CN117972657A - 一种基于服务调用数据的水印嵌入方法 - Google Patents
一种基于服务调用数据的水印嵌入方法 Download PDFInfo
- Publication number
- CN117972657A CN117972657A CN202410373303.1A CN202410373303A CN117972657A CN 117972657 A CN117972657 A CN 117972657A CN 202410373303 A CN202410373303 A CN 202410373303A CN 117972657 A CN117972657 A CN 117972657A
- Authority
- CN
- China
- Prior art keywords
- data
- value
- calculating
- matrix
- neighbor
- 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
- 238000000034 method Methods 0.000 title claims abstract description 62
- 238000007781 pre-processing Methods 0.000 claims abstract description 5
- 239000000523 sample Substances 0.000 claims description 46
- 239000011159 matrix material Substances 0.000 claims description 45
- 238000004422 calculation algorithm Methods 0.000 claims description 33
- 230000006870 function Effects 0.000 claims description 29
- 238000003860 storage Methods 0.000 claims description 16
- 239000013598 vector Substances 0.000 claims description 12
- 230000005540 biological transmission Effects 0.000 claims description 11
- 230000002068 genetic effect Effects 0.000 claims description 9
- 238000012216 screening Methods 0.000 claims description 7
- 238000010801 machine learning Methods 0.000 claims description 6
- 238000013507 mapping Methods 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 6
- 230000009466 transformation Effects 0.000 claims description 6
- 238000009826 distribution Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000001186 cumulative effect Effects 0.000 claims description 3
- 238000003780 insertion Methods 0.000 claims description 3
- 230000037431 insertion Effects 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 238000004590 computer program Methods 0.000 description 11
- 238000012545 processing Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 6
- 238000013475 authorization Methods 0.000 description 5
- 235000013405 beer Nutrition 0.000 description 5
- 230000004044 response Effects 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000002093 peripheral effect Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011022 operating instruction Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Landscapes
- Editing Of Facsimile Originals (AREA)
Abstract
