CN117792615A - 基于密集型通信模组的数据智能处理方法 - Google Patents
基于密集型通信模组的数据智能处理方法 Download PDFInfo
- Publication number
- CN117792615A CN117792615A CN202410216865.5A CN202410216865A CN117792615A CN 117792615 A CN117792615 A CN 117792615A CN 202410216865 A CN202410216865 A CN 202410216865A CN 117792615 A CN117792615 A CN 117792615A
- Authority
- CN
- China
- Prior art keywords
- data
- encrypted
- trend
- original data
- original
- 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
- 238000004891 communication Methods 0.000 title claims abstract description 56
- 238000003672 processing method Methods 0.000 title claims abstract description 21
- 238000009499 grossing Methods 0.000 claims abstract description 67
- 238000000034 method Methods 0.000 claims abstract description 57
- 230000003044 adaptive effect Effects 0.000 claims abstract description 15
- 230000007774 longterm Effects 0.000 claims description 46
- 238000004364 calculation method Methods 0.000 claims description 21
- 238000013507 mapping Methods 0.000 claims description 18
- 238000010606 normalization Methods 0.000 claims description 8
- 238000004458 analytical method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000002123 temporal effect Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Landscapes
- Complex Calculations (AREA)
Abstract
本发明涉及数据保护技术领域,具体涉及基于密集型通信模组的数据智能处理方法,该方法首先根据每个待加密数据段的整体数据趋势变化情况得到整体趋势性,根据待加密数据段中每个原始数据的局部数据分布偏差情况得到局部趋势性,结合整体趋势性和局部趋势性确定二次指数平滑法中的平滑系数,进而确定每个原始数据的预测数据;根据每个原始数据与预测数据的偏差,得到待加密数据段的数据可读性;最后根据数据可读性自适应确定AES128算法中的加密迭代次数,使得根据加密迭代次数结合AES128算法对密集型通信模组进行自适应数据加密时对应的加密效率更高。
Description
技术领域
本发明涉及数据保护技术领域,具体涉及基于密集型通信模组的数据智能处理方法。
背景技术
密集型通信模组是一种无线通信模块、处理器、传感器和其他相关硬件的模组,广泛用于实现智能家具、智能工业、智能城市物联网应用等多个领域,目的在于提高设备的智能和自动化水平,从而提高生产效率和服务质量。密集型通信模组主要用于在物联网中实现设备之间的数据交换,若在数据交换过程中被未经授权的人员访问和窃取,则会造成数据泄露,从而可能对用户或企业造成严重的损失,因此需要对数据交换过程中的数据进行保护,以防止数据泄露的情况发生。
现有技术通常对密集型通信模组的数据进行传输之前通过AES128算法进行数据加密处理;AES128算法加密和解密的操作都需要进行10轮的迭代,且每一轮迭代都包括四个基本的运算,也即字节代换、行移位、列混淆和轮密钥加,通过多次迭代使得被加密的原始数据变的不可读;但是对于密集型通信模组的数据而言,其对应的数据体量较大,若不考虑被加密的原始数据的可读性,对所有的数据进行加密时都进行10轮的迭代,则整体的计算量非常庞大,导致加密时长和计算消耗资源都较大,也即现有技术对密集型通信模组的数据直接通过AES128算法进行数据加密的方法,对应的整体数据加密的效率较低。
发明内容
为了解决现有技术对密集型通信模组的数据直接通过AES128算法进行数据加密的方法,对应的整体数据加密的效率较低的技术问题,本发明的目的在于提供一种基于密集型通信模组的数据智能处理方法,所采用的技术方案具体如下:
本发明提出了基于密集型通信模组的数据智能处理方法,所述方法包括:
获取密集型通信模组的每个待加密数据段中的每个原始数据;
在每个待加密数据段中,根据所有原始数据的整体数据趋势变化情况,得到每个待加密数据段的整体趋势性;根据每个原始数据的局部数据分布偏差情况,得到每个待加密数据段中每个原始数据的局部趋势性;
根据所述整体趋势性和所述局部趋势性,得到每个待加密数据段中每个原始数据的自适应平滑系数;根据所述自适应平滑系数通过二次指数平滑法,得到每个待加密数据段中每个原始数据的预测数据;根据每个待加密数据段中的各个原始数据与对应的预测数据之间的整体偏差分布情况,得到每个待加密数据段的数据可读性;
