CN117808473A - 一种交易数据的隐私计算方法及系统 - Google Patents
一种交易数据的隐私计算方法及系统 Download PDFInfo
- Publication number
- CN117808473A CN117808473A CN202410236080.4A CN202410236080A CN117808473A CN 117808473 A CN117808473 A CN 117808473A CN 202410236080 A CN202410236080 A CN 202410236080A CN 117808473 A CN117808473 A CN 117808473A
- Authority
- CN
- China
- Prior art keywords
- user
- time
- users
- target
- transaction
- 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.)
- Pending
Links
- 238000004364 calculation method Methods 0.000 title claims abstract description 17
- 238000000034 method Methods 0.000 claims description 35
- 238000004590 computer program Methods 0.000 claims description 19
- 230000000694 effects Effects 0.000 claims description 17
- 230000001788 irregular Effects 0.000 claims description 10
- 239000011159 matrix material Substances 0.000 claims description 9
- 238000013507 mapping Methods 0.000 claims description 3
- 230000006854 communication Effects 0.000 description 9
- 238000010586 diagram Methods 0.000 description 9
- 238000004891 communication Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 8
- 230000005540 biological transmission Effects 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Abstract
本发明涉及一种交易数据的隐私计算方法及系统，利用用户的历史交易数据来将所有的活跃用户划分为多个用户群体，每个群体对应不同的交易活跃时间，每间隔特定时间，便对不同用户群体用户进行密钥更新，从而保证用户终端内的对称密钥的安全性。还得到了各个用户群体的密钥信息表，密钥信息表记载了对用用户群体的交易活跃时间段以及对应的密钥，因此，在任意一个交易活跃时间段内产生交易数据时，本申请便可以直接在对应的密钥信息表中直接进行查找，从而保证查找成功率的同时缩小查找范围，提高查找效率。
Description
技术领域
本发明涉及加密技术领域，具体是一种交易数据的隐私计算方法及系统。
背景技术
隐私计算(Privacy compute 或Privacy computing)是指在保护数据本身不对外泄露的前提下实现数据分析计算的技术集合，达到对数据“可用、不可见”的目的；在充分保护数据和隐私安全的前提下，实现数据价值的转化和释放。
现有的交易网站中，用户交易过程中都伴随着HTTPS服务器与终端之间的交易数据传输。由于这些交易数据中通过包含有大量的隐私信息，因此需要进行一系列的隐私计算并进行传输。加密通信是最普遍的隐私计算方式，加密通信一般采用对称加密算法或者非对称加密算法，由于HTTPS服务器与终端之间的交易数据量较大，全部采用非对称加密算法会占用大量的运算时间，因此，现有技术中一般都由终端请求HTTPS服务器的公钥明文，然后终端生成随机对称密钥，用公钥明文将对称密钥加密后，返回给HTTPS服务器，HTTPS服务器利用私钥进行解密，得到对称密钥。后续通信过程中，采用对称密钥进行加密通信即可。
但是在上述加密过程中，由于HTTPS服务器需要与大量的终端进行交易数据传输，绝大部分情况下，每个终端对应的对称密钥都是不同的。因此，HTTPS服务器需要存储海量的对称密钥和用户信息，如果短时间内存在大量的交易，就会出现HTTPS服务器需要在短时间内执行大量的密钥查找，并进行加/解密运算，容易造成因HTTPS服务器算力不足造成的通信延迟。此外，由于终端中的密钥长期不变，一旦发生泄漏，会造成交易输出全部泄漏。
发明内容
有鉴于此，本发明的目的是提供一种交易数据的隐私计算方法及系统，以解决现有技术中密钥查找占用太多算力以及加密效果不佳的问题。
为了实现上述目的，本发明采用了如下技术方案：
本发明的一种交易数据的隐私计算方法，包括步骤：
获取活跃用户的历史交易数据的产生时间，其中，所述活跃用户为当前时间之前目标时间段内历史订单数超过目标值的历史交易数据的用户；
基于所述历史交易数据的产生时间对所有活跃用户进行划分，得到多个用户群体，其中，每个用户群体对应一个交易活跃时间段；