本发明公开了一种基于服务调用数据的水印嵌入方法,包括获取服务调用数据,对所述服务调用数据进行预处理,根据相关权重对预处理后的所述调用数据进行选择获得重点数据,对所述重点数据添加时间戳获得增强数据,对所述增强数据进行贡献度选择获得优质数据,对所述优质数据进行数据编码获得编码数据,采用所述编码数据构建数据水印嵌入模型,将待嵌入的触发图片输入所述数据水印嵌入模型,输出嵌入结果。该方法不仅可以提高服务调用数据的水印嵌入的精度,同时具有较好的可解释性,可以直接应用于水印嵌入系统中。
Description
技术领域
本发明涉及水印嵌入领域,尤其涉及一种基于服务调用数据的水印嵌入方法。
背景技术
随着信息技术的快速发展,数字内容的保护和版权管理变得日益重要。为了实现对数字内容的有效追溯和版权保护,数字水印技术被广泛应用。数字水印是将特定信息嵌入到数字内容中,且不易被察觉或破坏的一种技术手段,可以用于识别内容的来源、追踪非授权复制和分发,以及提供篡改检测等功能。
服务调用数据中的水印嵌入还需要考虑数据的完整性、可用性和安全性。嵌入水印的过程中,不能对原始数据造成过大的影响,以免影响数据的正常处理和解析。同时,嵌入的水印信息需要具有一定的鲁棒性,能够抵抗数据篡改和攻击。
因此,开发一种适用于服务调用数据的水印嵌入方法,能够在保证数据完整性和可用性的前提下,实现版权追溯和版权保护,成为当前急需解决的技术问题。
发明内容
本发明的目的是要提供一种基于服务调用数据的水印嵌入方法 。
为达到上述目的,本发明是按照以下技术方案实施的:
本发明包括以下步骤:
获取基于服务的调用数据,对所述调用数据进行预处理;
根据相关权重对预处理后的所述调用数据进行选择获得重点数据,对所述重点数据添加时间戳获得增强数据;
对所述增强数据进行贡献度选择获得优质数据,对所述优质数据进行数据编码获得编码数据;
采用所述编码数据构建数据水印嵌入模型,将待嵌入的服务调用数据输入所述数据水印嵌入模型,输出嵌入结果。
进一步的,根据相关权重对预处理后的所述调用数据进行选择获得重点数据的方法,包括:
计算调用数据的相关权重:
其中数据E的最大值为,数据E的最小值为/>,数据E的相关权重为,数据E 的初始相关权重为/>,随机抽样C中所属类别的比例为/>,b类调用数据的比例为/>,b类调用数据中的第a个最近邻数据为/>,相关性E的数据值为/>,近邻中第a个调用数据E的采样数据值为/>,第a个采样数据为/>,随机抽样C中所属类别为,采样数据的数量为/>,最近邻数据为g,调用数据C与采样数据/>在相关性E上的差为,调用数据C与采样数据/>在最近邻/>上的差为/>;
根据相关权重对调用数据进行降序排序,给定相关权重阈值,根据相关权重阈值筛选相关集;
对探索子位置和相关集进行映射,表达式为:
其中映射函数为,第i个探索子的第a个相关的为/>,随机数为r,自然常数为e,计算探索子的适应度值:
其中适应度为,分类的误分率为/>,相关集中的数据数量为M,误分率的重要性为/>,相关子集的重要性为/>,选择的相关子集的数量为/>;
比较探索子的适应度,更新全局和局部最优解,更新探索子位置,表达式为:
其中第i个探索子在d维度的速度为,第i个探索子在d维度的位置为/>,探索子的惯性权重为/>,学习因子为/>、/>,随机常数为/>、/>,全局最优位置为/>,个体最优位置为/>,更新的后探索子位置为/>;
执行自适应t分布扰动策略,不断迭代直到达到最大迭代次数,将筛选剩下的数据输出为重点数据。
进一步的,对所述重点数据添加时间戳获得增强数据的方法,包括:
计算距离重点数据最近的点以及距离:
其中第p个近邻点到第c个重点数据的距离为,维度为d,维度的数量为/>,第d个维度的第c个样本为/>,第d个维度的第p个近邻点为/>;
计算距离样本点最近的近邻点到重点数据的距离之和:
其中近邻点的数量为,第c个重点数据与近邻点的距离之和为/>;
根据距离之和进行降序排序,给定邻域参数的取值区间,根据重点数据与近邻点的距离之和的大小,将邻域参数平均分配到邻域内,表达式为:
其中邻域参数为,邻域参数的最大值为/>,邻域参数的最小值为/>,第1个重点数据与近邻点的距离之和为/>,控制参数为/>,重点数据与近邻点距离之和的最大值为;
计算局部近邻权重和原始局部线性结构权重:
其中增强权重为,重点数据/>与第y个邻居的近邻序列结构权重为/>,原始局部线性结构权重为/>,二级范数函数为/>,重点数据的第y个邻居为/>,第c个重点数据为,最小值参数值函数为/>,第c个重点数据和第y个邻居的衰减系数为/>;
计算重要性权重:
其中重要性权重为,近邻序列结构权重为/>,序列系数为/>,线性系数为/>;
将重要性权重大于等于0.372点对应的近邻点作为时间戳的插入点,插入时间戳输出增强数据。
进一步的,对所述增强数据进行贡献度选择获得优质数据的方法,包括:
计算增强数据之间的距离:
其中第j个数据和第个数据的相异度为/>,第j个数据和第/>个数据的距离为/>,条件概率为/>,第j个数据和第/>个数据的数值型距离为/>;
计算增强数据的累计贡献度:
其中累计贡献度为,第j个方差解释率为/>,第j个数据和第/>个数据偏移值为/>,距离为/>,遗传因子为/>,偏移值的平均值为/>;
将累计贡献度大于1的增强数据输出为优质数据。
进一步的,对所述优质数据进行数据编码获得编码数据的方法,包括:
计算成对差错概率的上限:
其中信道矩阵为R,预编码矩阵为K,成对差错概率为,优质数据为A,编码数据为/>,误差率为/>,优质数据A变换为编码数据/>的成对差错概率为/>,范数函数为/>;
计算信道概率密度:
其中信道R的概率密度为,信道均值为/>,传输协方差为/>,传输逆矩阵为/>,矩阵的秩为/>,信道矢量数量为N,行列式为/>,第f个信号矢量的数量为/>;
计算最小目标函数:
其中目标函数为,最小码距为D,传输协方差的逆矩阵为/>,信道调整矩阵为B,调整参数为/>,信道R的预编码矩阵为/>,预编码矩阵最优时矩阵的码距为/>,信道调整的逆矩阵为/>,信道R的信道均值为/>;
给出约束目标函数,表达式为:
其中拉格朗日系数为,信道调整矩阵B和拉格朗日系数/>的约束目标函数为,预编码矩阵为/>;
计算最优编码矩阵:
其中最优编码矩阵为,右奇异向量为X,左奇异向量为Y,根据最优编码矩阵输出编码数据。
进一步的,采用所述编码数据构建数据水印嵌入模型的方法,包括:
数据水印嵌入模型包括时间序列划分算法、哈希算法、傅里叶变换算法、遗传算法、机器学习算法;
时间序列划分算法按照时间顺序将编码数据划分成训练数据和测试数据;
聚类筛选算法将训练数据分成多个类簇,将远离类簇的数据剔除,获得选择数据;
哈希算法通过对选择数据进行哈希计算,得到固定长度的哈希值,采用哈希值对重要数据进行加密获得加密数据;
傅里叶变换算法对加密数据进行频域变换获得变换数据;
遗传算法通过对待嵌入对象进行迭代优化,在多个嵌入位置中找到最优嵌入位置;
机器学习算法根据最优嵌入位置将变换数据嵌入。
第二方面,本申请实施例还提供一种电子设备,包括:
处理器;以及被安排成存储计算机可执行指令的存储器,所述可执行指令在被执行时使所述处理器执行第一方面所述的方法步骤。
第三方面,本申请实施例还提供一种计算机可读存储介质,所述计算机可读存储介质存储一个或多个程序,所述一个或多个程序当被包括多个应用程序的电子设备执行时,使得所述电子设备执行第一方面所述的方法步骤。
本发明的有益效果是:
本发明是一种基于服务调用数据的水印嵌入方法,与现有技术相比,本发明具有以下技术效果:
本发明通过预处理、添加时间戳、筛选数据、数据编码和模型构建步骤,可以提高服务调用数据的水印嵌入的准确性,从而提高服务调用数据的水印嵌入的精度,将服务调用数据的水印嵌入优化,可以大大节省资源,提高工作效率,可以实现对服务调用数据的水印嵌入,实时对服务调用数据的水印嵌入方法进行加密编码,对服务调用数据的水印嵌入具有重要意义,可以适应不同标准的服务调用数据的水印嵌入、不同服务调用数据的水印嵌入方法需求,具有一定的普适性。
附图说明
图1为本发明一种基于服务调用数据的水印嵌入方法 的步骤流程图;
图2为本说明书实施例中一种电子设备的结构示意图。
具体实施方式
下面通过具体实施例对本发明作进一步描述,在此发明的示意性实施例以及说明用来解释本发明,但并不作为对本发明的限定。
本发明一种基于服务调用数据的水印嵌入方法包括以下步骤:
如图1所示,在本实施例中,包括以下步骤:
获取基于服务的调用数据,对所述调用数据进行预处理;
在实际评估中,请求的URLhttps://api.example.com/users/123、HTTP方法GET、请求头Content-Type: application/json——Authorization: Bearer token123、请求体无、调用时间戳2023-04-01T10:00:00Z、调用者IP地址192.168.1.100、调用时长200ms、调用的服务接口名getUserById、网络错误否、服务不可用否、参数错误否、运行状态成功、处理流程验证请求头 -> 查询数据库 -> 返回用户信息、执行结果用户信息返回成功、响应时间150ms、吞吐量100 req/s、错误率0%;
根据相关权重对预处理后的所述调用数据进行选择获得重点数据,对所述重点数据添加时间戳获得增强数据;
在实际评估中,重点数据为请求的URLhttps://api.example.com/users/123、HTTP方法GET、请求头Content-Type: application/json——Authorization: Bearertoken123、请求体无、调用时间戳2023-04-01T10:00:00Z、调用者IP地址192.168.1.100、调用时长200ms、网络错误否、服务不可用否、参数错误否、运行状态成功、执行结果用户信息返回成功、响应时间150ms、吞吐量100 req/s、错误率0%;
增强数据为请求的URLhttps://api.example.com/users/123、HTTP方法GET、请求头Content-Type: application/json——Authorization: Bearer token123、请求体无、调用时间戳2023-04-01T10:00:00Z、调用事件时间戳2023-04-01T10:00:00Z、调用者IP地址192.168.1.100、调用时长200ms、网络错误否、服务不可用否、参数错误否、运行状态成功、执行结果用户信息返回成功、响应时间150ms、吞吐量100 req/s、错误率0%;
对所述增强数据进行贡献度选择获得优质数据,对所述优质数据进行数据编码获得编码数据;
