CN117349869A - 基于模型用途的切片数据加密处理方法及系统 - Google Patents
基于模型用途的切片数据加密处理方法及系统 Download PDFInfo
- Publication number
- CN117349869A CN117349869A CN202311650523.6A CN202311650523A CN117349869A CN 117349869 A CN117349869 A CN 117349869A CN 202311650523 A CN202311650523 A CN 202311650523A CN 117349869 A CN117349869 A CN 117349869A
- Authority
- CN
- China
- Prior art keywords
- encryption
- parameters
- parameter
- model
- risk
- 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.)
- Granted
Links
- 238000012545 processing Methods 0.000 title claims abstract description 70
- 238000000034 method Methods 0.000 title claims abstract description 19
- 238000003672 processing method Methods 0.000 claims abstract description 13
- 238000012549 training Methods 0.000 claims description 53
- 238000013528 artificial neural network Methods 0.000 claims description 51
- 238000011160 research Methods 0.000 claims description 11
- 238000012216 screening Methods 0.000 claims description 6
- 238000012163 sequencing technique Methods 0.000 claims description 5
- 238000012795 verification Methods 0.000 claims description 5
- 230000000694 effects Effects 0.000 abstract description 6
- 238000010586 diagram Methods 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 238000010146 3D printing Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000006467 substitution reaction 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
- G06F21/602—Providing cryptographic facilities or services
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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
- G06F21/606—Protecting data by securing the transmission between two devices or processes
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0499—Feedforward networks
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Biomedical Technology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computer Hardware Design (AREA)
- Computer Security & Cryptography (AREA)
- Bioethics (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Storage Device Security (AREA)
Abstract
本发明公开了一种基于模型用途的切片数据加密处理方法及系统，该方法包括：获取目标模型对应的包括有多个切片文件的切片文件集合；根据所述目标模型的模型用途参数，以及目标模型处理设备的设备参数，确定所述切片文件集合的加密参数和加密算法；根据所述加密参数和所述加密算法，对所述切片文件集合进行加密，得到包括有多个加密切片文件的加密文件集合；由所述目标模型处理设备接收所述加密文件集合，根据所述加密参数对应的解密参数，以及所述加密算法对应的解密算法，对所述加密文件集合进行解密。可见，本发明能够有效针对性地根据不同用途和设备来调整加密的模式，使得数据加密的安全性和效率更高，让其加密效果更有针对性。
Description
技术领域
本发明涉及数据预测技术领域，尤其涉及一种基于模型用途的切片数据加密处理方法及系统。
背景技术
随着3D打印技术的发展，越来越多的3D模型文件需要利用传输技术传输至不同的设备终端，而如何有效实现这些传输中3D模型文件的安全性成为了研究重点之一。
但现有技术在实现3D模型文件的安全传输时，一般仅采用普通的加密算法和加密密钥来处理，没有考虑到模型的用途或处理设备终端的设备特性来有效调整加密的相关操作参数。可见，现有技术存在缺陷，亟需解决。