每间隔一个目标时间段，对所述多个用户群体的用户终端进行密钥更新，得到每个用户群体的密钥信息表，其中，所述密钥信息表包括每个用户群体的用户ID、以及每个用户群体在多个目标时间段的每个用户ID的对称密钥；
在任意一个交易活跃时间段接收到来自用户终端的当前用户ID和交易密文时，基于交易活跃时间段在所述密钥信息表中查找所述当前用户ID以及所述当前用户ID对应的目标对称密钥，并基于所述目标对称密钥对所述交易密文进行解密。
在本申请一实施例中，基于所述历史交易数据的产生时间对所有活跃用户进行划分，得到多个用户群体，包括：
建立周期时间坐标，并将每一个活跃用户的历史交易数据的产生时间映射至所述周期时间坐标中，得到每一个活跃用户的时间分布数据集；
对所述时间分布数据集进行聚类，得到多个时间簇；
计算每个时间簇的方差，并将方差小于预设阈值的时间簇作为目标簇，并基于所述目标簇构建对应活跃用户的规律时间段；
将存在规律时间段的用户作为规律用户，并基于规律时间段将所有的规律用户划分为多个用户群体；将不存在规律时间段的用户作为不规律用户，并将所有的不规律用户划分至一个用户群体中。
在本申请一实施例中，对所述时间分布数据集进行聚类，得到多个时间簇，包括：
按照时间顺序对所述时间分布数据集中任意两个相邻时间点的间距进行计算；
当存在任意两个相邻时间点的间距小于或者等于预设的间隔阈值时，将两个相邻时间点划定至一个初始时间簇中；当存在任意两个相邻时间点的间距小于或者等于预设的间隔阈值时，将两个相邻时间点划定至两个不同的初始时间簇中；
统计所有初始时间簇中时间点的数量，在初始时间簇中时间点的数量大于预设的第一数量阈值时，将初始时间簇作为时间簇。
在本申请一实施例中，基于规律时间段将所有的规律用户划分为多个用户群体，包括：
划定多个时间段，并将所有的规律用户的规律时间段与所述多个时间段进行对比；
确定每个时间段的关联用户，其中，所述关联用户的规律时间段与对应时间段存在重叠；
统计每个时间段的关联用户数量，在关联用户数量大于预设的第二数量阈值时，将对应的时间段作为交易活跃时间段，并将交易活跃时间段对应的关联用户作为用户群体。
在本申请一实施例中，对所述多个用户群体的用户终端进行密钥更新，包括：
随机生成多个更新矩阵，其中，所述更新矩阵包括运算标志位；
为每个用户终端随机选择一个更新矩阵；
将所有更新矩阵发送给对应的用户终端，以使得用户终端根据运算标志位对应的运算方式来对原有的密钥和所述更新矩阵进行运算，完成密钥更新。
在本申请一实施例中，基于交易活跃时间段在所述密钥信息表中查找所述当前用户ID以及所述当前用户ID对应的目标对称密钥，包括：
基于所述交易活跃时间段确定对应的目标密钥信息表；
在所述目标密钥信息表中查找所述当前用户ID，所述目标密钥信息表中存在所述当前用户ID时，得到所述当前用户ID对应的目标对称密钥。
在本申请一实施例中，还包括：
所述目标密钥信息表中不存在所述当前用户ID时，按照预设顺序在其他密钥信息表中执行顺序查找，直至找到所述当前用户ID以及所述当前用户ID对应的目标对称密钥。
本申请还提供一种交易数据的隐私计算系统，包括：
获取模块，用于获取活跃用户的历史交易数据的产生时间，其中，所述活跃用户为当前时间之前目标时间段内历史订单数超过目标值的历史交易数据的用户；
划分模块，用于基于所述历史交易数据的产生时间对所有活跃用户进行划分，得到多个用户群体，其中，每个用户群体对应一个交易活跃时间段；
更新模块，用于每间隔一个目标时间段，对所述多个用户群体的用户终端进行密钥更新，得到每个用户群体的密钥信息表，其中，所述密钥信息表包括每个用户群体的用户ID、以及每个用户群体在多个目标时间段的每个用户ID的对称密钥；
解密模块，用于在任意一个交易活跃时间段接收到来自用户终端的当前用户ID和交易密文时，基于交易活跃时间段在所述密钥信息表中查找所述当前用户ID以及所述当前用户ID对应的目标对称密钥，并基于所述目标对称密钥对所述交易密文进行解密。
本发明还提供一种存储介质，其中存储有计算机程序，所述计算机程序被处理器加载执行时，实现如上所述的一种交易数据的隐私计算方法。
本发明还提供一种电子设备，包括：处理器、及存储器；其中，所述存储器用于存储计算机程序；所述处理器用于加载执行所述计算机程序，以使所述电子设备执行如上所述的一种交易数据的隐私计算方法。
本发明的有益效果是：本发明的一种交易数据的隐私计算方法及系统，通过获取活跃用户的历史交易数据的产生时间；然后基于所述历史交易数据的产生时间对所有活跃用户进行划分，得到多个用户群体；每间隔一个目标时间段，对所述多个用户群体的用户终端进行密钥更新，得到每个用户群体的密钥信息表；并在任意一个交易活跃时间段接收到来自用户终端的当前用户ID和交易密文时，基于交易活跃时间段在所述密钥信息表中查找所述当前用户ID以及所述当前用户ID对应的目标对称密钥，并基于所述目标对称密钥对所述交易密文进行解密。本申请利用用户的历史交易数据来将所有的活跃用户划分为多个用户群体，每个群体对应不同的交易活跃时间，每间隔特定时间，便对不同用户群体用户进行密钥更新，从而保证用户终端内的对称密钥的安全性。还得到了各个用户群体的密钥信息表，密钥信息表记载了对用用户群体的交易活跃时间段以及对应的密钥，因此，在任意一个交易活跃时间段内产生交易数据时，本申请便可以直接在对应的密钥信息表中直接进行查找，从而保证查找成功率的同时缩小查找范围，提高查找效率。
附图说明
下面结合附图和实施例对本发明作进一步描述：
图1是本申请一实施例中示出的一种交易数据的隐私计算方法的运用场景图；
图2是本申请一实施例中示出的一种交易数据的隐私计算方法的流程图；