在实际评估中,优质数据为请求的URLhttps://api.example.com/users/123、请求头Content-Type: application/json——Authorization: Bearer token123、请求体无、调用时间戳2023-04-01T10:00:00Z、调用事件时间戳2023-04-01T10:00:00Z、调用时长200ms、运行状态成功、响应时间150ms、吞吐量100 req/s、错误率0%;
编码数据为请求的URLhttps://api.example.com/users/123、请求头Content-Type: application/json——Authorization: Bearer token123、请求体无、调用时间戳2023-04-01T10:00:00Z、调用事件时间戳2023-04-01T10:00:00Z调用时长200ms、运行状态成功、响应时间150ms、吞吐量100 req/s、错误率0%的编码分别为00000001、00000010、00000011、0、1011110100110000101、10111101001100001010、11001000、1、10010110、1100100、0;
采用所述编码数据构建数据水印嵌入模型,将待嵌入的服务调用数据输入所述数据水印嵌入模型,输出嵌入结果。
在本实施例中,根据相关权重对预处理后的所述调用数据进行选择获得重点数据的方法,包括:
计算调用数据的相关权重:
其中数据E的最大值为,数据E的最小值为/>,数据E的相关权重为,数据E 的初始相关权重为/>,随机抽样C中所属类别的比例为/>,b类调用数据的比例为/>,b类调用数据中的第a个最近邻数据为/>,相关性E的数据值为/>,近邻中第a个调用数据E的采样数据值为/>,第a个采样数据为/>,随机抽样C中所属类别为,采样数据的数量为/>,最近邻数据为g,调用数据C与采样数据/>在相关性E上的差为,调用数据C与采样数据/>在最近邻/>上的差为/>;
根据相关权重对调用数据进行降序排序,给定相关权重阈值,根据相关权重阈值筛选相关集;
对探索子位置和相关集进行映射,表达式为:
其中映射函数为,第i个探索子的第a个相关的为/>,随机数为r,自然常数为e,计算探索子的适应度值:
其中适应度为,分类的误分率为/>,相关集中的数据数量为M,误分率的重要性为/>,相关子集的重要性为/>,选择的相关子集的数量为/>;
比较探索子的适应度,更新全局和局部最优解,更新探索子位置,表达式为:
其中第i个探索子在d维度的速度为,第i个探索子在d维度的位置为/>,探索子的惯性权重为/>,学习因子为/>、/>,随机常数为/>、/>,全局最优位置为/>,个体最优位置为/>,更新后的探索子位置为/>;
执行自适应t分布扰动策略,不断迭代直到达到最大迭代次数,将筛选剩下的数据输出为重点数据。
在本实施例中,对所述重点数据添加时间戳获得增强数据的方法,包括:
计算距离重点数据最近的点以及距离:
其中第p个近邻点到第c个重点数据的距离为,维度为d,维度的数量为/>,第d个维度的第c个样本为/>,第d个维度的第p个近邻点为/>;
计算距离样本点最近的近邻点到重点数据的距离之和:
其中近邻点的数量为,第c个重点数据与近邻点的距离之和为/>;
根据距离之和进行降序排序,给定邻域参数的取值区间,根据重点数据与近邻点的距离之和的大小,将邻域参数平均分配到邻域内,表达式为:
其中邻域参数为,邻域参数的最大值为/>,邻域参数的最小值为/>,第1个重点数据与近邻点的距离之和为/>,控制参数为/>,重点数据与近邻点距离之和的最大值为;
计算局部近邻权重和原始局部线性结构权重:
其中增强权重为,重点数据/>与第y个邻居的近邻序列结构权重为/>,原始局部线性结构权重为/>,二级范数函数为/>,重点数据的第y个邻居为/>,第c个重点数据为,最小值参数值函数为/>,第c个重点数据和第y个邻居的衰减系数为/>;
计算重要性权重:
其中重要性权重为,近邻序列结构权重为/>,序列系数为/>,线性系数为/>;
将重要性权重大于等于0.372点对应的近邻点作为时间戳的插入点,插入时间戳输出增强数据。
在本实施例中,对所述增强数据进行贡献度选择获得优质数据的方法,包括:
计算增强数据之间的距离:
其中第j个数据和第个数据的相异度为/>,第j个数据和第/>个数据的距离为/>,条件概率为/>,第j个数据和第/>个数据的数值型距离为/>;
计算增强数据的累计贡献度:
其中累计贡献度为,第j个方差解释率为/>,第j个数据和第/>个数据偏移值为/>,距离为/>,遗传因子为/>,偏移值的平均值为/>;
将累计贡献度大于1的增强数据输出为优质数据。
在本实施例中,对所述优质数据进行数据编码获得编码数据的方法,包括:
计算成对差错概率的上限:
其中信道矩阵为R,预编码矩阵为K,成对差错概率为,优质数据为A,编码数据为/>,误差率为/>,优质数据A变换为编码数据/>的成对差错概率为/>,范数函数为/>;
计算信道概率密度:
其中信道R的概率密度为,信道均值为/>,传输协方差为/>,传输逆矩阵为/>,矩阵的秩为/>,信道矢量数量为N,行列式为/>,第f个信号矢量的数量为/>;
计算最小目标函数:
其中目标函数为,最小码距为D,传输协方差的逆矩阵为/>,信道调整矩阵为B,调整参数为/>,信道R的预编码矩阵为/>,预编码矩阵最优时矩阵的码距为/>,信道调整的逆矩阵为/>,信道R的信道均值为/>;
给出约束目标函数,表达式为:
其中拉格朗日系数为,信道调整矩阵B和拉格朗日系数/>的约束目标函数为,预编码矩阵为/>;
计算最优编码矩阵:
其中最优编码矩阵为,右奇异向量为X,左奇异向量为Y,根据最优编码矩阵输出编码数据。
在本实施例中,采用所述编码数据构建数据水印嵌入模型的方法,包括:
数据水印嵌入模型包括时间序列划分算法、哈希算法、傅里叶变换算法、遗传算法、机器学习算法;
时间序列划分算法按照时间顺序将编码数据划分成训练数据和测试数据;
聚类筛选算法将训练数据分成多个类簇,将远离类簇的数据剔除,获得选择数据;
哈希算法通过对选择数据进行哈希计算,得到固定长度的哈希值,采用哈希值对重要数据进行加密获得加密数据;
傅里叶变换算法对加密数据进行频域变换获得变换数据;
遗传算法通过对待嵌入对象进行迭代优化,在多个嵌入位置中找到最优嵌入位置;
机器学习算法根据最优嵌入位置将变换数据嵌入。
图2是本申请的一个实施例电子设备的结构示意图。请参考图2,在硬件层面,该电子设备包括处理器,可选地还包括内部总线、网络接口、存储器。其中,存储器可能包含内存,例如高速随机存取存储器(Random-Access Memory,RAM),也可能还包括非易失性存储器(non-volatile memory),例如至少1个磁盘存储器等。当然,该电子设备还可能包括其他业务所需要的硬件。
处理器、网络接口和存储器可以通过内部总线相互连接,该内部总线可以是ISA(Industry Standard Architecture,工业标准体系结构)总线、PCI(PeripheralComponent Interconnect,外设部件互连标准)总线或EISA(Extended Industry StandardArchitecture,扩展工业标准结构)总线等。所述总线可以分为地址总线、数据总线、控制总线等。为便于表示,图2中仅用一个双向箭头表示,但并不表示仅有一根总线或一种类型的总线。
存储器,用于存放程序。具体地,程序可以包括程序代码,所述程序代码包括计算机操作指令。存储器可以包括内存和非易失性存储器,并向处理器提供指令和数据。
处理器从非易失性存储器中读取对应的计算机程序到内存中然后运行,在逻辑层面上形成一种多维度人机交互场景的用户意图识别装置。处理器,执行存储器所存放的程序,并具体用于执行前述任意一种基于服务调用数据的水印嵌入方法 。
上述如本申请图1所示实施例揭示的一种基于服务调用数据的水印嵌入方法 可以应用于处理器中,或者由处理器实现。处理器可能是一种集成电路芯片,具有信号的处理能力。在实现过程中,上述方法的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器可以是通用处理器,包括中央处理器(CentralProcessing Unit,CPU)、网络处理器(Network Processor,NP)等;还可以是数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific IntegratedCircuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本申请实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成,或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器,闪存、只读存储器,可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器,处理器读取存储器中的信息,结合其硬件完成上述方法的步骤。
该电子设备还可执行图1中一种基于服务调用数据的水印嵌入方法 ,并实现图1所示实施例的功能,本申请实施例在此不再赘述。
本申请实施例还提出了一种计算机可读存储介质,该计算机可读存储介质存储一个或多个程序,该一个或多个程序包括指令,该指令当被包括多个应用程序的电子设备执行时,执行前述的任意一种基于服务调用数据的水印嵌入方法 。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中,计算设备包括一个或多个处理器 (CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器,随机存取存储器 (RAM) 和/或非易失性内存等形式,如只读存储器 (ROM) 或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存 (PRAM)、静态随机存取存储器 (SRAM)、动态随机存取存储器 (DRAM)、其他类型的随机存取存储器 (RAM)、只读存储器 (ROM)、电可擦除可编程只读存储器 (EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘 (DVD) 或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体 (transitory media),如调制的数据信号和载波。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白,本申请的实施例可提供为方法、系统或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (8)