发明内容
本发明所要解决的技术问题在于，提供一种基于模型用途的切片数据加密处理方法及系统，能够有效针对性地根据不同用途和设备来调整加密的模式，使得数据加密的安全性和效率更高，让其加密效果更有针对性。
为了解决上述技术问题，本发明第一方面公开了一种基于模型用途的切片数据加密处理方法，所述方法包括：
获取目标模型对应的包括有多个切片文件的切片文件集合；
根据所述目标模型的模型用途参数，以及目标模型处理设备的设备参数，确定所述切片文件集合的加密参数和加密算法；
根据所述加密参数和所述加密算法，对所述切片文件集合进行加密，得到包括有多个加密切片文件的加密文件集合；
由所述目标模型处理设备接收所述加密文件集合，根据所述加密参数对应的解密参数，以及所述加密算法对应的解密算法，对所述加密文件集合进行解密，以得到所述切片文件集合。
作为一种可选的实施方式，在本发明第一方面中，所述模型用途参数包括商业应用用途、研究应用用途、学习应用用途、未知用途和违规用途中的至少一种；和/或，所述设备参数包括设备型号、设备电量、设备处理器参数、设备储存空间参数、设备历史模型处理记录中的至少一种；和/或，所述加密参数包括加密次数、加密密钥长度、加密密钥数据类型和加密密钥复杂度中的至少一种。
作为一种可选的实施方式，在本发明第一方面中，所述根据所述目标模型的模型用途参数，以及目标模型处理设备的设备参数，确定所述切片文件集合的加密参数和加密算法，包括：
获取目标模型处理设备对应的请求历史和设备参数；
根据所述请求历史和设备参数，预测所述目标模型对应的模型用途参数；
根据所述模型用途参数，基于预设的用途参数-危险数学关系模型，确定所述目标模型对应的第一危险性参数；
根据所述模型用途参数和所述设备参数，基于神经网络算法，计算所述目标模型对应的第二危险性参数；
根据所述第一危险性参数和所述第二危险性参数，确定所述切片文件集合对应的加密参数和加密算法。
作为一种可选的实施方式，在本发明第一方面中，所述根据所述请求历史和设备参数，预测所述目标模型对应的模型用途参数，包括：
计算预设的设备数据库中所有违规设备的设备参数与所述设备参数之间的第一参数相似度；
计算预设的请求数据库中所有违规请求的请求参数与所述请求历史中的请求参数之间的第二参数相似度；
计算所述第一参数相似度和所述第二参数相似度之间的加权求和值，得到参数相似度，并判断所述参数相似度是否大于预设的相似度阈值，若是，则确定所述目标模型对应的模型用途参数为违规用途；
若否，则将所述请求历史与所述设备参数输入至训练好的用途预测神经网络中，以得到输出的模型用途参数；所述用途预测神经网络通过包括有多个训练请求历史和训练设备参数和对应的用途标注的训练数据集训练得到；所述用途标注为商业应用用途标注、研究应用用途标注或学习应用用途标注。
作为一种可选的实施方式，在本发明第一方面中，所述根据所述模型用途参数和所述设备参数，基于神经网络算法，计算所述目标模型对应的第二危险性参数，包括：
将所述模型用途参数和所述设备参数，输入至训练好的危险预测神经网络中，以得到输出的所述目标模型对应的第二危险性参数；所述危险预测神经网络通过包括有多个训练模型用途参数和训练设备参数和对应的危险标注的训练数据集训练得到。
作为一种可选的实施方式，在本发明第一方面中，所述根据所述第一危险性参数和所述第二危险性参数，确定所述切片文件集合对应的加密参数和加密算法，包括：
计算所述第一危险性参数和所述第二危险性参数的加权求和平均值，得到危险性参数；其中，所述第一危险性参数和所述第二危险性参数的权重之和为1；所述第二危险性参数的权重与所述危险预测神经网络的对于验证数据集的预测准确率成正比；在所述第一危险性参数大于第一参数阈值时，所述第一危险性参数的权重大于所述第二危险性参数的权重；在所述第一危险性参数小于第一参数阈值时，所述第一危险性参数的权重小于所述第二危险性参数的权重；
根据预设的危险性参数-加密程度对应关系，以及所述危险性参数，确定所述切片文件集合对应的加密程度参数；
根据所述加密程度参数，从多个候选加密参数和多个候选加密算法中，筛选出对应的候选加密参数和候选加密算法，确定为所述切片文件集合对应的加密参数和加密算法。
作为一种可选的实施方式，在本发明第一方面中，所述根据所述加密程度参数，从多个候选加密参数和多个候选加密算法中，筛选出对应的候选加密参数和候选加密算法，确定为所述切片文件集合对应的加密参数和加密算法，包括：
对于多个候选加密参数，计算每一所述候选加密参数对应的第一预测加密程度和所述加密程度参数的第一程度相似度；所述第一预测加密程度通过将所述候选加密参数对应的历史加密数据处理记录输入至加密程度预测神经网络并接受输出的预测结果来得到；
根据所述第一程度相似度从高到低对所有所述候选加密参数进行排序得到参数序列，将所述参数序列的前预设数量个候选加密参数确定为所述切片文件集合对应的加密参数；
对于多个候选加密算法，计算每一所述候选加密算法对应的第二预测加密程度和所述加密程度参数的第二程度相似度；所述第二预测加密程度通过将所述候选加密算法对应的历史加密数据处理记录输入至所述加密程度预测神经网络并接受输出的预测结果来得到；所述加密程度预测神经网络通过包括有多个训练加密数据处理记录和对应的加密程度标注的训练数据集训练得到；
将所述第二程度相似度最高的所述候选加密算法，确定为所述切片文件集合对应的加密算法。
本发明第二方面公开了一种基于模型用途的切片数据加密处理系统，所述系统包括：
获取模块，用于获取目标模型对应的包括有多个切片文件的切片文件集合；
确定模块，用于根据所述目标模型的模型用途参数，以及目标模型处理设备的设备参数，确定所述切片文件集合的加密参数和加密算法；
加密模块，用于根据所述加密参数和所述加密算法，对所述切片文件集合进行加密，得到包括有多个加密切片文件的加密文件集合；
解密模块，设置在所述目标模型处理设备内，用于接收所述加密文件集合，根据所述加密参数对应的解密参数，以及所述加密算法对应的解密算法，对所述加密文件集合进行解密，以得到所述切片文件集合。