图3是本申请一实施例中示出的一种交易数据的隐私计算系统的结构图；
图4示出了适于用来实现本申请实施例的电子设备的计算机系统的结构示意图。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。
需要说明的是，以下实施例中所提供的图示仅以示意方式说明本发明的基本构想，遂图式中仅显示与本发明中有关的层而非按照实际实施时的层数目、形状及尺寸绘制，其实际实施时各层的型态、数量及比例可为一种随意的改变，且其层布局型态也可能更为复杂。
在下文描述中，探讨了大量细节，以提供对本发明实施例的更透彻的解释，然而，对本领域技术人员来说，可以在没有这些具体细节的情况下实施本发明的实施例是显而易见的。
图1是本申请一实施例中示出的一种交易数据的隐私计算方法的运用场景图，如图1所示，本场景中，至少包括交易网站的HTTPS服务器110和多个用户终端120，多个用户终端120划分为不同的用户群体，每个用户群体的交易活跃时间不同。每个用户群体对应一个密钥信息表，密钥信息表中记载了对应用户群体在不同时间段的对称密钥。HTTPS服务器110会定时对所有活跃用户的用户终端中的对称密钥进行更新，更新前后的密钥都记载在密钥信息表中。HTTPS服务器110在不同的时间采用不同的密钥信息表来进行第一次信息查询，以快速确定用户ID对应的密钥。
图2是本申请一实施例中示出的一种交易数据的隐 私计算方法的流程图，如图2所示：本实施例的一种交易数据的隐私计算方法，可以包括步骤S210至步骤S240：
S210，获取活跃用户的历史交易数据的产生时间，其中，所述活跃用户为当前时间之前目标时间段内历史订单数超过目标值的历史交易数据的用户；
其中，活跃用户的筛选依靠用户在历史时间段的交易频次，交易频次越高则越活跃，在本申请中，将当前时间点之前半年内历史订单数超过目标值的用户作为活跃用户。
S220，基于所述历史交易数据的产生时间对所有活跃用户进行划分，得到多个用户群体，其中，每个用户群体对应一个交易活跃时间段；
活跃用户的交易时间可能存在规律，也可能无序的。例如，一些用户会习惯在下班时间之后（如18:00-22:00）进行消费活动。因此，其交易数据的产生时间也会集中在这个时间段。对于这些存在规律或者无序的活跃用户，本申请进行聚类划分，从而确定不同用户群体的消费活跃时间。其中，无序用户的消费活跃时间可以设定为0:00-24:00，即全天。
在本申请一实施例中，基于所述历史交易数据的产生时间对所有活跃用户进行划分，得到多个用户群体，包括：
S221，建立周期时间坐标，并将每一个活跃用户的历史交易数据的产生时间映射至所述周期时间坐标中，得到每一个活跃用户的时间分布数据集；
在本申请中，周期时间坐标为0:00-24:00对应的时间坐标。将每一个活跃用户的历史交易数据的产生时间，映射至0:00-24:00的时间坐标中，便可以得到活跃用户的历史交易数据的产生时间折叠在一个时间周期内，得到时间分布数据集，以便于进行分析得到分布规律。
S222，对所述时间分布数据集进行聚类，得到多个时间簇；
本申请采用聚类的方法来找寻每一个活跃用户的交易时间规律。聚类的方式有多种多样，如K-means、dbscan等。本申请由于只需要对二维坐标系中的坐标点进行聚类，因此采用如下过程进行聚类，更为快捷有效。具体步骤包括：
S22201，按照时间顺序对所述时间分布数据集中任意两个相邻时间点的间距进行计算；即获得时间分布数据集在周期时间坐标中，任意两个相邻时间点的时间间隔。
S22202，当存在任意两个相邻时间点的间距小于或者等于预设的间隔阈值时，将两个相邻时间点划定至一个初始时间簇中；当存在任意两个相邻时间点的间距小于或者等于预设的间隔阈值时，将两个相邻时间点划定至两个不同的初始时间簇中；
如果两个相邻时间点的时间间隔比较小，或者是重叠在一起。那么说明这两个相邻时间点之间的密度值较大，符合属于一个簇的条件。因此将其划分至同一个初始时间簇中。反之，如果两个相邻时间点的时间间隔比较大，则说明二者不属于同一个簇，因此两个相邻时间点划定至两个不同的初始时间簇中。具体地，预设的间隔阈值可以是30min。
上述划分过程中可能划分出多个初始时间簇，但是由于可能存在初始时间簇的数据点较少，无法反应时间规律，因此还需要排除数量点较少的初始时间簇。
S22203，统计所有初始时间簇中时间点的数量，在初始时间簇中时间点的数量大于预设的第一数量阈值时，将初始时间簇作为时间簇。
将数量点较少的初始时间簇排除之后，便可以得到聚集在一个时间段内，且数量样本足够多的时间簇。
S223，计算每个时间簇的方差，并将方差小于预设阈值的时间簇作为目标簇，并基于所述目标簇构建对应活跃用户的规律时间段；
其中，时间簇的方差计算方法为现有技术，在此不再赘述。方差/>小于预设阈值。则说明时间簇内的时间点较为密集。因此本实施例中计算每个时间簇的方差/>，实际上是对时间簇内数据点的密集程度进行计算。最后根据密集程度对时间簇进行筛选，得到数据点分布密集的目标簇。
得到目标簇后，由于目标簇内的时间点是离散的，还需要根据目标簇内的时间点分布特征来构建连续的规律时间段。本实施例中，可以直接提取目标簇内的最大值和最小值/>构建规律时间段/>，也可以根据簇内的时间平均值/>和标准差/>构建分布范围/>，/>为范围调节参数，可以人为设置，一般取1-2之间的任意数字。
S224，将存在规律时间段的用户作为规律用户，并基于规律时间段将所有的规律用户划分为多个用户群体；将不存在规律时间段的用户作为不规律用户，并将所有的不规律用户划分至一个用户群体中。