1.一种基于服务调用数据的水印嵌入方法 ,其特征在于,包括以下步骤:
获取基于服务的调用数据,对所述调用数据进行预处理;
根据相关权重对预处理后的所述调用数据进行选择获得重点数据,对所述重点数据添加时间戳获得增强数据;
对所述增强数据进行贡献度选择获得优质数据,对所述优质数据进行数据编码获得编码数据;
采用所述编码数据构建数据水印嵌入模型,将待嵌入的服务调用数据输入所述数据水印嵌入模型,输出嵌入结果。
2.根据权利要求1所述一种基于服务调用数据的水印嵌入方法 ,其特征在于,根据相关权重对预处理后的所述调用数据进行选择获得重点数据的方法,包括:
计算调用数据的相关权重:
其中数据E的最大值为,数据E的最小值为/>,数据E的相关权重为/>,数据E 的初始相关权重为/>,随机抽样C中所属类别的比例为/>,b类调用数据的比例为/>,b类调用数据中的第a个最近邻数据为/>,相关性E的数据值为/>,近邻中第a个调用数据E的采样数据值为/>,第a个采样数据为/>,随机抽样C中所属类别为/>,采样数据的数量为/>,最近邻数据为g,调用数据C与采样数据/>在相关性E上的差为/>,调用数据C与采样数据/>在最近邻/>上的差为/>;
根据相关权重对调用数据进行降序排序,给定相关权重阈值,根据相关权重阈值筛选相关集;
对探索子位置和相关集进行映射,表达式为:
其中映射函数为,第i个探索子的第a个相关的为/>,随机数为r,自然常数为e,计算探索子的适应度值:
其中适应度为,分类的误分率为/>,相关集中的数据数量为M,误分率的重要性为/>,相关子集的重要性为/>,选择的相关子集的数量为/>;
比较探索子的适应度,更新全局和局部最优解,更新探索子位置,表达式为:
其中第i个探索子在d维度的速度为,第i个探索子在d维度的位置为/>,探索子的惯性权重为/>,学习因子为/>、/>,随机常数为/>、/>,全局最优位置为/>,个体最优位置为,更新后的探索子位置为/>;
执行自适应t分布扰动策略,不断迭代直到达到最大迭代次数,将筛选剩下的数据输出为重点数据。
3.根据权利要求1所述一种基于服务调用数据的水印嵌入方法 ,其特征在于,对所述重点数据添加时间戳获得增强数据的方法,包括:
计算距离重点数据最近的点以及距离:
其中第p个近邻点到第c个重点数据的距离为,维度为d,维度的数量为/>,第d个维度的第c个样本为/>,第d个维度的第p个近邻点为/>;
计算距离样本点最近的近邻点到重点数据的距离之和:
其中近邻点的数量为,第c个重点数据与近邻点的距离之和为/>;
根据距离之和进行降序排序,给定邻域参数的取值区间,根据重点数据与近邻点的距离之和的大小,将邻域参数平均分配到邻域内,表达式为:
其中邻域参数为,邻域参数的最大值为/>,邻域参数的最小值为/>,第1个重点数据与近邻点的距离之和为/>,控制参数为/>,重点数据与近邻点距离之和的最大值为/>;
计算局部近邻权重和原始局部线性结构权重:
其中增强权重为,重点数据/>与第y个邻居的近邻序列结构权重为/>,原始局部线性结构权重为/>,二级范数函数为/>,重点数据的第y个邻居为/>,第c个重点数据为/>,最小值参数值函数为/>,第c个重点数据和第y个邻居的衰减系数为/>;
计算重要性权重:
其中重要性权重为,近邻序列结构权重为/>,序列系数为/>,线性系数为/>;
将重要性权重大于等于0.372点对应的近邻点作为时间戳的插入点,插入时间戳输出增强数据。
4.根据权利要求1所述一种基于服务调用数据的水印嵌入方法 ,其特征在于,对所述增强数据进行贡献度选择获得优质数据的方法,包括:
计算增强数据之间的距离:
其中第j个数据和第个数据的相异度为/>,第j个数据和第/>个数据的距离为/>,条件概率为/>,第j个数据和第/>个数据的数值型距离为/>;
计算增强数据的累计贡献度:
其中累计贡献度为,第j个方差解释率为/>,第j个数据和第/>个数据偏移值为/>,距离为/>,遗传因子为/>,偏移值的平均值为/>;
将累计贡献度大于1的增强数据输出为优质数据。
5.根据权利要求1所述一种基于服务调用数据的水印嵌入方法 ,其特征在于,对所述优质数据进行数据编码获得编码数据的方法,包括:
计算成对差错概率的上限:
其中信道矩阵为R,预编码矩阵为K,优质数据为A,编码数据为,误差率为/>,优质数据A变换为编码数据/>的成对差错概率为/>,范数函数为/>;
计算信道概率密度:
其中信道R的概率密度为,信道均值为/>,传输协方差为/>,传输逆矩阵为/>,矩阵的秩为/>,信道矢量数量为N,行列式为/>,第f个信号矢量的数量为/>;
计算最小目标函数:
其中目标函数为,传输协方差的逆矩阵为/>,信道调整矩阵为B,调整参数为/>,信道R的预编码矩阵为/>,预编码矩阵最优时矩阵的码距为/>,信道调整的逆矩阵为/>,信道R的信道均值为/>;
给出约束目标函数,表达式为:
其中拉格朗日系数为,信道调整矩阵B和拉格朗日系数/>的约束目标函数为/>,预编码矩阵为/>;
计算最优编码矩阵:
其中最优编码矩阵为,右奇异向量为X,左奇异向量为Y,根据最优编码矩阵输出编码数据。