根据所述数据可读性的整体分布情况,得到每个待加密数据段在AES128算法中的加密迭代次数;根据所述加密迭代次数结合AES128算法,对密集型通信模组进行自适应数据加密。
进一步地,所述整体趋势性的获取方法包括:
将每个待加密数据段中所有原始数据的方差的正相关映射值,作为每个待加密数据段的长期趋势波动程度;
根据每个待加密数据段中所有原始数据的变化趋势和数值整体分布情况,得到每个待加密数据段的长期趋势特征值;
根据所述长期趋势特征值与所述长期趋势波动程度,得到每个待加密数据段的整体趋势性;所述长期趋势特征值与所述长期趋势波动程度均与所述整体趋势性呈正相关关系。
进一步地,所述局部趋势性的获取方法包括:
在每个待加密数据段中,将每个原始数据的预设邻域范围内的所有原始数据的方差,作为每个原始数据的局部平稳度;将每个待加密数据段中所有原始数据的局部平稳度的均值的正相关映射值,作为每个待加密数据段的临期趋势波动程度;
在每个待加密数据段中,根据每个原始数据与其预设邻域范围内的局部数据分布数值偏差情况,得到每个待加密数据段中每个原始数据的临期趋势特征值:
根据所述临期趋势特征值与所述临期趋势波动程度,得到每个待加密数据段中每个原始数据的局部趋势性;所述临期趋势特征值与所述临期趋势波动程度均与所述局部趋势性呈正相关关系。
进一步地,所述自适应平滑系数的获取方法包括:
将所述局部趋势性与所述整体趋势性的比值的归一化值,作为每个待加密数据段中每个原始数据的自适应平滑系数。
进一步地,所述数据可读性的获取方法包括:
在每个待加密数据段中,将每个原始数据与对应的预测数据之间的差异,作为每个原始数据的预测偏差;将所有原始数据的预测偏差的均值的负相关映射值,作为每个待加密数据段的数据可读性。
进一步地,所述加密迭代次数的计算公式包括:
;
其中,为第/>个待加密数据段的加密迭代次数;/>为所有待加密数据段的数量;为第/>个待加密数据段的数据可读性;/>为第/>个待加密数据段的数据可读性;/>为所有待加密数据段的数据可读性的均值;/>为以自然常数为底的指数函数;/>为预设参考系数;/>为向上取整函数。
进一步地,所述长期趋势特征值的计算公式包括:
;
其中,为第/>个待加密数据段的长期趋势特征值;/>为第/>个待加密数据段的原始数据数量;/>为第/>个待加密数据段中所有原始数据与对应的前一个原始数据之间的所有差异的方差;/>为第/>个待加密数据段中所有原始数据的方差;/>为第/>个待加密数据段中所有原始数据的均值;/>为以自然常数为底的指数函数;/>为归一化函数。
进一步地,所述整体趋势性的获取方法包括:
将所述长期趋势特征值与所述长期趋势波动程度之间乘积的归一化值,作为每个待加密数据段的整体趋势性。
进一步地,所述临期趋势特征值的计算公式包括:
;
其中,为第/>个待加密数据段中第/>个原始数据的临期趋势特征值;/>为第/>个待加密数据段中第/>个原始数据的预设邻域范围内的原始数据数量;/>为第/>个待加密数据段中第/>个原始数据与其预设邻域范围内的第/>个原始数据之间的数据间隔大小;/>为第/>个待加密数据段中第/>个原始数据的预设邻域范围内的第/>个原始数据;/>为第/>个待加密数据段中第/>个原始数据的预设邻域范围内的原始数据中值;/>为绝对值符号;为以自然常数为底的指数函数;/>为归一化函数。
进一步地,所述局部趋势性的获取方法包括:
将所述临期趋势特征值与所述临期趋势波动程度之间乘积的归一化值,作为每个待加密数据段中每个原始数据的局部趋势性。
本发明具有如下有益效果:
对密集型通信模组的数据直接通过AES128算法进行数据加密的方法,对应的整体数据加密的效率较低的原因在于,没有考虑到被加密的原始数据的可读性,对所有的原始数据均进行10轮的迭代进行加密;而AES128算法加密时多次迭代的目的是使得被加密的原始数据变的不可读,从而对密集型通信模组的数据进行保护;但是并不是所有的被加密的原始数据都具有局部高度相关性,也即部分原始数据本身就对应较差的可读性,对可读性较差的原始数据无需较高的迭代次数即可使得对应的原始数据不可读;因此可根据AES128算法每次加密的数据长度,对每个待加密数据段进行不同迭代次数的加密,从而降低整体加密的计算量,使得对整体原始数据进行加密的效率更高;因此本发明的目的是计算每个待加密数据段的数据可读性,从而根据不同的数据可读性得到不同待加密数据段的加密迭代次数,从而对密集型通信模组进行自适应数据加密。
而在通信数据中,数据的可读性可以转换为数据的趋势特征,即原始数据具有趋势性时说明存在关联规律,也即是具有可读性的,并且原始数据的趋势性特征越强,对应的可读性越高,因此可对每个待加密数据段的数据趋势进行分析。考虑到二次指数平滑法进行数据预测的依据是数据趋势,对应的数据趋势性特征越强,对应的预测数据越靠近真实数据,因此可根据通过二次指数平滑法预测得到的预测数据与对应的原始数据之间的整体偏差,衡量每个待加密数据段的数据趋势特征程度,从而得到每个待加密数据段的数据可读性。
但是二次指数平滑法中平滑系数的选择将直接影响预测的准确性,因此需要进一步地对平滑系数的选择进行分析;根据平滑系数的物理意义,较大的平滑系数更加关注临近的也即局部的数据观测值,而较小的平滑系数则更加关注长期的也即整体的数据观测值;因此需要对局部的原始数据值和整体的原始数据值分别进行分析,当被预测的原始数据的局部范围内的数据趋势性越强时,则需要提高对局部数据的关注度,也就需要越大平滑系数;反之,当被预测的原始数据对应的待加密数据的整体数据趋势性越强时,则需要提高对整体数据的关注度;因此可分别对每个原始数据所处待加密数据段的整体趋势性和对应的局部趋势性分别进行分析,从而根据整体趋势性和局部趋势性共同衡量每个原始数据的自适应平滑系数,进行结合二次指数平滑法进行准确的数据预测;
对于每个原始数据所处待加密数据段而言,整体趋势性是指在整个待加密数据段中是否具有较长的趋势性的表现,对应的整体趋势越稳定,对应的整体趋势性也就越大,因此本发明根据每个待加密数据段的所有原始数据的整体数据趋势变化情况得到整体趋势性;对于每个原始数据而言,局部趋势性是指每个原始数据在所处待加密数据段中的局部邻域范围内是否具有趋势性的表现,对应的局部邻域范围内的数据分布越符合局部数据特征,则说明局部趋势性越强,因此本发明根据每个原始数据的局部数据分布偏差情况,得到每个待加密数据段中每个原始数据的局部趋势性;