存在规律时间段，说明对应用户在历史交易过程中，会集中在一个时间段内进行交易。因此作为规律用户。规律用户的规律体现在交易时间上，因此可以根据不同的时间段来对所有的活跃用户进行划分，将规律用户划分至各个用户群体中，将不规律用户划分至单独的一个群体中。
在本申请一实施例中，基于规律时间段将所有的规律用户划分为多个用户群体，包括：
S22401，划定多个时间段，并将所有的规律用户的规律时间段与所述多个时间段进行对比；具体地，可以每隔小时划分一个时间段，例如（0:01-1:00）、（1:01-2:00）....（23:01-24:00）。
S22402，确定每个时间段的关联用户，其中，所述关联用户的规律时间段与对应时间段存在重叠；
关联用户的判定存在如下三种情况，例如：
（1）规律用户A的规律时间段是（18:20-18:40），那么规律时间段落入至（18:01-19:00），那么规律用户A为时间段（18:01-19:00）的关联用户；
（2）规律用户A的规律时间段是（18:20-20:20），那么规律时间段与时间段（18:01-19:00）、时间段（19:01-20:00）、时间段（20:01-21:00）存在重叠，那么规律用户A为时间段（18:01-19:00）、时间段（19:01-20:00）、时间段（20:01-21:00）的关联用户；
（3）规律用户A的规律时间段是（18:20-18:40）、（19:20-20:20），那么规律用户A为时间段（18:01-19:00）、时间段（19:01-20:00）、时间段（20:01-21:00）的关联用户；
S22403，统计每个时间段的关联用户数量，在关联用户数量大于预设的第二数量阈值时，将对应的时间段作为交易活跃时间段，并将交易活跃时间段对应的关联用户作为用户群体。
关联完毕后，如果关联用户数量大于预设的第二数量阈值，用户数量足够的情况下，将对应的时间段作为交易活跃时间段，并将交易活跃时间段对应的关联用户作为用户群体。
此外，关联不规律用户的时间段为（0:00-24:00），即全天。
S230，每间隔一个目标时间段，对所述多个用户群体的用户终端进行密钥更新，得到每个用户群体的密钥信息表，其中，所述密钥信息表包括每个用户群体的用户ID、以及每个用户群体在多个目标时间段的每个用户ID的对称密钥；
为了提高对称加密的安全性，本申请在每个月或者其他时间对用户终端的密钥进行更新。更新的时间、更新密钥对应的用户ID以及更新的密钥均记录在密钥信息表。从而得到每个用户群体的密钥信息表。
具体地，对所述多个用户群体的用户终端进行密钥更新，包括：
S231，随机生成多个更新矩阵，其中，所述更新矩阵包括运算标志位；
S232，为每个用户终端随机选择一个更新矩阵；
S233，将所有更新矩阵发送给对应的用户终端，以使得用户终端根据运算标志位对应的运算方式来对原有的密钥和所述更新矩阵进行运算，完成密钥更新。
本申请中的对称密钥长度为128位，即16比特，因此对应的阵列是4*4的。对应地，随机生成的更新矩阵为128位，构成4*4矩阵。然后随机选择用户终端的更新矩阵，并基于更新矩阵的标志位选择运算方式，与原密钥进行运算，从而对密钥进行更新。在传输更新矩阵时，可以进行加密传输，也可以直接采用明文传输，在原密钥保密的情况下，更新的密钥也不会泄露。在原密钥泄露的情况下，如果采用加密传输，也能保证数据安全。
其中，标志位可以是更新矩阵的任何一位，可以根据标志位的值来确定运算方式，例如标志位的值为1，运算方式为对位相加；标志位的值为3运算方式为对位异或。运算方式的确定预先在终端和服务器中进行约定。
S240，在任意一个交易活跃时间段接收到来自用户终端的当前用户ID和交易密文时，基于交易活跃时间段在所述密钥信息表中查找所述当前用户ID以及所述当前用户ID对应的目标对称密钥，并基于所述目标对称密钥对所述交易密文进行解密。
建立好上述的密钥信息表后，即可利用密钥信息表来缩短查找时间。利用对应时间段的密钥信息表来查找当前用户ID以及所述当前用户ID对应的目标对称密钥，可以极大地缩短查找时间。具体查找过程包括：
基于所述交易活跃时间段确定对应的目标密钥信息表；
在所述目标密钥信息表中查找所述当前用户ID，所述目标密钥信息表中存在所述当前用户ID时，得到所述当前用户ID对应的目标对称密钥。
此外，所述目标密钥信息表中不存在所述当前用户ID时，按照预设顺序在其他密钥信息表中执行顺序查找，直至找到所述当前用户ID以及所述当前用户ID对应的目标对称密钥。
如果在密钥信息表中没有查找到当前用户的ID，那么按照顺序查找其他密钥信息表即可。
此外，除了当前时间对应的密钥信息表，由于无规律用户对应的密钥信息表的时间段为（0:00-24:00），因此，每次查找完当前时间对应的密钥信息表后，先查找无规律用户对应的密钥信息表，最后再查找其他时间段对应的密钥信息表。
本申请中的一种交易数据的隐私计算方法，利用用户的历史交易数据来将所有的活跃用户划分为多个用户群体，每个群体对应不同的交易活跃时间，每间隔特定时间，便对不同用户群体用户进行密钥更新，从而保证用户终端内的对称密钥的安全性。还得到了各个用户群体的密钥信息表，密钥信息表记载了对用用户群体的交易活跃时间段以及对应的密钥，因此，在任意一个交易活跃时间段内产生交易数据时，本申请便可以直接在对应的密钥信息表中直接进行查找，从而保证查找成功率的同时缩小查找范围，提高查找效率。
如图3所示，本申请还提供一种交易数据的隐私计算系统，包括：
获取模块310，用于获取活跃用户的历史交易数据的产生时间，其中，所述活跃用户为当前时间之前目标时间段内历史订单数超过目标值的历史交易数据的用户；
划分模块320，用于基于所述历史交易数据的产生时间对所有活跃用户进行划分，得到多个用户群体，其中，每个用户群体对应一个交易活跃时间段；