作为一种可选的实施方式，在本发明第二方面中，所述模型用途参数包括商业应用用途、研究应用用途、学习应用用途、未知用途和违规用途中的至少一种；和/或，所述设备参数包括设备型号、设备电量、设备处理器参数、设备储存空间参数、设备历史模型处理记录中的至少一种；和/或，所述加密参数包括加密次数、加密密钥长度、加密密钥数据类型和加密密钥复杂度中的至少一种。
作为一种可选的实施方式，在本发明第二方面中，所述确定模块根据所述目标模型的模型用途参数，以及目标模型处理设备的设备参数，确定所述切片文件集合的加密参数和加密算法的具体方式，包括：
获取目标模型处理设备对应的请求历史和设备参数；
根据所述请求历史和设备参数，预测所述目标模型对应的模型用途参数；
根据所述模型用途参数，基于预设的用途参数-危险数学关系模型，确定所述目标模型对应的第一危险性参数；
根据所述模型用途参数和所述设备参数，基于神经网络算法，计算所述目标模型对应的第二危险性参数；
根据所述第一危险性参数和所述第二危险性参数，确定所述切片文件集合对应的加密参数和加密算法。
作为一种可选的实施方式，在本发明第二方面中，所述确定模块根据所述请求历史和设备参数，预测所述目标模型对应的模型用途参数的具体方式，包括：
计算预设的设备数据库中所有违规设备的设备参数与所述设备参数之间的第一参数相似度；
计算预设的请求数据库中所有违规请求的请求参数与所述请求历史中的请求参数之间的第二参数相似度；
计算所述第一参数相似度和所述第二参数相似度之间的加权求和值，得到参数相似度，并判断所述参数相似度是否大于预设的相似度阈值，若是，则确定所述目标模型对应的模型用途参数为违规用途；
若否，则将所述请求历史与所述设备参数输入至训练好的用途预测神经网络中，以得到输出的模型用途参数；所述用途预测神经网络通过包括有多个训练请求历史和训练设备参数和对应的用途标注的训练数据集训练得到；所述用途标注为商业应用用途标注、研究应用用途标注或学习应用用途标注。
作为一种可选的实施方式，在本发明第二方面中，所述确定模块根据所述模型用途参数和所述设备参数，基于神经网络算法，计算所述目标模型对应的第二危险性参数的具体方式，包括：
将所述模型用途参数和所述设备参数，输入至训练好的危险预测神经网络中，以得到输出的所述目标模型对应的第二危险性参数；所述危险预测神经网络通过包括有多个训练模型用途参数和训练设备参数和对应的危险标注的训练数据集训练得到。
作为一种可选的实施方式，在本发明第二方面中，所述根据所述第一危险性参数和所述第二危险性参数，确定所述切片文件集合对应的加密参数和加密算法的具体方式，包括：
计算所述第一危险性参数和所述第二危险性参数的加权求和平均值，得到危险性参数；其中，所述第一危险性参数和所述第二危险性参数的权重之和为1；所述第二危险性参数的权重与所述危险预测神经网络的对于验证数据集的预测准确率成正比；在所述第一危险性参数大于第一参数阈值时，所述第一危险性参数的权重大于所述第二危险性参数的权重；在所述第一危险性参数小于第一参数阈值时，所述第一危险性参数的权重小于所述第二危险性参数的权重；
根据预设的危险性参数-加密程度对应关系，以及所述危险性参数，确定所述切片文件集合对应的加密程度参数；
根据所述加密程度参数，从多个候选加密参数和多个候选加密算法中，筛选出对应的候选加密参数和候选加密算法，确定为所述切片文件集合对应的加密参数和加密算法。
作为一种可选的实施方式，在本发明第二方面中，所述确定模块根据所述加密程度参数，从多个候选加密参数和多个候选加密算法中，筛选出对应的候选加密参数和候选加密算法，确定为所述切片文件集合对应的加密参数和加密算法的具体方式，包括：
对于多个候选加密参数，计算每一所述候选加密参数对应的第一预测加密程度和所述加密程度参数的第一程度相似度；所述第一预测加密程度通过将所述候选加密参数对应的历史加密数据处理记录输入至加密程度预测神经网络并接受输出的预测结果来得到；
根据所述第一程度相似度从高到低对所有所述候选加密参数进行排序得到参数序列，将所述参数序列的前预设数量个候选加密参数确定为所述切片文件集合对应的加密参数；
对于多个候选加密算法，计算每一所述候选加密算法对应的第二预测加密程度和所述加密程度参数的第二程度相似度；所述第二预测加密程度通过将所述候选加密算法对应的历史加密数据处理记录输入至所述加密程度预测神经网络并接受输出的预测结果来得到；所述加密程度预测神经网络通过包括有多个训练加密数据处理记录和对应的加密程度标注的训练数据集训练得到；
将所述第二程度相似度最高的所述候选加密算法，确定为所述切片文件集合对应的加密算法。
本发明第三方面公开了另一种基于模型用途的切片数据加密处理系统，所述系统包括：
存储有可执行程序代码的存储器；
与所述存储器耦合的处理器；
所述处理器调用所述存储器中存储的所述可执行程序代码，执行本发明第一方面公开的基于模型用途的切片数据加密处理方法中的部分或全部步骤。
本发明第四方面公开了一种计算机存储介质，所述计算机存储介质存储有计算机指令，所述计算机指令被调用时，用于执行本发明第一方面公开的基于模型用途的切片数据加密处理方法中的部分或全部步骤。
与现有技术相比，本发明具有以下有益效果：
本发明能够结合模型的用途和处理设备的参数来确定切片文件的加密参数和加密算法，以对切片文件进行加密，从而能够有效针对性地根据不同用途和设备来调整加密的模式，使得数据加密的安全性和效率更高，让其加密效果更有针对性。
附图说明
为了更清楚地说明本发明实施例中的技术方案，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发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例公开的一种基于模型用途的切片数据加密处理方法的流程示意图；
图2是本发明实施例公开的一种基于模型用途的切片数据加密处理系统的结构示意图；