进一步地根据局部趋势性和整体趋势性,得到每个原始数据对应的更加准确的平滑系数,使得预测数据更加准确;进一步地使得根据每个原始数据与预测数据的偏差所得到的数据可读性更加准确,从而准确的衡量每个待加密数据段的加密迭代次数,使得根据加密迭代次数结合AES128算法对密集型通信模组进行自适应数据加密时对应的加密效率更高。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案和优点,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的介绍,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它附图。
图1为本发明一个实施例所提供的一种基于密集型通信模组的数据智能处理方法流程图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本发明提出的一种基于密集型通信模组的数据智能处理方法,其具体实施方式、结构、特征及其功效,详细说明如下。在下述说明中,不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外,一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的一种基于密集型通信模组的数据智能处理方法的具体方案。
请参阅图1,其示出了本发明一个实施例提供的一种基于密集型通信模组的数据智能处理方法流程图,该方法包括:
步骤S1:获取密集型通信模组的每个待加密数据段中的每个原始数据。
本发明实施例旨在提供一种基于密集型通信模组的数据智能处理方法,用于对密集型通信模组中的每个待加密数据段的原始数据进行自适应数据加密,降低整体加密的计算量和复杂度,减少加密时长和计算消耗资源;从而解决现有技术对密集型通信模组的数据直接通过AES128算法进行数据加密的方法对应的整体数据加密的效率较低的技术问题。
因此本发明实施例首先获取密集型通信模组的每个待加密数据段中的每个原始数据。在本发明实施例中,首先在密集型通信模组中通过无线通信模块采集密集型通信模组中的所有待加密数据;为了便于计算后续的数据趋势,进一步地对密集型通信模组中所有的待加密数据通过ASCII码的方式进行十进制编码,得到十进制的原始数据;又考虑到AES128算法的原理,即对原始数据进行分段,并对每个段落的数据进行加密处理;因此进一步地对所有的十进制的原始数据进行段落划分,也即得到本发明实施例中每个待加密数据段中的每个原始数据。且在本发明实施例中,每个待加密数据段的长度设置为128,实施者可根据具体实施环境自行调整;需要说明的是,在进行待加密数据段划分时,需要从十进制的原始数据中的第一个数据开始,每128个数据作为一个数据段,即可得到所有的待加密数据段,防止后续解密混乱。
步骤S2:在每个待加密数据段中,根据所有原始数据的整体数据趋势变化情况,得到每个待加密数据段的整体趋势性;根据每个原始数据的局部数据分布偏差情况,得到每个待加密数据段中每个原始数据的局部趋势性。
对密集型通信模组的数据直接通过AES128算法进行数据加密的方法,对应的整体数据加密的效率较低的原因在于,没有考虑到被加密的原始数据的可读性,对所有的原始数据均进行10轮的迭代进行加密;而AES128算法加密时多次迭代的目的是使得被加密的原始数据变的不可读,从而对密集型通信模组的数据进行保护;但是并不是所有的被加密的原始数据都具有局部高度相关性,也即部分原始数据本身就对应较差的可读性,对可读性较差的原始数据无需较高的迭代次数即可使得对应的原始数据不可读;因此可根据AES128算法每次加密的数据长度,对每个待加密数据段进行不同迭代次数的加密,从而降低整体加密的计算量,使得对整体原始数据进行加密的效率更高;因此本发明的目的是计算每个待加密数据段的数据可读性,从而根据不同的数据可读性得到不同待加密数据段的加密迭代次数,从而对密集型通信模组进行自适应数据加密。
而在通信数据中,数据的可读性可以转换为数据的趋势特征,即原始数据具有趋势性时说明存在关联规律,也即是具有可读性的,并且原始数据的趋势性特征越强,对应的可读性越高,因此可对每个待加密数据段的数据趋势进行分析。考虑到二次指数平滑法进行数据预测的依据是数据趋势,对应的数据趋势性特征越强,对应的预测数据越靠近真实数据,因此可根据通过二次指数平滑法预测得到的预测数据与对应的原始数据之间的整体偏差,衡量每个待加密数据段的数据趋势特征程度,从而得到每个待加密数据段的数据可读性。
但是二次指数平滑法中平滑系数的选择将直接影响预测的准确性,因此需要进一步地对平滑系数的选择进行分析;根据平滑系数的物理意义,较大的平滑系数更加关注临近的也即局部的数据观测值,而较小的平滑系数则更加关注长期的也即整体的数据观测值;因此需要对局部的原始数据值和整体的原始数据值分别进行分析,当被预测的原始数据的局部范围内的数据趋势性越强时,则需要提高对局部数据的关注度,也就需要越大平滑系数;反之,当被预测的原始数据对应的待加密数据的整体数据趋势性越强时,则需要提高对整体的数据观测值;因此可分别对每个原始数据所处待加密数据段的整体趋势性和对应的局部趋势性分别进行分析,从而根据整体趋势性和局部趋势性共同衡量每个原始数据的自适应平滑系数,进行结合二次指数平滑法进行准确的数据预测。
因此首先需要对每个原始数据对应的整体趋势性和局部趋势性进行分析。对于每个原始数据所处待加密数据段而言,整体趋势性是指在整个待加密数据段中是否具有较长的趋势性的表现,对应的整体趋势越稳定,对应的整体趋势性也就越大,因此本发明实施例在每个待加密数据段中,根据所有原始数据的整体数据趋势变化情况,得到每个待加密数据段的整体趋势性。
优选地,整体趋势性的获取方法包括:
将每个待加密数据段中所有原始数据的方差的正相关映射值,作为每个待加密数据段的长期趋势波动程度。在指数平滑法中,平滑系数是具有数据波动调节功能的,当方差越大时,说明数据变化剧烈,此时平滑系数需要更小以使得整体数据变化趋势更加缓慢,使得整体数据变化更加平滑;也即长期趋势波动程度越大时,平滑系数越小;而越小的平滑系数对应越大的整体趋势性;也即长期趋势波动程度越大时,对应的整体趋势性越大。
根据每个待加密数据段中所有原始数据的变化趋势和数值整体分布情况,得到每个待加密数据段的长期趋势特征值。当待加密数据段的整体数据的变化趋势越稳定,且数值整体越稳定时,说明待加密数据段整体变化趋势越稳定,也即整体趋势性越大。
优选地,依次将每个待加密数据段作为第个待加密数据段,则第/>个待加密数据段的长期趋势特征值的计算公式包括:
;
其中,为第/>个待加密数据段的长期趋势特征值;/>为第/>个待加密数据段的原始数据数量;/>为第/>个待加密数据段中所有原始数据与对应的前一个原始数据之间的所有差异的方差;/>为第/>个待加密数据段中所有原始数据的方差;/>为第/>个待加密数据段中所有原始数据的均值;/>为以自然常数为底的指数函数;/>为归一化函数。
在长期趋势特征值的计算公式中,为第/>个待加密数据段中所有原始数据与对应的前一个原始数据之间的所有差异的方差,也即计算每个原始数据与对应的前一个原始数据之间的数据变化值,并计算所有原始数据对应的数据变化值的方差,对应的/>越小,说明待加密数据段整体的变化越稳定,越可能呈现长期的变化趋势,对应的长期趋势特征值也就越大,因此将其负相关映射后作为分子。但是为了防止出现特殊情况,例如数据整体只是变化稳定,变化趋势会发生较大的变化的情况,本发明通过数据的方差对稳定程度进行可信度衡量;待加密数据段的原始数据的方差越小时,越可能呈现长期的变化趋势,也即数据变化趋势越稳定,对应的待加密数据段的变化稳定可信度越高,因此作为分母进行长期趋势特征值的计算;此外,考虑到方差的数值大小会受到不同量纲的影响,因此通过所有原始数据的均值表征对应的数据量纲;原始数据均值越大时,方差整体数值相对越大,因此以原始数据均值的负相关映射值对方差进行加权,以使得基于方差进行可信度的计算更加准确。需要说明的是,为了避免无意义,将待加密数据段中第一个原始数据对应的数据变化值设置为0即可。
由于长期趋势特征值越大,长期趋势波动程度越大时,待加密数据段整体变化趋势越稳定,也即整体趋势性越大;因此本发明实施例根据长期趋势特征值与长期趋势波动程度,得到每个待加密数据段的整体趋势性;长期趋势特征值与长期趋势波动程度均与整体趋势性呈正相关关系。
优选地,整体趋势性的获取方法包括:
本发明实施例将长期趋势特征值与长期趋势波动程度之间乘积的归一化值,作为每个待加密数据段的整体趋势性。需要说明的是,实施者也可根据具体实施环境通过其他方法获取整体趋势性,例如以长期趋势特征值与长期趋势波动程度的和值的归一化值作为整体趋势性,在此不做进一步赘述。
在本发明实施例中,第个待加密数据段的整体趋势性的获取方法在公式上表现为:
;
其中,为第/>个待加密数据段的整体趋势性,/>为第/>个待加密数据段的长期趋势特征值;/>为第/>个待加密数据段中所有原始数据的方差;/>为第/>个待加密数据段中所有原始数据的方差的正相关映射值,也即第/>个待加密数据段的长期趋势波动程度。
对于每个原始数据而言,局部趋势性是指每个原始数据在所处待加密数据段中的局部邻域范围内是否具有趋势性的表现,对应的局部邻域范围内的数据分布越符合局部数据特征,则说明局部趋势性越强,因此本发明实施例根据每个原始数据的局部数据分布偏差情况,得到每个待加密数据段中每个原始数据的局部趋势性。
优选地,局部趋势性的获取方法包括:
在每个待加密数据段中,将每个原始数据的预设邻域范围内的所有原始数据的方差,作为每个原始数据的局部平稳度;将每个待加密数据段中所有原始数据的局部平稳度的均值的正相关映射值,作为每个待加密数据段的临期趋势波动程度。在指数平滑法中,如果一段数据在临近范围内存在一定的变化趋势,则通常选择较大的平滑系数进行数据预测,原因在于,能够更加敏感的捕捉临近范围内的数据变化,而局部平稳度作为预设邻域范围内的方差,因此能够反映临近范围内的数据变化情况,进一步地求取待加密数据段中所有原始数据的局部平稳度均值,使得临期趋势波动程度越大时,选取更大的平滑系数;而越大的平滑系数对应越大的局部趋势性,因此临期趋势波动程度越大时,对应的局部趋势性越大。在本发明实施例中,预设邻域范围设置为以每个数据为中心,选取之前的10个数据和之后的10个数据为预设邻域范围;并且当一侧数量少于10个时,从另一侧进行补充,使得预设邻域范围内的数据数量保持在20个,实施者可根据具体实施环境自行调整。
在每个待加密数据段中,根据每个原始数据与其预设邻域范围内的局部数据分布数值偏差情况,得到每个待加密数据段中每个原始数据的临期趋势特征值:当待加密数据段的每个原始数据的局部数据与整体数据值特征越一致时,说明局部范围内的各个原始数据越符合对应局部范围内的整体数值特征,对应的局部数据的分布趋势性越强,也即局部趋势性越大。
优选地,依次将第个待加密数据段中的每个原始数据作为第/>个原始数据,则第/>个待加密数据段中第/>个原始数据的临期趋势特征值的计算公式包括:
;
其中,为第/>个待加密数据段中第/>个原始数据的临期趋势特征值;/>为第/>个待加密数据段中第/>个原始数据的预设邻域范围内的原始数据数量;/>为第/>个待加密数据段中第/>个原始数据与其预设邻域范围内的第/>个原始数据之间的数据间隔大小;/>为第/>个待加密数据段中第/>个原始数据的预设邻域范围内的第/>个原始数据;/>为第/>个待加密数据段中第/>个原始数据的预设邻域范围内的原始数据中值;/>为绝对值符号;为以自然常数为底的指数函数;/>为归一化函数。