更新模块330，用于每间隔一个目标时间段，对所述多个用户群体的用户终端进行密钥更新，得到每个用户群体的密钥信息表，其中，所述密钥信息表包括每个用户群体的用户ID、以及每个用户群体在多个目标时间段的每个用户ID的对称密钥；
解密模块340，用于在任意一个交易活跃时间段接收到来自用户终端的当前用户ID和交易密文时，基于交易活跃时间段在所述密钥信息表中查找所述当前用户ID以及所述当前用户ID对应的目标对称密钥，并基于所述目标对称密钥对所述交易密文进行解密。
本申请中的一种交易数据的隐私计算系统，利用用户的历史交易数据来将所有的活跃用户划分为多个用户群体，每个群体对应不同的交易活跃时间，每间隔特定时间，便对不同用户群体用户进行密钥更新，从而保证用户终端内的对称密钥的安全性。还得到了各个用户群体的密钥信息表，密钥信息表记载了对用用户群体的交易活跃时间段以及对应的密钥，因此，在任意一个交易活跃时间段内产生交易数据时，本申请便可以直接在对应的密钥信息表中直接进行查找，从而保证查找成功率的同时缩小查找范围，提高查找效率。
图4示出了适于用来实现本申请实施例的电子设备的计算机系统的结构示意图。需要说明的是，图4示出的电子设备的计算机系统400仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。
如图4所示，计算机系统400包括中央处理单元（Central Processing Unit，CPU）401，其可以根据存储在只读存储器（Read-Only Memory，ROM）402中的程序或者从储存部分408加载到随机访问存储器（Random Access Memory，RAM）403中的程序而执行各种适当的动作和处理，例如执行上述实施例中的方法。在RAM 403中，还存储有系统操作所需的各种程序和数据。CPU 401、ROM 402以及RAM 403通过总线404彼此相连。输入/输出（Input /Output，I/O）接口405也连接至总线404。
以下部件连接至I/O接口405：包括键盘、鼠标等的输入部分406；包括诸如阴极射线管（Cathode Ray Tube，CRT）、液晶显示器（Liquid Crystal Display，LCD）等以及扬声器等的输出部分407；包括硬盘等的储存部分408；以及包括诸如LAN（Local Area Network，局域网）卡、调制解调器等的网络接口卡的通信部分409。通信部分409经由诸如因特网的网络执行通信处理。驱动器410也根据需要连接至I/O接口405。可拆卸介质411，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器410上，以便于从其上读出的计算机程序根据需要被安装入储存部分408。
特别地，根据本申请的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本申请的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的计算机程序。在这样的实施例中，该计算机程序可以通过通信部分409从网络上被下载和安装，和/或从可拆卸介质411被安装。在该计算机程序被中央处理单元（CPU）401执行时，执行本申请的系统中限定的各种功能。
需要说明的是，本申请实施例所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器（RAM）、只读存储器（ROM）、可擦式可编程只读存储器（Erasable Programmable Read Only Memory，EPROM）、闪存、光纤、便携式紧凑磁盘只读存储器（Compact Disc Read-Only Memory，CD-ROM）、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的计算机程序。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的计算机程序可以用任何适当的介质传输，包括但不限于：无线、有线等等，或者上述的任意合适的组合。
附图中的流程图和框图，图示了按照本申请各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。其中，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图或流程图中的每个方框、以及框图或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
描述于本申请实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现，所描述的单元也可以设置在处理器中。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定。
本申请的另一方面还提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被计算机的处理器执行时，使计算机执行如前的方法。该计算机可读存储介质可以是上述实施例中描述的电子设备中所包含的，也可以是单独存在，而未装配入该电子设备中。
本申请的另一方面还提供了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行上述各个实施例中提供的方法。