图3是本发明实施例公开的另一种基于模型用途的切片数据加密处理系统的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别不同对象，而不是用于描述特定顺序。此外，术语“包括”和“具有”以及它们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或端没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或端固有的其他步骤或单元。
在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本发明的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。
本发明公开了一种基于模型用途的切片数据加密处理方法及系统，能够结合模型的用途和处理设备的参数来确定切片文件的加密参数和加密算法，以对切片文件进行加密，从而能够有效针对性地根据不同用途和设备来调整加密的模式，使得数据加密的安全性和效率更高，让其加密效果更有针对性。以下分别进行详细说明。
实施例一
请参阅图1，图1是本发明实施例公开的一种基于模型用途的切片数据加密处理方法的流程示意图。其中，图1所描述的方法可以应用于相应的数据处理设备、数据处理终端、数据处理服务器中，且该服务器可以是本地服务器，也可以是云服务器，本发明实施例不做限定如图1所示，该基于模型用途的切片数据加密处理方法可以包括以下操作：
101、获取目标模型对应的包括有多个切片文件的切片文件集合。
102、根据目标模型的模型用途参数，以及目标模型处理设备的设备参数，确定切片文件集合的加密参数和加密算法。
可选的，模型用途参数包括商业应用用途、研究应用用途、学习应用用途、未知用途和违规用途中的至少一种。
可选的，设备参数包括设备型号、设备电量、设备处理器参数、设备储存空间参数、设备历史模型处理记录中的至少一种。
可选的，加密参数包括加密次数、加密密钥长度、加密密钥数据类型和加密密钥复杂度中的至少一种。
可选的，加密算法可以为AES算法、DES算法、3DES算法、IDEA算法或RC2中的一种或多种的组合，优选的，加密算法为非对称算法以提高加密程度。
103、根据加密参数和加密算法，对切片文件集合进行加密，得到包括有多个加密切片文件的加密文件集合。
104、由目标模型处理设备接收加密文件集合，根据加密参数对应的解密参数，以及加密算法对应的解密算法，对加密文件集合进行解密，以得到切片文件集合。
可选的，加密参数对应的解密参数，以及加密算法对应的解密算法，可以由操作人员根据实际情况或经验来选择和确定。
可见，实施本发明实施例所描述的方法能够结合模型的用途和处理设备的参数来确定切片文件的加密参数和加密算法，以对切片文件进行加密，从而能够有效针对性地根据不同用途和设备来调整加密的模式，使得数据加密的安全性和效率更高，让其加密效果更有针对性。
作为一种可选的实施例，上述步骤中的，根据目标模型的模型用途参数，以及目标模型处理设备的设备参数，确定切片文件集合的加密参数和加密算法，包括：
获取目标模型处理设备对应的请求历史和设备参数；
根据请求历史和设备参数，预测目标模型对应的模型用途参数；
根据模型用途参数，基于预设的用途参数-危险数学关系模型，确定目标模型对应的第一危险性参数；
根据模型用途参数和设备参数，基于神经网络算法，计算目标模型对应的第二危险性参数；
根据第一危险性参数和第二危险性参数，确定切片文件集合对应的加密参数和加密算法。
通过上述实施例，能够根据请求历史和设备参数，预测目标模型对应的模型用途参数，并进一步根据第一危险性参数和第二危险性参数的计算，来进一步确定加密参数和加密算法，从而能够实现有效针对性地根据不同用途和设备来调整加密的模式，使得数据加密的安全性和效率更高。
作为一种可选的实施例，上述步骤中的，根据请求历史和设备参数，预测目标模型对应的模型用途参数，包括：
计算预设的设备数据库中所有违规设备的设备参数与设备参数之间的第一参数相似度；
计算预设的请求数据库中所有违规请求的请求参数与请求历史中的请求参数之间的第二参数相似度；
计算第一参数相似度和第二参数相似度之间的加权求和值，得到参数相似度，并判断参数相似度是否大于预设的相似度阈值，若是，则确定目标模型对应的模型用途参数为违规用途；
若否，则将请求历史与设备参数输入至训练好的用途预测神经网络中，以得到输出的模型用途参数；用途预测神经网络通过包括有多个训练请求历史和训练设备参数和对应的用途标注的训练数据集训练得到；用途标注为商业应用用途标注、研究应用用途标注或学习应用用途标注。
通过上述实施例，能够首先根据参数相似度是否显著来直接判断是否属于违规用途，在不属于违规用途的情况下再调用神经网络模型来预测其用途，以对违规用途和其他用途进行有效的区分，提高判断的效率和精确程度，以在后续实现有效针对性地根据不同用途和设备来调整加密的模式，使得数据加密的安全性和效率更高。
作为一种可选的实施例，上述步骤中的，根据模型用途参数和设备参数，基于神经网络算法，计算目标模型对应的第二危险性参数，包括：
将模型用途参数和设备参数，输入至训练好的危险预测神经网络中，以得到输出的目标模型对应的第二危险性参数；危险预测神经网络通过包括有多个训练模型用途参数和训练设备参数和对应的危险标注的训练数据集训练得到。
通过上述实施例能够通过危险预测神经网络来直接预测第二危险性参数，从而提高预测精度，也提高后续加密操作的准确度。
作为一种可选的实施例，上述步骤中的，根据第一危险性参数和第二危险性参数，确定切片文件集合对应的加密参数和加密算法，包括：
计算第一危险性参数和第二危险性参数的加权求和平均值，得到危险性参数；其中，第一危险性参数和第二危险性参数的权重之和为1；第二危险性参数的权重与危险预测神经网络的对于验证数据集的预测准确率成正比；在第一危险性参数大于第一参数阈值时，第一危险性参数的权重大于第二危险性参数的权重；在第一危险性参数小于第一参数阈值时，第一危险性参数的权重小于第二危险性参数的权重；
根据预设的危险性参数-加密程度对应关系，以及危险性参数，确定切片文件集合对应的加密程度参数；
根据加密程度参数，从多个候选加密参数和多个候选加密算法中，筛选出对应的候选加密参数和候选加密算法，确定为切片文件集合对应的加密参数和加密算法。