在临期趋势特征值的计算公式中,为第/>个待加密数据段中第/>个原始数据的预设邻域范围内的原始数据中值,也即表征对应的预设邻域范围内的整体数据数值特征,因此/>越靠近/>时,说明第/>个待加密数据段中第/>个原始数据的预设邻域范围内的第/>个原始数据越符合对应的预设邻域范围内的整体数值特征,也即/>越小,越符合整体数值特征,因此通过/>进行负相关映射;因此进一步地可通过均值方式计算预设邻域范围内所有原始数据与原始数据中值的靠近程度进行局部趋势性的衡量;但是考虑到在第/>个原始数据的预设邻域范围内,不同的原始数据与第/>个原始数据之间的距离不同,也即对第/>个原始数据的局部趋势性的影响不同,因此通过数据间隔大小对第/>个原始数据的预设邻域范围内每个原始数据的数值特征符合情况进行修正,对应的数据间隔大小/>越大,第/>个原始数据与第/>个原始数据相隔越远,说明第/>个原始数据对第/>个原始数据的局部趋势性的影响越小,因此通过/>的方式对/>进行负相关映射后对/>进行加权,使得计算出的第/>个待加密数据段中第/>个原始数据与对应预设邻域范围内的数值特征符合程度的衡量更加准确,进一步地求均值后进行归一化,得到表征第/>个原始数据的局部临期趋势的临期趋势特征值,对应的局部临期趋势特征值越大,说明对应的原始数据局部范围内的数据趋势性越强,对应的局部趋势性也就越强。
由于临期趋势特征值越大,局部趋势波动程度越大时,对应的原始数据的局部范围内的数据趋势性越强,也即局部趋势性越大;因此本发明实施例根据临期趋势特征值与临期趋势波动程度,得到每个待加密数据段中每个原始数据的局部趋势性;临期趋势特征值与临期趋势波动程度均与局部趋势性呈正相关关系。
优选地,局部趋势性的获取方法包括:
将临期趋势特征值与临期趋势波动程度之间乘积的归一化值,作为每个待加密数据段中每个原始数据的局部趋势性。
在本发明实施例中,第个待加密数据段中第/>个原始数据的局部趋势性的获取方法在公式上表现为:
;
其中,为第/>个待加密数据段中第/>个原始数据的局部趋势性,/>为第/>个待加密数据段中第/>个原始数据的临期趋势特征值;/>为第/>个待加密数据段中第/>个原始数据的临期趋势波动程度,/>为第/>个待加密数据段中的原始数据数量,/>为第/>个待加密数据段中第/>个原始数据的局部平稳度,也即第/>个待加密数据段中第/>个原始数据的预设邻域范围内的所有原始数据的方差;需要说明的是,本发明实施例中的所有/>的正相关映射方法,均可采样其他正相关映射方法进行替换,例如/>,实施者可根据具体实施环境自行调整。
步骤S3:根据整体趋势性和局部趋势性,得到每个待加密数据段中每个原始数据的自适应平滑系数;根据自适应平滑系数通过二次指数平滑法,得到每个待加密数据段中每个原始数据的预测数据;根据每个待加密数据段中的各个原始数据与对应的预测数据之间的整体偏差分布情况,得到每个待加密数据段的数据可读性。
根据本发明实施例的目的,在得到整体趋势性和局部趋势性后,进一步地需要计算每个待加密数据段中每个原始数据的自适应平滑系数从而进行数据预测,本发明实施例根据整体趋势性和局部趋势性,得到每个待加密数据段中每个原始数据的自适应平滑系数。
优选地,自适应平滑系数的获取方法包括:
由于较大的平滑系数更加关注临近的也即局部的数据观测值,而较小的平滑系数则更加关注长期的也即整体的数据观测值;而整体趋势性越大时,对应的原始数据所处的待加密数据段的数据整体趋势性越强,也即越需要关注整体的数据观测值,对应的平滑系数也就应当越小;反之,局部趋势性越小时,对应的原始数据的局部邻域内的数据趋势性越强,也即越需要关注局部的数据观测值,对应的平滑系数也就应当越大;因此整体趋势性与自适应平滑系数呈负相关关系,局部趋势性与自适应平滑系数呈正相关关系;本发明实施例将局部趋势性与整体趋势性的比值的归一化值,作为每个待加密数据段中每个原始数据的自适应平滑系数。需要说明的是,为了避免计算过程中分母为0的情况出现,通常在分母也即整体趋势性加上预设调节参数后进行比值计算;并且实施者也可通过比值之外的其他方法计算自适应平滑系数,例如将局部趋势性的归一化值与整体趋势性的归一化值之间的差值的归一化值,作为自适应平滑系数,在此不做进一步赘述。此外需要说明的是,本发明实施例中所有的归一化方法均采用线性归一化,在此不做进一步赘述。
在本发明实施例中,第个待加密数据段中第/>个原始数据的自适应平滑系数的获取方法在公式上表现为:
;
其中,为第/>个待加密数据段中第/>个原始数据的自适应平滑系数,/>为第/>个待加密数据段中第/>个原始数据的局部趋势性,/>为第/>个待加密数据段的整体趋势性;/>为预设调节参数,本发明实施例设置为0.01,实施者可根据具体实施环境自行调整,在此不做进一步赘述。
进一步地根据本发明实施例的目的,根据自适应平滑系数通过二次指数平滑法,得到每个待加密数据段中每个原始数据的预测数据。需要说明的是,二次指数平滑法为本领域技术人员所熟知的技术手段,并且在确定平滑系数后,根据二次指数平滑法进行数据预测的方法更为简便,因此不做进一步赘述。
预测数据与对应的原始数据之间的整体偏差越大,说明原始数据的趋势性越差,越不可能存在关联规律,对应的可读性越差;因此预测数据与对应的原始数据之间的整体偏差,与数据可读性存在关联,本发明实施例根据每个待加密数据段中的各个原始数据与对应的预测数据之间的整体偏差分布情况,得到每个待加密数据段的数据可读性。
优选地,数据可读性的获取方法包括:
在每个待加密数据段中,将每个原始数据与对应的预测数据之间的差异,作为每个原始数据的预测偏差;预测偏差越大,说明对应的原始数据越不可预测,也即可读性越差;因此待加密数据段的所有原始数据的预测偏差整体越大时,对应的待加密数据段的可读性越差;因此进一步地通过均值表征所有原始数据的整体特征,将所有原始数据的预测偏差的均值的负相关映射值,作为每个待加密数据段的数据可读性。
在本发明实施例中,第个待加密数据段的数据可读性的获取方法在公式上表现为:
;
其中,为第/>个待加密数据段的数据可读性,/>为第/>个待加密数据段中的原始数据数量,/>为第/>个待加密数据段中第/>个原始数据;/>为第/>个待加密数据段中第/>个原始数据的预测数据;/>为第/>个待加密数据段中第/>个原始数据的预测偏差;/>为以自然常数为底的指数函数;需要说明的是,本发明实施例中所有通过进行负相关映射的方法,实施者均可采用其他负相关映射方法进行映射,例如倒数,在此不做进一步赘述。