以上实施例仅是为充分说明本申请而所举的较佳的实施例，本申请的保护范围不限于此。本技术领域的技术人员在本申请基础上所作的等同替代或变换，均在本申请的保护范围之内。
Claims (10)
1.一种交易数据的隐私计算方法，其特征在于，包括步骤：
获取活跃用户的历史交易数据的产生时间，其中，所述活跃用户为当前时间之前目标时间段内历史订单数超过目标值的历史交易数据的用户；
基于所述历史交易数据的产生时间对所有活跃用户进行划分，得到多个用户群体，其中，每个用户群体对应一个交易活跃时间段；
每间隔一个目标时间段，对所述多个用户群体的用户终端进行密钥更新，得到每个用户群体的密钥信息表，其中，所述密钥信息表包括每个用户群体的用户ID、以及每个用户群体在多个目标时间段的每个用户ID的对称密钥；
在任意一个交易活跃时间段接收到来自用户终端的当前用户ID和交易密文时，基于交易活跃时间段在所述密钥信息表中查找所述当前用户ID以及所述当前用户ID对应的目标对称密钥，并基于所述目标对称密钥对所述交易密文进行解密。
2.根据权利要求 1 所述的一种交易数据的隐私计算方法，其特征在于，基于所述历史交易数据的产生时间对所有活跃用户进行划分，得到多个用户群体，包括：
建立周期时间坐标，并将每一个活跃用户的历史交易数据的产生时间映射至所述周期时间坐标中，得到每一个活跃用户的时间分布数据集；
对所述时间分布数据集进行聚类，得到多个时间簇；
计算每个时间簇的方差，并将方差小于预设阈值的时间簇作为目标簇，并基于所述目标簇构建对应活跃用户的规律时间段；
将存在规律时间段的用户作为规律用户，并基于规律时间段将所有的规律用户划分为多个用户群体；将不存在规律时间段的用户作为不规律用户，并将所有的不规律用户划分至一个用户群体中。
3.根据权利要求 2 所述的一种交易数据的隐私计算方法，其特征在于，对所述时间分布数据集进行聚类，得到多个时间簇，包括：
按照时间顺序对所述时间分布数据集中任意两个相邻时间点的间距进行计算；
当存在任意两个相邻时间点的间距小于或者等于预设的间隔阈值时，将两个相邻时间点划定至一个初始时间簇中；当存在任意两个相邻时间点的间距小于或者等于预设的间隔阈值时，将两个相邻时间点划定至两个不同的初始时间簇中；
统计所有初始时间簇中时间点的数量，在初始时间簇中时间点的数量大于预设的第一数量阈值时，将初始时间簇作为时间簇。
4.根据权利要求 2 所述的一种交易数据的隐私计算方法，其特征在于，基于规律时间段将所有的规律用户划分为多个用户群体，包括：
划定多个时间段，并将所有的规律用户的规律时间段与所述多个时间段进行对比；
确定每个时间段的关联用户，其中，所述关联用户的规律时间段与对应时间段存在重叠；
统计每个时间段的关联用户数量，在关联用户数量大于预设的第二数量阈值时，将对应的时间段作为交易活跃时间段，并将交易活跃时间段对应的关联用户作为用户群体。
5.根据权利要求 1 所述的一种交易数据的隐私计算方法，其特征在于，对所述多个用户群体的用户终端进行密钥更新，包括：
随机生成多个更新矩阵，其中，所述更新矩阵包括运算标志位；
为每个用户终端随机选择一个更新矩阵；
将所有更新矩阵发送给对应的用户终端，以使得用户终端根据运算标志位对应的运算方式来对原有的密钥和所述更新矩阵进行运算，完成密钥更新。
6.根据权利要求 1 所述的一种交易数据的隐私计算方法，其特征在于，基于交易活跃时间段在所述密钥信息表中查找所述当前用户ID以及所述当前用户ID对应的目标对称密钥，包括：
基于所述交易活跃时间段确定对应的目标密钥信息表；
在所述目标密钥信息表中查找所述当前用户ID，所述目标密钥信息表中存在所述当前用户ID时，得到所述当前用户ID对应的目标对称密钥。
7.根据权利要求 6 所述的一种交易数据的隐私计算方法，其特征在于，还包括：
所述目标密钥信息表中不存在所述当前用户ID时，按照预设顺序在其他密钥信息表中执行顺序查找，直至找到所述当前用户ID以及所述当前用户ID对应的目标对称密钥。
8.一种交易数据的隐私计算系统，其特征在于，包括：
获取模块，用于获取活跃用户的历史交易数据的产生时间，其中，所述活跃用户为当前时间之前目标时间段内历史订单数超过目标值的历史交易数据的用户；
划分模块，用于基于所述历史交易数据的产生时间对所有活跃用户进行划分，得到多个用户群体，其中，每个用户群体对应一个交易活跃时间段；
更新模块，用于每间隔一个目标时间段，对所述多个用户群体的用户终端进行密钥更新，得到每个用户群体的密钥信息表，其中，所述密钥信息表包括每个用户群体的用户ID、以及每个用户群体在多个目标时间段的每个用户ID的对称密钥；
解密模块，用于在任意一个交易活跃时间段接收到来自用户终端的当前用户ID和交易密文时，基于交易活跃时间段在所述密钥信息表中查找所述当前用户ID以及所述当前用户ID对应的目标对称密钥，并基于所述目标对称密钥对所述交易密文进行解密。
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于：所述计算机程序被处理器执行时实现如权利要求1至7中任一项所述方法。
10.一种电子终端，其特征在于，包括：处理器及存储器；
所述存储器用于存储计算机程序，所述处理器用于执行所述存储器存储的计算机程序，以使所述终端执行如权利要求1至7中任一项所述方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410236080.4A CN117808473A (zh) | 2024-03-01 | 2024-03-01 | 一种交易数据的隐私计算方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410236080.4A CN117808473A (zh) | 2024-03-01 | 2024-03-01 | 一种交易数据的隐私计算方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117808473A true CN117808473A (zh) | 2024-04-02 |