通过上述实施例，能够根据第一危险性参数和第二危险性参数的权重规则来计算加权求和平均值得到危险性参数，从而能够得到精确的危险性表征的参数，并根据预设的危险性参数-加密程度对应关系以及危险性参数来确定加密程度参数，以用于加密参数和加密算法的筛选，从而能够建立加密程度和危险程度的联系，使得数据加密更具备场景化以及更有针对性。
作为一种可选的实施例，上述步骤中的，根据加密程度参数，从多个候选加密参数和多个候选加密算法中，筛选出对应的候选加密参数和候选加密算法，确定为切片文件集合对应的加密参数和加密算法，包括：
对于多个候选加密参数，计算每一候选加密参数对应的第一预测加密程度和加密程度参数的第一程度相似度；第一预测加密程度通过将候选加密参数对应的历史加密数据处理记录输入至加密程度预测神经网络并接受输出的预测结果来得到；
根据第一程度相似度从高到低对所有候选加密参数进行排序得到参数序列，将参数序列的前预设数量个候选加密参数确定为切片文件集合对应的加密参数；
对于多个候选加密算法，计算每一候选加密算法对应的第二预测加密程度和加密程度参数的第二程度相似度；第二预测加密程度通过将候选加密算法对应的历史加密数据处理记录输入至加密程度预测神经网络并接受输出的预测结果来得到；加密程度预测神经网络通过包括有多个训练加密数据处理记录和对应的加密程度标注的训练数据集训练得到；
将第二程度相似度最高的候选加密算法，确定为切片文件集合对应的加密算法。
通过上述实施例，可以具体地根据加密程度参数，从多个候选加密参数和多个候选加密算法中，筛选出对应的候选加密参数和候选加密算法，以建立加密程度和危险程度的联系，使得数据加密更具备场景化以及更有针对性。
实施例二
请参阅图2，图2是本发明实施例公开的一种基于模型用途的切片数据加密处理系统的结构示意图。其中，图2所描述的系统可以应用于相应的数据处理设备、数据处理终端、数据处理服务器中，且该服务器可以是本地服务器，也可以是云服务器，本发明实施例不做限定。如图2所示，该系统可以包括：
获取模块201，用于获取目标模型对应的包括有多个切片文件的切片文件集合；
确定模块202，用于根据目标模型的模型用途参数，以及目标模型处理设备的设备参数，确定切片文件集合的加密参数和加密算法；
加密模块203，用于根据加密参数和加密算法，对切片文件集合进行加密，得到包括有多个加密切片文件的加密文件集合；
解密模块204，设置在目标模型处理设备内，用于接收加密文件集合，根据加密参数对应的解密参数，以及加密算法对应的解密算法，对加密文件集合进行解密，以得到切片文件集合。
作为一种可选的实施例，模型用途参数包括商业应用用途、研究应用用途、学习应用用途、未知用途和违规用途中的至少一种；和/或，设备参数包括设备型号、设备电量、设备处理器参数、设备储存空间参数、设备历史模型处理记录中的至少一种；和/或，加密参数包括加密次数、加密密钥长度、加密密钥数据类型和加密密钥复杂度中的至少一种。
作为一种可选的实施例，确定模块202根据目标模型的模型用途参数，以及目标模型处理设备的设备参数，确定切片文件集合的加密参数和加密算法的具体方式，包括：
获取目标模型处理设备对应的请求历史和设备参数；
根据请求历史和设备参数，预测目标模型对应的模型用途参数；
根据模型用途参数，基于预设的用途参数-危险数学关系模型，确定目标模型对应的第一危险性参数；
根据模型用途参数和设备参数，基于神经网络算法，计算目标模型对应的第二危险性参数；
根据第一危险性参数和第二危险性参数，确定切片文件集合对应的加密参数和加密算法。
作为一种可选的实施例，确定模块202根据请求历史和设备参数，预测目标模型对应的模型用途参数的具体方式，包括：
计算预设的设备数据库中所有违规设备的设备参数与设备参数之间的第一参数相似度；
计算预设的请求数据库中所有违规请求的请求参数与请求历史中的请求参数之间的第二参数相似度；
计算第一参数相似度和第二参数相似度之间的加权求和值，得到参数相似度，并判断参数相似度是否大于预设的相似度阈值，若是，则确定目标模型对应的模型用途参数为违规用途；
若否，则将请求历史与设备参数输入至训练好的用途预测神经网络中，以得到输出的模型用途参数；用途预测神经网络通过包括有多个训练请求历史和训练设备参数和对应的用途标注的训练数据集训练得到；用途标注为商业应用用途标注、研究应用用途标注或学习应用用途标注。
作为一种可选的实施例，确定模块202根据模型用途参数和设备参数，基于神经网络算法，计算目标模型对应的第二危险性参数的具体方式，包括：
将模型用途参数和设备参数，输入至训练好的危险预测神经网络中，以得到输出的目标模型对应的第二危险性参数；危险预测神经网络通过包括有多个训练模型用途参数和训练设备参数和对应的危险标注的训练数据集训练得到。
作为一种可选的实施例，根据第一危险性参数和第二危险性参数，确定切片文件集合对应的加密参数和加密算法的具体方式，包括：
计算第一危险性参数和第二危险性参数的加权求和平均值，得到危险性参数；其中，第一危险性参数和第二危险性参数的权重之和为1；第二危险性参数的权重与危险预测神经网络的对于验证数据集的预测准确率成正比；在第一危险性参数大于第一参数阈值时，第一危险性参数的权重大于第二危险性参数的权重；在第一危险性参数小于第一参数阈值时，第一危险性参数的权重小于第二危险性参数的权重；
根据预设的危险性参数-加密程度对应关系，以及危险性参数，确定切片文件集合对应的加密程度参数；
根据加密程度参数，从多个候选加密参数和多个候选加密算法中，筛选出对应的候选加密参数和候选加密算法，确定为切片文件集合对应的加密参数和加密算法。
作为一种可选的实施例，确定模块202根据加密程度参数，从多个候选加密参数和多个候选加密算法中，筛选出对应的候选加密参数和候选加密算法，确定为切片文件集合对应的加密参数和加密算法的具体方式，包括：
对于多个候选加密参数，计算每一候选加密参数对应的第一预测加密程度和加密程度参数的第一程度相似度；第一预测加密程度通过将候选加密参数对应的历史加密数据处理记录输入至加密程度预测神经网络并接受输出的预测结果来得到；
