分散数量,遍历所述Y个任务分散节点进行识别效率解析,生成Y个行为识别预测时长;
构建任务分散质量评价函数:
,
其中,表征第k个任务分散处理方案的分散质量,表征第k个任务分散处理方案的Y个分配节点的行为识别预测时长,/>表征第j个节点的调度概率,/>表征预设约束时长;
调取所述Y个行为识别预测时长和所述任务分散质量评价函数,对所述第k任务分散处理方案进行任务分散质量评价,生成第k任务分散处理方案质量评分结果;
当所述第k任务分散处理方案质量评分结果大于前k-1次质量评分结果最大值,将所述第k任务分散处理方案质量评分结果,设为前k次质量评分结果最大值;
当所述第k任务分散处理方案质量评分结果小于或等于前k-1次质量评分结果最大值,将所述前k-1次质量评分结果最大值,设为前k次质量评分结果最大值;
当k满足预设数值,将所述前k次质量评分结果最大值对应的分散处理方案,设为所述任务分散处理方案。
7.基于手机柜的手机安全性能检测系统,其特征在于,用于执行权利要求1至6所述的基于手机柜的手机安全性能检测方法中任意一项方法的步骤,所述系统部署于第一区域内网,和手机柜通信连接,所述手机柜用于进行用户交互行为识别,所述系统包括:
交互数据集提取模块,所述交互数据集提取模块用于从手机柜的第一检测腔体、第二检测腔体直到第N检测腔体,提取第一交互数据集、第二交互数据集直到第N交互数据集;
聚类分组模块,所述聚类分组模块用于对所述第一交互数据集、所述第二交互数据集直到所述第N交互数据集进行载体聚类分组,生成交互数据分组结果,其中,所述交互数据分组结果具有数据载体类型和数据信息量;
交互行为识别通道加载模块,所述交互行为识别通道加载模块用于基于所述数据载体类型,从交互行为识别通道库加载交互行为识别通道和交互行为识别算力分配量;
识别效率解析模块,所述识别效率解析模块用于结合所述交互行为识别算力分配量和所述数据信息量进行识别效率解析,生成行为识别预测时长;
节点状态获取模块,所述节点状态获取模块用于当所述行为识别预测时长大于或等于预设约束时长,将第一区域内网接入区块链私有云,获得第一节点状态,第二节点状态直到第M节点状态;
任务分散优化模块,所述任务分散优化模块用于基于所述第一节点状态,所述第二节点状态直到所述第M节点状态,结合所述交互行为识别算力分配量、所述数据信息量和所述预设约束时长进行任务分散优化,生成任务分散处理方案,包括:
所述第一节点状态,所述第二节点状态直到所述第M节点状态的任意一个节点状态包括冗余算力数量和配置通道类型;
遍历所述第一节点状态,所述第二节点状态直到所述第M节点状态进行节点调度概率分布,生成第一节点调度概率、第二节点调度概率直到第M节点调度概率;
基于所述预设约束时长和所述交互行为识别算力分配量进行识别效率反向解析,生成本地处理数据量;
将所述本地处理数据量从所述数据信息量减去,获得待分配数据信息量和待分配数据载体类型;
基于所述第一节点调度概率、所述第二节点调度概率直到所述第M节点调度概率,构建虚拟概率轮盘;
基于所述冗余算力数量和所述配置通道类型,结合所述虚拟概率轮盘,对所述待分配数据信息量和所述待分配数据载体类型进行随机分配,生成多个任务分配方案;
基于所述多个任务分配方案进行任务分散质量寻优,生成所述任务分散处理方案;
异常行为识别模块,所述异常行为识别模块用于基于所述任务分散处理方案在所述区块链私有云进行所述交互数据分组结果的派发进行行为识别,接收异常行为识别结果;
腔体编号回溯模块,所述腔体编号回溯模块用于断开区块链私有云,对所述异常行为识别结果进行腔体编号回溯,获得检测腔体身份标签,对所述异常行为识别结果进行标识,发送至第一区域内网管理终端。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311482269.3A CN117221435B (zh) | 2023-11-09 | 2023-11-09 | 基于手机柜的手机安全性能检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311482269.3A CN117221435B (zh) | 2023-11-09 | 2023-11-09 | 基于手机柜的手机安全性能检测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117221435A CN117221435A (zh) | 2023-12-12 |
CN117221435B true CN117221435B (zh) | 2024-01-12 |
Family
ID=89039314
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311482269.3A Active CN117221435B (zh) | 2023-11-09 | 2023-11-09 | 基于手机柜的手机安全性能检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117221435B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109271806A (zh) * | 2018-08-14 | 2019-01-25 | 同济大学 | 基于用户行为的隐私保护机制研究 |
CN110581915A (zh) * | 2019-08-30 | 2019-12-17 | Oppo广东移动通信有限公司 | 稳定性测试方法、装置、存储介质及电子设备 |
CN111988305A (zh) * | 2019-12-18 | 2020-11-24 | 贾海芳 | 应用于物联网的数据节点异常行为检测方法及服务器 |
CN112153057A (zh) * | 2019-11-27 | 2020-12-29 | 朱培培 | 基于区块链的数据流检测方法及系统 |
CN112700252A (zh) * | 2021-03-25 | 2021-04-23 | 腾讯科技(深圳)有限公司 | 一种信息安全性检测方法、装置、电子设备和存储介质 |
CN115865378A (zh) * | 2023-02-22 | 2023-03-28 | 中科云证科技(杭州)有限公司 | 一种基于区块链的流媒体实时存证与校验方法 |
KR102531376B1 (ko) * | 2022-08-01 | 2023-05-12 | (주)트라이언아이앤씨 | 망연계 기반의 정보와 네트워크 보안 관제 시스템 및 그 방법 |