Family
ID=90433886
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410236080.4A Pending CN117808473A (zh) | 2024-03-01 | 2024-03-01 | 一种交易数据的隐私计算方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117808473A (zh) |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1486014A (zh) * | 2002-09-24 | 2004-03-31 | 黎明网络有限公司 | 一种基于公开密钥体系的数据安全传输的方法及其装置 |
| CN103812889A (zh) * | 2012-11-09 | 2014-05-21 | 阿里巴巴集团控股有限公司 | 一种传输时效性信息的方法和装置 |
| US20160092895A1 (en) * | 2014-09-26 | 2016-03-31 | Mastercard International Incorporated | Method and system for identifying merchant market shares based on purchase data |
| CN106900034A (zh) * | 2017-01-16 | 2017-06-27 | 珠海格力电器股份有限公司 | 一种连接wifi的方法、装置及电子设备 |
| CN107451832A (zh) * | 2016-05-30 | 2017-12-08 | 北京京东尚科信息技术有限公司 | 推送信息的方法和装置 |
| CN107749033A (zh) * | 2017-11-09 | 2018-03-02 | 厦门市美亚柏科信息股份有限公司 | 一种网络社区活跃用户簇的发现方法、终端设备及存储介质 |
| CN109087134A (zh) * | 2018-07-24 | 2018-12-25 | 上海保资智能科技有限公司 | 时间分段决策方法、装置、介质及设备 |
| CN110830242A (zh) * | 2019-10-16 | 2020-02-21 | 聚好看科技股份有限公司 | 一种密钥生成、管理方法和服务器 |
| CN112333215A (zh) * | 2021-01-06 | 2021-02-05 | 浙江育英职业技术学院 | 基于区块链系统的商品推荐方法、存储介质及电子设备 |
| CN113011888A (zh) * | 2021-03-11 | 2021-06-22 | 中南大学 | 一种针对数字货币的异常交易行为检测方法、装置、设备及介质 |
| CN117312657A (zh) * | 2023-09-07 | 2023-12-29 | 中国建设银行股份有限公司 | 金融应用的异常功能定位方法、装置、计算机设备和介质 |
-
2024
- 2024-03-01 CN CN202410236080.4A patent/CN117808473A/zh active Pending
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1486014A (zh) * | 2002-09-24 | 2004-03-31 | 黎明网络有限公司 | 一种基于公开密钥体系的数据安全传输的方法及其装置 |
| CN103812889A (zh) * | 2012-11-09 | 2014-05-21 | 阿里巴巴集团控股有限公司 | 一种传输时效性信息的方法和装置 |
| US20160092895A1 (en) * | 2014-09-26 | 2016-03-31 | Mastercard International Incorporated | Method and system for identifying merchant market shares based on purchase data |
| CN107451832A (zh) * | 2016-05-30 | 2017-12-08 | 北京京东尚科信息技术有限公司 | 推送信息的方法和装置 |
| CN106900034A (zh) * | 2017-01-16 | 2017-06-27 | 珠海格力电器股份有限公司 | 一种连接wifi的方法、装置及电子设备 |
| CN107749033A (zh) * | 2017-11-09 | 2018-03-02 | 厦门市美亚柏科信息股份有限公司 | 一种网络社区活跃用户簇的发现方法、终端设备及存储介质 |
| CN109087134A (zh) * | 2018-07-24 | 2018-12-25 | 上海保资智能科技有限公司 | 时间分段决策方法、装置、介质及设备 |
| CN110830242A (zh) * | 2019-10-16 | 2020-02-21 | 聚好看科技股份有限公司 | 一种密钥生成、管理方法和服务器 |