步骤S4:根据数据可读性的整体分布情况,得到每个待加密数据段在AES128算法中的加密迭代次数;根据加密迭代次数结合AES128算法,对密集型通信模组进行自适应数据加密。
进一步地根据本发明实施例的目的,在此得到每个待加密数据段的数据可读性后,根据不同的数据可读性得到不同待加密数据段的加密迭代次数,从而对密集型通信模组进行自适应数据加密。本发明实施例根据数据可读性的整体分布情况,得到每个待加密数据段在AES128算法中的加密迭代次数。
优选地,第个待加密数据段的加密迭代次数的计算公式包括:
;
其中,为第/>个待加密数据段的加密迭代次数;/>为所有待加密数据段的数量;为第/>个待加密数据段的数据可读性;/>为第/>个待加密数据段的数据可读性;/>为所有待加密数据段的数据可读性的均值;/>为以自然常数为底的指数函数;/>为预设参考系数;/>为向上取整函数。在本发明实施例中,预设参考系数设置为10,因为AES128算法中的加密迭代次数默认为10次,实施者可根据具体实施环境自行调整。/>
在加密迭代次数的计算公式中,首先对于每个待加密数据段而言,其对应的数据可读性越大,则说明需要越多的迭代次数以使得加密后的数据不可读;因此数据可读性越大的待加密数据段,对应的加密迭代次数越大。当待加密数据段的数据可读性相对更大时,对应的整体也就越大,通过所有待加密数据段的数据可读性的均值/>对/>的取值进行限制,避免不同量纲的影响;由于待加密数据段的数据可读性越大时,需要的迭代次数越大,因此对/>进行正相关映射,对应的正相关映射值越大,加密迭代次数也就越大。取整符号的意义在于迭代次数只能为正数,且/>的取值范围为/>,因此向上取整更加合理,实施者也可根据具体实施环境选择其他取整方法,例如四舍五入或向下取整,在此不做进一步赘述。
最后根据加密迭代次数结合AES128算法,对密集型通信模组进行自适应数据加密。也即根据每个待加密数据段以对应的加密迭代次数进行迭代,从而对密集型通信模组进行自适应数据加密。
综上所述,本发明首先根据每个待加密数据段的整体数据趋势变化情况得到整体趋势性,根据待加密数据段中每个原始数据的局部数据分布偏差情况得到局部趋势性,结合整体趋势性和局部趋势性确定二次指数平滑法中的平滑系数,进而确定每个原始数据的预测数据;根据每个原始数据与预测数据的偏差,得到待加密数据段的数据可读性;最后根据数据可读性自适应确定AES128算法中的加密迭代次数,使得根据加密迭代次数结合AES128算法对密集型通信模组进行自适应数据加密时对应的加密效率更高。
需要说明的是:上述本发明实施例先后顺序仅仅为了描述,不代表实施例的优劣。在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。
Claims (10)
1.基于密集型通信模组的数据智能处理方法,其特征在于,所述方法包括:
获取密集型通信模组的每个待加密数据段中的每个原始数据;
在每个待加密数据段中,根据所有原始数据的整体数据趋势变化情况,得到每个待加密数据段的整体趋势性;根据每个原始数据的局部数据分布偏差情况,得到每个待加密数据段中每个原始数据的局部趋势性;
根据所述整体趋势性和所述局部趋势性,得到每个待加密数据段中每个原始数据的自适应平滑系数;根据所述自适应平滑系数通过二次指数平滑法,得到每个待加密数据段中每个原始数据的预测数据;根据每个待加密数据段中的各个原始数据与对应的预测数据之间的整体偏差分布情况,得到每个待加密数据段的数据可读性;
根据所述数据可读性的整体分布情况,得到每个待加密数据段在AES128算法中的加密迭代次数;根据所述加密迭代次数结合AES128算法,对密集型通信模组进行自适应数据加密。
2.根据权利要求1所述的基于密集型通信模组的数据智能处理方法,其特征在于,所述整体趋势性的获取方法包括:
将每个待加密数据段中所有原始数据的方差的正相关映射值,作为每个待加密数据段的长期趋势波动程度;
根据每个待加密数据段中所有原始数据的变化趋势和数值整体分布情况,得到每个待加密数据段的长期趋势特征值;
根据所述长期趋势特征值与所述长期趋势波动程度,得到每个待加密数据段的整体趋势性;所述长期趋势特征值与所述长期趋势波动程度均与所述整体趋势性呈正相关关系。
3.根据权利要求1所述的基于密集型通信模组的数据智能处理方法,其特征在于,所述局部趋势性的获取方法包括:
在每个待加密数据段中,将每个原始数据的预设邻域范围内的所有原始数据的方差,作为每个原始数据的局部平稳度;将每个待加密数据段中所有原始数据的局部平稳度的均值的正相关映射值,作为每个待加密数据段的临期趋势波动程度;
在每个待加密数据段中,根据每个原始数据与其预设邻域范围内的局部数据分布数值偏差情况,得到每个待加密数据段中每个原始数据的临期趋势特征值:
根据所述临期趋势特征值与所述临期趋势波动程度,得到每个待加密数据段中每个原始数据的局部趋势性;所述临期趋势特征值与所述临期趋势波动程度均与所述局部趋势性呈正相关关系。
4.根据权利要求1所述的基于密集型通信模组的数据智能处理方法,其特征在于,所述自适应平滑系数的获取方法包括:
将所述局部趋势性与所述整体趋势性的比值的归一化值,作为每个待加密数据段中每个原始数据的自适应平滑系数。
5.根据权利要求1所述的基于密集型通信模组的数据智能处理方法,其特征在于,所述数据可读性的获取方法包括:
在每个待加密数据段中,将每个原始数据与对应的预测数据之间的差异,作为每个原始数据的预测偏差;将所有原始数据的预测偏差的均值的负相关映射值,作为每个待加密数据段的数据可读性。
6.根据权利要求1所述的基于密集型通信模组的数据智能处理方法,其特征在于,所述加密迭代次数的计算公式包括:
;
其中,为第/>个待加密数据段的加密迭代次数;/>为所有待加密数据段的数量;/>为第/>个待加密数据段的数据可读性;/>为第/>个待加密数据段的数据可读性;/>为所有待加密数据段的数据可读性的均值;/>为以自然常数为底的指数函数;/>为预设参考系数;/>为向上取整函数。