根据第一程度相似度从高到低对所有候选加密参数进行排序得到参数序列，将参数序列的前预设数量个候选加密参数确定为切片文件集合对应的加密参数；
对于多个候选加密算法，计算每一候选加密算法对应的第二预测加密程度和加密程度参数的第二程度相似度；第二预测加密程度通过将候选加密算法对应的历史加密数据处理记录输入至加密程度预测神经网络并接受输出的预测结果来得到；加密程度预测神经网络通过包括有多个训练加密数据处理记录和对应的加密程度标注的训练数据集训练得到；
将第二程度相似度最高的候选加密算法，确定为切片文件集合对应的加密算法。
本实施例中的上述模块的具体技术细节和技术效果，可以参照实施例一中的表述，在此不再赘述。
实施例三
请参阅图3，图3是本发明实施例公开的另一种基于模型用途的切片数据加密处理系统的结构示意图。如图3所示，该系统可以包括：
存储有可执行程序代码的存储器301；
与存储器301耦合的处理器302；
处理器302调用存储器301中存储的可执行程序代码，执行本发明实施例一公开的基于模型用途的切片数据加密处理方法中的部分或全部步骤。
实施例四
本发明实施例公开了一种计算机存储介质，该计算机存储介质存储有计算机指令，该计算机指令被调用时，用于执行本发明实施例一公开的基于模型用途的切片数据加密处理方法中的部分或全部步骤。
以上所描述的系统实施例仅是示意性的，其中所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理模块，即可以位于一个地方，或者也可以分布到多个网络模块上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施例的具体描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述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计算机可读存储介质中,存储介质包括只读存储器（Read-Only Memory，ROM）、随机存储器（Random Access Memory，RAM）、可编程只读存储器（Programmable Read-only Memory，PROM）、可擦除可编程只读存储器（ErasableProgrammable Read Only Memory，EPROM）、一次可编程只读存储器（One-timeProgrammable Read-Only Memory，OTPROM）、电子抹除式可复写只读存储器（Electrically-Erasable Programmable Read-Only Memory，EEPROM）、只读光盘（CompactDisc Read-Only Memory，CD-ROM）或其他光盘存储器、磁盘存储器、磁带存储器、或者能够用于携带或存储数据的计算机可读的任何其他介质。
最后应说明的是：本发明实施例公开的一种基于模型用途的切片数据加密处理方法及系统所揭露的仅为本发明较佳实施例而已，仅用于说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解；其依然可以对前述各项实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或替换，并不使相应的技术方案的本质脱离本发明各项实施例技术方案的精神和范围。
Claims (10)
1.一种基于模型用途的切片数据加密处理方法，其特征在于，所述方法包括：
获取目标模型对应的包括有多个切片文件的切片文件集合；
根据所述目标模型的模型用途参数，以及目标模型处理设备的设备参数，确定所述切片文件集合的加密参数和加密算法；
根据所述加密参数和所述加密算法，对所述切片文件集合进行加密，得到包括有多个加密切片文件的加密文件集合；
由所述目标模型处理设备接收所述加密文件集合，根据所述加密参数对应的解密参数，以及所述加密算法对应的解密算法，对所述加密文件集合进行解密，以得到所述切片文件集合。
2.根据权利要求1所述的基于模型用途的切片数据加密处理方法，其特征在于，所述模型用途参数包括商业应用用途、研究应用用途、学习应用用途、未知用途和违规用途中的至少一种；和/或，所述设备参数包括设备型号、设备电量、设备处理器参数、设备储存空间参数、设备历史模型处理记录中的至少一种；和/或，所述加密参数包括加密次数、加密密钥长度、加密密钥数据类型和加密密钥复杂度中的至少一种。
3.根据权利要求2所述的基于模型用途的切片数据加密处理方法，其特征在于，所述根据所述目标模型的模型用途参数，以及目标模型处理设备的设备参数，确定所述切片文件集合的加密参数和加密算法，包括：
获取目标模型处理设备对应的请求历史和设备参数；
根据所述请求历史和设备参数，预测所述目标模型对应的模型用途参数；
根据所述模型用途参数，基于预设的用途参数-危险数学关系模型，确定所述目标模型对应的第一危险性参数；
根据所述模型用途参数和所述设备参数，基于神经网络算法，计算所述目标模型对应的第二危险性参数；
根据所述第一危险性参数和所述第二危险性参数，确定所述切片文件集合对应的加密参数和加密算法。
4.根据权利要求3所述的基于模型用途的切片数据加密处理方法，其特征在于，所述根据所述请求历史和设备参数，预测所述目标模型对应的模型用途参数，包括：
计算预设的设备数据库中所有违规设备的设备参数与所述设备参数之间的第一参数相似度；
计算预设的请求数据库中所有违规请求的请求参数与所述请求历史中的请求参数之间的第二参数相似度；
计算所述第一参数相似度和所述第二参数相似度之间的加权求和值，得到参数相似度，并判断所述参数相似度是否大于预设的相似度阈值，若是，则确定所述目标模型对应的模型用途参数为违规用途；
若否，则将所述请求历史与所述设备参数输入至训练好的用途预测神经网络中，以得到输出的模型用途参数；所述用途预测神经网络通过包括有多个训练请求历史和训练设备参数和对应的用途标注的训练数据集训练得到；所述用途标注为商业应用用途标注、研究应用用途标注或学习应用用途标注。