6.根据权利要求1所述一种基于服务调用数据的水印嵌入方法 ,其特征在于,采用所述编码数据构建数据水印嵌入模型的方法,包括:
数据水印嵌入模型包括时间序列划分算法、哈希算法、傅里叶变换算法、遗传算法、机器学习算法;
时间序列划分算法按照时间顺序将编码数据划分成训练数据和测试数据;
聚类筛选算法将训练数据分成多个类簇,将远离类簇的数据剔除,获得选择数据;
哈希算法通过对选择数据进行哈希计算,得到固定长度的哈希值,采用哈希值对重要数据进行加密获得加密数据;
傅里叶变换算法对加密数据进行频域变换获得变换数据;
遗传算法通过对待嵌入对象进行迭代优化,在多个嵌入位置中找到最优嵌入位置;
机器学习算法根据最优嵌入位置将变换数据嵌入。
7.一种电子设备,包括:处理器;以及
被安排成存储计算机可执行指令的存储器,所述可执行指令在被执行时使所述处理器执行所述权利要求1~6任一所述方法。
8.一种计算机可读存储介质,所述计算机可读存储介质存储一个或多个程序,所述一个或多个程序当被包括多个应用程序的电子设备执行时,使得所述电子设备执行所述权利要求1~6任一所述方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410373303.1A CN117972657B (zh) | 2024-03-29 | 2024-03-29 | 一种基于服务调用数据的水印嵌入方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410373303.1A CN117972657B (zh) | 2024-03-29 | 2024-03-29 | 一种基于服务调用数据的水印嵌入方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117972657A true CN117972657A (zh) | 2024-05-03 |
CN117972657B CN117972657B (zh) | 2024-05-31 |
Family
ID=90855014
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410373303.1A Active CN117972657B (zh) | 2024-03-29 | 2024-03-29 | 一种基于服务调用数据的水印嵌入方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117972657B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO1999017536A1 (en) * | 1997-09-26 | 1999-04-08 | Digital Copyright Technologies Ag | Method for generating and verifying degital watermarks and for exchanging data containing digital watermarks |
US20110055585A1 (en) * | 2008-07-25 | 2011-03-03 | Kok-Wah Lee | Methods and Systems to Create Big Memorizable Secrets and Their Applications in Information Engineering |
CN112613072A (zh) * | 2020-12-28 | 2021-04-06 | 无锡建舜科技有限公司 | 基于档案大数据的信息管理方法、管理系统及管理云平台 |
CN116957893A (zh) * | 2023-06-26 | 2023-10-27 | 海易科技(北京)有限公司 | 水印生成方法、装置、电子设备和计算机可读介质 |
CN117439799A (zh) * | 2023-11-16 | 2024-01-23 | 南京欣威视通信息科技股份有限公司 | 一种http请求数据防篡改的方法 |
-
2024
- 2024-03-29 CN CN202410373303.1A patent/CN117972657B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO1999017536A1 (en) * | 1997-09-26 | 1999-04-08 | Digital Copyright Technologies Ag | Method for generating and verifying degital watermarks and for exchanging data containing digital watermarks |
US20110055585A1 (en) * | 2008-07-25 | 2011-03-03 | Kok-Wah Lee | Methods and Systems to Create Big Memorizable Secrets and Their Applications in Information Engineering |