7.根据权利要求2所述的基于密集型通信模组的数据智能处理方法,其特征在于,所述长期趋势特征值的计算公式包括:
;
其中,为第/>个待加密数据段的长期趋势特征值;/>为第/>个待加密数据段的原始数据数量;/>为第/>个待加密数据段中所有原始数据与对应的前一个原始数据之间的所有差异的方差;/>为第/>个待加密数据段中所有原始数据的方差;/>为第/>个待加密数据段中所有原始数据的均值;/>为以自然常数为底的指数函数;/>为归一化函数。
8.根据权利要求2所述的基于密集型通信模组的数据智能处理方法,其特征在于,所述整体趋势性的获取方法包括:
将所述长期趋势特征值与所述长期趋势波动程度之间乘积的归一化值,作为每个待加密数据段的整体趋势性。
9.根据权利要求3所述的基于密集型通信模组的数据智能处理方法,其特征在于,所述临期趋势特征值的计算公式包括:
;
其中,为第/>个待加密数据段中第/>个原始数据的临期趋势特征值;/>为第/>个待加密数据段中第/>个原始数据的预设邻域范围内的原始数据数量;/>为第/>个待加密数据段中第/>个原始数据与其预设邻域范围内的第/>个原始数据之间的数据间隔大小;/>为第个待加密数据段中第/>个原始数据的预设邻域范围内的第/>个原始数据;/>为第/>个待加密数据段中第/>个原始数据的预设邻域范围内的原始数据中值;/>为绝对值符号;/>为以自然常数为底的指数函数;/>为归一化函数。
10.根据权利要求3所述的基于密集型通信模组的数据智能处理方法,其特征在于,所述局部趋势性的获取方法包括:
将所述临期趋势特征值与所述临期趋势波动程度之间乘积的归一化值,作为每个待加密数据段中每个原始数据的局部趋势性。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410216865.5A CN117792615B (zh) | 2024-02-28 | 2024-02-28 | 基于密集型通信模组的数据智能处理方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410216865.5A CN117792615B (zh) | 2024-02-28 | 2024-02-28 | 基于密集型通信模组的数据智能处理方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117792615A true CN117792615A (zh) | 2024-03-29 |
CN117792615B CN117792615B (zh) | 2024-05-14 |
Family
ID=90383707
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410216865.5A Active CN117792615B (zh) | 2024-02-28 | 2024-02-28 | 基于密集型通信模组的数据智能处理方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117792615B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080181397A1 (en) * | 2007-01-25 | 2008-07-31 | John Wilson Dorminy | Secure data transmission and storage using limited-domain functions |
JP2010122825A (ja) * | 2008-11-18 | 2010-06-03 | Osaka Prefecture Univ | データ予測装置、データ予測方法、データ予測プログラム |
CN111027666A (zh) * | 2019-12-05 | 2020-04-17 | 国网冀北电力有限公司承德供电公司 | 函数优化方法、装置及系统 |
CN112989284A (zh) * | 2021-03-18 | 2021-06-18 | 北京明略昭辉科技有限公司 | 基于samme算法的数据噪声检测方法、系统及设备 |
CN116828070A (zh) * | 2023-08-28 | 2023-09-29 | 无锡市锡容电力电器有限公司 | 一种智慧电网数据优化传输方法 |
CN117057517A (zh) * | 2023-10-12 | 2023-11-14 | 国网吉林省电力有限公司长春供电公司 | 基于数字孪生的电力数据高效处理方法及系统 |
CN117251818A (zh) * | 2023-11-17 | 2023-12-19 | 上海伯镭智能科技有限公司 | 用于无人驾驶矿车安全运营的数据管理方法 |
CN117575684A (zh) * | 2024-01-15 | 2024-02-20 | 杭州路过网络有限公司 | 一种客流量预测方法及系统 |
-
2024
- 2024-02-28 CN CN202410216865.5A patent/CN117792615B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080181397A1 (en) * | 2007-01-25 | 2008-07-31 | John Wilson Dorminy | Secure data transmission and storage using limited-domain functions |
JP2010122825A (ja) * | 2008-11-18 | 2010-06-03 | Osaka Prefecture Univ | データ予測装置、データ予測方法、データ予測プログラム |