WO2023108833A1 (zh) * | 2021-12-15 | 2023-06-22 | 三六零科技集团有限公司 | 终端异常行为检测方法、装置、设备及存储介质 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101501669B1 (ko) * | 2013-12-24 | 2015-03-12 | 한국인터넷진흥원 | 비정상 행위를 탐지하기 위한 행위 탐지 시스템 |
US10484413B2 (en) * | 2017-08-21 | 2019-11-19 | Cognizant Technology Solutions India Pvt. Ltd. | System and a method for detecting anomalous activities in a blockchain network |
-
2023
- 2023-11-09 CN CN202311482269.3A patent/CN117221435B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109271806A (zh) * | 2018-08-14 | 2019-01-25 | 同济大学 | 基于用户行为的隐私保护机制研究 |
CN110581915A (zh) * | 2019-08-30 | 2019-12-17 | Oppo广东移动通信有限公司 | 稳定性测试方法、装置、存储介质及电子设备 |
CN112153057A (zh) * | 2019-11-27 | 2020-12-29 | 朱培培 | 基于区块链的数据流检测方法及系统 |
CN111988305A (zh) * | 2019-12-18 | 2020-11-24 | 贾海芳 | 应用于物联网的数据节点异常行为检测方法及服务器 |
CN112700252A (zh) * | 2021-03-25 | 2021-04-23 | 腾讯科技(深圳)有限公司 | 一种信息安全性检测方法、装置、电子设备和存储介质 |
WO2023108833A1 (zh) * | 2021-12-15 | 2023-06-22 | 三六零科技集团有限公司 | 终端异常行为检测方法、装置、设备及存储介质 |
KR102531376B1 (ko) * | 2022-08-01 | 2023-05-12 | (주)트라이언아이앤씨 | 망연계 기반의 정보와 네트워크 보안 관제 시스템 및 그 방법 |
CN115865378A (zh) * | 2023-02-22 | 2023-03-28 | 中科云证科技(杭州)有限公司 | 一种基于区块链的流媒体实时存证与校验方法 |
Non-Patent Citations (2)
Title |
---|
Android平台应用程序恶意行为检测方法研究;何志昌;《中国优秀硕士学位论文全文数据库 信息科技辑》(第I138-63期);1-72 * |
TFChain:Blockchain-based Trusted Forensics Scheme for Mobile Phone Data Whole Process;Shanshan Hu, Shuhui Zhang, Kunlun Fu;2022 IEEE 6th Information Technology and Mechatronics Engineering Conference (ITOEC);第6卷;155-165 * |
Also Published As
Publication number | Publication date |
---|---|
CN117221435A (zh) | 2023-12-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109509021B (zh) | 基于行为轨迹的异常识别方法、装置、服务器及存储介质 | |
CN107333292B (zh) | 一种sim卡状态判断方法及装置 | |
CN104239758B (zh) | 一种人机识别方法及相应的人机识别系统 | |
CN110209820B (zh) | 用户标识检测方法、装置及存储介质 | |
CN105187392B (zh) | 基于网络接入点的移动终端恶意软件检测方法及其系统 | |
CN109766696A (zh) | 软件权限的设置方法及装置、存储介质、电子装置 | |
CN110401779A (zh) | 一种识别电话号码的方法、装置和计算机可读存储介质 | |
CN108256321A (zh) | 一种大数据安全防范监管与感知平台 | |
CN111918039B (zh) | 基于5g网络的人工智能高风险作业管控系统 | |
CN105825129B (zh) | 一种融合通信中恶意软件鉴别方法和系统 | |
CN110046297B (zh) | 运维违规操作的识别方法、装置和存储介质 | |
CN111522746B (zh) | 数据处理的方法、装置、设备及计算机可读存储介质 | |
CN111935145B (zh) | 一种实现网络流量安全分析的硬件无关化方法及系统 | |
CN107506408A (zh) | 对海量事件分布式关联匹配的方法及系统 | |
CN109413047A (zh) | 行为模拟的判定方法、系统、服务器及存储介质 | |
CN113572757B (zh) | 服务器访问风险监测方法及装置 | |
CN109087006B (zh) | 电力设备监造信息的处理方法及装置 | |
CN117221435B (zh) | 基于手机柜的手机安全性能检测方法及系统 | |
CN112351429B (zh) | 基于深度学习的有害信息检测方法及系统 | |
Nguyen et al. | Towards adversarial and unintentional collisions detection using deep learning | |
CN110222187B (zh) | 保护用户隐私的共同活动检测与数据共享方法 | |
CN113946464B (zh) | 一种结合模型及经验的预训练和并行推演的告警降噪方法 | |
CN109583205A (zh) | 一种数据信息安全管理方法 | |
KR102373936B1 (ko) | 개인정보의 오남용에 대한 이상징후를 모니터링하는 방법 및 장치 | |
CN113992419A (zh) | 一种用户异常行为检测和处理系统及其方法 |
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 |