CN112613072A (zh) * | 2020-12-28 | 2021-04-06 | 无锡建舜科技有限公司 | 基于档案大数据的信息管理方法、管理系统及管理云平台 |
CN116957893A (zh) * | 2023-06-26 | 2023-10-27 | 海易科技(北京)有限公司 | 水印生成方法、装置、电子设备和计算机可读介质 |
CN117439799A (zh) * | 2023-11-16 | 2024-01-23 | 南京欣威视通信息科技股份有限公司 | 一种http请求数据防篡改的方法 |
Also Published As
Publication number | Publication date |
---|---|
CN117972657B (zh) | 2024-05-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11636380B2 (en) | Method for protecting a machine learning model against extraction using an ensemble of a plurality of machine learning models | |
US11500970B2 (en) | Machine learning model and method for determining if the machine learning model has been copied | |
CN110688675B (zh) | 基于隐私保护的数据泄露溯源装置、方法及可读存储介质 | |
Fearnhead et al. | Relating and comparing methods for detecting changes in mean | |
CN110458598A (zh) | 场景适配方法、装置及电子设备 | |
US11321456B2 (en) | Method and system for protecting a machine learning model against extraction | |
CN112214518B (zh) | 一种基于区块链的地理空间基础数据共享方法及系统 | |
Hu et al. | A spatial image steganography method based on nonnegative matrix factorization | |
CN116956906A (zh) | 文本生成方法、装置及电子设备 | |
Hu et al. | Efficient JPEG batch steganography using intrinsic energy of image contents | |
CN110008986B (zh) | 批量风险案件识别方法、装置及电子设备 | |
CN115168865A (zh) | 基于领域自适应的跨项目漏洞检测模型 | |
CN117972657B (zh) | 一种基于服务调用数据的水印嵌入方法 | |
CN113378118B (zh) | 处理图像数据的方法、装置、电子设备和计算机存储介质 | |
Abed et al. | Efficient cover image selection based on spatial block analysis and DCT embedding | |
CN117372742A (zh) | 域泛化方法、服务器和客户端 | |
Zhu et al. | Multi-class JPEG image steganalysis by ensemble linear svm classifier | |
CN114090968A (zh) | 用于数据集的所有权验证方法和装置 | |
Koshkina | Comparison of efficiency of statistical models used for formation of feature vectors by JPEG images steganalysis | |
CN117034219B (zh) | 一种数据处理方法、装置、设备以及可读存储介质 | |
Wang et al. | Analysis and optimization of split‐plot operating window experiments: Methodology and application | |
CN116187094B (zh) | 一种基于工作情况实时分析的质量工作预测系统 | |
Wu et al. | Security-oriented steganographic payload allocation for multi-remote sensing images | |
Zhou | A note on cyclic shift permutation testing for large eigenvalues | |
CN115048304A (zh) | 代码扫描规则的推荐方法和装置、处理器和电子设备 |
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 |