CN111027666A (zh) * | 2019-12-05 | 2020-04-17 | 国网冀北电力有限公司承德供电公司 | 函数优化方法、装置及系统 |
CN112989284A (zh) * | 2021-03-18 | 2021-06-18 | 北京明略昭辉科技有限公司 | 基于samme算法的数据噪声检测方法、系统及设备 |
CN116828070A (zh) * | 2023-08-28 | 2023-09-29 | 无锡市锡容电力电器有限公司 | 一种智慧电网数据优化传输方法 |
CN117057517A (zh) * | 2023-10-12 | 2023-11-14 | 国网吉林省电力有限公司长春供电公司 | 基于数字孪生的电力数据高效处理方法及系统 |
CN117251818A (zh) * | 2023-11-17 | 2023-12-19 | 上海伯镭智能科技有限公司 | 用于无人驾驶矿车安全运营的数据管理方法 |
CN117575684A (zh) * | 2024-01-15 | 2024-02-20 | 杭州路过网络有限公司 | 一种客流量预测方法及系统 |
Non-Patent Citations (2)
Title |
---|
JAMES W. TAYLOR: "Density forecasting of intraday call center arricals using models based on exponential smoothing", 《MANAGEMENT SCIENCE》, 14 October 2011 (2011-10-14) * |
JEANDRO BEZERRA等: "NAES:A natural adaptive exponential smoothing for channel prediction in WLANs", 《2007 2ND INTERNATIONAL SYMPOSIUM ON WIRELESS PERVASIVE COMPUTING》, 16 April 2017 (2017-04-16) * |
Also Published As
Publication number | Publication date |
---|---|
CN117792615B (zh) | 2024-05-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP5244686B2 (ja) | 監視装置およびサーバー | |
CN110796173B (zh) | 一种基于改进kmeans的负荷曲线形态聚类算法 | |
CN110874488A (zh) | 一种基于混合差分隐私的流数据频数统计方法、装置、系统及存储介质 | |
CN115659284B (zh) | 一种大数据融合平台 | |
JP2019096227A (ja) | 操業改善効果算出装置、操業改善効果算出方法、操業改善効果算出プログラム、および記録媒体 | |
Capizzi et al. | An enhanced control chart for start-up processes and short runs | |
CN112529053A (zh) | 一种服务器中时序数据短期预测方法及系统 | |
CN117792615B (zh) | 基于密集型通信模组的数据智能处理方法 | |
CN111506624B (zh) | 一种电力缺失数据辨识方法和相关装置 | |
CN117473351A (zh) | 基于物联网的电源信息远程传输系统 | |
CN116842330A (zh) | 一种可对比历史记录的保健信息处理方法及装置 | |
Lu et al. | Bootstrap prediction interval for ARMA models with unknown orders | |
CN111077404A (zh) | 扰动源定位方法 | |
CN115098881A (zh) | 一种基于敏感等级划分的数据扰动方法及装置 | |
Liu et al. | Dimension estimation using weighted correlation dimension method | |
US20230101532A1 (en) | Data processing device, data processing method, and data processing program | |
CN115099385A (zh) | 基于传感器布局优化和自适应Kriging模型的频谱地图构建方法 | |
CN114741879A (zh) | 一种基于垂直热史模拟选取古地温梯度方法、系统及设备 | |
CN109993556B (zh) | 用户行为分析方法、装置、计算设备及存储介质 | |
KR20170074418A (ko) | 서열의 유사도 측정을 위한 k-mer 변환 장치 및 방법 | |
Baugh et al. | Hierarchical Bayesian modeling of ocean heat content and its uncertainty | |
Mohamadi et al. | Process capability analysis in the presence of autocorrelation | |
CN114443628B (zh) | 一种基于聚类的金融缺失数据处理方法 | |
Li et al. | Measuring the Complexity of Chaotic Time Series by Fuzzy Entropy | |
Wang et al. | Influence functions for a general class of depth-based generalized quantile functions |
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 |