| CN112333215A (zh) * | 2021-01-06 | 2021-02-05 | 浙江育英职业技术学院 | 基于区块链系统的商品推荐方法、存储介质及电子设备 |
| CN113011888A (zh) * | 2021-03-11 | 2021-06-22 | 中南大学 | 一种针对数字货币的异常交易行为检测方法、装置、设备及介质 |
| CN117312657A (zh) * | 2023-09-07 | 2023-12-29 | 中国建设银行股份有限公司 | 金融应用的异常功能定位方法、装置、计算机设备和介质 |
Non-Patent Citations (1)
| Title |
|---|
| 王蓉: "基于大数据的个性化智能商家推荐系统的研究与实现", 《中国优秀硕士学位论文全文数据库 信息科技辑》, 15 May 2022 (2022-05-15), pages 138 - 1281 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Wang et al. | Edge-based differential privacy computing for sensor–cloud systems | |
| Rahman et al. | Challenges, applications and design aspects of federated learning: A survey | |
| CN110537183B (zh) | 数据标记化方法和系统 | |
| US9852306B2 (en) | Conjunctive search in encrypted data | |
| Keshavamurthy et al. | Privacy preserving association rule mining over distributed databases using genetic algorithm | |
| US11341128B2 (en) | Poly-logarithmic range queries on encrypted data | |
| US20150039903A1 (en) | Masking query data access pattern in encrypted data | |
| CN111428887B (zh) | 一种基于多个计算节点的模型训练控制方法、装置及系统 | |
| US8769302B2 (en) | Encrypting data and characterization data that describes valid contents of a column | |
| CN103425933B (zh) | 一种多数据源的数据同态加密转存方法 | |
| WO2019090841A1 (zh) | 一种加密文件的检索方法、系统、终端设备及存储介质 | |
| US20190156057A1 (en) | Efficiently querying databases while providing differential privacy | |
| CN102272728B (zh) | 基于多项式的数据转换和利用的方法、装置和计算机程序产品 | |
| Hozhabr et al. | Dynamic secure multi-keyword ranked search over encrypted cloud data | |
| WO2022068355A1 (zh) | 基于信息的特征的加密方法、装置、设备及储存介质 | |
| CN110795432A (zh) | 一种特征数据的检索方法、装置及存储介质 | |
| Cui et al. | Secure Boolean spatial keyword query with lightweight access control in cloud environments | |
| CN117349685A (zh) | 一种通信数据的聚类方法、系统、终端及介质 | |
| Huang et al. | Optimized CPU–GPU collaborative acceleration of zero-knowledge proof for confidential transactions | |
| CN117808473A (zh) | 一种交易数据的隐私计算方法及系统 | |
| CN115719094B (zh) | 基于联邦学习的模型训练方法、装置、设备及存储介质 | |
| Zhang et al. | A traceable and revocable multi-authority attribute-based access control scheme for mineral industry data secure storage in blockchain | |
| US11734448B2 (en) | Method for encrypting database supporting composable SQL query | |
| WO2023124219A1 (zh) | 一种联合学习模型迭代更新方法、装置、系统及存储介质 | |
| CN114254370B (zh) | 基于多方安全隐私计算提升交易匹配度的方法及装置 |
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 |