5.根据权利要求4所述的基于模型用途的切片数据加密处理方法，其特征在于，所述根据所述模型用途参数和所述设备参数，基于神经网络算法，计算所述目标模型对应的第二危险性参数，包括：
将所述模型用途参数和所述设备参数，输入至训练好的危险预测神经网络中，以得到输出的所述目标模型对应的第二危险性参数；所述危险预测神经网络通过包括有多个训练模型用途参数和训练设备参数和对应的危险标注的训练数据集训练得到。
6.根据权利要求5所述的基于模型用途的切片数据加密处理方法，其特征在于，所述根据所述第一危险性参数和所述第二危险性参数，确定所述切片文件集合对应的加密参数和加密算法，包括：
计算所述第一危险性参数和所述第二危险性参数的加权求和平均值，得到危险性参数；其中，所述第一危险性参数和所述第二危险性参数的权重之和为1；所述第二危险性参数的权重与所述危险预测神经网络的对于验证数据集的预测准确率成正比；在所述第一危险性参数大于第一参数阈值时，所述第一危险性参数的权重大于所述第二危险性参数的权重；在所述第一危险性参数小于第一参数阈值时，所述第一危险性参数的权重小于所述第二危险性参数的权重；
根据预设的危险性参数-加密程度对应关系，以及所述危险性参数，确定所述切片文件集合对应的加密程度参数；
根据所述加密程度参数，从多个候选加密参数和多个候选加密算法中，筛选出对应的候选加密参数和候选加密算法，确定为所述切片文件集合对应的加密参数和加密算法。
7.根据权利要求6所述的基于模型用途的切片数据加密处理方法，其特征在于，所述根据所述加密程度参数，从多个候选加密参数和多个候选加密算法中，筛选出对应的候选加密参数和候选加密算法，确定为所述切片文件集合对应的加密参数和加密算法，包括：
对于多个候选加密参数，计算每一所述候选加密参数对应的第一预测加密程度和所述加密程度参数的第一程度相似度；所述第一预测加密程度通过将所述候选加密参数对应的历史加密数据处理记录输入至加密程度预测神经网络并接受输出的预测结果来得到；
根据所述第一程度相似度从高到低对所有所述候选加密参数进行排序得到参数序列，将所述参数序列的前预设数量个候选加密参数确定为所述切片文件集合对应的加密参数；
对于多个候选加密算法，计算每一所述候选加密算法对应的第二预测加密程度和所述加密程度参数的第二程度相似度；所述第二预测加密程度通过将所述候选加密算法对应的历史加密数据处理记录输入至所述加密程度预测神经网络并接受输出的预测结果来得到；所述加密程度预测神经网络通过包括有多个训练加密数据处理记录和对应的加密程度标注的训练数据集训练得到；
将所述第二程度相似度最高的所述候选加密算法，确定为所述切片文件集合对应的加密算法。
8.一种基于模型用途的切片数据加密处理系统，其特征在于，所述系统包括：
获取模块，用于获取目标模型对应的包括有多个切片文件的切片文件集合；
确定模块，用于根据所述目标模型的模型用途参数，以及目标模型处理设备的设备参数，确定所述切片文件集合的加密参数和加密算法；
加密模块，用于根据所述加密参数和所述加密算法，对所述切片文件集合进行加密，得到包括有多个加密切片文件的加密文件集合；
解密模块，设置在所述目标模型处理设备内，用于接收所述加密文件集合，根据所述加密参数对应的解密参数，以及所述加密算法对应的解密算法，对所述加密文件集合进行解密，以得到所述切片文件集合。
9.一种基于模型用途的切片数据加密处理系统，其特征在于，所述系统包括：
存储有可执行程序代码的存储器；
与所述存储器耦合的处理器；
所述处理器调用所述存储器中存储的所述可执行程序代码，执行如权利要求1-7任一项所述的基于模型用途的切片数据加密处理方法。
10.一种计算机存储介质，其特征在于，所述计算机存储介质存储有计算机指令，所述计算机指令被调用时，用于执行如权利要求1-7任一项所述的基于模型用途的切片数据加密处理方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311650523.6A CN117349869B (zh) | 2023-12-05 | 2023-12-05 | 基于模型用途的切片数据加密处理方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311650523.6A CN117349869B (zh) | 2023-12-05 | 2023-12-05 | 基于模型用途的切片数据加密处理方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117349869A true CN117349869A (zh) | 2024-01-05 |
| CN117349869B CN117349869B (zh) | 2024-04-09 |
Family
ID=89359846
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311650523.6A Active CN117349869B (zh) | 2023-12-05 | 2023-12-05 | 基于模型用途的切片数据加密处理方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117349869B (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2021120888A1 (zh) * | 2019-12-20 | 2021-06-24 | 支付宝(杭州)信息技术有限公司 | 一种基于隐私数据进行模型训练的方法及系统 |
| CN114386058A (zh) * | 2021-12-15 | 2022-04-22 | 航天信息股份有限公司 | 一种模型文件加密与解密方法及装置 |
| WO2023038978A1 (en) * | 2021-09-07 | 2023-03-16 | TripleBlind, Inc. | Systems and methods for privacy preserving training and inference of decentralized recommendation systems from decentralized data |
| CN116910707A (zh) * | 2023-09-12 | 2023-10-20 | 深圳市智能派科技有限公司 | 基于设备历史记录的模型版权管理方法及系统 |
| CN116933222A (zh) * | 2023-09-13 | 2023-10-24 | 深圳市智能派科技有限公司 | 基于零水印的三维模型版权认证方法及系统 |
| CN117093869A (zh) * | 2023-08-29 | 2023-11-21 | 郑州信大捷安信息技术股份有限公司 | 一种安全的模型复用方法及系统 |
-
2023
- 2023-12-05 CN CN202311650523.6A patent/CN117349869B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2021120888A1 (zh) * | 2019-12-20 | 2021-06-24 | 支付宝(杭州)信息技术有限公司 | 一种基于隐私数据进行模型训练的方法及系统 |
| WO2023038978A1 (en) * | 2021-09-07 | 2023-03-16 | TripleBlind, Inc. | Systems and methods for privacy preserving training and inference of decentralized recommendation systems from decentralized data |
| CN114386058A (zh) * | 2021-12-15 | 2022-04-22 | 航天信息股份有限公司 | 一种模型文件加密与解密方法及装置 |
| CN117093869A (zh) * | 2023-08-29 | 2023-11-21 | 郑州信大捷安信息技术股份有限公司 | 一种安全的模型复用方法及系统 |
| CN116910707A (zh) * | 2023-09-12 | 2023-10-20 | 深圳市智能派科技有限公司 | 基于设备历史记录的模型版权管理方法及系统 |
| CN116933222A (zh) * | 2023-09-13 | 2023-10-24 | 深圳市智能派科技有限公司 | 基于零水印的三维模型版权认证方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117349869B (zh) | 2024-04-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111177714B (zh) | 异常行为检测方法、装置、计算机设备和存储介质 | |
| EP3203679A1 (en) | Machine learning based on homomorphic encryption | |
| CN116910707B (zh) | 基于设备历史记录的模型版权管理方法及系统 | |
| CN113435770A (zh) | 基于区块链的交易风险评估方法及装置 | |
| CN112132676B (zh) | 联合训练目标模型的贡献度的确定方法、装置和终端设备 | |
| CN111181757B (zh) | 信息安全风险预测方法、装置以及计算设备、存储介质 | |
| KR102359090B1 (ko) | 실시간 기업정보시스템 이상행위 탐지 서비스를 제공하는 방법과 시스템 | |
| CN113326991A (zh) | 自动授权方法、装置、计算机设备及存储介质 | |
| CN117093782B (zh) | 一种电力人工智能模型系统及方法 | |
| CN112685774A (zh) | 基于大数据和区块链金融的支付数据处理方法及云服务器 | |
| CN117290803A (zh) | 一种储能逆变器远程故障诊断方法、系统及介质 | |
| CN117632905A (zh) | 基于云端使用记录的数据库管理方法及系统 | |
| CN115529315A (zh) | 一种云边协同系统 | |
| CN110969261A (zh) | 基于加密算法的模型构建方法及相关设备 | |
| CN117349869B (zh) | 基于模型用途的切片数据加密处理方法及系统 | |
| CN111435346A (zh) | 离线数据的处理方法、装置及设备 | |
| CN112905987B (zh) | 账号识别方法、装置、服务器及存储介质 | |
| CN116305130B (zh) | 基于系统环境识别的双系统智能切换方法、系统及介质 | |
| CN118018336B (zh) | 数据传输方法、服务器及存储介质 | |
| US11861023B2 (en) | Matching cryptographic computing resources to the predicted requirements for decrypting encrypted communications | |
| CN112989501B (zh) | 平衡车安全性评估方法、装置、终端设备 | |
| CN117201502B (zh) | 基于人工智能的智能云服务器接入方法及系统 | |
| CN118839373A (zh) | 一种基于显卡配置的用户数据安全管理系统及方法 | |
| CN117292834A (zh) | 医疗访问数据风险ai评估方法、装置、设备及存储介质 | |
| CN117527399A (zh) | 用于智能家居的信息安全加密方法及系统 |
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 |